في عالم الذكاء الاصطناعي، تمثل مهارات الوكلاء (Agent Skills) أداةً حيوية للتوجيه والإرشاد. ومع ذلك، قد تؤدي التوجيهات غير الكاملة أو غير المناسبة إلى إعاقة تنفيذ المهام بنجاح. لتقليل الجهود اليدوية في تحسين هذه المهارات، تم اعتماد نماذج اللغات الضخمة (Large Language Models) في الفترة الأخيرة لتوليد تعديلات بناءً على تغذية راجعة من التنفيذ. ولكن، يبقى التحدي في ربط هذه التعديلات بالأدلة السلوكية بشكل واضح.

ولمعالجة هذه الفجوة، تم تقديم تقنية SkillMorph، التي تعتمد على تحديد الأخطاء المرتبطة بالمسارات (Trajectory-Guided Fault Localization) في مهارات الوكلاء. الفكرة الأساسية هنا هي ربط الأدلة الناتجة عن التنفيذ بمحتويات المهارة المحددة قبل توليد الإصلاحات اللازمة. يقوم SkillMorph بمقارنة الأدلة المرتبطة بالفشل والنجاح في المسارات المجردة عبر عمليات متكررة ومهام مختلفة، مما يساهم في تحديد الأفعال المريبة. بعد ذلك، يتم استخدام هذه الأفعال لتحديد مواقع التعديل في المهارات وتوليد التعديلات المطلوبة.

لقد أظهرت التجارب على مجموعتي بيانات SWE-Skills-Bench وCannBot أن المهارات التي تم تطويرها باستخدام SkillMorph تحقق باستمرار دقة أعلى وتناسق تنفيذ أفضل من المهارات الأصلية والأساليب الأربعة الأخرى الحالية المستخدمة في تطوير المهارات. كذلك، تم تطبيق تقنية SkillMorph أيضًا في تطوير النواة الآلية مع فريق تطوير الوكلاء الذكيين، الذي اعتمد ستة طلبات سحب خاصة بتعديل المهارات.

ستكون هذه التقنية نقطة تحول في كيفية تحسين مهارات الوكلاء، مما يمهد الطريق لمزيد من الابتكارات في الذكاء الاصطناعي ومجالات البرمجة الذكية.