شهدت السنوات الأخيرة اهتمامًا متزايدًا بمد وكالات الذكاء الاصطناعي بنماذج لغوية ضخمة (Large Language Models) وتطوير أنظمة جديدة قادرة على إحداث تأثيرات ملموسة في العالم الحقيقي. ورغم التحسينات الواضحة في فعالية هذه الأنظمة، إلا أن موضوع الكفاءة كان غالبًا ما يتم تجاهله.

تسلط دراسة جديدة الضوء على أهمية الكفاءة كعنصر أساسي في تصميم وكالات الذكاء الاصطناعي، حيث تتناول ثلاثة محاور رئيسية: الذاكرة، تعلم الأدوات، والتخطيط. هذه المحاور تلعب دورًا حيويًا في تقليل التكاليف مثل الكمون (Latency) وعدد الخطوات والسعرات (Tokens).

ومن خلال هذا العمل، يقوم الباحثون بمراجعة مجموعة متنوعة من الأساليب الحديثة التي تختلف في تطبيقها، لكنها تتفق على مبادئ رفيعة المستوى تشمل، على سبيل المثال، تحسين السياق عن طريق الضغط وإدارة المعلومات، وتصميم المكافآت في التعلم المعزز (Reinforcement Learning) لتقليل الحاجة لاستدعاء الأدوات، واستخدام آليات البحث المنظم لتعزيز الكفاءة.

على ضوء هذه المحاور، تمثل الكفاءة من خلال نهجين تكميليين: الأول يقارن الفعالية ضمن ميزانية تكلفة ثابتة، والثاني يقارن التكاليف بمستويات فعالية متقاربة. ومن جهة أخرى، تُظهر الدراسة أهمية تقييم المعايير المرتبطة بالكفاءة، مع تقديم بروتوكولات تقييم وتلخيص المؤشرات الشائعة المستخدمة في الدراسات المنهجية.

تتناول الدراسة أيضًا التحديات الرئيسية وآفاق المستقبل، مقدمة رؤى واعدة للمضي قدمًا في هذا المجال المتقدم. تعتبر هذه الدراسة دليلاً على كيفية امكانية تحقيق الكفاءة المطلوبة لعالم الذكاء الاصطناعي القائم على الأنظمة الوكيلة.