في عالم الذكاء الاصطناعي، تُعد الأنظمة الوكيلة المستقلة من أكثر الابتكارات إثارة للإعجاب، ومع ذلك فإن معظمها يعاني من قيد الثبات بعد نشرها، حيث لا تتعلم من تفاعلات المستخدم، مما يؤدي إلى تكرار الأخطاء حتى تأتي التحديثات التي يقودها البشر لإصلاحها. لذلك، شهدنا ظهور الوكلاء المتطورين ذاتياً كاستجابة فعلية لهذه المشكلة. ولكن يواجه هذا التطور تحدياً، حيث يتم تقييد عملية التطوير التجريبي فقط إلى العناصر القابلة للتعديل النصي، مثل ملفات المهارة (skill files)، وتكوينات الرسائل (prompt configurations)، ومخططات الذاكرة (memory schemas)، وغيرها من العناصر النصية، مما يُبقي الوكيل ذاته دون تغيير.

تدخل تقنية MOSS في هذا الإطار، حيث تقدم نهجاً جديداً يتمثل في التكيف على مستوى الشيفرة المصدرية (source-level adaptation)، وهو وسيلة أكثر شمولية وفاعلية للتطور الذاتي. Fهذا النظام يستند إلى برمجة شاملة (Turing-complete) وهو مجموعة صارمة من كل نطاق قابل للتعديل نصياً، مما يجعله فعالاً بشكل حاسم ولا يتأثر بتغيرات السياق الزمنية الطويلة. تكمن قدرة MOSS في تنفيذ إعادة كتابة الشيفرة المصدرية على بنى الوكلاء الإنتاجية، حيث يتم توجيه كل تطور استناداً إلى مجموعة مُنظمة تلقائياً من أدلة الفشل الإنتاجي، وتمر العملية عبر مراحل متعددة محددة التحكم.

تتم إعادة تعديل الشيفرة بواسطة واجهة سطر أوامر قابلة للتوصيل (pluggable external coding-agent CLI)، بينما يحتفظ MOSS بترتيب المراحل والأحكام. يتم التحقق من المرشحين عبر إعادة تشغيل دفعة الأدلة ضد صورة المرشحين في عمال تجريبية مؤقتة، ثم يتم ترقيتهم عبر تبادل الحاويات في الموقع مع خيارات التراجع المحكومة.

عند تطبيق MOSS على منصة OpenClaw، تم رفع متوسط درجات أداء المهام الأربعة من 0.25 إلى 0.61 في دورة واحدة دون أي تدخل بشري، مما يثبت فعالية هذه التقنية الجديدة في الذكاء الاصطناعي.

ما رأيكم في هذه التطورات المثيرة؟ شاركونا آراءكم في التعليقات!