شهدت الآونة الأخيرة تقدمًا ملحوظًا في استخدام وكيل نماذج اللغة الضخمة (Large Language Model) في مجالات علم البيانات الأوتوماتيكي. لكن، ورغم هذه الطفرات، لا تزال الطرق التقليدية تعاني من قصور في مجموعات الإجراءات الثابتة وعدم القدرة على إدارة السياقات على المدى الطويل بشكل متسق. وهذا يؤثر سلبًا على قدرة هذه الأنظمة على تكديس الخبرات القابلة لإعادة الاستخدام عبر المهام المتعددة، مما يُعيق قدرتها على العمل بكفاءة في الأنظمة المعقدة.

للتغلب على هذه التحديات، تم تقديم EvoDS، وكيل علم بيانات مستقل قادر على التكيف، يعمل على تطوير مهاراته وإدارة سياقه على المدى الطويل من خلال التعلم المدعوم بالوكالة. تقدم EvoDS استراتيجيتين رئيسيتين تعززان مرونته وكفاءته:
1. **آلية اكتساب المهارات المستقلة (Autonomous Skill Acquisition)**، التي تتيح للوكيل توليف، والتحقق، واستخدام المهارات القابلة للتنفيذ بشكل فعال.
2. **استراتيجية ضغط السياق التكيفية (Adaptive Context Compression)**، التي تجمع بين إدارة السياق كمشكلة تحكم مُتعلمة بدلاً من المعالجة السلبية.

من خلال تنفيذ هذه الاستراتيجيات ضمن مخطط تدريب متعدد الوكلاء في مرحلتين، يستطيع EvoDS تحسين أدائه تلقائيًا مع مرور الوقت. تسلط الأبحاث النظرية الضوء على كيفية تقليل تصميمه الهرمي لأخطاء اختيار الأدوات، حيث يرتبط هدف تحسينه بمبدأ الاختناق المعلوماتي، مما يضمن الاستخدام الفعال للسياقات.

في الاختبارات التجريبية، سجّل EvoDS تفوقًا بنسبة 28.9% على وكالات علم البيانات مفتوحة المصدر الرائدة عند استخدامه عبر أربعة اختبارات متباينة، مُلغيًا حالات الفشل ذات الرموز المفقودة. يمكنكم الاطلاع على الشيفرة المصدرية والبيانات عبر الرابط: EvoDS على GitHub.