GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0)
إن GenericAgent هو وكيل لغوي كبير (LLM) ذاتي التطور يعمل على تعظيم كثافة المعلومات ذات الصلة بالقرار ضمن ميزانية سياق محدودة، وذلك من خلال مجموعة أدوات دنيا، وذاكرة هرمية، وآلية تحول المسارات التي تم التحقق منها إلى إجراءات تشغيل قياسية (SOPs) وأكواد برمجية قابلة لإعادة الاستخدام، مما يمكّنه من التفوق على الأنظمة الرائدة في المهام طويلة الأمد باستخدام عدد أقل بكثير من الرموز (tokens).
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 توظف مساعداً شخصياً عبقرياً ولكنه مثقل بالأعباء قليلاً ليتولى مشروعاً ضخماً يمتد لعدة أسابيع.
المشكلة في وكلاء الذكاء الاصطناعي الحاليين:
معظم وكلاء الذكاء الاصطناعي الحاليين يشبهون مساعدين يحاولون تذكر كل شيء حدث في المكتب على الإطلاق. إنهم يحتفظون بكل بريد إلكتروني، وكل ملاحظة لاصقة، وكل مسودة، وكل محادثة في كومة ضخمة وفوضوية على مكتبهم.
- "انفجار السياق": مع استمرار المشروع، تصبح الكومة ضخمة جداً لدرجة أن المساعد لا يعود قادراً على العثور على الملاحظات المهمة. يبدأ بالتشتت بمعلومات قديمة وغير ذات ص relevance. يبدأ في ارتكاب الأخطاء لأنه لا يستطيع التركيز على ما يهم الآن.
- "حلقة فقدان الذاكرة": إذا حل المساعد مشكلة معقدة يوم الثلاثاء، فبحلول يوم الأربعاء يكون قد نسي كيف فعل ذلك. وعندما تظهر مشكلة مماثلة يوم الخميس، يضطر لخوض المعاناة من جديد، مما يهدر الوقت والطاقة.
الحل: GenericAgent (GA)
يقدم البحث GenericAgent، وهو نوع جديد من مساعدي الذكاء الاصطناعي المصمم حول فكرة بسيطة واحدة: لا تكتفِ بامتلاك مكتب كبير؛ بل امتلك مكتباً نظيفاً ومنظماً.
بدلاً من محاولة حشر المزيد من المعلومات في عقل المساعد، يركز GA على تعظيم "كثافة" المعلومات المفيدة. إنه يتساءل: "ما هو الحد الأدنى المطلق من المعلومات التي أحتاجها لاتخاذ القرار الصحيح الآن؟"
إليك كيف يعمل GA، باستخدام بعض التشبيهات الإبداعية:
1. المجموعة الأدوات الدنيا (السكين السويسري مقابل متجر الأدوات الصلبة)
- الطريقة القديمة: تخيل أنك تعطي مساعدك صندوق أدوات يحتوي على 500 أداة متخصصة مختلفة (مفك براغي محدد للبراغي اليسارية، مطرقة للمسامير الصغيرة، إلخ). هذا يأخذ نصف مساحة المكتب لمجرد النظر إلى الأدوات، ويصاب المساعد بالارتباك بشأن أي أداة يختار.
- طريقة GA: يمنح GA المساعد سكين سويسري عالي الجودة يحتوي على 9 أدوات أساسية فقط.
- لماذا ينجح هذا: لأنه يوجد عدد أقل من الأدوات، لا يضيع المساعد وقته في تقرير ما سيستخدمه. يتعلم دمج هذه الأدوات القليلة بطرق ذكية لأداء مهام معقدة. إنه أسرع، وأرخص، وأقل عرضة للارتباك.
2. الذاكرة الهرمية (خزانة الملفات مقابل كومة الأوراق)
- الط Way القديمة: يحتفظ المساعد بكل ورقة منفردة من الشهر الماضي على مكتبه.
- طريقة GA: يستخدم GA نظام أرشفة ذكي.
