شهد مجال الذكاء الاصطناعي تقدماً ملحوظاً مع ظهور مفهوم البحث الذكي ذي الميزانية المحدودة (Budget-Constrained Agentic Search). ويأتي هذا المفهوم عندما يتعين على وكيل يعتمد على نماذج لغوية كبيرة (Large Language Models) تحسين الاختيارات من ضمن ميزانية تقييم محدودة، وذلك بسبب تكاليف التحقق الباهظة أو الحاجة لعدة استدعاءات للنماذج. للأسف، الطرق التقليدية مثل تقنيات البحث الشجري (MCTS) تعاني من توزيع غير فعال للميزانية، حيث تسيطر المكافآت الاكتشافية على العملية في الأعداد القليلة للزيارات، مما يؤدي إلى توسيع خيارات غير واعدة قبل تعميق الشجرة الواعدة.

لتجاوز هذه التحديات، تم تقديم تقنية ExTS، وهي سياسة بحث شجري تعتمد على اعتبار عملية التوسيع نفسها كقرار لقيمة المعلومات. تجمع ExTS بين ثلاثة آليات رئيسية: تشكيل المكافآت التمييزية لفصل المرشحين ضمن توزيعات درجات ضيقة، طفل افتراضي عشوائي يقدر قيمة إنشاء فرع جديد بناءً على تاريخ مكافآت الوالد، وتفرع مشروط على الجودة، حيث لا يتم التوسع إلا عندما تبرر درجة العقدة تكلفة الميزانية.

لقد أثبتت ExTS كفاءتها العالية، حيث تتنافس أو تتفوق على معايير البحث الشجري الخاصة بالمهام في مجالات مثل تحسين العبارات، توليد الكود، توضيح الهياكل الجزيئية، وتحسين سير العمل القائم على الوكالات، مع تحقيق متوسط مكاسب نسبية تصل إلى 5.5% باستخدام إعداد ثابت واحد.

علاوة على ذلك، تم تقديم تشخيصات للرحلات التجريبية تساعد في تمييز ما يجعل مشكلات البحث الذكي ذي الميزانية المحدودة مختلفة هيكليًا عن بعضها البعض، مما يوفر فهماً أفضل لمساحة المشكلة وإرشادات عملية للتكيف معها. هذه التطورات ليست فقط مثيرة للاهتمام ولكنها أيضًا تمثل خطوة كبيرة نحو تحسين استراتيجيات البحث وإدارة الموارد بشكل أكثر فعالية.