في عالم الذكاء الاصطناعي، أصبح من الملاحظ أن وكالات اللغة الكبيرة (LLM) تعمل بشكل متزايد من خلال أنظمة مودولارية، مثل خدمات الطلبات، والمدفوعات، والمخزون، والشحن. يتيح هذا الإطار للعمليات في وحدة واحدة أن تؤثر على انتقالات الوحدات الأخرى، مما يبرز أهمية فهم ديناميكيات هذه الأنظمة.

تتمثل إحدى التحديات الرئيسية في أن النماذج العالمية التقليدية غالباً ما تعتمد على تتبع الملاحظات دون فهم دقيق لعلاقات السبب والنتيجة. مثلاً، قد تُظهر البيانات أن المدفوعات تسبق الشحن، ولكن دون توضيح ما إذا كانت المدفوعات تفوض الشحن، أو إذا كان هناك وسيط يؤثر على النتيجة، أو حتى إذا كان هناك محفز خفي يفسر كلتا العمليتين.

لملء هذه الفجوة، قام الباحثون بتطوير إطار عمل يُدعى FedCausalCompose، وهو نموذج عالمي سببي يهدف إلى تعزيز أداء وكالات LLM من خلال توفير أدلة للردود التدخلية بين الواجهات بين الوحدات. يتناول البحث عيوب النماذج العالمية التقليدية عند مواجهة طرق العودة غير المحجوبة، ويظهر أنه يمكن تحسين الاسترداد بين الواجهات عند توسيع تغطية ردود التدخل.

تجاربهم تظهر أن الواجهات السببية تكون أكثر فاعلية في البيئات ذات الأدوات المرتبة، حيث تكشف توقيعات واجهة برمجة التطبيقات (APIs) عن الشروط المسبقة والتأثيرات اللاحقة. على النقيض، فإن البيئات الحوارية والسردية غالباً ما تتجاهل المعلومات الأساسية ما لم يكن هناك نقطة اهتمام قصيرة تجعل المعلومات السببية ذات صلة بخيارات الفعل.

تحدد هذه النتائج شرطًا ملموسًا للاستخدام الفعال لنماذج العالم السببية في وكالات LLM: حيث تكون الهياكل السببية مساعدة عندما تكون الواجهات بين الوحدات قابلة للإدراك بشكل إحصائي وعرضها بطريقة يمكن للعميل استخدامها وقت اتخاذ القرار.