🤖 AI

EvoSkill: Automated Skill Discovery for Multi-Agent Systems

يُعد EvoSkill إطار عمل ذاتي التطور يكتشف ويصقل مهارات الوكلاء القابلة لإعادة الاستخدام تلقائياً من خلال التحليل التكراري للفشل والاختيار القائم على "باريتو"، مما يحسن الأداء بشكل كبير في اختبارات الاستدنتاج المتخصصة والأسئلة والأجوبة المدعومة بالبحث، مع إظهار قدرة على الانتقال الصفري عبر المهام المختلفة.

المؤلفون الأصليون: Salaheddin Alzubi, Noah Provenzano, Jaydon Bingham, Weiyuan Chen, Tu Vu

نُشر 2026-03-04

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Salaheddin Alzubi, Noah Provenzano, Jaydon Bingham, Weiyuan Chen, Tu Vu

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 أنك وظفت متدرباً عبقرياً، فائق الذكاء، يمكنه كتابة الأكواد البرمجية، وحل المسائل الرياضية، وتصفح الإنترنت. هذا المتدرب مرن للغاية، ويمكنه القيام بأي شيء تقريباً إذا أعطيته التعليمات الصحيحة. ومع ذلك، هناك عقبة: فهو لا يعرف "أسرار المهنة" الخاصة بوظيفتك المحددة.

إذا طلبت منه تحليل تقارير مالية معقدة، فقد يعرف كيفية قراءة جدول بيانات، لكنه قد يغفل عن القواعد الدقيقة المتعلقة بكيفية حساب التضخم أو أين يبحث عن البيانات المخفية. وإذا طلبت منه البحث في قصة إخبارية، فقد يتوقف عن البحث مبكراً لأن نتيجة البحث الأولى بدت جيدة بما يكفي، حتى لو كانت خاطئة.

حالياً، ولإصلاح ذلك، يتعين على البشر كتابة "أوراق غش" أو "إجراءات تشغيل قياسية" (تسمى مهارات - skills) يدوياً لهذه الوكلاء من الذكاء الاصطائي. لكن كتابة هذه الأوراق يدوياً عملية بطيئة، ومملة، ولا يمكن توسيع نطاقها بشكل جيد.

إليك EvoSkill: الذكاء الاصطناعي الذي يعلم نفسه كيف يصبح خبيراً.

الفكرة الجوهرية: التعلم من الأخطاء

فكر في EvoSkill ليس كمعلم، بل كـ مدرب مثابر يراقب رياضياً أثناء التدريب، ويرصد بالضبط أين يتعثر، ثم يكتب تمريناً جديداً لإصلاح ذلك الضعف المحدد.

إليك كيف تسير العملية، باستخدام تشبيه بسيط:

1. المسرحية ذات الفصول الثلاثة

يستخدم EvoSkill ثلاثة "شخصيات" مختلفة من الذكاء الاصطناعي تعمل معاً في حلقة مستمرة:

العداء (وكيل التنفيذ - Executor Agent): هذا هو الذكاء الاصطناعي الرئيسي الذي يحاول حل المشكلة. يقوم بتنفيذ المهمة باستخدام ما يمتلكه حالياً من "أوراق غش" (مهارات).
المدرب (وكيل الاقتراح - Proposer Agent): هذا الوكيل يراقب فشل "العداء". ينظر إلى الخطأ، والحقيقة المرجعية (الإجابة الصحيحة)، وعملية تفكير "العداء". ويسأل نفسه: "لماذا أخطأنا؟ هل تخطينا خطوة ما؟ هل قرأنا رقماً بشكل خاطئ؟" ثم يكتب وصفاً لقاعدة جديدة أو تمرين جديد مطلوب لإصلاح هذا الخطأ.
المعماري (وكيل بناء المهارات - Skill-Builder Agent): يأخذ هذا الوكيل وصف "المدرب" ويحوله إلى "ورقة غش" حقيقية وقابلة للاستخدام. يقوم بكتابة التعليمات الفعلية، وإنشاء الأكواد البرمجية اللازمة، وتنظيم كل شيء في مجلد مرتب يمكن لـ "العداء" استخدامه في المرة القادمة.

2. "جبهة باريتو" (قاعة المشاهير)

تخيل صالة ألعاب رياضية بها عدد محدود من الخزائن (لنفترض 3 خزائن). فقط أفضل 3 رياضيين يحصلون على حق الاحتفاظ بخزائنهم.

في كل مرة يقوم فيها "المدرب" و"المعماري" بإنشاء "ورقة غش" جديدة، يتم اختبارها.
إذا ساعدت "ورقة الغش" الجديدة "العداء" على الحصول على درجة أفضل من أسوأ شخص موجود حالياً في "قاعة المشتمورين"، فإن الورقة الجديدة تدخل القاعة، ويتم طرد الأسوأ منها.
إذا لم تساعد "ورقة الغش" الجديدة، يتم رميها في القمامة.

