💬 NLP

AlignEvoSkill: Towards Knowledge-Aware and Task-Aligned Agent Skill Evolution

يُعد AlignEvoSkill إطار عمل مبتكر يعزز أداء الوكلاء القائمين على النماذج اللغوية الكبيرة من خلال تطوير مهارات قابلة لإعادة الاستخدام عبر تحسين مشترك لتغطية المعرفة والمواءمة مع المهام، محققاً بذلك نتائج رائدة بأقل التكاليف الحسابية.

المؤلفون الأصليون: Dingzirui Wang, Xuanliang Zhang, Keyan Xu, Qingfu Zhu, Wanxiang Che, Yang Deng

نُشر 2026-05-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC0 1.0

المؤلفون الأصليون: Dingzirui Wang, Xuanliang Zhang, Keyan Xu, Qingfu Zhu, Wanxiang Che, Yang Deng

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تعلم مساعداً آلياً ذكياً جداً كيفية القيام بمهام معقدة، مثل التخطيط لاجتماع أو كتابة قصيدة. بدلاً من برمجة كل تعليمات على حدة، تمنح الروبوت "صندوق أدوات" لمهارات قابلة لإعادة الاستخدام (مثل "استخراج التواريخ من رسائل البريد الإلكتروني" أو "التحقق من مخططات القافية").

المشكلة هي أنه عندما يفشل الروبوت في مهمة ما، فإن الطرق القديمة لتطوير صندوق أدواته غالباً ما تجعل الأمور أسوأ. فقد تقوم بـ:

إغفال الجوهر: حيث تلتقط مهارة "قريبة" من المطلوب لكنها تفتقر إلى جزء جوهري من المعرفة (مثل نسيان التحقق مما إذا كان الشخص متاحاً بالفعل).
التركيز المفرط على التفاصيل: حيث تنشئ مهارة تعمل فقط لهذا الخطأ المحدد، بدلاً من تعليم الروبوت قاعدة عامة للمستقبل.

تقدم هذه الورقة البحثية ALIGNEVOSKILL، وهي طريقة جديدة لتطوير صندوق أدوات الروبوت. فكر فيها كـ محرر ذكي ومُدقق يقوم بإصلاح مهارات الروبوت بطريقتين محددتين.

عملية "المحرر الذكي" المكونة من خطوتين

الخطوة 1: محقق "وسم المعرفة" (إصلاح ما هو مفقود)
تخيل أن كل مهارة في صندوق أدوات الروبوت لديها مجموعة من الملاحظات اللاصقة (الأوسمة/Tags) التي تصف ما تفعله.

الطريقة القديمة: عندما يفشل الروبوت، قد تلتقط الطرق القديمة أقرب مهارة تبدو مشابهة أو تدمج مهارتين معاً بشكل عشوائي. هذا يشبه محاولة إصلاح أنبوب مسرب عن طريق لص مفتاح ربط به؛ قد يبدو مرتبطاً بالمشكلة، لكنه لن يصلح الثقب فعلياً.
طريقة ALIGNEVOSKILL: أولاً، ينظر النظام إلى المهمة الفاشلة ويسأل: "ما هي المعرفة المحددة التي كانت مفقودة هنا؟" ثم ينشئ قائمة من "الأوسمة المطلوبة" (مثل "التحقق من التوفر"، "التعامل مع المناطق الزمنية").
بعد ذلك، يمسح صندوق الأدوات للعثور على المهارات التي تمتلك أوسمة متطابقة. إذا كانت إحدى المهارات تفتقر إلى وسم ما (مثل "المناطق الزمنية")، فإن النظام يعرف بالضبط الفجوة التي يجب ملؤها. ومن ثم يقوم ببناء مهارة جديدة تجمع الأجزاء المفيدة من المهارات القديمة ولكنها تضيف تحديداً المعرفة المفقودة.

