في عالم الذكاء الاصطناعي المتطور، يعاني الكثير من المستخدمين من نقص في التفاصيل الأساسية عند تقديم طلباتهم لوكلاء تستخدم نماذج اللغات الضخمة (LLMs). يؤدي ذلك إلى إدخالات غير محددة بشكل كافٍ، مما يشكل تحديًا جوهريًا لوكلاء المعززات بالأدوات، حيث تتطلب تنفيذات واجهات برمجة التطبيقات (APIs) عادةً وجود معايير كاملة. من هنا، برزت الحاجة إلى استراتيجيات اتصال شخصية محسنة.

لتسليط الضوء على هذه المشكلة في إطار يتسم بواقع أكثر دقة، قدم فريق البحث مفهوم "الاتصال بالأدوات الشخصية متعددة الجلسات" (Multi-Session Personalized Tool Calling) والذي يمثل معيارًا جديدًا يتضمن 4,695 حالة ضمن 459 سجل تفاعل عبر عدة جلسات. تغطي هذه التجربة ثلاثة تحديات رئيسية: ت recall التفضيلات، والاستنتاج، والنقل.

إلى جانب ذلك، تتضمن الدراسة تقديم أسلوب جديد يُعرف باسم "PRefine"، الذي يمثل طريقة جديدة في الذاكرة خلال وقت الاختبار. حيث يحافظ هذا الأسلوب على تفضيل المستخدم الكامن كفرضية نصية، ويتم تعديلها من خلال حلقة من التوليد والتحقق والتنقيح.

عند مقارنة PRefine بخمسة نماذج لغوية ضخمة مختلفة، يتضح أن الأنظمة الحالية للذاكرة تؤدي أداءً أقل من المطلوب مقارنةً بالمحفزات التاريخية الكاملة. ومع ذلك، يتمتع PRefine بميزة تفوق جميع المعايير المتاحة، متجاوزًا باقي الأنظمة في إنجاز نقل التفضيلات. تشير هذه النتائج إلى أن الذاكرة الخاصة بالوكلاء الشخصيين يجب أن تركز على تجريد السلوك إلى تفضيلات، بدلاً من مجرد أرشفته.

يبدو أن هناك أفقًا واعدًا لاستكشاف طرق جديدة لتفاعل المستخدم مع الذكاء الاصطناعي، مما يؤدي إلى تجارب أكثر تخصيصًا وفعالية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!