في عالم الذكاء الاصطناعي (AI)، تعتبر المهارات الوكلائية (Agent Skills) بمثابة وحدات إجرائية قابلة للاستخدام تعزز من المعرفة وإجراءات التنفيذ في المهام المعقدة. على الرغم من ذلك، غالبًا ما يركز الباحثون على اختيار المهارات المناسبة أو تحسينها دون النظر إلى ما إذا كان ينبغي استدعاء مهارة معينة في نقطة القرار الحالية.

استدعاءات غير مفيدة يمكن أن تُدخل سياقات غير ذات صلة وتُعطل عملية التنفيذ الصحيحة. لمواجهة هذه التحديات، تم تقديم إطار عمل مبتكر يعرف باسم SelSkill. يعتمد هذا النظام على تعلم تفضيلات مزدوجة الدقة ويتناول كيفية اتخاذ القرارات بين "استدعاء المهارة" أو "تجاوزها".

يعتمد SelSkill على عدم اليقين التنبؤي لتحديد الأوقات المناسبة لاتخاذ القرار، ويقوم بإنشاء أزواج من تفضيلات الاستدعاء والتجاوز من بيانات سابقة. هذا النظام يدمج تفضيلات النتائج على مستوى الحلقات مع تفضيلات الاستدعاء على مستوى الخطوات، بحيث يتمكن من تقدير جودة المسار بشكل شامل وفاعلية استدعاء المهارات بشكل محلي.

عند اختبار SelSkill على منصة ALFWorld باستخدام Qwen3-8B، سجل النظام تحسينًا في معدل نجاح المهام بلغ 10.9% ودقة التنفيذ بنسبة 29.1%. وعلى منصة BFCL، كانت التحسينات أقل بقليل، حيث بلغت 5.7% في النجاح و29.5% في الدقة.

وبالإضافة إلى ذلك، أظهرت النتائج في اختبارات Zero-shot على Tau-bench وPopQA أن سياسة الاستدعاء المتعلمة يمكن أن تنتقل بنجاح إلى مجالات جديدة تحتوي على مهارات لم يسبق رؤيتها من قبل.

بذلك، يُظهر SelSkill قدرة كبيرة على تحسين أداء الوكلاء الذكيين وقد يقدم الأمل في تطوير نظم أكثر كفاءة في المستقبل.

بينما نتجه نحو تقنيات أكثر تعقيدًا، تبقى الأسئلة مطروحة: هل تعتمد على المهارات المتاحة لديك، أم تحاول تجاوزها في سعيك لتحقيق النجاح التكنولوجي؟ شاركونا آراءكم في التعليقات!