في عالم الذكاء الاصطناعي، يلعب تخطيط المهام (Task Planning) دورًا أساسيًا في تحسين الكفاءة وجودة الأداء، خاصةً عندما يتعلق الأمر بالوكلاء المستندين إلى واجهة المستخدم الرسومية (GUI Agents). تُعتبر إدارة المهام المعقدة وتحليلها عملية حيوية لتفكيك المهام الكبيرة إلى خطوات قابلة للتنفيذ.

ولمواجهة التحديات المتعلقة بالتخطيط الضعيف والنقص في قدرة الأنظمة على التعميم عبر مواقع الويب المختلفة، تم تقديم طريقة جديدة تُدعى (PEEU) والتي تعني "استكشاف تجارب التخطيط واستخدامها" (Planning Experience Exploration and Utilization). تعتمد هذه الطريقة على الاستكشاف الذاتي للبيئات، حيث تقوم بتجميع الخبرات وتطوير بيانات تدريب مرتفعة المستوى عبر تحليل التجارب السابقة.

في هذا السياق، تم تقديم إطار جديد يُسمى (TDHAF) أو "إطار تحليل تفكيك المهام الهرمي" (Task Decomposition Hierarchical Analysis Framework) لدراسة سلوكيات التعميم عبر مستويات المهام المختلفة: المنخفضة والمتوسطة والمرتفعة. تكشف النتائج أن الفهم العميق للاحتياجات الأساسية والأرضية لا يضمن القدرة على تخطيط المهام المعقدة، ولكن التدريب على المهام العالية المستوى يعزز من مستوى التعميم خارج نطاق البيانات (OOD).

تظهر التجارب على معايير العالم الحقيقي أن نموذج (PEEU) المكون من 7 مليار وحدة، قد حقق دقة تصل إلى 30.6%، متفوقًا بذلك على النموذج الأكبر (Qwen2.5-VL-32B). هذه النتائج تبرز أهمية بناء مهام عالية المستوى واستخدام التجارب كوسيلة لتعزيز القدرات التخطيطية للوكلاء الصغار.

في النهاية، تسلط هذه الدراسة الضوء على كيف يمكن التقنيات الجديدة أن تُحدث فرقًا كبيرًا في الأداء، وأن الذكاء الاصطناعي لا يُحقق النجاح فقط عبر حجم النموذج، بل عبر الابتكار في طرق التعامل مع البيانات والتخطيط.