في عالم الذكاء الاصطناعي، أصبح إنشاء نظم الوكلاء المتعددة (Multi-Agent Systems - MAS) المعتمدة على نماذج اللغات الكبيرة (Large Language Models - LLMs) محورًا مهمًا لحل التحديات المعقدة. رغم أن الطرق التقليدية تستخدم قدرات النماذج المتقدمة، إلا أنها تواجه صعوبة في الاحتفاظ بالتجارب السابقة. ومن جهة أخرى، فإن الأساليب الأخرى التي تعتمد على تحديث المعلمات أثناء التدريب مرتبطة بحدود قدرات النماذج الأصغر، مما يؤدي إلى صعوبة في التوسع والنمو.

هنا تختلف تقنية Skill-MAS، حيث تقدم حلاً مبتكرًا بشكل جذري يجمع بين أفضل ما في العالمين. فبدلاً من الاعتماد على الطرق التقليدية، يقوم Skill-MAS بفصل الاحتفاظ بالتجارب عن تحديث المعلمات عبر تصور مهارة عالية المستوى قابلة للتطور - ما يُعرف بالمهارة الميتا (Meta-Skill).

تعمل Skill-MAS على تحسين هذه المعرفة المعمارية من خلال حلقة تحسين مغلقة، حيث يتم تنفيذ مراحل متعددة. المرحلة الأولى تتضمن استخدام Multi-Trajectory Rollout لجمع توزيع سلوكي لكل مهمة تحت التحكم الحالي للمهارة الميتا. ثم تأتي المرحلة الثانية وهي Selective Reflection التي تقوم باختيار المهام ذات الأولوية بشكل تكيفي، وتطبق تحليلًا تباينيًا هرميًا لاستخلاص التجارب النظامية وتحويلها إلى مبادئ استراتيجيات عامة.

أظهرت التجارب الواسعة عبر أربعة معايير معقدة وأربعة نماذج مختلفة من LLMs أن Skill-MAS لا تحقق فقط تحسينات ملحوظة في الأداء ولكن تحتفظ أيضًا بتوازن جيد بين التكلفة والأداء.

تحليل إضافي يكشف أن المهارات الميتا المتطورة تتمتع بصلابة عالية وقابلية انتقال قوية إلى مهام غير مألوفة ونماذج LLM مختلفة. في النهاية، يمثل Skill-MAS خطوة متقدمة في طريق تطوير نظم الوكلاء المتعددة، وفتح آفاق جديدة لتعزيز الكفاءة والتكيف في الذكاء الاصطناعي.