الخطوة 2: مرشح "الصلة" (إصلاح ما هو غير ذي صلة)
بعد بناء مهارة مرشحة جديدة، يتعين على النظام أن يقرر: "هل هذه المهارة جيدة حقاً لهذه المهمة؟"

الطريقة القديمة: بعض الطرق تكتفي بالنظر إلى محاولة الروبوت الفاشلة وتقول: "حسناً، لنصنع مهارة تتجنب هذا الخطأ المحدد". هذا يشبه طالباً يحفظ حل مسألة رياضية واحدة بعينها دون فهم الصيغة العامة؛ إذا تغيرت الأرقار، سيفشل مجدداً.
طريقة ALIGNEVOSKILL: تستخدم "اختبار صلة". تسأل الذكاء الاصطناعي: "إذا أعطيتك وصف المهمة فقط، ما مدى احتمالية أن تقوم بتوليد هذه المهارة المحددة؟"
- إذا كانت المهارة مجرد وصف غريب لفشل سابق للروبوت، ستكون الدرجة منخفضة.
- إذا كانت المهارة دليلاً عاماً ومثالياً للمهمة، ستكون الدرجة عالية.
  يقوم النظام بالإبقاء فقط على المهارات التي تسجل درجات عالية في هذا الاختبار، مستبعداً المهارات "الضوضائية" أو غير ذات الصلة.

النتائج: صندوق أدوات أفضل بجهد أقل

اختبر الباحثون هذه الطريقة على ثلاث مجموعات مختلفة من "الاختبارات" (Benchmarks) باستخدام أربعة أنواع مختلفة من "أدمغة الروبوتات" (LLMs).

فوز كبير: حسنت الطريقة الجديدة أداء الروبوتات بنسبة 34.7% مقار بالتطوير بدون تحسين المهارات.
التفوق على المنافسين: لقد تفوقت على أفضل الطرق السابقة بفارق كبير، مما وضع "معياراً ذهبياً" جديداً (SOTA).
أقل تكلفة: ومن المثير للدهشة، أنها قامت بكل هذا باستخدام قدر أقل من الحوسبة والوقت مقار بالطرق الأخرى. فهي لم تعتمد على القوة الغاشمة للنجاح، بل كانت أكثر كفاءة لأنها توقفت عن إضاعة الوقت في الأفكار السيئة مبكراً.

الخلا-صة

إن ALIGNEVOSKILL تشبه الحرفي الماهر الذي لا يكتفي برمي المزيد من الأدوات لحل مشكلة ما. بدلاً من ذلك، يقوم بـ:

تحديد الأداة المفقودة بالضبط (باستخدام "أوسمة المعرفة").
بناء أداة جديدة تجمع بين الأدوات القديمة ولكنها تسد تلك الفجوة.
اختبار الأداة الجديدة للتأكد من أنها مفيدة حقاً للمهمة، وليست مجرد نسخة من خطأ سابق.

النتيجة هي روبوت يتعلم من إخفاقاته بشكل أسرع بكثير، ويرتكب أخطاء أقل، ويصبح أفضل في أداء عمله دون الحاجة إلى كمية هائلة من قدرة الحوسبة الإضافية.

ملخص تقني: ALIGNEVOSKILL

1. بيان المشكلة

تعتمد وكلاء النماذج اللغوية الكبيرة (LLM agents) على المعرفة الإجرائية القابلة لإعادة الاستخدام، أو "المهارات"، لتعزيز قدراتها طويلة الأمد. وبينما تهدف طرق تطور المهارات الحالية إلى تحسين مكتبات المهارات تلقائيًا من التجارب الماضية، إلا أنها تعاني من قصورين حرجين يؤديان إلى مهارات متطورة غير مكتملة أو غير ذات صلة:

تغطية معرفية غير سليمة: تعتمد الطرق الحالية غالبًا على مهارة واحدة موجودة أو تكتفي بدمج عدة مهارات معًا. هذا النهج ينطوي على مخاطرة بتجاهل المعرفة ذات الصلة بالمهمة والموزعة عبر مهارات مختلفة، أو إدخال معلومات غير ذات صلة ومتضاربة، مما يؤدي إلى تعريفات مهارات مشوشة أو غير مكتملة.
توافق ضعيف مع المهمة: تركز الطرق التي تستخلص المهارات من مسارات التنفيذ بشكل مفرط على التاريخ المحدد لمحاولة فاشلة. ونتيجة لذلك، قد تعكس المهارة المتطورة مسار التنفيذ بدلاً من المتطلبات الأساسية للمهمة، مما يفشل في توجيه الوكيل بفعالية نحو حل المهام المستهدفة في الحالات المستقبلية.

