في عالم الذكاء الاصطناعي الحديث، تعتمد نماذج اللغات الضخمة (Large Language Models) على مهارات يمكن إعادة استخدامها لتلبية التحديات المعقدة. لكن الطريقة التقليدية لإنشاء المهارات تعزلها وتعتبرها عناصر ثابتة، مما يحد من إمكانية إعادة استخدامها وموثوقيتها وتحسينها على المدى الطويل.

تقدم ورقة بحثية جديدة إطار عمل MUSE-Autoskill (تطور المهارات من خلال استخدام الذاكرة) الذي يغير هذا المنطق. يمكن للوكلاء الذكيين بموجب هذا الإطار أن يحسّنوا باستمرار قدرتهم على حل المهام عبر إنشاء، وإعادة استخدام، وتنقيح المهارات داخل دورة حياة موحدة تشمل: الإنشاء، الذاكرة، الإدارة، التقييم، والتنقيح.

تتيح هذه المنهجية للوكلاء إنشاء المهارات بناءً على الطلب، وتخزينها وإعادة استخدامها عبر المهام بصورة فعالة. كما يتم تنظيم المهارات واختيارها بكفاءة، وتقييمها من خلال اختبارات وحدة والتغذية الراجعة أثناء التشغيل لضمان تحسين مستمر.

ولتعزيز فعالية هذه المهارات، يتم تقديم ما يُعرف بذاكرة المهارة التي تجمع التجارب لكل مهارة عبر المهام، مما يمكن من إعادة استخدامها والتكيف معها بفعالية مع مرور الوقت. أثبتت التجارب على منصة SkillsBench أن المهارات المعمول بها وفق هذا النظام المديري المحسن ليست فقط تزيد من نجاح المهام، بل تعزز أيضًا من الكفاءة وإعادة الاستخدام ونقل المعرفة بين الوكلاء.

ذكرت هذه الدراسة أهمية التعامل مع المهارات كأصول طويلة الأجل، واعية للتجربة، وقابلة للاختبار، مما يمهد الطريق للاستخدام الأفضل للذكاء الاصطناعي في المستقبل.