في عالم يتسم بالتطور السريع في مجال الذكاء الاصطناعي، أصبحت الحاجة إلى أدوات فعالة لتحسين الأداء في بيئات المؤسسات أمراً ملحاً. وفي هذا السياق، تم كشف النقاب عن أداة جديدة تُعرف باسم SCOUT (Selective Context Optimization for Universal Tooling)، التي تمثل نقلة نوعية في كيفية اكتشاف واستخدام الأدوات.

تعمل نماذج اللغات الضخمة (Large Language Models - LLM) على تزويد المستخدمين بمعلومات تتخطى المعرفة المدربة مسبقًا، ولكنها غالبًا ما تواجه تحديات تتعلق بكفاءة استخدام السياقات ذات الصلة بالأدوات المتاحة. تقدم SCOUT حلاً مبتكرًا من خلال إعادة صياغة مسألة اكتشاف الأدوات كمسألة اختيار السياق، مما يسمح بإدخال الأدوات ذات الصلة فقط في الخطوة الحالية.

يبرز نظام SCOUT أداتين متميزتين في بروتوكول نموذج السياق (Model Context Protocol - MCP)، وهما tool_search وexecute_tool. حيث يقوم tool_search بعمليات استرجاع هجينة، تجمع بين أساليب البحث التقليدية والبحث الكثيف باستخدام تقنية Fusion، مما يؤدي إلى توفير أدوات من أفضل الخيارات المتاحة من بين أكثر من 2000 أداة.

بفضل نظام تحديث الكتالوجات الذي يعمل دون انقطاع، تعالج SCOUT كل من مشكلة تشبع السياق وتحديات اكتشاف الأدوات. وقد أثبتت هذه التقنية نجاحها في منصات كبرى مثل PayPal، حيث سجلت تقليصاً مذهلاً في استهلاك رموز الأدوات من 140.2k إلى 1.3k، أي بتخفيض نسبته 99%، مما ساهم في تقليل تكاليف الاستدلال لكل استعلام على نطاق المؤسسات.

الأهم من ذلك، أن SCOUT تُعتبر أدوات معيارية في بروتوكول MCP، مما يجعلها متوافقة مع مختلف النماذج ولا تتطلب أي تعديلات على جانب العميل. هل لديك تجربة مع أدوات الذكاء الاصطناعي في مؤسستك؟ شاركنا برأيك في التعليقات!