في عصرنا الرقمي المتسارع، تعتمد وكالات الذكاء الاصطناعي على أدوات فعالة لاختيار الأدوات المثلى من المسجلات المتاحة. ولكن التعرض الكامل لهذه المسجلات يمكن أن يتسبب في تكاليف توكنات مرتفعة ويعوق عمليات الاختيار الجيدة مع زيادة حجم البيانات. هنا يأتي دور TRACER.

TRACER (أداة استرجاع مع مراعاة المسار) هي واجهة استرجاع متقدمة تقوم بفهرسة تسلسل استدعاءات الأدوات في شجرة بيانات (trie)، حيث تقوم بتصنيف الخيارات باستخدام مزيج متعلم من الظروف التجريبية والسياقية. في تجربة أجريت في بيئة مختلطة شملت البيع بالتجزئة والاتصالات، أظهرت TRACER تحسنًا في دقة اختيار الأدوات لوكالة GPT-5.4 بحيث زادت بنسبة 4.7 نقطة، مع تقليل عدد توكنات الإدخال بنسبة 80%، مما أتاح الكشف عن فقط 5 من 128 أداة.

علاوة على ذلك، عند تنفيذ المهام بشكل ذاتي، تمكنت TRACER من تحقيق نجاح مشابه لمهام وكالة GPT-5.4، مع تقليل عدد توكنات الإدخال بنسبة 61%. من خلال ست بيئات وأربعة نماذج، تفوقت TRACER في دقة اختيار الأدوات على الاختيار من السجل الكامل في 21 من 24 زوجًا من نماذج البيئات، مع مكاسب متوسطة تتراوح بين 6 إلى 10 نقاط.

تعتبر هذه النتائج مثيرة للإعجاب والتي تعكس الإمكانات الكبيرة لـ TRACER. بينما استمرت التحليلات لتحديد الأسباب وراء الفشل في بعض الحالات، فإن المستقبل يبدو مشرقًا في مجال تحسين أداء نماذج التعلم الآلي.

محبي التكنولوجيا، ما رأيكم في TRACER وقدرتها على تحسين الأداء وتوفير التكلفة؟ شاركونا أفكاركم في التعليقات!