في عالم الذكاء الاصطناعي، تتصف المهام المعقدة ذات الأفق الطويل بتحديات فريدة تتطلب من الوكلاء القدرة على المراقبة المستمرة للحالات، صياغة الخطط، والاستفادة من أدوات متنوعة، والتحقق من النتائج، والتعافي من الفشل في بيئات تتغير باستمرار. ومع ذلك، غالبًا ما تظل هذه التجارب محصورة في سياق واحد أو في سياق محدد ثابت، مما يجعل من الصعب تجميعها وإعادة استخدامها عبر آثار تاريخية.

هنا يأتي دور OpenLoopEvolve (OLE)، الذي يمثل إطارًا ثوريًا للتطور الذاتي يركز على سياسات Loop. يتيح OLE تمثيل مكونات مثل المراقبة، التخطيط، الذاكرة، الفعل، التحقق، التعافي، التحكم في الميزانية، كأصول سياسية قابلة للنقل مع إصدارات وأنساب، مما يعزز من كفاءة الوكلاء في بيئات مختلفة.

يتضمن OLE نمطين للتطور: أونلاين وآخر أوفلاين. يتيح النمط الأونلاين توليد المرشحين بناءً على التغذية الراجعة من العمليات المستمرة، بينما يبحث النمط الأوفلاين عن سياسات مرشحة من آثار أرشيفية وأدلة الفشل.

تظهر نتائج الاختبارات على معيار الأعمال المحاكي YC-Bench أن كلا النمطين يحسن الإجمالي للأداء في المهام ومعدل نجاح المهام ومؤشرات المخاطر مقارنةً بسياسة Loop الأولية الثابتة. تشير النتائج إلى أن اعتبار سياسة Loop كأصل قابل للتوجيه يمكن أن يدعم تجميع، ومقارنة، وإصدار، وإعادة استخدام الخبرات التحكمية، مما يحسن من أداء الوكلاء في المهام الطويلة الأمد المعقدة.

فهذه التقنية ليست مجرد مفهوم نظري، بل خطوة عملية نحو تحسين فعالية الوكلاء الذكيين في العالم المعقد والمتغير. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.