في خضم التوسع السريع في قدرات وكلاء نماذج اللغة الضخمة (LLM)، ظهرت مشكلات هيكلية حرجة تعيق الأداء. عند منح وكلاء الذكاء الاصطناعي وصولاً إلى سجل أدوات مسطح ومفرد، يواجه النموذج تحدياً ضخماً حيث يتطلب منه تقييم الآلاف من الخيارات في وقت واحد. هذا يؤدي إلى ازدحام في مساحة اتخاذ القرارات، واكتظاظ نافذة السياق، وتدهور دقة التوجيه.

للتغلب على هذه القيود، تم تقديم دراسة جديدة تصف هندسة هرمية قائمة على المهارات لإدارة الوكلاء. حيث تُنظم القدرات على شكل شجرة جذرية، حيث تتخذ العقد الداخلية قرارات التوجيه وتنفذ العقد الورقية المهام الحتمية. يفرض النظام بيئة تنفيذ من خطوة واحدة يحكمها مكدس يتبع مبدأ Last-In-First-Out (LIFO)، مما يمنح الوكلاء ذاكرة مشابهة للآلات ذات الدفع المستمر، وبالتالي يمكّنهم من تتبع سياقات التنفيذ المتداخلة واستئناف العمل بدقة من أي عمق.

تتبع آلية اكتشاف القدرات بروتوكول تحميل كسول مدفوع بالقوائم، حيث يتم تحميل فقط الأطفال المباشرين للعقدة النشطة، مما يجعل تكاليف الذاكرة والتحفيز تتناسب مع الخط المستكشف بدلاً من السجل العالمي. من خلال استبدال الذاكرة العالمية بإطارات مكدسة محلية، يمنع التصميم تسرب النتائج من فرع تنفيذ إلى آخر، مما يوفر الضمانات اللازمة للنشر في بيئات الشركات المنظمة.

نناقش أيضًا منتج الدفع الرقمي المدعوم بالذكاء الاصطناعي بشكل خاص، والذي يمثل سياق النشر التحفيزي. نقدم صياغة رياضية لحالة التنسيق، ونحلل الخوارزميات المرتبطة بدقة عند تنفيذ الحلقات، ونقارن بين أنظمة التوجيه المسطحة والهرمية تحت ضغط العمل المتعدد الخطوات والتوسع الملحوظ في أدوات الأنظمة.