في عالم الذكاء الاصطناعي، أصبحت المهارات تمثل تجسيدًا هامًا يسمح لوكلاء نماذج اللغة الكبيرة (Large Language Models) بإعادة استخدام التجارب السابقة في المهام التفاعلية الطويلة. ومع ذلك، كانت الطرق التقليدية في تحويل المسارات إلى مهارات تعتمد على تجميعات مسطحة من المهارات النصية العليا، مما يجعل العلاقات بين تلك المهارات غير مستغلَّة بشكل كافٍ.

لهذا السبب، يقدم الباحثون HiSkill، وهو إطار عمل مبتكر يعتمد على هياكل المهارات الهرمية (Hierarchical Skill Graphs). يقوم هذا الإطار بتنظيم المسارات التفاعلية في رسم بياني موجه يحتوي على عقد المهارات وعقد AtomicOps، بالإضافة إلى حواف مُعينة تربط بينهم. من خلال هذا الربط، يتم تمكين المهارات العالية المستوى من الانتقال إلى قوالب الإجراءات القابلة للتنفيذ، في حين تُسجل العلاقات بين المهارات، مثل التفكيك والتوافق والدعم.

عند مرحلة الاستدلال، يقوم HiSkill باسترجاع رسم بياني مدمج ذي صلة بالمهام ويؤدي تنفيذ المهمة الموجه من خلال هذا الرسم. حيث يساهم حالة المهمة الرمزية، والمهارة النشطة، والرسم البياني المسترجع في توجيه وكيل نموذج اللغة الكبيرة (LLM) للتبديل بين المهارات، واختيار AtomicOps، وتحديد الإجراءات التنفيذية بشكل تكراري.

أظهرت التجارب في ثلاثة بيئات تفاعلية أن HiSkill يتفوق على النماذج الأحدث في هذا المجال، مع تقليل استهلاك الرموز أثناء الاستدلال. مما يشير إلى فعالية توحيد المهارات العالية المستوى مع الأفعال التنفيذية من خلال استخدام رسم بياني هرمي للمهارات.

لمزيد من التفاصيل، يمكن الاطلاع على البيانات والشيفرة البرمجية في GitHub.