أحدثت التطورات في تكنولوجيا الذكاء الاصطناعي تحولًا كبيرًا في كيفية تنظيم الوكلاء الذكيين في أنظمة متعددة الوكلاء (multi-agent systems). تعد النماذج اللغوية الكبيرة (Large Language Models) مثل GPT، قادرة على معالجة مهام معقدة من خلال التعاون بين الوكلاء. لكن مع ارتفاع التكلفة نتيجة لزيادة عدد الوكلاء، كيف يمكن تجاوز هذه التحديات؟ هنا تأتي تقنية RCR (Role-Conditioned Context Routing).

يعتبر نظام RCR طبقة جديدة تنفذ في الوقت الفعلي، حيث يخصص العناصر ذات الصلة بالدور (role-relevant shared-memory items) لوكلاء محددين وفقًا لميزانية التوكنات. هذا يعني أنه بدلاً من استخدام كل المعلومات التي تم جمعها (full-context) أو الاعتماد على توجيه السياق الثابت، يمكن للوكلاء التركيز على ما هو مفيد لهم فقط، مما يقلل بشكل كبير من استهلاك التوكنات بنسبة تصل إلى 35%.

تتضمن التجارب التي أجريت في مجالات مثل أسئلة-أجوبة متعددة المراحل (multi-hop QA) والقياس المجسد (embodied reasoning) (ALFWorld) وصنع القرار عبر الإنترنت (WebShop) نتائج مثيرة: تم تقليل الوقت المستغرق في المعالجة بنسبة 38% في المتوسط، بينما تم الحفاظ على مستوى الأداء أو حتى تحسينه.

تُبشر هذه التقنية الجديدة بإمكانات كبيرة لتحسين كفاءة النماذج اللغوية الكبيرة، وهو ما يمثل خطوة مهمة نحو تحقيق المزيد من الابتكارات في مجال الذكاء الاصطناعي.