في خضم التطورات السريعة في عالم الذكاء الاصطناعي، يبرز موضوع البحث الذاتي كأحد التحديات الرئيسية في التعامل مع وكالات نماذج اللغات الضخمة (Large Language Models - LLM).

في إطار جديد يُعرف باسم عملية اتخاذ القرار لجمع السياق (Context Gathering Decision Process - CGDP)، عمل الباحثون على معالجة مشكلة وكالات LLM في البيئات المعقدة، كقواعد البيانات الضخمة وسجلات المحادثات. تكمن المشكلة في أن المعلومات المتاحة تفوق قدرات الذاكرة الخاصة بتلك النماذج، مما يؤدي إلى تكرار العمل وإيقافات غير ضرورية.

توصل الفريق إلى أن الإطار الجديد يُمكن أن يُساعد الوكلاء على تحسين سلوكياتهم عبر نموذج يُعرف بالتمثيل المحتمل لتقنية Thompson Sampling المُقترحة، حيث يسعى الوكيل إلى تحسين مستوى قناعته لتحديد المعلومات الضرورية لإنجاز المهام بشكل أفضل.

وأظهرت التجارب أن اعتماد حالة الاعتقاد المعتمدة على CGDP كبديل للحالة الضمنية المُتبعة من قبل LLMs أدى إلى تحسين أداء التفكير المتعدد المستويات بنسبة تصل إلى 11.4%. كما أن التقنيات الجديدة المُعتمدة على التداخل البرنامجي حققت توفيرًا يصل إلى 39% في استخدام الرموز (tokens) دون التأثير سلبًا على أداء الوكلاء.

النتائج التي تم التوصل إليها تشير بوضوح إلى أهمية إعادة صياغة لوحات تحكم الوكلاء من خلال إطار CGDP، مما يسهم في تصميم تحسينات غير متداخلة للمسارات البحثية.