في عالم الذكاء الاصطناعي، يزداد الاعتماد على نماذج اللغة الكبيرة (Large Language Models - LLMs) في إنجاز المهام المعقدة مثل أتمتة واجهات المستخدم (GUI) واستخدام الأدوات ومعالجة البيانات. ومع ذلك، يواجه العديد من هذه الوكالات تحديات كبيرة في تعلم المهام من خلال التجربة، حيث تبدأ كل جلسة جديدة من الصفر.

لذلك، تم تقديم إطار عمل جديد يُعرف باسم BREW، والذي يعني «تحسين المعرفة البيئية المستفادة من التجارب». هذا الإطار لا يُعزز فقط من فعالية الوكلاء من خلال تخزين تجاربهم السابقة، بل يقوم بتحويل هذه الخبرات إلى قاعدة بيانات منظمة يمكن استرجاعها من وصفات اللغة الطبيعية. تقوم هذه الوثائق الإجرائية بتوضيح ما يجب القيام به، ومتى يمكن تطبيقه، وما الذي يجب أخذه بعين الاعتبار.

يستند BREW إلى مبدأ التعلم من المكتبات المستندة إلى توليد البرامج، حيث يُقسّم ذاكرة الوكلاء إلى مستندات مُركّزة ومحلية للمفاهيم، ويُ formalizes عملية بناء قاعدة البيانات كمشكلة بحث في فضاء الحالة.

هذا الإطار يتضمن أيضاً خوارزمية تُعرف باسم Expand-and-Gather Monte Carlo Tree Search (EG-MCTS)، التي تُعزز دقة الوصفات وقابلية استرجاعها عبر أنظمة بحث متوازية. بشكل مثير، تم تعديل تقنية إعادة التسمية بأثر رجعي لتحويل المسارات القريبة من الهدف إلى عروض إيجابية، مما يسمح بتسليط الضوء على كفاءات الوكلاء كمعرفة قابلة لإعادة الاستخدام.

عند تقييمها على ثلاثة مؤشرات معيارية، OSWorld و tau^2-Bench و SpreadSheetBench، أظهرت نتاجات BREW تحسناً يتراوح بين 10-20% في نجاح المهام و10-15% في تقليل خطوات التنفيذ مقارنة بالوكلاء الأساسيين، مشيرة إلى أدائها العالي فوق الحلول القائمة على الذاكرة التي قد تنخفض بشكل كبير عن الأداء الخالي من الذاكرة.

باختصار، تعتبر قاعدة المعرفة الناتجة من BREW قابلة للفحص، مرنة، وقابلة للتوسيع، مما يوفر أساساً شفافاً وقابلاً للتحكم لتحسين أداء الوكلاء الذكيين.