في عالم الذكاء الاصطناعي، تُعتبر تجهيز وكالات نماذج اللغة الكبيرة (Large Language Models) بمهارات محددة في المجال أمرًا بالغ الأهمية للتعامل مع المهام المعقدة. لكن إصدار المهارات يدويًا قد يخلق عقبة كبيرة في قابلية التوسع. بالمقابل، غالبًا ما تُنتج عمليات توليد المهارات الآلية نتائج غير مستقرة أو ممزقة نظرًا لاعتمادها على معرفة سطحية أو تكون مفرطة التكيف مع تجارب محدودة لا يمكن تعميمها. \n\nللتغلب على هذه التحديات، تقوم فكرة Trace2Skill بتقديم إطار عمل مبتكر يستند إلى نمط التعلم البشري. بدلاً من الاستجابة بشكل تسلسلي لمجموعة معينة من التجارب، تعتمد Trace2Skill على إرسال مجموعة من الوكلاء الفرعيين لتحليل مجموعة متنوعة من التجارب. حيث تستخرج الدروس المحلية وتجمعها بشكل هرمي في دليل مهارات موحد وخالي من التناقضات عبر التفكير الاستنتاجي. \n\nتدعم Trace2Skill تطوير المهارات البشرية المكتوبة مسبقًا وإنشاء مهارات جديدة من الصفر. أظهرت التجارب في مجالات صعبة مثل جداول البيانات (spreadsheets) وصور المعالجة (VisionQA) والمنطق الرياضي أن Trace2Skill تحقق تحسينات كبيرة مقارنة بالأسس القوية، بما في ذلك مهارات xlsx الرسمية من Anthropic. \n\nتتجاوز هذه التطورات المعتمدة على التجارب المحلية مجرد حفظ حالات المهام أو المميزات الخاصة بالنماذج: حيث تنتقل المهارات المتطورة عبر مقاييس نماذج اللغة الكبيرة وتعميمها في إعدادات خارجية. فعلى سبيل المثال، حسّنت المهارات التي تطورت من قبل Qwen3.5-35B على تجاربها الخاصة أداء وكيل Qwen3.5-122B بنسبة تصل إلى 57.65 نقطة مئوية على WikiTableQuestions. \n\nفي النهاية، تثبت نتائجنا أن التجارب المعقدة للوكالات يمكن حزمها في مهارات قابلة للنقل وبيانية بشكل كبير، دون الحاجة إلى تحديثات معلمات أو وحدات استرجاع خارجية، وباستخدام نماذج مفتوحة المصدر بحجم 35 مليار معلمة فقط.