أثبتت أنظمة نماذج اللغة الكبيرة متعددة الوكلاء (Multi-Agent Large Language Models) أنها تتطلب منهجيات دقيقة لتصحيح الأخطاء، خاصة عند التعامل مع سجلات تنفيذ طويلة. حيث تتواجد الأحداث الهامة المدفوعة بالسبب في أعماق سجلات غير منظمة من الرسائل والطرق وكتابات الذاكرة واستدعاء الأدوات.

الجهاز القياسي المستخدم في هذا المجال هو لعب الدور العكسي (Counterfactual Replay) الذي يعتمد على إعادة تشغيل الأحداث لتقييم تأثير كل حدث. ولكن هذا الأسلوب قد يصبح باهظ التكلفة مع زيادة عدد الأحداث المحتملة، مما يجعل الإعادة الشاملة غير عملية على نطاق واسع.

هنا تأتي الخطوة الجديدة، حيث تم تقديم تصحيح الأخطاء كسيناريو معلوماتي يدعم القرار. بدلاً من استخدام أسلوب استعادة مكلف، يقوم هذا النهج بتحويل كل سجل إلى رسم بياني للمعرفة (Knowledge Graph) يعتمد على تنظيم المعلومات المتعلقة بالتوجيهات والذاكرة واستخدام الأدوات وعدم اليقين والأدلة الكامنة.

يتميز النظام بتنبؤ مدروس يحدد أين يجب أن تُخصص الميزانية المحدودة للإعادة. بدلاً من تطوير أداة استعادة جديدة، تعرض هذه الطريقة القدرة على التنبؤ بنتائجها دون تكلفة الاستعادة، مما يؤسس لدقة تدعم قرارات التصحيح بشكل فعال.

الخاصية الأبرز هي طريقة التنبؤ بتأثير الأحداث دون استعادة (Zero-Replay Counterfactual-Effect Prediction)، حيث تسمح بتوقع الأحداث المهمة قبل أي استعادة فعلية، وأظهرت التجارب أن معدل التحديد قد ارتفع من 0.73 إلى 0.93، مع عدم تكبد أية تكاليف لاستعادة المعلومات.

تؤكد هذه التقنية الجديدة الفائدة في تعزيز موثوقية الذكاء الاصطناعي بتكاليف أقل ودقة أعلى، مما يتيح استخداماً أكثر كفاءة لنماذج اللغة الكبيرة في التطبيقات المتنوعة.

تضيء هذه الدراسة الجوانب المبتكرة في تصحيح الأخطاء وتبرز أهمية التركيز على العلاقة بين التكلفة والدقة.