← أحدث الأبحاث
💬 NLP

Table-as-Search: Formulate Long-Horizon Agentic Information Seeking as Table Completion

تقدم هذه الورقة البحثية إطار "الجدول كبحث" (TaS)، وهو إطار هيكلي يعيد صياغة البحث عن المعلومات طويل الأمد كمسألة إكمال جدول للحفاظ على تماسك البحث وتتبع الحالة، مما يوحد استراتيجيات البحث المتنوعة ويتفوق بشكل كبير على النماذج المرجعية الحالية في المتانة والكفاءة.

المؤلفون الأصليون: Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo

نُشر 2026-02-09
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Tian Lan, Felix Henry, Bin Zhu, Qianghuai Jia, Junyang Ren, Qihang Pu, Haijun Li, Longyue Wang, Zhao Xu, Weihua Luo

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

إليك شرح لورقة "Table-as-Search" (الجدول كأداة بحث) باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

المشكلة: المساعد الذي "يضيع في المنتصف"

تخيل أنك وظفت مساعد باحث ذكي جداً ولكنه ينسى قليلاً (وكيل ذكاء اصطناعي) للبحث عن معلومات محددة على الإنترنت. سألته سؤالاً معقداً، مثل: "ابحث لي عن 30 متجراً لمستلزمات الحيوانات الأليفة في أمريكا الشمالية حققت نمواً بنسبة تزيد عن 50% العام الماضي، واحصل على رقم هاتف مدير المبيعات لديهم."

تحاول مساعدات الذكاء الاصطناي الحالية القيام بذلك عبر كتابة "قصة" طويلة ومتصلة في عقلها. تفكر: "سأبحث عن المتجر (أ)، ثم المتجر (ب)، ثم أتحقق من نسبة نموهما..." ومع تعمقها في البحث، تصبح هذه "القصة الذهنية" ضخمة جداً. في النهاية، يصاب المساعد بالارتباك؛ ينسى بداية القصة، ويفقد تتبع المتاجر التي فحصها بالفعل، أو يتشتت بسبب حجم الملاحظات الهائل. في الورقة البحثية، يُسمى هذا "الضياع في المنتصف" (Lost in the Middle). قد يجدون المتاجر الصحيحة لكنهم ينسون الحصول على أرقام الهواتف، أو قد يبتكرون (يهلوسون) حقائق من خيالهم لأن "ذاكرتهم" أصبحت مزدحمة للغاية.

الحل: إطار عمل "الجدول كأداة بحث" (TaS)

يقترح المؤلفون طريقة جديدة لتنظيم هذا العمل. بدلاً من كتابة قصة طويلة وفوضوية، يحولون مهمة البحث إلى ملء جدول بيانات (Spreadsheet).

فكر في الأمر كالتالي:

  • الطريقة القديمة: محاولة تذكر قائمة تسوق أثناء السير في مستودع ضخم، على أمل ألا تنسى الحليب أو البيض.
  • الطريقة الجديدة (TaS): لديك لوحة كتابة (Clipboard) بها شبكة مربعات. في كل مرة تجد فيها منتجاً، تكتبه في مربع محدد. إذا كان المربع فارغاً، فأنت تعرف بالضبط ما الذي لا تزال بحاجة للعثور عليه.

كيف يعمل: الأدوار الثلاثة

يستخدم النظام فريقاً من وكلاء الذكاء الاصطناعي الذين يعملون معاً حول جدول البيانات الرقمي هذا:

  1. المخطط (المدير): ينظر هذا الوكيل إلى سؤال المستخدم ويقوم بإعداد جدول البيانات. يقرر الأعمدة المطلوبة (مثل: "اسم المتجر"، "نسبة النمو"، "رقم الهاتف"). ينظر إلى المربعات الفارغة ويقول: "حسناً، نحتاج للعثور على 30 متجراً لملء هذه الصفوف".
  2. الوكلاء الفرعيون (العمال): هذه هي محركات البحث. يرسل المدير العمال للبحث عن المرشحين.
    • توسيع الصفوف (Row Expansion): إذا لم يكن الجدول يحتوي على متاجر كافية بعد، يخرج العمال للبحث عن متاجر جديدة لإضافتها كصفوف جديدة.
    • ملء الخلايا (Cell Population): إذا تم العثور على متجر ولكن خانة "رقم الهاتف" فارغة، يذهب العمال خصيصاً للبحث عن هذه المعلومة المحددة وملء تلك الخانة بعينها.
  3. قاعدة البيانات الخارجية (خزانة الملفات): بدلاً من محاولة الاحتفاظ بجميع نتائج البحث في الذاكرة قصيرة المدى للذكاء الاصطناعي (وهي محدودة)، يعيش جدول البيانات في قاعدة بيانات خارجية. ينظر الذكاء الاصطناعي فقط إلى أجزاء الجدول التي يحتاجها في اللحظة الحالية. هذا يحافظ على "عقل" الذكاء الاصطناعي صافياً للتفكير، وليس مجرد تخزين البيانات.

ما الذي اختبروه؟

اختبرت الورقة هذه الطريقة على ثلاثة أنواع من مهام البحث الصعبة:

  1. البحث العميق (Deep Search): العثيد على إبرة واحدة محددة في كومة قش (مثال: "ابحث عن المغني الوحيد الذي تنطبق عليه 5 معايير محددة").
  2. البحث الواسع (Wide Search): العثيد على كومة ضخمة من الإبر (مثال: "اذكر كل الفائزين بجائزة ما بين عامي 2005 و2015").
  3. البحث العميق والواسع (DeepWide Search): وهو الأصعب. العثيد على كومة ضخمة من الإبر و التحقق من أن كل واحدة منها تستوفي قواعد صارمة (مثال: "ابحث عن 30 متجراً يستوفون 5 قواعد محددة وَ احصل على رقم هاتف كل منهم").

النتائج: لماذا هي أفضل؟

تزعم الورقة أن نظام TaS أفضل بكثير من الطرق الحالية المتطورة (مثل طريقة "ReAct" القياسية المستخدمة من قبل العديد من شركات الذكاء الاصطناعي الكبرى).

  • لا يضيع: لأن الجدول يتتبع بدقة ما تم إنجازه وما هو مفقود، لا ينسى الذكاء الاصطناعي خطته أبداً، حتى في عمليات البحث الطويلة جداً.
  • أكثر كفاءة: وجد إجابات أفضل باستخدام محاولات بحث أقل من المنافسين. لم يحتج إلى استخدام القوة الغاشمة (Brute-force)، بل كان دقيقاً.
  • يعمل مع "أدمغة" أصغر: للمفاجأة، استطاع نموذج ذكاء اصطناعي أصغر وأرخص باستخدام طريقة "الجدول" هذه أن يتفوق على نموذج أكبر وأغلى بكثير يستخدم طريقة "القصة" القديمة. لقد ساعد الهيكل التنظيمي النموذج الأصغر على تقديم أداء يفوق قدراته الحقيقية.
  • مرن: يمكن لـ "المدير" استبدال "العمال". إذا كان لديك أداة متخصصة للعثور على أرقام الهواتف، يمكنك توصيلها دون كسر النظام بأكمله.

باختصار

تجادل الورقة بأنه عندما تذهب وكلاء الذكاء الاصطناعي في رحلات بحث طويلة ومعقدة عبر الإنترنت، لا ينبغي لهم الاعتماد على تدفق عشوائي للأفكار. بدلاً من ذلك، يجب عليهم استخدام جدول منظم للحفاظ على تنظيم ملاحظاتهم. هذا التغيير البسيط يمنعهم من الارتباك، ويساعدهم على إيجاد إجابات أكثر دقة، ويسمح لهم بإنجاز المزيد باستخدام قدرة حوسبية أقل.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💬 cs.CL →