تمنع هذه القيود المهارات المتطورة من أن تكون شاملة في المعرفة ومتوافقة بدقة مع أهداف المهمة المستهدفة.

2. المنهجية: ALIGNEVOSKILL

يقترح المؤلفون إطار عمل ALIGNEVOSKILL، وهو مصمم لنمذجة تغطية المعرفة والتوافق مع المهمة بشكل مشترك أثناء عملية تطور المهارة. يعمل إطار العمل على مسارات المهام الفاشلة ويقوم بتحديث مكتبة مهارات خارجية مع إبقاء بارامترات الوكيل الأساسي ثابتة. تتكون العملية من ثلاث مراحل أساسية:

أ. اختيار مهارة المصدر الموجه بوسوم المعرفة

بدلاً من استرجاع المهارات بناءً على التشابه الدلالي وحده، يربط ALIGNEVOSKILL كل مهارة بمجموعة من وسوم المعرفة (عبارات قصيرة تصف القدرات الإجرائية، مثل "استخراج النصوص من PDF").

استنتاج الوسم: بالنسبة لزوج (المهمة، مسار التنفيذ) الفاشل $(x, \tau)$ ، يستنتج نموذج لغوي كبير مجموعة وسوم المعرفة المستهدفة $K^\star$ المطلوبة لحل المهمة.
الاختيار الأمثل: يختار النظام مجموعة فرعية من مهارات المصدر $S^\star$ من المكتبة الحالية التي تعظم تغطية $K^\star$ مع تقليل إدخال الوسوم غير ذات الصلة (الوسوم الموجودة في $S^\star$ وليست في $K^\star$ ).
تحديد الفجوة: يحدد "الوسوم غير المغطاة" ( $K^\star_{un}$ )، والتي تمثل المعرفة المطلوبة للمهمة ولكنها مفقودة من مهارات المصدر المختارة.

ب. توليد المهارة الموجه بوسوم المعرفة

باستخدام مهارات المصدر المختارة، ومسار الفشل، والوسوم غير المغطاة كمدخلات، يقوم النموذج اللغوي الكبير بتوليد مهارات مرشحة.

تتم عملية التوليد مشروطة بنقل المعرفة المفيدة من المهارات المختارة ومعالجة المعرفة المفقودة المحددة بواسطة $K^\star_{un}$ بشكل صريح.
الهدف هو إنتاج مهارة قابلة لإعادة الاستخدام تعمم على فئة من المهام ذات الصلة بدلاً من مجرد وصف مسار الفشل المحدد.

ج. تصفية المهارة عبر التغطية والتوافق

لضمان الجودة العالية، يتم تصفية المهارات المرشحة باستخدام معيار تسجيل مشترك:

تغطية وسوم المعرفة ( $F_{tag}$ ): تحسب مقياس F1 بين وسوم المهارة المولدة ووسوم المهمة المستهدفة. وهذا يضمن أن المهارة تغطي المعرفة الإجرائية اللازمة.
التوافق مع المهمة القائم على الاحتمالية ( $A$ ): يقيس الاحتمالية الشرطية لتوليد المهارة بناءً على وصف المهمة، مقسومة على الاحتمالية غير المشروطة. هذا المقياس، $A(c) = \sigma(\frac{1}{|c|}(\log \hat{p}(c|x) - \log \hat{p}(c|\emptyset)))$ ، يضمن أن المهارة متجذرة تحديدًا في متطلبات المهمة بدلاً من كونها نتاجًا عامًا أو مرتبطًا بمسار محدد.
الدرجة النهائية: يحتفظ النظام بأفضل المرشحين بناءً على المتوسط الهندسي لدرجات التغطية والتوافق: $Score(c) = \sqrt{F_{tag}(c) \cdot A(c)}$ .

