في عقود الذكاء الاصطناعي، ظهرت تقدمات غير مسبوقة في نماذج اللغات متعددة الوسائط (Multimodal Large Language Models) أدت إلى تحسينات ملحوظة في أداء وكلاء الويب. ومع ذلك، لا تزال هذه الوكلاء تواجه تحديات عديدة، حيث تعتمد في كثير من الأحيان على خطوط تنفيذ مُعدة مسبقًا أو مسارات خبراء باهظة الثمن، مما يحد من قدرتها على التكيف مع البيئات الديناميكية والمعقدة.

لحل هذه المشكلة، قدم الباحثون تطويرًا جديدًا يُعرف باسم SCALE (Self-Cognitive-Aware Learning and Exploration)، والذي يمكّن الوكيل من التعلم من خلال ثلاث أدوار متنافسة: المُحدد (Selector)، المُتنبئ (Predictor)، والناقد (Judger). يقوم SCALE باكتشاف نقاط ضعف الوكيل وتوسيع حدود معرفته من خلال استكشاف بيئات جديدة.

بالإضافة إلى ذلك، تم تقديم استراتيجية استكشاف تُعرف باسم SCALE-Hop، والتي تسهل التخطيط الشامل وتساعد الوكلاء على تجنب الفخاخ المحلية في استكشافهم. لدعم عملية التعلم، تم بناء مجموعة بيانات ضخمة تُدعى SCALE-20k، تم جمعها من 19 موقع ويب حقيقي، تحتوي على مجموعة متنوعة من أنواع المهام وعروض هيكلية مُولدة من آثار استكشاف SCALE.

أظهرت النتائج التجريبية أن هذا النهج يُحدث فرقًا كبيرًا في أداء وتعميم العديد من نماذج اللغات الكبيرة في بيئات الويب المختلفة. إن إطار العمل هذا يقدم حلاً قابلاً للتوسع والتعميم لبناء وكلاء ويب مستقلين وقابلين للتكيف بحق.

كيف ترى تأثير هذه التقنية على مستقبل وكلاء الويب؟ انضم إلى النقاش في التعليقات!