يوفر التطور المستمر في مجال الذكاء الاصطناعي (Artificial Intelligence) آفاقاً جديدة للتحسين والتطوير، ولعل من أحدث هذه التطورات هو النظام المبتكر DeReAct. يعتمد العديد من وكلاء الذكاء الاصطناعي التقليديين على نموذج واحد من نماذج اللغات الضخمة (Large Language Model) لتنفيذ الإجراءات، مما يعرضهم لمشكلات في التحكم في التعهدات واكتمال المهام. هنا يأتي دور DeReAct، والذي يقدم بنية هيكلية جديدة تسمح بتوزيع الأدوار بين مكونين رئيسيين: الناقد (Critic) ومدير السياق (Context Manager).

حيث يقوم الناقد بالتحقق من صحة الإجراءات المقترحة قبل تنفيذها، بينما يقوم مدير السياق بإعادة بناء حالة البيئة لتعزيز موثوقية التنفيذ وضمان اكتمال المهام. وقد أظهرت التحليلات على مجموعتي GAIA وSWE-bench Verified أن DeReAct يحسّن من معدل النجاح (Pass@1) بشكل خاص عند استخدام نماذج أقل قوة، حيث سجل تحسينات تصل إلى 7.0 نقطة لنموذج Qwen3-Coder-480B و5.2 نقطة لنموذج Claude Sonnet 4.5.

تستعرض التحليلات الديناميكية (Trajectory) والدراسات التجريبية (Ablation) فعالية التحكم الخارجي في وجود حالات فشل مستهدفة بشكل كافٍ، مما يزيد من فعالية سياسة التحكم. مع نموذج Claude Opus 4.5، يبقى معدل النجاح لدى DeReAct مقاربا لتلك النماذج التقليدية، ولكنه يتفوق في تقديم مسارات أكثر اكتمالاً وواقعية.

يمكن القول أن DeReAct يمثل خطوة كبيرة نحو زيادة فعالية وكلاء الذكاء الاصطناعي، خصوصاً في النماذج الأضعف، مع الحفاظ على ميزات التأسيس كالنماذج تتطور وتتقدم. هل تعتقد أن هذه التطورات ستغير مستقبل الذكاء الاصطناعي بشكل جذري؟ شاركونا آرائكم في التعليقات!