يعتبر تحسين نماذج برمجة القيود (Constraint Programming - CP) أمرًا حيويًا في تطوير خوارزميات تقدم أداءً أفضل في حل المشكلات المعقدة. لقد دأبت تلك العمليات على الاعتماد على الخبرة البشرية، مما يجعلها عرضة للقيود الزمنية وتداخل التأثيرات. وفي خطوة ثورية، قدم الباحثون إطارًا جديدًا يستفيد من وكلاء نماذج اللغات الكبيرة (Large Language Models - LLM) لتفعيل عمليات إعادة تشكيل نماذج القيود بشكل آلي، وبطريقة تتيح لهذه الوكلاء معالجة عدد غير محدود من الحلول المقترحة.

يعمل هذا الإطار عن طريق تقديم نموذج محدد وثلاث حالات تدريبية لوكيل LLM، الذي يقوم بتقديم صيغ بديلة، ثم يقوم بتقييم كل صيغة عن طريق حقن حلها في النموذج الأصلي. كما يقوم بتشخيص وإصلاح الأخطاء، مما يؤدي إلى تحديد النسخة المثلى في مدة لا تزيد عن خمس عشرة دقيقة.

تمت تجربة النماذج في مكتبة نمذجة CPMpy، وتم تقييم كل نموذج مقترح على ثلاث حالات اختبار أكبر. وظهر أن النماذج الناتجة عن هذه الطريقة تفوقت على النماذج الأصلية في 21 من 27 حالة اختبار، وبسرعة تفوق بعشرات المرات في بعض المشكلات. هذا التقدم يُظهر كيف يمكن أن تدعم الطرق الذاتية الوكلاء في تحسين نماذج القيود بشكل فعّال.