Agentic Search in the Wild: Intents and Trajectory Dynamics from 14M+ Real Search Requests
تحلل هذه الورقة 14.44 مليون طلب بحث وكيلِيّ (agentic) من العالم الحقيقي من DeepResearchGym للكشف عن أنماط سلوكية رئيسية، مثل توزيعات طول الجلسة، واستراتيجيات الاستكشاف المعتمدة على القصد، والقدرة القوية على التتبع اللفظي لإعادة صياغة الاستعلامات بالنسبة للأدلة المسترجعة، مما يقدم في النهاية إشارات قابلة للتنفيذ لتحسين تصميم وكلاء البحث.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). 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 مكتبة ضخمة وصاخبة، حيث لا يوجد قراء بشر، بل آلاف من أمين المكتبة الآليين يعملون هناك. هذه الروبوتات تعمل بواسطة ذكاء اصطناعي متطور. مهمتها ليست مجرد العثين على كتاب واحد؛ بل هي مكلفة بحل ألغاز معقدة. وللقيام بذلك، لا يكتفون بسؤال عن كتاب مرة واحدة، بل يسألون، ويقرؤون الإجابة، ثم يطرحون سؤالاً متابعاً بناءً على ما قرؤوه للتو، ويقرؤون مرة أخرى، ويستمرون في ذلك حتى يعتقدوا أن لديهم الصورة الكاملة.
هذه الورقة البحثية هي دراسة ملاحظة ضخمة لهؤلاء الأمناء الآليين. لقد درس الباحثون أكثر من 14 مليون طلب بحث (حوالي 4 ملايين "محادثة" أو جلسة) من نظام عام يسمى DeepResearchGym. أرادوا فهم: ما الذي تحاول هذه الروبوتات فعله، وكيف تغير أسئلتها أثناء تقدمها؟
إليك تفصيل لنتائجهم باستخدام تشبيهات بسيطة:
1. "قائمة التسوق" مقابل "المحقق" (الهدف/النية)
وجد الباحثون أن الروبوتات تنقسم إلى ثلاثة أنواع رئيسية من "الشخصيات"، أو "الأهداف"، والتي تغير طريقة بحثها:
- الباحث عن الحقيقة (تقريري - Declarative): هذا الروبوت يريد فقط حقيقة محددة، مثل "من يملك شركة الوجبات الخفيفة هذه؟"
- السلوك: يميل إلى الوقوع في حلقة مفرغة. إذا لم يجد الإجابة فوراً، فإنه يستمر في طرح نفس السؤال أو نسخ معدلة قليلاً منه (مثل شخص يطرق الباب ويصرخ بنفس السؤال مراراً وتكراراً).
- دليل "كيفية القيام بالأمر" (إجرائي - Procedural): هذا الروبوت يريد معرفة كيفية القيام بشيء ما، مثل "كيف أصلح صنبوراً يسرب الماء؟"
- السلوك: يطرح أسئلة أطول وأكثر تفصيلاً، ويتعمق أكثر في "أرفف المكتبة" (يسترجع المزيد من المستندات) للحصول على مجموعة كاملة من التعليمات.
- المحقق (استنتاجي - Reasoning): هذا الروبوت لديه لغز معقد، مثل "لماذا يرتفع سعر البنزين؟"
- السلوك: هو الأكثر مغامرة. لا يلتزم بزاوية واحدة فقط؛ بل ينتقل بين مواضيع مختلفة (جوانب) لربط النقاط ببعضها. إنه يستكشف على نطاق واسع بدلاً من مجرد التعمق في نقطة واحدة.
2. عادة "التعمق" (Drill-Down)
أحد أكبر الاكتشافات هو أن هذه الروبوتات لديها عادة قوية في التقريب (الزوم للداخل) بدلاً من الابتعاد (الزوم للخارج).
تخيل أنك تنظر إلى خريطة. معظم الوقت، تأخذ هذه الروبوتات نظرة واسعة ثم تقرب فوراً على شارع صغير للبحث عن التفاصيل. نادراً ما يتراجعون ليقولوا: "مهلاً، ربما أنا أنظر إلى المدينة الخطأ تماماً".
- تحيز "التعمق": في حوالي 36% إلى 48% من الحالات، هم فقط ينتقلون إلى زاوية مختلفة قليلاً من نفس الموضوع.
