تتزايد أهمية اختيار المهارات في عالم الذكاء الاصطناعي بشكل كبير، حيث أصبح تحميل مستندات المهارات القابلة لإعادة الاستخدام داخل نافذة سياقية محدودة هو الأسلوب الرائد لوكلاء نماذج اللغات الضخمة (Large Language Model) في اكتساب القدرات الخاصة بالمهام. إذ يمثل اختيار المهارات عاملاً حاسمًا في تحديد أداء المهمة وتكلفة الرموز المستخدمة.

رغم ذلك، فإن الوكلاء الحاليين يقيّمون المهارات بشكل مستقل وفقًا للصلة الدلالية، مما يجعلهم يضعون مجموعة اختيار المهارات بناءً على الأسلوب الترتيبي أو الملء الطمعي، دون ضمان جودة أو وعي بالتكاليف للمهارات المختارة. وبالتالي، فإن المهارات المتكررة أو المختارة بشكل غير جيد قد تؤدي إلى هدر في الرموز السياقية النادرة وتؤثر سلبًا على الأداء العام.

وفي خطوة رائدة، قمنا بتقديم أول نموذج يوضح كيف تشكل مجموعة المهارات المختارة نتائج التنفيذ، حيث تم صياغة اختيار المهارات كمسألة تحسين: اختيار مجموعة مهارات ضمن ميزانية رموز صارمة لتعظيم الفائدة النسبية ناقص عقوبة السياق. لهذا الغرض، قمنا بتطوير خوارزمية **اختيار البريفيكس الأفضل** (Best Prefix Selection - BPS)، والتي تعمل في زمن متعدد الحدود. كما أثبتنا، حسب علمنا، أول ضمان لأداء اختيار المهارات، وهو تقريب ثنائي بمعدل (1-1/e, 1) حيث تكون نسبة الفائدة مثالية في زمن متعدد الحدود.

عند اختبار خوارزمية BPS في نسخة معدلة من BigCodeBench ذات التحكم في التلوث، تفوقت على جميع القواعد الأساسية، حيث حققت 0.73 في قياس نجاح المهمة مقارنةً بالقيم التي تراوحت بين 0.20 و0.52 لأجهزة توجيه المهارات والنصوص الموجودة، بالإضافة إلى اختيار المُنفذ الخاص، مع استخدام 28% أقل من الرموز مقارنةً بأقوى مُوجّه مُطلق.

لقد أحدثت هذه الدراسة ثورة في كيفية اختيار المهارات، مما يمكن أن يعيد تشكيل طريقة عمل الوكلاء الذكيين مستقبلاً. كيف تعتقد أن هذه الابتكارات ستؤثر على أداء النماذج الذكية وبعض التطبيقات العملية؟ شاركونا أفكاركم في التعليقات!