💬 NLP

AgentSwing: Adaptive Parallel Context Management Routing for Long-Horizon Web Agents

يقدم البحث AgentSwing، وهو إطار عمل تكيفي مدرك للحالة يستخدم إدارة السياق المتوازي والتوجيه الاستباقي لتحسين أداء وكيل الويب طويل الأمد ديناميكيًا، مما يقلل بشكل كبير من عدد جولات التفاعل مع تجاوز استراتيجيات إدارة السياق الثابتة.

المؤلفون الأصليون: Zhaopeng Feng, Liangcai Su, Zhen Zhang, Xinyu Wang, Xiaotian Zhang, Xiaobin Wang, Runnan Fang, Qi Zhang, Baixuan Li, Shihao Cai, Rui Ye, Hui Chen, Jiang Yong, Joey Tianyi Zhou, Chenxiong Qian, Pengjun

نُشر 2026-03-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zhaopeng Feng, Liangcai Su, Zhen Zhang, Xinyu Wang, Xiaotian Zhang, Xiaobin Wang, Runnan Fang, Qi Zhang, Baixuan Li, Shihao Cai, Rui Ye, Hui Chen, Jiang Yong, Joey Tianyi Zhou, Chenxiong Qian, Pengjun Xie, Bryan Hooi, Zuozhu Liu, Jingren Zhou

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

🕵️‍♂️ المشكلة: "المحقق المنهك"

تخيل أنك استأجرت محققاً عبقرياً (عميل ذكاء اصطناعي) لحل لغز معقد للغاية. هذا المحقق يمتلك عقلاً خارقاً (نموذج لغوي كبير - LLM)، ولكن لديه مشكلة واحدة: يمكنه فقط حمل عدد محدود من الملاحظات في جيبه في المرة الواحدة.

لحل اللغز، يتعين على المحقق:

الذهال إلى المكتبة.
قراءة كتاب.
الاتصال بشاهد.
فحص خريطة.
تكرار هذه العملية 100 مرة.

عنق الزجاجة:
بينما يجمع المحقق المزيد من الأدلة، يمتلئ جيبه.

الخيار (أ) (عدم فعل أي شيء): يستمر في حشو كل شيء. في النهاية، يتمزق جيبه، أو ينسى أهم دليل لأنه مدفون تحت 50 صفحة من الملاحظات غير المهمة. يصاب بالارتباك ويستسلم.
الخيار (ب) (استراتيجية "إعادة الضبط"): في كل مرة يمتلئ فيها الجيب، يرمي كل شيء ويبدأ من جديد بالاستعانة بالسؤال الأصلي فقط. هذا يحافظ على نظافة الجيب، لكنه يفقد كل التقدم الذي أحرزه. قد يقع في نفس الطريق المسدود ثلاث مرات.
الخيار (ج) (استراتيجية "التلخيص"): يحاول كتابة ملخص قصير لكل ما فعله. لكن أحياناً، يكون الملخص غامضاً جداً، ويفقد التفاصيل المحددة اللازمة لفك رموز القضية.

لفترة طويلة، أجبر الباحثون في مجال الذكاء الاصطناعي المحقق على اختيار واحدة من هذه الاستراتيجيات والالتزام بها طوال فترة التحقيق. تقول الورقة البحثية: "هذه فكرة سيئة. فأحياناً تحتاج إلى رمي كل شيء، وأحياناً أخرى تحتاج إلى الاحتفاظ بآخر بضعة أدلة فقط."

🎢 الحل: AgentSwing (الـ "مبدل الذكي")

قدم المؤلفون AgentSwing، وهي طريقة جديدة لإدارة ملاحظات المحقق. بدلاً من اختيار استراتيجية واحدة والتمسك بها، يعمل AgentSwing مثل مراقب حركة مرور ذكي يغير الاستراتيجية بناءً على الموقف الحالي.

إليك كيف يعمل، خطوة بخطوة:

1. "الفروع المتوازية" (مفرق الطرق)

تخيل أن المحقق وصل إلى نقطة أصبحت فيها ملاحظاته فوضوية. بدلاً من التخمين، يقول AgentSwing:

"دعونا نجرب ثلاثة أشياء مختلفة في نفس الوقت تماماً!"

الفرع 1 (استراتيجية "الاحتفاظ بالأخير"): "لنرمِ الأشياء القديمة ونحتفظ بآخر 5 أدلة فقط."
الفرع 2 (استراتيجية "الملخص"): "لنكتب ملخصاً قصيراً للقضية بأكملها حتى الآن."
الفرع 3 (استراتيجية "التخلص من الكل"): "لنرمِ كل شيء ونبدأ من جديد بالسؤال فقط."

