في عالم الذكاء الاصطناعي، يتم الاعتماد بشكل متزايد على نماذج اللغات الضخمة (Large Language Models - LLMs) لأداء مهام معقدة تتطلب تفاعلًا فعالًا مع أدوات خارجية. وبما أن الوثائق الخاصة بهذه الأدوات تُعتبر موردًا حيويًا لهذه النماذج، فقد تم إجراء دراسة شاملة لتقييم كيفية تأثير المعلومات الواردة في تلك الوثائق على أداء الوكلاء الذكيين.

على الرغم من الجهود المبذولة لتحسين إمكانية استخدام الأدوات ومدى فعاليتها، إلا أن الدراسات السابقة تجاهلت إلى حد كبير دور الوثائق كمدخل ثابت. ومع أن هناك أعمالًا حديثة تسعى لتحسين الوثائق من خلال إعادة كتابة المعلومات أو ضغطها، فإن القليل يُعرف عن كيفية تأثير المعلومات الواردة بها على أداء الوكلاء في سيناريوهات مختلفة.

لتجاوز هذه الفجوة، قام الباحثون بإجراء دراسة تجريبية واسعة النطاق حول الوثائق الخاصة بالأدوات المستخدمة بواسطة نماذج (LLM). وقد أظهرت نتائج هذه الدراسة تنوعًا كبيرًا في المعلومات المقدمة من خلال الوثائق الحالية، حيث أثبتت أن فعاليتها تعتمد بشكل كبير على مجال المهمة، وهياكل (LLM) التعليمية، ونموذج الوكيل المستخدم.

لذا، تم اقتراح إطار عمل جديد يُعرف باسم دوكشيزل (DocsChisel) لتحسين الوثائق الخاصة بالأدوات الذكية. يقوم دوكشيزل بتحليل تتبع التنفيذ الفاشل لوكيل الهدف لتحديد المشكلات المرتبطة بالوثائق، ويعمل على تحسين محتوى الوثيقة بشكل تدريجي من خلال إضافة أو إزالة أو تحسين المعلومات الخاصة بكل أداة.

تظهر نتائج التجارب التي أجريت على دوكشيزل مقارنته مع نموذجين رائدين، وهما EasyTool وDRAFT، أن دوكشيزل حقق معدل نجاح في المهام بنسبة 95.89% إضافية مقارنة بالوثائق الأصلية، وبمتوسط 75.15% مقارنة بالنماذج الموجودة، مع المحافظة على وقت تحسين محدود وعبء رمزي بسيط.

فهل أنتم مستعدون لاستكشاف كيفية تغير أداء الوكلاء بفضل هذا الاختراع الثوري؟ شاركونا آراءكم في التعليقات!