في عالم الذكاء الاصطناعي، يُعَد التخطيط للمهام ضرورةَ حيوية لضمان تحقيق نية المستخدم وتلبية متطلبات المهام الفرعية المعقدة. تقدم TopoPlanner، وهي إطار عمل جديد، حلاً مبتكرًا لمواجهة التحديات التي تواجه الوكلاء المعتمدين على نماذج اللغات الضخمة (Large Language Models) عند التعامل مع أنماط العمل المعقدة.

تقوم هذه التقنية برفع الرسوم البيانية الخاصة بالاعتماديات الأدوات إلى مجمعات عمل خلوية، مما يسهل استخدام هذه المجمعات كخلفية طوبولوجية في التخطيط للأدوات. باستخدام أسلوب الاسترجاع المتناغم مع التوافق الخلوي، تقوم TopoPlanner باسترجاع مجمع فرعي مغلق ذي صلة بالطلب، مما يتيح إجراء تحليل هيكلي متعدد الأبعاد على الطوبولوجيا المسترجعة.

من خلال الواجهات بين التمثيل الخلوي ووكيل التخطيط LLM، تُولد TopoPlanner تسلسلات أدوات أكثر كفاءة. وقد أظهرت التجارب على أربعة معايير للتخطيط بالأدوات تحسّنًا ملحوظًا بمقارنة مع طرق القائمة على التحفيز أو المُحسّنة بواسطة الرسوم البيانية، مما يجعلها خيارًا مثيرًا للإعجاب في هذا المجال سريع التطور.

إذًا، هل أنتم مستعدون لاستكشاف كيفية تغيير TopoPlanner لقواعد اللعبة في التخطيط للوكلاء المعتمدين على نماذج اللغات الضخمة؟ شاركونا آراءكم في التعليقات!