في عالم الذكاء الاصطناعي المتجدد، تتزايد مكتبات المهارات بسرعات فائقة، مما يجعل اختيار المهارات المناسبة تحديًا كان يعاني منه العديد من وكيل الذكاء الاصطناعي (LLM) لفترة طويلة. وإذا كنت تتساءل عن كيفية تسهيل هذه العملية، فإن الإجابة هي SkillDAG، وهو نموذج مبتكر يقدم طريقة جديدة للتعامل مع العلاقات بين المهارات.

تُعتبر عملية اختيار مجموعة محددة من المهارات أكثر تعقيدًا من مجرد إيجاد تطابقات، حيث تعتمد المهارات على بعضها البعض وقد تتعارض أو تتخصص في مجالات معينة. يهدف SkillDAG إلى تمثيل هذه العلاقات كنموذج رسم بياني موجه (Directed Graph) يعتمد على أنواع متعددة، مما يوفر للوكيل إمكانية استرجاع هيكلي فوري.

يعتمد هذا النموذج على عدة آليات تسمح بتحسين أداء وكيل الذكاء الاصطناعي خلال تنفيذ المهام. فعند إجراء بحث عن المهارات، يسترجع النظام تطابقات موجهة ورموز تعارض، مما يسهل عملية الاختيار الدقيق للمهارات. وعبر عملية الاقتراح ثم الالتزام (Propose-then-commit)، يمكن للوكيل تسجيل المهارات المدعومة بالتنفيذ، مما يساعد الرسم البياني على التكيف والنمو مع مرور الوقت.

أظهرت نتائج التجارب على ALFWorld وSkillsBench التي تمت باستخدام MiniMax-M2.7 أن SkillDAG تمكن من تحقيق نسبة نجاح تصل إلى 67.1% ومعدل مكافآت يبلغ 27.3%. هذه النتائج تفوق بشكل ملحوظ البنية الأساسية التقليدية Graph-of-Skills، بزيادة تصل إلى 12.8 نقطة و8.6 نقطة على التوالي. كما عمليًا، استخدم هذا النظام مع gpt-5.2-codex ليحقق نتائج مذهلة.

باختصار، SkillDAG ليس مجرد حل مؤقت لمشكلة اختيار المهارات، بل هو خطوة استراتيجية لتحسين أداء وكيل الذكاء الاصطناعي، مما يفتح آفاق جديدة لمستقبل الذكاء الاصطناعي.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.