في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (LLMs) أداة قوية تلعب دورًا مهمًا في معالجة المعلومات. ومع ذلك، يظهر أمام هذه النماذج تحدٍ جديد يتعلق بكيفية اختيار الأدوات المناسبة من مجموعة كبيرة بناءً على البيانات الوصفية (metadata).
وبحسب دراسة حديثة منشورة، فإن أنظمة بروتوكول السياق النموذجي (Model Context Protocol - MCP) تعتمد على استراتيجيات جديدة لاختيار الأدوات، حيث يتم ذلك من خلال البيانات الوصفية بدلاً من تنفيذها بشكل مباشر.
تحليل البحث لشبكة من 367,174 أداة فعالة يكشف أن هناك تنوع كبير في تصميم المخططات الوصفية، مما يؤدي إلى تساؤل هام: هل يمكن أن يؤثر اختلاف هذه المخططات على اختيار الأدوات قبل أن يتم تنفيذ أي عملية؟
الدراسة أجريت من خلال تدخلات مدروسة على البيانات الوصفية عبر خمسة نماذج للغات وخمسة مهام مختلفة. حيث تم تغيير عامل واحد من البيانات الوصفية (مثل اسم الخادم، اسم الأداة، ووصف الأداة أو مخطط المعلمات) مع الحفاظ على العوامل الأخرى ثابتة.
نتائج البحث أبرزت أن التغييرات في المخططات المعتمدة على المعلمات تؤدي إلى أكبر تحولات في اختيار الأدوات بين التدخلات التي تم اختبارها. وعليه، تفضل النماذج المعلمات المستقلة العلوية بدلاً من الأشكال المجمعة. كما أظهرت الدراسة أن الأوصاف الواضحة تؤدي إلى زيادة في عملية الاختيار، في حين أن تأثير الأسماء كان أضعف وأقل اتساقًا.
عندما تم اختبار مقارنة مستهدفة، تبين أن تأثيرات المخطط تعتمد على أسماء المعلمات المحددة وكيف تم تمثيل الطلب لنفس المعلومات. عندما يكون هناك مخطط واحد فقط يلبي طلب معين، فإن جميع النماذج الخمسة تختار الأداة المتوافقة، بغض النظر عن التفضيلات الموضعية.
تظهر هذه النتائج أن تصميم المخططات لا يؤثر فقط على كيفية استدعاء الأدوات، بل أيضًا على ما إذا كانت ستختار أم لا. بالنسبة لمطوري ومقيّمي بروتوكول سياق النموذج، فإن تصميم المخطط وترتيب الأدوات يمكن أن يؤثر على الأداة التي يتم استدعاؤها حتى في ظل عدم تغير الوظائف.