في عالم الذكاء الاصطناعي، يصبح الاعتماد على الأدوات الخارجية جزءاً لا يتجزأ من عملية اتخاذ القرار وتنفيذ المهام. مع تزايد استخدام وكلاء الذكاء الاصطناعي، يصبح الاسترجاع الدقيق للأدوات أمراً حيوياً لسلوك موثوق. بينما تعمل الأساليب الحالية على تحسين الصلة الدلالية (semantic relevance)، فإنها تتجاهل إلى حد كبير توفّر الأدوات خلال التنفيذ.

لتلبية هذه الحاجة، يقدّم الباحثون RATED (Reliability-Aware Tool Retrieval via Execution Dynamics)، وهو إطار عمل متقدم يجمع بين المطابقة الدلالية القوية وتكيّف الاعتمادية الديناميكية. تستخدم هذه الأداة نموذج ترميز مزدوج ثابت مع تحسين تبايني للمطابقة الدلالية، و وحدة خفيفة الوزن لحل مشاكل الاسترجاع تسجل المرشحين استناداً إلى ملاحظات التنفيذ في الوقت الحقيقي.

تتيح هذه التصميمات القدرة على التكيف السريع مع فشل الأدوات أثناء التشغيل دون الحاجة إلى إعادة تدريب النموذج بشكل مكلف.

كما تم تقديم EcoAgent، وهو مجموعة بيانات تتضمن 5,172 أداة حقيقية وأكثر من 210,000 زوج من الاستفسارات والأدوات، مما يسهل التقييم الديناميكي للاعتمادية.

أظهرت التجارب أن RATED تحقق تحسيناً نسبته 52.2% في معدل الاسترجاع النسبي (MRR) مقارنةً مع أداة الاسترجاع ToolLLM API على الاستفسارات الواقعية، كما تقلل معدل اختيار الأخطاء من 86.2% إلى 2.9% في سيناريوهات أعطال الـAPI الشديدة مع معدل فشل يصل إلى 30%، مما يجعلها أداة فعالة للغاية.

بفضل زمن الاستجابة المنخفض الذي يقل عن 1 مللي ثانية في استنتاجات الترميز فقط، تمثل RATED خطوة هامة نحو تحسين وكالات الذكاء الاصطناعي في بيئات العمل الحقيقية.