تشهد أبحاث الذكاء الاصطناعي تحولًا كبيرًا في تركيزها من قدرة النماذج إلى قوة وكفاءة العمليات التنفيذية للوكلاء (Agents). يؤدي استخدام الأدوات إلى كسر الحواجز التي تواجه الأداء، مما يجعل بيئة العمل متطلبة ومتنوعة. في هذا السياق، تم اقتراح آلية جديدة تُسمى ExpG، مصممة لتوفير توجيه تكييفي يتماشى مع كل أداة ويدعم حسن استخدامها عبر ظروف التشغيل المختلفة.

تتكون آلية ExpG من ثلاث مراحل رئيسية:
1. **اكتساب الخبرة (Experience Acquisition)**: يتم خلالها تحليل جودة استخدام الأداة بناءً على بيانات التنفيذ التاريخية، حيث يتم إنتاج تجارب تعلم منظمة من خلال نسب متعددة الجوانب.
2. **تقطير الخبرة (Experience Distillation)**: تركز هذه المرحلة على الحفاظ على فعالية مجموعة التجارب عن طريق تصفية التجارب غير المفيدة واختيار الأكثر تمثيلية باستخدام طريقة قائمة المعادلات، وتجميعها في توجيه قابل للتعميم.
3. **إعادة استخدام الخبرة (Experience Reuse)**: يتم تطبيق التوجيه بشكل تكييفي أثناء حل المهام المستقبلية، مما يمكن الوكلاء من تحسين أدائهم بشكل ملحوظ.

تظهر التجارب الشاملة أن ExpG تحقق تحسينات متسقة في مهام اختيار الأدوات، استدعاء الأدوات، وتوليد الاستجابات. مما يمكّن الوكلاء الأصغر من التفوق على نماذج أكبر لا تستخدم هذه الآلية. بالإضافة إلى ذلك، تشير النتائج إلى مكاسب قوية في البيئات الصعبة، مما يشير إلى مسار واعد نحو تعزيز استخدام الأدوات بشكل أكثر مرونة.