هذا يضمن أن الذكاء الاصطناعي يحتفظ فقط بالمهارات التي تجعله أكثر ذكاءً بالفعل، وأنه لا ينسى أفضل حيله أبداً.

أمثلة من الواقع من الورقة البحثية

اختبر الباحثون هذا النظام على وظيفتين مختلفتين تماماً ليروا مدى نجاحه:

الوظيفة 1: محلل الخزانة (OfficeQA)

المهمة: كان على الذكاء الاصطناعي قراءة تقارير مالية حكومية ضخمة ومملة (مئات الصفحات من الجداول) والإجابة على أسئلة رياضية محددة عنها.
المشكلة: كان الذكاء الاصطناعي يخطئ باستمرار في قراءة الأرقام أو اختيار الصف الخاطئ في الجدول.
حل EvoSkill: اكتشف النظام مهارة تسمى "التحقق من استخراج البيانات" (Data Extraction Verification). وهي بمثابة قاعدة تقول: "مهلاً، قبل أن تكتب رقماً من جدول، تأكد من مراجعة رؤوس الصفوف والأعمدة. إذا بدت الأرقام غريبة، أعد قراءة القسم بالكامل."
النتيجة: ارتفعت دقة الذكاء الاصطناعي بنسبة 7.3%.

الوظيفة 2: الصحفي الاستقصائي (SealQA)

المهمة: كان على الذكاء الاصطناعي البحث في الإنترنت الفوضوي والمضطرب للعثين على الحقيقة حول حقيقة ما، وغالباً ما يتعامل مع الأخبار المزيفة أو التقارير المتضاربة.
المشكلة: كان الذكاء الاصطناعي يرى نتيجة بحث واحدة، فيتحمس ويتوقف عن البحث. كان يقدم إجابة بناءً على معلومات غير كاملة.
حل EvoSkill: أنشأ النظام "بروتوكول الاستمرار في البحث" (Search Persistence Protocol). وهو قاعدة تقول: "لا تتوقف أبداً عند النتيجة الأولى. يجب أن تجد ثلاثة مصادر مختلفة على الأقل تتفق فيما بينها قبل تقديم إجابة. إذا اختلفت المصادر، استمر في البحث."
النتيجة: ارتفعت دقة الذكاء الاصطناعي بنسبة 12.1%.

الخدعة السحرية: النقل من الصفر (Zero-Shot Transfer)

إليك الجزء الأكثر إثارة. أخذ الباحثون "بروتوكول الاستمرار في البحث" (القاعدة المتعلقة بعدم التوقف مبكراً جداً) الذي تم تعلمه أثناء القيام بوظيفة "الصحفي".

ثم أعطوا هذه القاعدة نفسها لوكيل ذكاء اصطناعي مختلف يقوم بوظيفة مختلفة تماماً (الإجابة على أسئلة عامة في اختبار يسمى BrowseComp). لم يغيروا القاعدة على الإطلاق.

النتيجة: أصبح الذكاء الاصطناعي أفضل بنسبة 5.3% في الوظيفة الجديدة بمجرد استخدام القاعدة القديمة.

لماذا يعد هذا أمراً كبيراً؟
عادةً، إذا علمت طالباً كيفية إجراء القسمة المطولة، فلن يصبح تلقائياً أفضل في كتابة المقالات. لكن EvoSkill يعلم عادات ذهنية (مثل "تحقق من مصادرك" أو "راجع حساباتك") وهي مفيدة في كل مكان. إنه يشبه تعليم الطالب كيف يذاكر بدلاً من مجرد حفظ الإجابات لاختبار واحد محدد.

الملخص

EvoSkill هو نظام يسمح لوكلاء الذكاء الاصطناعي بتطوير خبراتهم بأنفسهم. بدلاً من كتابة البشر للآلاف من القواعد يدوياً، يقوم الذكاء الاصطناعي بـ:

تجربة مهمة ما.
الفشل.
تحليل الفشل.
كتابة قاعدته الجديدة الخاصة لمنع حدوث هذا الفشل في المرة القادمة.
الاحتفاظ بأفضل القواعد والتخلص من السيئة منها.

إنها حلقة تحسين ذاتي تحول الذكاء الاصطناعي العام إلى خبير متخصص، والمهارات التي يتعلمها هي مهارات أساسية لدرجة أنه يمكن استخدامها لحل مشكلات لم يسبق له رؤيتها من قبل.

إليك ملخص تقني مفصل لورقة البحث بعنوان "EvoSkill: الاكتشاف الآلي للمهارات للأنظمة متعددة الوكلاء (Multi-Agent Systems)."

