مع التسارع الملحوظ في نمو واجهات برمجة التطبيقات على الويب، أصبح من الضروري وجود أنظمة توصية آلية تسهل تطوير المكونات الجاهزة (Mashup). ومع ذلك، تعاني الطرق الحالية من مشكلتين كبيرتين: أولاً، تعتمد على استراتيجيات توصية ثابتة لا يمكنها التكيف مع تعقيدات المكونات الجاهزة، وثانيًا، تفتقر إلى تقديم تفسيرات كافية حول أسباب التوصية، مما يؤثر على الشفافية وثقة المستخدمين.

لتجاوز هذه التحديات، نقدم إطار WAR-R1، وهو نظام مبتكر يقدم توصيات واضحة لواجهات برمجة التطبيقات من خلال دمج الاستدلال الدلالي. يعتمد WAR-R1، المبني على نموذج لغوي كبير (LLM) خفيف الوزن، على توفير مجموعة من واجهات برمجة التطبيقات ذات الصلة مع تقديم تبرير بلغة طبيعية لكل توصية.

كما يقدم هذا الإطار الجديد تحكمًا مرنًا في حجم التوصيات من خلال تقديم رموز بدء وإيقاف خاصة، تسمح للنموذج بتعلم متى يبدأ وينهي عملية توليد واجهات برمجة التطبيقات.

تم تدريب WAR-R1 على مرحلتين؛ الأولى هي تحسين دقيق تحت إشراف على مجموعة بيانات موسومة، تلتها مرحلة التعلم المعزز باستخدام تقنية تحسين السياسة النسبية الجماعية (Group Relative Policy Optimization). هذا يهدف إلى تحسين دقة التوصيات وجودة الاستدلال في وقت واحد.

أثبتت التجارب على مجموعة بيانات ProgrammableWeb أن WAR-R1 يتفوق على الأنظمة التقليدية بما يصل إلى 10.89% في دقة التوصيات، بينما يظل ملتزمًا بتقديم تفسيرات عالية الجودة grounded في الدلالات. كما أظهرت دراسات مكثفة فعالية التعلم المعزز وتصميم الرموز الخاصة، بالإضافة إلى الاستدلال المتكامل.