في عالم الذكاء الاصطناعي الحديث، يقدم الباحثون تقنيات جديدة تعزز من كفاءة عمل الوكلاء البرمجيين. من بين هذه التقنيات المبتكرة، نبرز اليوم تقنية CoACT، التي تهدف إلى ضغط الملاحظات بطريقة تحافظ على فعالية الأداء.

تعمل الوكلاء المدعومين بنماذج اللغات الضخمة (Large Language Models) على حل المهام المتعلقة بهندسة البرمجيات من خلال تفاعلات متكررة مع بيئات التطوير. وفي هذا السياق، تصبح الملاحظات العائدة من التفاعلات موردًا رئيسيًا لتكاليف الاستنتاج. لكن طرق الضغط الحالية لا توفر توازنًا مرضيًا بين الكفاءة والفعالية.

لذا، تأتي CoACT، وهي طريقة جديدة لضغط الملاحظات بشكل يحافظ على الأفعال القادمة. تعتمد هذه التقنية على الحفاظ على الأفعال التالية (Next-Action Preservation)، مما يعني أنه يجب أن تؤدي الملاحظات المضغوطة إلى نفس الإجراء التالي الذي تؤديه الملاحظات الأصلية. هكذا، تؤدي CoACT إلى تقديم إشارة عملية حول ما إذا كانت عملية الضغط قد حافظت على المعلومات الضرورية لاستمرار الحل.

وفي إطار تدريب النظام، يقوم نموذج المعلم بتوليد عدة مرشحات مضغوطة لكل ملاحظة، حيث تقوم CoACT باستخدام مكافأة تعتمد على الحفاظ على الأفعال لتصفية الخيارات التي قد تغير الإجراء التالي للوكيل، كما تستخدم مكافأة تقليل الطول لاختيار الخيارات المضغوطة كإشراف على ضغط أخف.

أظهرت التجارب على نماذج وكيل محددة (SWE-bench) أن CoACT قد خفضت استهلاك التوكينات بنسبة 33.0% مع الحفاظ على فعالية حل المهام، قريبًا من أداء الوكلاء غير المضغوطين. تأكيدًا على قدرتها في تحسين الأداء وتقليل التكاليف في طيف واسع من التطبيقات، تثبت CoACT أنها خطوة مهمة نحو تطوير ذكاء اصطناعي فعّال ومبتكر في مجال البرمجة.