يُعتبر تطوير وكلاء الذكاء الاصطناعي (AI Agents) داخل البيئات الهيكلية من التحديات الكبيرة، حيث يتسبب الكثير من الإخفاقات في العمليات بدلاً من المحادثات التفاعلية. وفي ظل الاعتماد المتزايد على المعرفة الإجرائية، يكمن الخطر في أن أي تحسين لتوجيهات لغة طبيعية قد يؤدي إلى تراجع الأداء في جانب آخر. هذا ما أدى إلى ظهور نظام GRASP (Gated Regression-Aware Skill Proposer)، الذي ينطلق بفكرة جديدة لتحسين أداء العملاء الذكيين.

تعتمد تقنية GRASP على تحسين تدريجي، حيث تقيّم قدرة كل جرّاح للمهارة في نطاق مكتبة مهارات محددة. يتم قبول كل مقترح فقط إذا ساهم في تحقيق تحسين صافي، مما يعزز من أداء العميل ضمن ميزانية تراجع صارمة.

أجريت اختبارات واسعة على خمسة نماذج أساسية مثل GPT-4.1 وGPT-5.4، حيث أثبت نظام GRASP فعاليته في تحسين الأداء على مقياس دقيق – من 40.6% إلى 88.8% في نموذج gpt-oss-120b، متفوقاً على النماذج الأخرى بفارق كبير. تشير التحليلات إلى أن هذا التحسن لا يُعزى فقط إلى كتابة المهارات، بل لإنتاج المقترحات المقارنة وبوابة القبول التي تُحسن الحصول على النتائج.

كما أظهرت النتائج أن مكتبات المهارات المجمدة يمكنها انتقالها عبر النماذج، مما يعني أن استخدام مهارات من نموذج أقوى يمكن أن يُحسن أداء نموذج أضعف، مما يُشير إلى فائدة كبيرة من هذا النظام في مجالات متعددة. يُعتبر نظام GRASP خطوة مبتكرة حقًا لأبحاث الذكاء الاصطناعي، لا سيما في التطبيقات السريرية.