1. بيان المشكلة

لقد برزت وكلاء البرمجة (مثل Claude Code وOpenHands) كحلول قوية لحل المشكلات العامة بفضل قدرتها على تنفيذ الكود والتعامل مع الأدوات. ومع ذلك، فهي تفتقر إلى الخبرة المتخصصة في مجال معين المطلوبة للمهام النوعية.

القيود الحالية: تعتمد الحلول الحالية على مهارات مصممة يدويًا (سير عمل قابل لإعادة الاستخدام، مطالبات، وأكواد)، وهي عمليات تتطلب جهداً مكثفاً، ولا تقبل التوسع، وتتطلب معرفة عميقة بالمجال.
قصور الأتمتة الحالية: تعمل النهج التطورية السابقة (مثل AlphaEvolve وGEPA) على تحسين العناصر منخفضة المستوى مثل المطالبات (prompts) أو مقتطفات برمجية محددة. وغالباً ما تكون هذه العناصر مرتبطة ارتباطاً وثيقاً بنماذج ومهام معينة، مما يؤدي إلى الفشل في إنتاج مكونات قابلة لإعادة الاستخدام والنقل يمكن تعميمها عبر إعدادات مختلفة.

يتمثل التحدي الجوهري في الاكتشاف والتحسين الآلي لمهارات الوكيل المهيكلة والقابلة لإعادة الاستخدام التي تعمل على تحسين الأداء دون تعديل النموذج اللغوي الأساسي المجمد.

2. المنهجية: إطار عمل EvoSkill

يعتبر EvoSkill إطار عمل ذاتي التطور يعمل عند مستوى تجريد المهارة بدلاً من تحسين المطالبات الخام أو الكود مباشرة. وهو يستخدم تحليل الفشل التكراري المدفوع بالتغذية الراجعة النصية لاكتشاف وتحسين المهارات.

المكونات الأساسية

يوظف إطار العمل ثلاثة وكلاء متعاونين:

وكيل التنفيذ (Executor Agent - $A$ ): ينفذ المهام باستخدام برنامج الوكيل الحالي (المطالبة النظامية + المهارات المتراكمة).
وكيل الاقتراح (Proposer Agent - $P$ ): يحلل آثار التنفيذ، والإجابات المتوقعة، والإجابات الصحيحة لتشخيص حالات الفشل. ويحدد ما إذا كان سيقوم بإنشاء مهارة جديدة أو تعديل مهارة موجودة. ومن الأهمية بمكان أنه يحتفظ بـ سجل التغذية الراجعة ( $H$ ) لتجنب الاقتراحات المكررة والتعلم من النجاحات والإخفاقات السابقة.
وكيل بناء المهارة (Skill-Builder Agent - $S$ ): يقوم بتجسيد اقتراح الـ Proposer النصي عالي المستوى إلى مجلد مهارة مهيكل وملموس. يتضمن هذا المجلد:
- ملف SKILL.md: تعليمات إجرائية وبيانات وصفية للمحفزات (triggers).
- سكربتات مساعدة (Python/TypeScript) أو مواد مرجعية.
- قيد: وكيل بناء المهارة هو الوحيد الذي يمتلك صلاحيات الكتابة في مجلد المهارات.

الحلقة التطورية

يحافظ EvoSkill على جبهة باريتو (Pareto frontier - $G$ ) لأفضل $k$ من برامج الوكيل. تتبع العملية الخطوات التالية:

الاختيار: يتم اختيار برنامج أب من جبهة باريتو (بأسلوب التدوير - round-robin).
جمع الفشل: يتم تقييم البرنامج الأب على دفعة تدريبية. تُجمع الأمثلة التي تسجل درجات أقل من حد معين في مجموعة فشل ( $F$ ).
الاقتراح: يقوم وكيل الاقتراح بتحليل $F$ و $H$ لإنشاء اقتراح نصي ( $\pi$ ) لمهارة جديدة أو معدلة.
التجسيد: يقوم وكيل بناء المهارة بتحويل $\pi$ إلى برنامج مرشح ( $\tilde{p}$ ) عن طريق إضافة مجلد المهارة الجديد إلى مستودع البرنامج الأب.
التقييم والاختيار: يتم تقييم البرنامج المرشح على مجموعة تحقق محجوزة (held-out validation set). إذا تجاوزت درجته درجة أدنى عضو في جبهة باريتو، فإنه يدخل إلى الجبهة، ليحل محل العضو الأضعف.
التكرار: تستمر الحلقة لعدد $T$ من التكرارات، مع تراكم المهارات بينما يظل النموذج اللغوي الأساسي مجمدًا.

