في عالم الذكاء الاصطناعي، تُعتبر عملية اكتشاف الأدوات جزءًا أساسيًا من تمكين الوكلاء (Agents). ولكن، مع اتساع نطاق الكتالوجات، يصبح تحميل التعريفات اللازمة عملية مكلفة للغاية.

هنا تأتي كارتوجراف (Cartograph) كحل مبتكر لهذه المشكلة. باستخدام بروتوكول نموذج السياق (Model Context Protocol – MCP)، تتحول كارتوجراف عملية اكتشاف الأدوات من الحاجة إلى استعراض كتالوج يتزايد حجمه (O(n)) إلى أسلوب اكتشاف تدريجي (O(k)).

تجمع كارتوجراف بين ثلاث آليات أساسية: أولاً، بطاقات القدرة المعتمدة من المشغل التي يتم التوقيع عليها إلكترونيًا وتُدار تحت رقابة المشغل، مما يضمن دقة المعلومات. ثانياً، توفر تقنية ريفت (Rift) تحليلاً ثلاثي الطبقات للتجمعات المتشابهة، مما يعزز من فعالية الاستعلامات عن الأدوات. ثالثاً، تستخدم كارتوجراف استرجاعًا من مرحلتين، حيث يتم تصنيف الخوادم قبل أدوات الاسترجاع، مما يجعل اكتشاف الأدوات أكثر كفاءة.

في عملية نشر تشمل 22 خادماً و374 أداة، توفر كارتوجراف ثلاث أدوات بدلاً من التعريفات الضخمة. وباستخدام معيار تم إنشاؤه من 49 استعلام، حققت كارتوجراف تصنيفات مثيرة تُشير إلى كفاءتها. بالإضافة إلى ذلك، أظهرت الاختبارات أن مزيجًا من أنظمة توليد البطاقات يمكن أن يقلل من المسافة والإرباك بين التعريفات.

تتطلب تقنيات كارتوجراف نفس القدر من الجودة والكفاءة التي تتطلبها أنظمة التنفيذ المختلفة. إذ تقدم رقابة متكاملة على المعلومات التي يتم عرضها وتوثق مصدرها ليتم استخدامها عند تصنيف استعلامات المستخدمين.

لا شك أن كارتوجراف تمثل نقلة نوعية في طريقة استكشاف الوكلاء للأدوات، مما يسهل عليهم الوصول إلى المعلومات التي يحتاجون إليها بسرعة وسهولة.

ما رأيكم في هذه الابتكارات المدهشة لكارتوجراف؟ شاركونا آراءكم في التعليقات!