في عالم الذكاء الاصطناعي، يتطلب تدريب الوكلاء في المحطات النهائية (Terminal Agents) إشرافًا قابلاً للتنفيذ يمكن توسيعه بسهولة، ولكن توليد مهام تنفيذية عالية الجودة لا يزال يمثل تحديًا كبيرًا. كل مهمة تتضمن تعليمات، بيئة مبدئية، حل مرجعي، ومدقق قابل للتنفيذ؛ وإذا تم توليد هذه العناصر بناءً على افتراضات غير متسقة، فقد تكون المهمة غير قابلة للحل أو يتم تقييمها بشكل غير صحيح.

الحل يأتي مع نظام FACET (Fine-grained Agentic Construction of Executable Tasks)، الذي يقدم إطار عمل يعالج كل من الحفاظ على المعلومات وتناسق العناصر. يقوم FACET بإعادة بناء المهارات ذات الصلة للوكلاء في سيناريوهات مترابطة وغنية بالمعلومات، ثم يحقق في البيئة التنفيذية ويصلحها قبل توليد العناصر النهائية للمهام. وتعمل حالة الحاوية الناتجة كنقطة انطلاق مشتركة للتعليمات والحل والمدقق، حيث تصحح عمليات التحقق المستندة إلى التنفيذ والأصلاح المستهدف الفشل المتعلق بالعناصر دون الحاجة إلى إعادة توليد المكونات الصالحة.

يمكّن نظام FACET من إنتاج مهام تنفيذية معقدة تحتوي على فحوصات كثيفة قابلة للتنفيذ، كما أن المسارات الناجحة المجموعة من هذه المهام توفر إشرافًا فعالاً وموفرًا للبيانات. بالإضافة إلى ذلك، تؤدي عمليات التحسين عبر مقاييس متعددة إلى تحسين الأداء على مجموعة اختبار Terminal-Bench 2.1 بشكل متواصل. تدعم تحليلات استراتيجيات التوليد البديلة أهمية البناء المستند إلى البيئة لتحقق مهام صالحة وتوافق الحل والمدقق.

تؤكد هذه النتائج على أن الحفاظ على نية المصدر وتأسيس حالة تنفيذية مشتركة هما مبدآن أساسيان لتوليد المهام التنفيذية بشكل قابل للتوسع.