في عالم التكنولوجيا المتقدمة، تُعد أنظمة وكيل نماذج اللغات الضخمة (Large Language Models) من أبرز الابتكارات. ومع زيادة حجم هذه الأنظمة، تتراكم المهارات لتشكل مكتبات ضخمة. لكن، ما هي القوانين التي تحكم هذه العمليات؟

بحث حديث تناول هذا الموضوع يكشف أننا بحاجة لفهم أعمق حول قوانين توسع المهارات. عبر تحليل 15 نموذجًا رائدًا، و1141 مهارة ضمن العالم الحقيقي، وأكثر من 3 ملايين قرار توجيه أو تنفيذ، توصل الباحثون إلى وجود قانونين متلازمين.

**القانون الأول: قانون التوجيه (Routing Law)**
تشير نتائج البحث إلى أن دقة التوجيه تتدهور لوغاريتميًا مع زيادة حجم المكتبة، حيث يُظهر ثبات النتائج في جميع النماذج. يتسبب هذا الانخفاض في الأخطاء من المنافسة المحلية إلى الانزلاق عبر العائلات، مع تداخل مهارات عامة مفرطة.

**القانون الثاني: قانون التنفيذ (Execution Law)**
قبل تحقيق الحالة، يتضح أن التوجيه المشترك تقريبًا متعدٍ، بينما يمكن للتنفيذ الصحيح أن يُحسن القرارات الصعبة بمعدل يصل إلى 4 مرات. يعتمد هذان القانونان على معامل واحد فقط يُعرف بانحدار التوجيه، والذي يُعزز فعالية المكتبة، مسلطًا الضوء على كيفية تأثير هيكلة المكتبة وسياساتها على إمكانية الاسترداد بعد التراجع.

أظهرت النتائج أيضًا أن تحسين الأداء لا يعزى فقط إلى قدرة النموذج، بل أن هيكل المكتبة وحدود الوصول تلعبان دورًا حاسمًا في النتائج. مع تطبيق تحسينات مستندة إلى هذه القوانين، ارتفعت دقة التوجيه المحجوزة من 71.3% إلى 91.7%!

إذا كنت مهتمًا بتفاصيل هذا البحث وكيف يمكن استغلاله في التطويرات المستقبلية، فنحن نود سماع آرائكم. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!