يقوم الذكاء الاصطناعي بتشغيل كل هذه السيناريوهات بالتوازي لبضع خطوات.

2. "الاستشراف" (الكرة البلورية)

هذا هو الجزء السحري. لا يختار AgentSwing فرعاً بشكل عشوائي، بل يستخدم آلية "الاستشراف" (Lookahead).

"حسناً، إذا اخترنا الفرع 1، إلى أين سيؤدي بنا ذلك في الخطوات الثلاث القادمة؟ وإذا اخترنا الفرع 3، هل سيؤدي بنا إلى طريق مسدود؟"

إنه يحاكي مستقبلاً قصيراً لكل خيار.

إذا أدى فرع "التخلص من الكل" إلى وقوع المحقق في حلقة مفرغة، يتم إلغاؤه.
إذا أدى فرع "الاحتفاظ بالأخير" إلى اختراق في القضية، يتم اختياره.

3. "التأرجح" (اتخاذ القرار)

بمجرد أن يرى الذكاء الاصطناعي أي مسار يبدو أكثر واعداً، فإنه يتأرجح (Swings) نحو ذلك المسار، ويتخلص من المسارين الآخرين، ويواصل التحقيق مع السياق الأفضل.

🏆 لماذا يعد هذا أمراً مهماً؟

اختبر الباحثون هذا النظام في مهام البحث الصعبة عبر الإنترنت (مثل العثور على أغنية محددة بناءً على لغز حول سجن والد مغني راب).

الطريقة القديمة: كانت الاستراتيجيات الثابتة تشبه قيادة سيارة بعجلة قيادة مكسورة. كان بإمكانك فقط السير في خط مستقيم، أو الانعطاف يساراً فقط، بغض النظر عن شكل الطريق.
AgentSwing: يشبه امتلاك سيارة ذاتية القيادة تنظر إلى الطريق، وترى حفرة، وتغير فوراً إلى ترس أو مسار مختلف لتجنبها.

النتائج:

أسرع: حل المشكلات باستخدام 3 أضعاف أقل من الخطوات مقارنة بالطرق القديمة.
أذكى: حل المشكلات الأكثر صعوبة التي لم تستطع الطرق القديمة إكمالها على الإطلاق.
متكيف: أدرك أنه في بعض الأحيان تحتاج لأن تكون هجومياً (ترمي كل شيء)، وفي أحيان أخرى تحتاج لأن تكون حذراً (تحتفظ بالتفاصيل).

🧠 تشبيه "الكفاءة مقابل الدقة"

تقدم الورقة طريقة رائعة للتفكير في النجاح:

كفاءة البحث: هل نفد الوقت/المال من المحقق قبل العثور على الإجابة؟ (هل أنهى السباق؟)
دقة النهاية: عندما انتهى، هل كانت الإجابة صحيحة بالفعل؟ (هل عبر خط النهاية بالكأس الصحيح؟)

استراتيجية "التخلص من الكل" الثابتة رائعة في الدقة (ملاحظات نظيفة = تفكير واضح) ولكنها سيئة في الكفاءة (إضاعة الوقت في إعادة البدء).
استراتيجية "الاحتفاظ بكل شيء" الثابتة رائعة في الكفاءة (سرعة، بدون إعادة بدء) ولكنها سيئة في الدقة (الارتباك بسبب كثرة الضجيج).
AgentSwing يجد التوازن المثالي. فهو يعرف متى يكون سريعاً ومتى يكون دقيقاً، ويتنقل بينهما مثل رياضي محترف ينتقل بين الركض السريع والهرولة.

🏁 الخلاصة

AgentSwing هو إطار عمل يمنع عملاء الذكاء الاصطناعي من أن يكونوا "عنيدين". فبدلاً من إجبارهم على استخدام قاعدة واحدة طوال الرحلة، فإنه يسمح لهم باختيار أفضل طريقة لإدارة ذاكرتهم في كل خطوة. إنه بمثابة منح الذكاء الاصطنا Artificial Intelligence مديراً ذكياً ومتكيفاً للذاكرة يعرف بالضبط متى ينظف مكتبه ومتى يحتفظ بالأوراق الموجودة عليه.

باختاً: إنه يجعل عملاء الذكاء الاصطناعي أكثر ذكاءً، وأسرع، وأقل عرضة للضياع في أفكارهم الخاصة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "AGENTSWING: التوجيه المتكيف لإدارة السياق المتوازي للوكلاء ذوي الأفق الطويل."