3. المساهمات الرئيسية

تجريد مستوى المهارة: يقدم EvoSkill إطار عمل يحسن مهارات مهيكلة وقابلة لإعادة الاستخدام بدلاً من المطالبات أو الأكواد منخفضة المستوى، مما ينتج قدرات قابلة للتفسير والتركيب.
الاكتشاف المدفوع بالفشل التكراري: يستخدم آلية هبوط التغذية الراجعة حيث يقوم الوكلاء بتحليل إخفاقات التنفيذ لاقتراح تحسينات محددة للمهارات، مع الحفاظ على سجل لمنع التراجع.
قابلية النقل من الصفر (Zero-Shot Transferability): يثبت الإطار أن المهارات التي تم تطويرها في مهمة معينة يمكن نقلها إلى مهام غير مرئية دون تعديل، مما يثبت أن التحسين على مستوى المهارة يؤدي إلى قدرات قابلة للتعميم.

4. النتائج التجريبية

قام المؤلفون بتقييم EvoSkill على معيارين متميزين باستخدام Claude Code مع نموذج Opus 4.5.

المعيار الأول: OfficeQA (الاستدلال القائم على البيانات)

المهمة: الاستدلال عبر نشرات الخزانة الأمريكية (جداول معقدة، رسوم بيانية، ونصوص).
الإعداد: التدريب على مجموعات فرعية صغيرة (5%، 10%، 15%) من البيانات.
النتائج:
- دقة المطابقة التامة: تحسنت من 60.6% (الأساس) إلى 67.9% (+7.3%) باستخدام تكوين دمج المهارات (skill-merge).
- ملاحظة: استقر الأداء بعد 10% من بيانات التدريب، مما يشير إلى تناقص العوائد. أدى دمج المهارات من عمليات تشغيل مستقلة إلى أفضل النتائج، مما يشير إلى وجود أنماط فشل متكاملة.
- المهارات المكتشفة: شملت "التحقق من استخراج البيانات" (لمنع أخطاء قراءة الجداول) و"منهجية التحليل الكمي" (لفرض نقاط تحقق من الصحة).

المعيار الثاني: SealQA (الاستعلام المدعوم بالبحث)

المهمة: أسئلة البحث عن الحقائق مع نتائج بحث ويب مشوشة، متضاربة، أو غير مفيدة.
النتائج:
- الدقة: تحسنت من 26.6% إلى 38.7% (+12.1%).
- المهارة المكتشفة: "بروتوكول استمرارية البحث" (Search-Persistence-Protocol)، والذي يفرض استراتيجيات بحث شاملة، والتحقق من مصادر متعددة، وتوسيع المصطلحات قبل الوصول إلى استنتاج.

تجربة النقل من الصفر (Zero-Shot Transfer)

الإعداد: تم تطبيق مهارة "بروتوكول استمرارية البحث" التي طُورت في SealQA على BrowseComp، وهو معيار تصفح صعب، وذلك بنظام Zero-shot (بدون أي تعديلات).
النتيجة: تحسنت الدقة من 43.5% إلى 48.8% (+5.3%).
الأهمية: يوفر هذا دليلاً مباشراً على أن EvoSkill يكتشف قدرات قابلة للتعميم (مثل "استمرارية البحث") بدلاً من الإفراط في التخصيص (overfitting) لبيانات تدريب معينة.

5. الأهمية والتوجهات المستقبلية

تحول في النموذج المعرفي: ينقل EvoSkill هدف التحسين من "هندسة المطالبات" إلى "هندسة المهارات"، مما يخلق قدرات وكيل نمطية، مستمرة، وقابلة للنقل.
الكفاءة: يحقق زيادات كبيرة في الأداء باستخدام مجموعات تدريب صغيرة جداً (5-15% من البيانات)، مما يجعله فعالاً من حيث استخدام البيانات.
القابلية للتفسير: على عكس تحسين المطالبات الذي يعمل كصندوق أسود، ينتج EvoSkill ملفات SKILL.md وسكربتات قابلة للقراءة من قبل البشر، مما يسمح بالفحص والتحسين اليدوي.
العمل المستقبلي: يخطط المؤلفون لاستكشاف المهام متعددة الوسائط (الرؤية + الكود)، وبناء مكتبات مهارات مشتركة عبر وكلاء مختلفين، ومزيد من البحث في قابلية النقل عبر مجالات وهياكل نماذج متنوعة.

باختصار، يثبت EvoSkill أن التحسين التكراري والآلي لمهارات الوكيل المهيكلة هو طريقة فعالة وقوية لتعزيز وكلاء البرمجة، مما يوفر مساراً قابلاً للتوسع لاكتساب الخبرة في مجال معين دون الحاجة لإعادة تدريب النماذج التأسيسية الأساسية.