تعتبر المهارات (Skills) من العناصر الحيوية ضمن نماذج الذكاء الاصطناعي الكبيرة (Large Language Models)، حيث تسهم في دعم المعرفة الإجرائية. ومع ذلك، فإن كتابة هذه المهارات يدويًا غالبًا ما تكون مكلفة وتستغرق وقتًا طويلاً. في هذا الإطار، تم طرح دراسة جديدة تبحث في كيفية بناء المهارات تلقائيًا استنادًا إلى أدلة تفاعلية متنوعة مثل العروض التوضيحية، ومسارات الوكلاء، وآثار الأدوات، وسجلات التنفيذ.

تشير الدراسة إلى أن هذه العملية ليست مجرد مهام تلخيص بسيطة، نظرًا لأن المعلومات المتاحة غالبًا ما تكون مجزأة، ومتكررة، وقد تفتقد إلى سلوكيات حرجة قد تكون ضرورية للسلامة. لمواجهة هذه التحديات، تم تقديم نموذج RWSA، الذي يُعد تمثيلًا وسطيًا موجهًا نحو سير العمل، حيث يقوم بتفكيك المهارات إلى بنية سير العمل (Workflow)، والدلالات التنفيذية (Execution Semantics)، والملحقات (Runtime Attachments). ويهدف هذا النموذج إلى التقاط تفاصيل مهمة مثل تقسيم المهام، وتدفقات التحكم، والتحقق، والسلامة، وإدارة الحالة.

بناءً على نموذج RWSA، تم اقتراح إطار عمل يُعرف باسم W2S، والذي يعمل على تقسيم المسارات، واستنباط مسودات للمهارات المحلية، ومحاذاة الهياكل المشتركة، وتسوية الفروع، وضغط التكرار، مع الحفاظ على الأدلة وتقييمات الثقة. وقد أظهرت التجارب التي أجريت على 70 مهارة أن W2S يُحسن من اتساق إعادة تشغيل السلوك بنسبة 10.5% مقارنة بأساليب التلخيص والتحفيز التقليدية، مما يسلط الضوء على ضرورة اعتبار المسارات بمثابة مواصفات قابلة للتنفيذ في وقت التشغيل بدلاً من مجرد نص قابل للاختصار.