يعد تنفيذ المهام المتكررة في مجال الحوسبة من التحديات الكبيرة، حيث يحتاج الوكلاء الحاليون لإعادة تخطيط كل خطوة في كل عملية، مما يجعلهم غير موثوقين وذوي تكلفة مرتفعة. لكن، مع ظهور تقنيات جديدة مثل الذكاء العصبي الرمزي (Neuro-Symbolic Computer Use)، أصبح بالإمكان تغيير هذا الواقع.

تستند هذه التقنية إلى استخدام سياسات تعلم قابلة لإعادة الاستخدام، مما يعني أن العمليات الشائعة ستتم إدارتها من خلال نهج مدروس مسبقًا بدلاً من إعادة بناء كل شيء في كل مرة. تعكف هذه السياسات على تثبيت القرارات المستقرة عبر عمليات متعددة، مثل ترتيب الخطوات، المتغيرات، الحلقات، والفروع، في كود تنفيذي ثابت، بينما تُترك القرارات التي تعتمد على الملاحظة لنماذج عصبية مخصصة.

تعتمد العملية على تحسين تكراري يُعرف باسم "تكرار السياسات العصبية الرمزية"، حيث يبدأ النظام من تجريب واحدة للوكلاء، ويعالج الأخطاء المتعلقة بإكمال المهام من خلال تقييمات دقيقة، ثم يُعدل الكود بالتعاون مع نموذج ترميز يتخذ من نقطة الفشل وسيلة للتقدم دون الحاجة لوصول إلى عوامل التقييم القياسية.

من خلال تطبيق هذا النهج، أظهرت السياسات المتعلمة نتائج متفوقة في OSWorld-Verified وScienceBoard، حيث حققت أعلى درجات من جميع الأساليب، بفارق يتراوح بين 3.6 إلى 15.8 نقطة على الوكلاء الأساسيين. كما ساهمت في تقليل تكاليف التشغيل لكل عملية بشكل ملحوظ، مع انخفاض يصل إلى ما بين 15 إلى 217 مرة، بالإضافة إلى خفض زمن الاستجابة من 3.4 إلى 5.1 مرة. لم تقتصر النتائج على مجرد تحسين الأداء في مهام جديدة، بل أظهرت السياسات المجهزة أنها تتجاوز الحلول الحالية مثل AutoRPA بفارق يتراوح بين 8.6 إلى 17.5 نقطة في معيار الأداء المعتمد.