تشير التطورات الحديثة في نماذج اللغة الكبيرة (Large Language Models) إلى أداء متفوق في استخدام الأدوات، لكن هذه النماذج تفتقر إلى القدرة الحيوية على التعلم من تجاربها الخاصة بشكل منهجي. رغم أن الأطر الحالية تركز في الغالب على تخفيف الفجوات المعرفية الخارجية، إلا أنها تتجاهل قيوداً أكثر جوهرية تتعلق بعدم القدرة على تحسين استراتيجيات حل المشكلات بشكل تكراري.

في هذا السياق، يبرز EvolveR كإطار عمل متطور يهدف إلى تمكين الوكلاء من تحسين أدائهم ذاتياً من خلال دائرة مغلقة كاملة للتجارب. تتكون هذه الدورة من مرحلتين رئيسيتين:

1. **التحلية الذاتية غير المتصلة (Offline Self-Distillation)**: حيث يتم تجميع مسارات تفاعل الوكيل وتحويلها إلى مستودع من المبادئ الاستراتيجية المجردة والقابلة لإعادة الاستخدام.
2. **التفاعل عبر الإنترنت (Online Interaction)**: هنا يتفاعل الوكيل مع المهام ويسترجع بنشاط المبادئ المستخلصة لإرشاد اتخاذ القرار، مما يحقق مجموعة متنوعة من المسارات السلوكية.

تستخدم هذه الدورة آلية تعزيز السياسات (Policy Reinforcement) لتحديث الوكيل بشكل متكرر استنادًا إلى أدائه. لقد أثبتنا فعالية EvolveR على معايير السؤال والجواب المعقدة، حيث حقق أداءً متفوقًا مقارنة بأفضل القواعد التقليدية.

قدمت هذه الدراسة مخططًا شاملاً لوكلاء يتعلمون ليس فقط من البيانات الخارجية ولكن أيضًا من عواقب أفعالهم، مما يمهد الطريق نحو أنظمة أكثر استقلالية وتحسينًا مستمرًا.