في عالم الذكاء الاصطناعي، يتمثل التحدي الكبير في تطوير وكلاء شبكيين قادرين على التنقل في واجهات غنية ومتغيرة عبر المواقع. في هذا السياق، تبرز تقنية جديدة تُدعى SCAFFOLD، التي تتيح للوكلاء التعلم من تجاربهم السابقة وتحسين أدائهم بشكل مستمر. تعتمد هذه التقنية على مفهوم "التحسين الذاتي"، حيث يستطيع الوكلاء استنباط مهارات قابلة للتنفيذ من تجارب ناجحة، مما يساعدهم على التعلم بشكل أسرع وأكثر فعالية.

تتميز SCAFFOLD بعناصر رئيسية أربع:
1. **استنباط المهارات القابلة للتنفيذ**: تستخرج التقنية مهارات قابلة للتطبيق من مسارات النجاح التي تلتزم بقيود تجريد متعددة الحالات.
2. **هيكل هرمي مركب**: يتم الحفاظ على تسلسل يتضمن تكوين مهارات أعلى تستخدم مهارات أدنى لتحقيق أهدافها.
3. **تخفيف المكتبة**: يتم تقليص المكتبة باستخدام معيار الحد الأدنى لوصف اللوغ (MDL) والتحقق من التكافؤ السلوكي، مما يساعد في تقليل التكرار وتحقيق كفاءة أعلى.
4. **تكرار التحسين الذاتي**: تقوم التقنية بتقطير المسارات المعززة بالمهارات مرة أخرى إلى أوزان النموذج، مما يُمكّن الوكلاء من استيعاب التجريدات بشكل أفضل.

وفقًا للنتائج المستخلصة من البيئات التجريبية مثل WebArena وVisualWebArena، ونتائج مختبرات أخرى، أظهرت SCAFFOLD تحسينًا ملحوظًا في معدل النجاح، زاد بمقدار يتراوح بين 11.1 – 17.2 نقطة مئوية مقارنة بأقوى الأسس السابقة المعززة بالمهارات. والجدير بالذكر أن هذه التقنية تُظهر تحسينات متواصلة عبر خمس دورات من التحسين الذاتي دون انهيار المكتبة.

للمهتمين بالمزيد من التفاصيل، يُمكنكم زيارة مستودع GitHub الخاص بالتقنية للاستكشاف والإطلاع على الشيفرة البرمجية.