في عالم الذكاء الاصطناعي، أصبح من الضروري تحسين فعالية الروبوتات الذكية (AI Agents) من خلال إعادة استخدام التجارب السابقة، مثل الأكواد وتدفقات العمل والذاكرة الإجرائية. رغم أن إعادة الاستخدام تعزز من الكفاءة، إلا أنها تحمل تحدي الاستدامة؛ فقد تفشل الآثار التي نجحت في الماضي بسبب تغيرات البيئة أو عدم تحدد المهام.

لهذا السبب، تم تقديم إطار عمل جديد يسمى SKILL.nb، الذي يهدف إلى تحسين كيفية إدارة تدفقات العمل القابلة لإعادة الاستخدام عبر سياسات حياة موثوقة. يعتمد SKILL.nb على مفهوم التطبيع الانتقائي، حيث تحدد الأدلة الخاصة بالتنفيذ أي خطوات من تدفق العمل يجب أن تتحول إلى رموز قابلة للتنفيذ، وأيها يجب أن تبقى موجهة بلغة طبيعية، ومتى يجب تعديل تلك الخيارات.

تُخزن تدفقات العمل في دفاتر ملاحظات (Notebooks) قابلة للتقييم والإصدار، حيث تتخللها توجيهات بلغة طبيعية، خلايا قابلة للتنفيذ بلغات متعددة، بوابات التحقق، لمسارات فشل احتياطية، وأدلة متعددة الوسائط مثل المخرجات، لقطات الشاشة، وآثار الأخطاء.

عند وقت التشغيل، يسمح تنفيذ الشروط البوابة بأن يعمل كل خطوة كودًا عند تحقق بواباته، أو العودة محليًا عندما تفقد هذه العمليات تحقيق أهدافها. في اختبارات WebArena، حقق SKILL.nb نجاحًا بمعدل 53.7%، متفوقًا على أقوى الأسس بنسبة 3.9 نقطة مئوية. كما حافظ على 91.7% من المهام الناجحة خلال ثلاث عمليات إعادة تنفيذ. تحت الإصلاح المحدود، تمكّن من استعادة 72.9% من الفشل اللاحق مع تحديد التراجعات ما بعد الإصلاح بحدود 4.2%، مقارنةً بـ 15.0% إلى 17.0% للأسس المستمرة.

يُظهر SKILL.nb كيف يمكن الجمع بين الحكم على دواعي الحياة وتنفيذ الشروط البوابة كخطوات موثوقة لتحسين فاعلية الروبوتات الذكية.