1. بيان المشكلة

مع تطور النماذج اللغوية الكبيرة (LLMs) لتصبح وكلاء مستقلين قادرين على البحث عن المعلومات ذات الأفق الطويل (مثل تصفح الويب، والبحث العميق)، فإنها تواجه عقبة حرجة: سعة السياق المحدودة.

التحدي: تتطلب مهام البحث عن المعلومات العميقة غالبًا مئات من خطوات التفاعل. يجب على الوكلاء تجميع الأدلة، والتحقق من الحقائق، والعودة إلى الوراء (backtrack). ومع ذلك، فإن نوافذ السياق الثابتة تفرض مقايضة: الاحتفاظ بالكثير من التاريخ يؤدي إلى "تعفن السياق" (الضجيج والتشتت)، بينما التخلص من الكثير منه يؤدي إلى فقدان هياكل الاستدلال الوسيطة الحاسمة.
قصور الطرق الحالية: استراتيجيات إدارة السياق الحالية (مثل Discard-All "التخلص من الكل"، وKeep-Last-N "الاحتفاظ بآخر N"، وSummary "الملخص") هي استراتيجيات ثابتة. فهي تطبق قاعدة واحدة ثابتة طوال المسار بالكامل. وهذا أمر غير مثالي لأن "فائدة" السياق تتغير ديناميكيًا؛ فبعض الحالات تتطلب تقليمًا عدوانيًا للخروج من النهايات الصغرى المحلية (local minima)، بينما تتطلب حالات أخرى الحفاظ على أدلة حديثة محددة للحفاظ على الاستمرارية.

2. الإطار النظري: رؤية احتمالية

قدم المؤلفون إطارًا احتماليًا جديدًا لتحليل نجاح الوكيل طويل الأمد، من خلال تفكيكه إلى بُعدين متكاملين:

كفاءة البحث ( $\eta$ ): احتمال وصول الوكيل إلى نقطة التوقف (إنتاج إجابة) قبل استنفاد الموارد (حد السياق أو الحد الأقصى من الدورات).
دقة النهاية ( $\rho$ ): احتمال أن تكون الإجابة النهائية صحيحة، بشرط وصول الوكيل إلى نقطة التوقف.

الرؤية الجوهرية: النجاح النهائي ($Pass@1 $) هو حاصل ضرب هذين البعدين:$ P(Success) = \eta \times \rho$.

غالبًا ما تشغل الاستراتيجيات الثابتة نقاطًا مختلفة على جبهة المقايضة بين الكفاءة والدقة. على سبيل المثال، توفر استراتيجية Discard-All دقة عالية (سياق نظيف) ولكن كفاءة منخفضة (الحاجة إلى إعادة ضبط متكررة)، بينما توفر استراتيجية Keep-Last-N كفاءة عالية ولكن دقة أقل (تراكم الضجيج).
تجادل الورقة بأن استراتيجية ثابتة واحدة لا يمكنها تحسين كلا البعدين في آن واحد عبر جميع حالات المسار.

3. المنهجية: AgentSwing

AgentSwing هو إطار عمل للتوجيه لإدارة السياق المتوازي، يعتمد على حالة المسار، ويتكيف ديناميكيًا لاختيار أفضل استراتيجية سياق بناءً على حالة المسار الحالية.

المكونات الأساسية:

إدارة السياق المتوازي:
- عندما يتجاوز السياق المتراكم عتبة محددة مسبقًا (على سبيل المثال، $r\%$ من الحد الأقصى للسياق)، يقوم إطار العمل بتفعيل حدث إدارة.
- بدلاً من اختيار استراتيجية واحدة، يقوم الإطار بتنفيذ عدة استراتيجيات مرشحة بالتوازي على نفس السياق الخام:
  - Keep-Last-N: يحتفظ فقط بآخر $N$ من الدورات.
  - Summary: يضغط التاريخ في نص ملخص.
  - Discard-All: يعيد الضبط إلى مطالب المستخدم الأصلي فقط.
- ينتج عن ذلك إنشاء عدة "سياقات مدارة" (فروع) بديلة من حالة واحدة.
آلية التوجيه الاستباقي (Lookahead Routing):
- لا يختار AgentSwing فرعًا فورًا بناءً على السياق وحده.
- مرحلة الاستباق (Lookahead Phase): يتم تمديد كل فرع بعدد $K$ من خطوات التفاعل الإضافية (تجربة تشغيل/rollout) مع البيئة.
- قرار التوجيه: يقوم نموذج الوكيل بتقييم نتائج هذه التوسعات ذات الـ $K$ دورة. ويختار الفرع الذي يظهر السلوك الأكثر واعدًا في المستقبل (مثل العثور على دليل جديد، أو تجنب طريق مسدود).
- يصبح الفرع المختار هو المسار الرئيسي الجديد؛ وتُهمل الفروع الأخرى.

