في عالم الذكاء الاصطناعي، تُعتبر النماذج اللغوية المدمجة (Compact Language Models) واحدة من الحلول الرائدة التي تهدف إلى تقليل التكاليف، والحد من زمن الانتظار، وتقليل مخاطر النشر عند استخدام الوكلاء. لكن الاستخدام الفعال لهذه الأدوات يتطلب أكثر من مجرد استدعاء وظيفي معزول؛ حيث يتوجب على الوكيل أن يستكشف الأدوات المتاحة في كتالوجات حية، ويفي بالأنظمة المحددة، ويحتفظ بالاعتماد على المخرجات الوسيطة، ويؤصل الردود النهائية في الأدلة المنفذة.

في ظل هذا السياق، يواجه المخططون الصغار (Small Planners) تحديات كبيرة في إنتاج مخططات العمل، حيث غالباً ما تفشل هذه المخططات في التحقق من الأدوات أو تتجاوز القيود الزمانية. وقد أظهرت الأبحاث أن أسلوب تقطير النماذج الصغيرة (Small-Corpus Distillation) لا يعالج هذه الإخفاقات بشكل فعّال.

هنا تأتي الابتكارات التي تقدمها Evoflux، وهي طريقة بحث تطوري (Evolutionary Search) تعمل في وقت الاستدلال، وتعامل الاستخدام المدمج للأدوات على أنه إصلاح لتدفقات أدوات قابلة للتنفيذ. تستند Evoflux إلى تطوير مخططات عمل مكتوبة عبر تعديلات منظمة، واستجابة تنفيذ، وكثافة متكيفة، وإعادة تصميم موجهة بالبيانات، وتقليم التنوع.

عند اختبار Evoflux على مهام MCP-Bench التي تغطي خوادم MCP الحية و250 أداة، تم رفع نسبة إمكانية التنفيذ من حوالي 3% إلى ما بين 17% و24% لدى المخططين الصغار. بينما أسفرت المحاولات الأخرى من تدريب Supertvised Fine-Tuning (SFT) عن أداء أضعف أو انهيار الأداء تحت العتبات الصفرية. ورغم أن طريقة ReAct حققت نتائج أفضل على العموم، إلا أنها جاءت بتكاليف أعلى وتباين أكبر.

تظهر هذه النتائج بوضوح أن البحث القائم على التنفيذ يعد أكثر موثوقية في ظل ميزانيات تعليمية محدودة. سيكون لتقنيات مثل Evoflux تأثير عميق على كيفية استخدامنا لنماذج اللغة والأدوات القابلة للتنفيذ في المستقبل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!