3. المساهمات الرئيسية

تحديد القيود: يحدد البحث رسميًا ويعالج التحديات المزدوجة المتمثلة في التغطية غير السليمة للمعرفة والتوافق الضعيف مع المهمة في نماذج تطور المهارات الحالية.
إطار عمل مبتكر: يقدم ALIGNEVOSKILL، الذي يستخدم وسوم المعرفة لتوجيه اختيار مهارة المصدر ويستخدم مقياسًا قائمًا على الاحتمالية لفرض التوافق مع المهمة أثناء عملية التصفية.
تقييم شامل: تم تقييم الطريقة عبر 3 اختبارات معيارية (SRA-Bench, SkillsBench, SkillLearnBench) و4 نماذج لغوية كبيرة متنوعة (DeepSeek-V4-Flash, Claude-Haiku-4.5, GPT-5.4-Nano, GPT-5.4).

4. النتائج التجريبية

مكاسب الأداء: يحقق ALIGNEVOSKILL زيادة نسبية قدرها 34.7% مقارنة بالخط المرجعي غير المتطور (Base) ويتفوق على أفضل النتائج الحالية (CoEvoSkills, Trace2Skill, SkillX) بمتوسط 3.3 إلى 3.7 نقطة عبر جميع الإعدادات.
الريادة (SOTA): يضع هذا الأسلوب معيارًا جديدًا للريادة في تطور المهارات، محققًا أفضل النتائج في جميع الاختبارات المعيارية الثلاثة وعبر جميع النماذج اللغوية الكبيرة.
الكفاءة: رغم مكاسب الأداء، يظهر ALIGNEVOSKILL كفاءة فائقة، حيث يقلل من استخدام الرموز (tokens) بنسبة تقارب 33.2% ووقت التنفيذ الفعلي بنسبة 28.1% مقارنة بالخطوط المرجعية الحالية.
تحليل المكونات: تؤكد دراسات الاستئصال (Ablation studies) أن إزالة أي مكون (أخذ العينات، التوليد، أو التصفية) يؤدي إلى تدهور الأداء بشكل كبير، مما يؤكد ضرورة نهج التحسين المشترك.
الارتباط: يظهر التحليل وجود ارتباط إيجابي قوي بين قدرة الطريقة على تحسين تغطية وسوم المعرفة (بنسبة 9.9%) وتوافق المهمة القائم على الاحتمالية (بنسبة 8.9%) وبين الأداء الناتج في المهام اللاحقة.

5. الأهمية والادعاءات

يزعم البحث أن التطور الفعال للمهارات يتطلب نمذجة صريحة لكل من المعرفة المطلوبة للمهمة وتوافق المهارة مع هدف تلك المهمة تحديدًا. ومن خلال الانتقال لما هو أبعد من مجرد استخلاص المسارات أو دمج المهارات، يثبت ALIGNEVOSKILL أن:

يمكن تطوير المهارات لتكون كاملة معرفيًا ومتوافقة مع المهمة في آن واحد.
التطور المستهدف باستخدام وسوم المعرفة وتصفية التوافق أكثر كفاءة وفعالية من خطوط التوزيع الأوسع وغير الموجهة.
النهج قوي عبر عائلات النماذج والمقاييس المختلفة، مما يوفر مسارًا عمليًا لتحسين قدرات الوكيل دون الحاجة لإعادة تدريب النموذج اللغوي الأساسي.

يقر المؤلفون بوجود قيود، مشيرين إلى أن الطريقة تعتمد على مسارات فشل غنية بالمعلومات وتغذية راجعة موثوقة للمهام، وأن التجارب الحالية تقتصر على اختبارات معيارية ونماذج لغوية محددة. ومع ذلك، تشير النتائج إلى أن إطار العمل المقترح يخفف بفعالية من مشكلات الضجيج وعدم التوافق المنتشرة في عمليات تطور مهارات الوكلاء الحالية.