في عالم الذكاء الاصطناعي، أصبحت التقنيات الابتكارية جزءاً لا يتجزأ من نظم [agents](/tag/agents) المتقدمة. من بين تلك الابتكارات، يبرز SkillSmith كنموذج [جديد](/tag/جديد) يقوم بإعادة تعريف كيفية [عمل](/tag/عمل) المهارات (skills) في [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) (Large Language [Models](/tag/models) - [LLM](/tag/llm)).

عادةً ما يتم إدخال المهارات في حلقة [تفكير](/tag/تفكير) [agents](/tag/agents) كإرشادات [سياقية](/tag/سياقية) عند تطابقها مع مهمة معينة، مما يتيح قدرات متخصصة على حل المهام. لكن، هل [تعلم](/tag/تعلم) أن هذه الطريقة التقليدية قد تؤدي إلى ازدواجية كبيرة؟ تتضمن هذه الازدواجية إدراج [سياقات](/tag/سياقات) غير ذات صلة وتكرار عمليات [التفكير](/tag/التفكير) والتخطيط المرتبطة بالمهارات.

لذلك، جاء SkillSmith كحل مبتكر. فهو يعد إطار [عمل](/tag/عمل) يستند إلى الحدود ويقوم بدمج حزم المهارات بشكل خارجي إلى [واجهات](/tag/واجهات) تنفيذية مصغرة. هذا يعني أن SkillSmith يمكنه استخراج الحدود التشغيلية الدقيقة من المهارات، مما يتيح للوكلاء ([agents](/tag/agents)) الوصول إلى وتنفيذ المكونات ذات الصلة فقط عند العمل، وبالتالي تقليل إدراج السياقات غير الضرورية وتحسين [كفاءة](/tag/كفاءة) [التفكير](/tag/التفكير).

وفقاً للتقييمات التي أجريت على معيار SkillsBench، [تمكن](/tag/تمكن) SkillSmith من تقليل استخدام الرموز في مرحلة الحل بنسبة تصل إلى 57.44%، وتقليل [عدد](/tag/عدد) دورات [التفكير](/tag/التفكير) بنسبة 42.99%، ووقت الحل بنسبة 50.57%، مما يجعله أسرع بمعدل 2.02 مرة مقارنة باستخدام المهارات الخام.

علاوة على ذلك، يمكن إعادة استخدام القطع الصناعية التي ينتجها النموذج الأقوى من خلال [نموذج](/tag/نموذج) تشغيل أصغر أو أكثر كفاءة، مما يعزز من [دقة](/tag/دقة) المهام في الحالات التي تفشل فيها التفسيرات المباشرة للمهارات. يمكنكم الاطلاع على [كود](/tag/كود) المصدر والبيانات المتاحة [عبر](/tag/عبر) [GitHub](/tag/github) في الرابط التالي: [https://github.com/AetherHeart-[AI](/tag/ai)/Aeloon].

ما رأيكم في هذه التطورات الجديدة في مجال [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي)؟ شاركونا أفكاركم في [التعليقات](/tag/التعليقات)!