في عالم الذكاء الاصطناعي، أصبحت وكالات نماذج اللغات الضخمة (LLM) أداة فعالة لمواجهة التحديات المتزايدة في معالجة المعلومات وتنفيذ المهام المعقدة. ولكن مع تطور هذه التكنولوجيا، برزت الحاجة إلى تحسين الأداء وتوفير آليات تدخل فعّالة. هنا يأتي دور إطار العمل الجديد HASP (Harnessing LLM Agents with Skill Programs).

يمثل HASP نقلة نوعية في كيفية تسليح وكالات LLM بالمهارات القابلة للاستخدام المشتقة من الخبرات السابقة. كان من المعروف أن المهارات يتم تشفيرها كنصائح استشارية فقط، دون وجود آليات واضحة تحدد متى وكيف تتدخل في حلقة الوكيل. إلا أن HASP يعالج هذه الثغرة من خلال تحويل المهارات إلى وظائف برنامج قابلة للتنفيذ (Program Functions - PFs).

هذه الوظائف لا تقتصر على تقديم النصائح التي تبقى بلا حراك، بل تعمل كحواجز تنفيذية تتفاعل مع الحالات المعرضة للفشل، مما يساهم في تعديل الإجراء التالي أو حقن سياق تصحيحي. ويتميز HASP بكونه مرنًا للغاية، حيث يمكن تطبيقه أثناء مرحلة الاستدلال للتدخل المباشر في حلقة الوكيل، أو خلال مرحلة ما بعد التدريب لتوفير الإشراف المنظم، أو حتى لتحسين ذاتهم من خلال تطوير PFs المدروسة والمعتمدة.

تشير النتائج التجريبية إلى أن HASP يمنح تحسينات ملحوظة مقارنة بالطرق التقليدية سواء كانت خالية من التدريب أو مستندة إليه. على سبيل المثال، في مهام استدلال البحث على الويب، تحسن أداء الوكالات باستخدام PFs بمعدل 25% مقارنة بطرق مثل ReAct Agent، بينما حقق التطوير بعد التدريب تحسنًا يصل إلى 30.4% مقارنةً بـ Search-R1.

تكشف التحليلات المرتبطة بآلية HASP عن كيفية تفاعل PFs وتدخّلها، وكيفية استيعاب المهارات، ومتطلبات تطور مكتبة المهارات بطريقة ثابتة. في النهاية، يفتح HASP آفاقًا جديدة لتطبيقات الذكاء الاصطناعي في مجالات متعددة، مما يعد بتطلعات واعدة مستقبلًا.