تشهد الأنظمة البرمجية المعتمدة على نماذج اللغات الضخمة (Large Language Models - LLMs) انتشاراً متزايداً، إلا أن التحديات المتعلقة بالموثوقية تظل عقبة كبيرة بسبب الفشل غير المتوقع مثل الهلوسات (Hallucinations) والأخطاء التنفيذية. في دراسة جديدة، تم اقتراح إطار ذاتي الشفاء يهدف إلى تعزيز موثوقية الوكلاء البرمجيين من خلال دمج آليات كشف الفشل وتقييم الموثوقية مع استراتيجيات الاسترداد التلقائي.

بدأت الدراسة بتحديد أنواع الفشل المختلفة وتقديم نموذج تقييمي موثوق كمي. بعد ذلك، تم تطوير طريقة لكشف الفشل تعتمد على تحليل أنماط التنفيذ وثبات النتائج، مما يساعد على تحديد السلوكيات غير الطبيعية للوكيل.

الجزء المبتكر في هذا الإطار يأتي من تصميم آلية شفاء ذاتي تعمل على التعافي الديناميكي من الفشل من خلال استراتيجيات إعادة التخطيط والتصحيح التلقائي، مما يسهم في تحسين معدلات نجاح المهام وتقليل انتشار الفشل.

تم تنفيذ الإطار المقترح في بيئة متعددة الوكلاء وتم تقييمه باستخدام سيناريوهات مهام واقعية. أظهرت النتائج التجريبية أن هذه الطريقة تعزز من صمود الأنظمة مقارنة بالأساليب التقليدية.

ما يميز هذا البحث أيضًا هو إنشاء نظام للمراقبة متكاملاً يجمع بين عملية التفكير الداخلية للوكيل ونتائج التنفيذ الخارجية، وهو ما يمكن أن يسهم في تأمين استقرار الأنظمة الأوتوماتيكية المتقدمة وتمهيد الطريق لاعتماد نماذج اللغات الضخمة في بيئات الإنتاج.