4. المساهمات الرئيسية

الإطار الاحتمالي: قدم أول تفكيك رسمي لنجاح الأفق الطويل إلى كفاءة البحث ودقة النهاية، مما وفر عدسة موحدة لتحليل وتصميم استراتيجيات السياق.
التوجيه المتكيف (AgentSwing): اقترح إطار عمل يتجاوز الاستدلالات الثابتة من خلال التعامل مع إدارة السياق كـ مشكلة توجيه تعتمد على الحالة. فهو ينتقل ديناميكيًا بين استراتيجيات غير متجانسة (Keep-Last-N، Summary، Discard-All) بناءً على جودة المسار في الوقت الفعلي.
التحقق التجريبي: أثبت أن التوجيه المتكيف يتفوق على النماذج الثابتة القوية عبر نماذج ومعايير متنوعة، محققًا سقف أداء أعلى بعدد أقل من خطوات التفاعل.

5. النتائج التجريبية

قيم المؤلفون AgentSwing على ثلاثة معايير صعبة: BrowseComp، وBrowseComp-ZH، وHumanity's Last Exam (HLE)، باستخدام نماذج مثل GPT-OSS-120B، وDeepSeek-v3.2، وTongyi-DR-30B-A3B.

مكاسب الأداء:
- تفوق AgentSwing باستمرار على النماذج الثابتة المرجعية (Discard-All، Keep-Last-N، Summary) وعلى نموذج "عدم إدارة السياق".
- حقق نموذج DeepSeek-v3.2 نتيجة 71.3 في BrowseComp-ZH و 44.4 في HLE، متفوقًا على العديد من النماذج التأسيسية المملوكة لشركات.
- حقق Tongyi-DR-30B-A3B أداءً رائدًا بين الوكلاء مفتوحي المصدر من نفس الحجم تقريبًا.
الكفاءة:
- غالبًا ما يضاهي AgentSwing الاستراتيجيات الثابتة أو يتفوق عليها مع استخدام ما يصل إلى 3 أضعاف أقل من خطوات التفاعل.
- نجح في موازنة المقايضة بين الكفاءة والدقة، محققًا $\eta$ عالية (إتمام المهام) و $\rho$ عالية (الإجابة بشكل صحيح).
دراسات الاستئصال (Ablation Studies):
- أدى إزالة آلية الاستباق (الاختيار بناءً على السياق فقط) إلى تقليل الأداء بشكل كبير، مما يثبت أن تقييم إمكانات المسار المستقبلي أمر بالغ الأهمية.
- وُجد أن عمق الاستباق المتوسط ( $K=3$ ) هو الأمثل.

مثال من دراسة حالة:
في مهمة تتضمن لغزًا معقدًا حول مغني راب، فشلت استراتيجية Summary الثابتة لأنها حافظت على فرضية مضللة ("Lil Durk"). بينما قامت استراتيجية Discard-All بإعادة الضبط بشكل مفرط، مما أدى لفقدان دليل حديث حاسم ("$tupid Young"). قامت آلية الاستباق (Lookahead) في AgentSwing بتقييم جميع الفروع، وحددت أن فرع Keep-Last-N (الذي يحافظ على الدليل الحديث) أدى إلى الحل الصحيح، ووجهت الوكيل إلى هناك، مما أدى لحل المهمة بنجاح.

6. الأهمية والعمل المستقبلي

الأهمية: يثبت AgentSwing أن إدارة السياق لا ينبغي أن تكون قاعدة ثابتة بل سياسة ديناميكية متعلمة. فهو يوفر طريقة منهجية للتعامل مع معضلة "تعفن السياق" مقابل "فقدان المعلومات" في الوكلاء ذوي الأفق الطويل.
الاتجاهات المستقبلية:
- تدريب الوكلاء ليكونوا أكثر كفاءة جوهريًا في ظل ميزانيات سياق صغيرة (كفاءة على مستوى النموذج).
- تطوير نماذج توجيه/تحقق مخصصة ذات قدرة استباقية أفضل لتحسين جودة اختيار الفروع بما يتجاوز التوجيه الحالي المعتمد على نموذج الوكيل.

في الختام، يمثل AgentSwing خطوة كبيرة للأمام في جعل وكلاء الويب المستقلين أكثر قوة وكفاءة وقدرة على حل المهام المعقدة متعددة الخطوات للبحث عن المعلومات من خلال إدارة ذاكرتهم بشكل متكيف.