في عالم الذكاء الاصطناعي المعاصر، تزداد أهمية نماذج اللغات الكبيرة (Large Language Models - LLM) التي تعتمد على أدوات خارجية للقيام بمهام معقدة في الحياة الواقعية. ولكن، تظل تحديات التخطيط الموثوق لاستخدام هذه الأدوات قائمة، وذلك بسبب قيود التحليل الضمني والتغيرات المستمرة في بيئات التنفيذ.

تستخدم الأنظمة الحالية للذكاء الاصطناعي نماذج اللغات الكبيرة لاستنتاج ترتيبات الأدوات من الوصفات النصية، مما يؤدي في كثير من الأحيان إلى استكشاف غير فعال وتنفيذ غير موثوق فيه في المهام المعقدة. للتغلب على هذه التحديات، نُقدم 'هايبر أغنت' (HyperAgent) كإطار عمل يوجه التخطيط والتنفيذ الديناميكي من خلال استخدام الهيبرجرافات.

يركز 'هايبر أغنت' على نمذجة علاقات الأدوات على مستوى المخطط، حيث يمثل الأدوات كحواف متصلة من العقد المدخلة إلى العقد المخرجة. بالاعتماد على الهياكل الرياضية، يقوم هذا الإطار باستخراج رسم بياني لسياق الأدوات المستندة إلى المهمة ويستخدمها لتوجيه إنشاء DAG (Directed Acyclic Graph) للمهام.

خلال التنفيذ، يقوم 'هايبر أغنت' بتحقيق كل مهمة فرعية بشكل ديناميكي من خلال إنشاء رسم بياني لدعم الأداة المنطقية، مما يحدد المتطلبات غير المحلولة ويسترجع أدوات دعم المنتج وفقاً لحالة الوكيل الحالية.

أظهرت التجارب التي تمت في AppWorld أن 'هايبر أغنت' يحسن أداء إكمال المهام بشكل كبير بينما يقلل من عدد المكالمات الزائدة لواجهات برمجة التطبيقات (API) والتفاعلات مع نماذج اللغات وستهلاك الرموز.

'هايبر أغنت' يمثل خطوة جديدة نحو تحسين فعالية الذكاء الاصطناعي، مما يفتح أمامنا آفاقاً جديدة في كيفية استخدام الأدوات في الجيل القادم من الأنظمة الذكية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.