أصبح تحسين المحركات التوليدية (Generative Engines) موضوعاً حيوياً في عالم التقنية، حيث بدأت هذه المحركات في تغيير طريقة وصولنا إلى المعلومات. بدلاً من تقديم روابط مرتبة، تسعى هذه المحركات لتقديم إجابات قائمة على استشهادات موثوقة. لكن التقنيات الحالية لتحسين هذه المحركات كانت تعتمد غالبًا على معالجة كل حالة بشكل منفصل، مما جعل من الصعب جمع ونقل الاستراتيجيات الفعّالة بين المهام المختلفة.

في هذا السياق، تم إعادة صياغة مفهوم تحسين المحركات التوليدية كمشكلة تعلم الاستراتيجيات، مع طرح نموذج MAGEO، وهو إطار عمل متعدد الوكلاء يُعنى بالتخطيط المنسق، والتحرير، والتقييم المدروس. يعمل هذا النموذج من خلال تطوير أنماط تحرير تم التحقق منها وتحويلها إلى مهارات تحسين قابلة لإعادة الاستخدام وخاصة بالمحركات.

لتسهيل عملية التقييم، تم تقديم بروتوكول تقييم "Twin Branch" لقياس أثر التعديلات على المحتوى، بالإضافة إلى تطوير مقياس مزدوج المحاور يُعرف باسم DSV-CF، الذي يجمع بين الوضوح الدلالي ودقة النسبة.

كما تم إطلاق مجموعة بيانات MSME-GEO-Bench، التي تسعى لاختبار النموذج في سيناريوهات متعددة ومحركات متعددة، مبنية على استعلامات حقيقية من العالم. تشير التجارب التي أُجريت على ثلاثة محركات رئيسية إلى أن MAGEO يتفوق بشكل ملحوظ على الأساليب التقليدية في كل من الوضوح ودقة الاقتباسات. وبالتالي، توصلت الدراسة إلى أن نمذجة التفضيلات الخاصة بالمحركات وإعادة استخدام الاستراتيجيات هما عنصران مركزيان في تحقيق هذه النجاحات، مما يقترح نموذجًا يعتمد على التعلم لخلق بنية ضرورية لتحسين موثوق به للمحركات.

لمن يرغب في استكشاف المزيد، يمكنكم زيارة [هذا الرابط](https://github.com/Wu-beining/MAGEO) لتحميل الكود المتعلق بالدراسة.