- ندرة "الابتعاد": في حوالي 9% فقط من الحالات، يقومون بالفعل بتوسيع نطاق بحثهم للنظر إلى الصورة الكبيرة. وعندما يبتعدون، يعودون فوراً للتقريب مرة أخرى. الأمر يشبه إلقاء نظرة سريعة على الخريطة بأكملها قبل التركيز فوراً على شارع واحد مجدداً.
3. تأثير "غرفة الصدى" (التكرار)
وجدت الدراسة أن 90% من محادثات هذه الروبوتات قصيرة (10 خطوات أو أقل)، وتحدث بسرعة كبيرة (غالباً في أقل من دقيقة بين الأسئلة).
ومع ذلك، بالنسبة للباحثين عن الحقيقة، هناك مشكلة. فكلما استمرت المحادثة، بدأوا في تكرار أنفسهم أكثر فأكثر. وبحلول الخطوة التاسعة، تكون نصف أسئلتهم تقريباً متطابقة تماماً مع الأسئلة السابقة. الأمر يشبه شخصاً نسي أنه طرح السؤال بالفعل، أو عالق في حلقة مفرغة يحاول الحصول على نفس الإجابة من زاوية مختلفة دون جدوى.
4. اختبار "تبني المصطلحات" (هل قرأوا حقاً؟)
أراد الباحثون معرفة: عندما يطرح الروبوت سؤالاً جديداً، هل يستخدم فعلياً المعلومات التي وجدها للتو؟
بما أنهم لم يستطيعوا رؤية "عقل" الروبوت الداخلي (الذاكرة)، فقد ابتكروا اختباراً ذكياً يسمى CTAR (معدل تبني المصطلحات المدفوع بالسياق).
- التشبيه: تخيل محققاً يقرأ دليلاً يقول "المشتبه به كان يرتدي قبعة حمراء". إذا كان سؤاله التالي هو "من الذي ارتدى قبعة حمراء؟"، فقد قام بـ "تبني" المصطلح.
- النتيجة: وجد الباحثون أن 54% من الكلمات الجديدة التي استخدمتها الروبوتات في أسئلتها التالية جاءت مباشرة من النص الذي قرأته للتو.
- التنبيه: هذا لا يعني أن الروبوت فهم النص بشكل مثالي، بل يعني فقط أن الكلمات كانت موجودة. الأمر يشبه ببغاءً يردد الكلمات التي سمعها، بدلاً من إنسان يفكر بعمق في معانيها. لكن هذا يثبت أن الروبوتات، على الأقل، تنظر إلى الأدلة التي استرجعتها.
5. مشكلة "الميزانية الثابتة"
تم إعطاء الروبوتات "ميزانية" لكيفية عدد المستندات التي تقرأها لكل سؤال (مثلاً: اقرأ 5 صفحات، أو 10 صفحات).
- النتيجة: تعاملت معظم الروبوتات مع هذه الميزانية كأنها إعداد ثابت. لم يغيروا ذلك بناءً على المهمة. سواء كانوا يبحثون عن حقيقة بسيطة أو يحلون لغزاً معقداً، فقد التزموا في الغالب بنفس عدد الصفحات. لم يبدوا مدركين أن اللغز المعقد قد يتطلب منهم قراءة صفحات أكثر من الحقيقة البسيطة.
الملخص
هذه الورقة البحثية تشبه تقرير حركة المرور لوكلاء البحث بالذكاء الاصطناعي. وهي تخبرنا أن:
- معظم عمليات البحث قصيرة وسريعة.
- تتعثر الروبوتات في حلقات مفرغة عند البحث عن حقائق بسيطة.
- يفضلون التقريب (الزوم للداخل) على التفاصيل بدلاً من التراجع والنظر إلى الصورة الكبيرة.
- هم يلتقطون الكلمات مما قرأوه، لكنهم غالباً ما يلتزمون بـ "ميزانية قراءة" جامدة بغض النظر عن مدى صعوبة المهمة.
لقد نشر المؤلفون هذه البيانات لكي يتمكن الباحثون الآخرون من بناء "منظمي حركة مرور" أفضل لمساعدة هذه الروبوتات على كسر الحلقات المفرغة، والاستكشاف بشكل أكبر، واستخدام ميزانية القراءة الخاصة بهم بحكمة أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.