- طبقة "دائمة العمل": توجد فقط بطاقة فهرس صغيرة على المكتب تقول: "لدينا ملفات حول X و Y و Z".
- الطبقات العميقة: الملفات الثقيلة الفعلية مغلقة داخل خزانة. يفتح المساعد الخزانة فقط لجلب الملف المحدد المطلوب للمهمة الحالية.
- لماذا ينجح هذا: يظل المكتب نظيفاً. لا يتشتت المساعد بالأوراق القديمة، لكنه لا يزال بإمكانه العثور على المعرفة العميقة فور احتياجه إليها.
3. التطور الذاتي (صانع "ورقة الغش")
- الطريقة القديمة: يحل المساعد مشكلة ما، ثم يتعب وينسى الحل. في المرة القادمة، يضطر للبدء من الصفر.
- طريقة GA: بعد أن يحل المساعد مشكلة صعبة بنجاح، فإنه لا يكتفي بأرشفة الملاحظات فحسب. بل يقوم بكتابة "ورقة غش" (إجراء تشغيل قياسي - SOP) أو حتى برمجية (كود) لأتمتة ذلك الحل.
- السحر: في المرة القادمة التي تظهر فيها مشكلة مماثلة، لا "يفكر" المساعد في الأمر؛ بل يقوم فقط بتشغيل ورقة الغش.
- النتيجة: كلما عمل المساعد أكثر، أصبح أذكى وأسرع. يتوقف عن إهدار الطاقة في أشياء يعرف بالفعل كيفية القيام بها.
4. "جامع النفايات" (سلة المهملات)
- الطريقة القديمة: يحتفظ المساعد بكل فكرة وسيطة، وكل محاولة فاشلة، وكل تدفق بيانات خام في ذاكرته العاملة.
- طريقة GA: يمتلك GA سياسة صارمة بشأن سلة المهملات.
- يقوم باستمرار بمسح المحادثة. إذا كانت الرسالة طويلة جداً، فإنه يقص الحشو الذي في المنتصف.
- إذا أصبحت المحادثة طويلة جداً، فإنه يتخلص من الأجزاء الأقدم والأقل أهمية، لكنه يحتفظ بـ "مرساة ملخصة" لضمان عدم ضياع الهدف الرئيسي.
- لما لماذا ينجح هذا: يضمن أن "ذاكرته العاملة" مليئة دائماً بالمعلومات عالية القيمة لاتخاذ القرار، وليس بالقمامة.
النتيجة الكبرى: الكفاءة
يوضح البحث أن GA، من خلال القيام بذلك، هو نجم خارق:
- يستهلك "قدرة دماغية" (Tokens) أقل بكثير: يحل نفس المشكلات التي تحلها أنظمة الذكاء الاصطناعي الأخرى ولكنه يستخدم موارد أقل بكثير (مثل استخدام دراجة بدلاً من شاحنة لتوصيل طرد صغير).
- يصبح أفضل بمرور الوقت: على عكس أنظمة الذكاء الاصطناعي الأخرى التي تظل كما هي، يتعلم GA من أخطائه ويخلق طرقاً مختصرة، مما يجعله أسرع وأكثر دقة كلما استخدمته لفترة أطول.
- لا يصاب بالارتباك: لأن مكتبه نظيف دائماً، فإنه نادراً ما يهلوس (يختلق معلومات) أو ينسى الهدف الرئيسي.
باختصار:
GenericAgent يشبه طاهياً ماهراً لا يحتفظ بكل المكونات على الطاولة. بدلاً من ذلك، لديه مجموعة صغيرة ومثالية من السكاكين، ومساحة عمل نظيفة، وكتاب وصفات يتم تحديثه في كل مرة يطهو فيها طبقاً جديداً. هو لا يكتفي بالطهي فحسب؛ بل يتطور ليصبح طاهياً أفضل في كل يوم يمر، مستخدماً طاقة أقل ومرتكباً أخطاءً أقل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.