WorkflowGen:an adaptive workflow generation mechanism driven by trajectory experience
يُعد WorkflowGen إطار عمل تكيفي يستفيد من خبرة المسار لتوليد وتحسين سير العمل ديناميكيًا من خلال آلية حلقة مغلقة واستراتيجية توجيه ثلاثية المستويات، مما يقلل بشكل كبير من استهلاك الرموز (tokens) ويحسن معدلات النجاح لمهام وكلاء النماذج اللغوية الكبيرة المعقدة دون الحاجة إلى مجموعات بيانات ضخمة مشروحة.
المؤلفون الأصليون:Ruocan Wei, Shufeng Wang, Ziwei Shi
تخيل أنك تتعامل مع مساعد شخصي ماهر للغاية ولكن تكلفته باهظة (لنطلق عليه اسم LLM-Andy) يساعدك في إنجاز مهامك، مثل حجز رحلة عمل معقدة، أو تحليل البيانات، أو أتمتة تقرير ما.
المشكلة: المساعد "النسّاء والمفرط في التفكير" في الوقت الحالي، في كل مرة تطلب من "آندي" مهمة، حتى لو كان قد قام بها بالأمس، فإنه يتصرف وكأنه يراها للمرة الأولى.
إضاعة المال: يبدأ من الصفر، يعيد قراءة طلبك بالكامل، يعيد التفكير في كل خطوة، ويعيد حساب أفضل الأدوات للاستخدام. وبما أن "آندي" يتقاضى أجره بناءً على عدد الكلمات التي يفكر فيها ويتحدث بها، فإن هذا "إعادة التفكير" يستنزف ميزانيتك (الرموز/Tokens) بسرعة هائلة.
ارتكاب الأخطاء: نظرًا لأنه يسرع في التخطيط لكل شيء من الصفر، فإنه غالبًا ما ينسى خطوة، أو يختار الأداة الخاطئة، أو يتعثر في خطأ ارتكبه الأسبوع الماضي.
لا ذاكرة له: حتى لو نجح في حل مشكلة يوم الثلاثاء الماضي، فإنه يعامل هذا النجاح كأنه سر. هو لا يدونه في "ورقة غش" لاستخدامه في المرة القادمة.
الحل: WorkflowGen (نظام "ورقة الغش الذكية") تقدم الورقة البحثية نظام WorkflowGen، الذي يحول "آندي" إلى خبير فائق الكفاءة يحفظ الذاكرة. بدلاً من إعادة اختراع العجلة في كل مرة، يستخدم نهج "استخراج خبرة المسار" (Trajectory Experience).
إليك كيف يعمل ذلك، باستخدام تشبيه بسيط: وكيل السفر.
1. "ورقة الغش" (استخراج المسار)
عندما ينهي "آندي" مهمة ما، لا يكتفي WorkflowGen بقول "تم". بل يقوم فوراً بكتابة ورقة غش مفصلة (سجل مهيكل) لما حدث بالضبط.
ما الذي نجح: "لحجز رحلة طيران، استخدمنا الأداة (A)، وأدخلنا التاريخ بهذه الطريقة، وقد نجح الأمر."
ما الذي فشل: "إذا حاولت حجز رحلة طيران يوم الأحد بدون تأشيرة، فإن الأداة (B) ستتعطل. لا تفعل ذلك!"
الهيكل: إنه يحفظ شكل الخطة (الخطوات) ولكنه يسلط الضوء على الأجزاء المتغيرة (تواريخ محددة، أسماء، أو أرقام).
2. "التراجع ثلاثي الخطوات" (التوجيه التكيفي)
عندما تعطيه طلباً جديداً، لا يترك WorkflowGen "آندي" يفكر بشكل عشوائي. بل يعمل مثل شرطي مرور ذكي، يتحقق من مدى تشابه طلبك الجديد مع الطلبات القديمة الموجودة في ورقة الغش. لديه ثلاثة أوضاع:
الوضع (أ): "النسخ واللصق" (إعادة الاستخدام المباشر)
السيناريو: تطلب منه: "احجز رحلة إلى لندن ليوم الاثنين القادم"، وقد طلبت الشيء نفسه تماماً بالأمس.
الإجراء: يقول WorkflowGen: "لقد فعلنا هذا بالأمس! إليك نفس الخطة تماماً."
السيناريو: تطلب منه: "احجز رحلة إلى باريس ليوم الثلاثاء القادم".
الإجراء: يرى النظام أن الخطة هي نفسها بنسبة 90% (لندن تصبح باريس، الاثنين يصبح الثلاثاء). يخبر النظام "آندي": "احتفظ بالخطة كاملة، فقط قم بتغيير المدينة والتاريخ".
النتيجة: يضطر "آندي" فقط للتفكير في هذين التغييرين الصغيرين، وليس في الرحلة بأكملها. توفير هائل في التكلفة والوقت.
الوضع (ج): "البدء من جديد" (التهيئة الكاملة)
السيناريو: تطلب منه: "صمم استراتيجية تسويقية جديدة لكلب آلي".
الإجراء: هذا أمر جديد تماماً. ورقة الغش ليس لديها أي شيء للمساعدة.
النتيجة: يقول WorkflowGen: "حسناً، هذا جديد. يا آندي، خطط لهذا من الصفر". ولكن بمجرد انتهائه، يقوم النظام فوراً بحفظ هذه الخطة الجديدة في ورقة الغش للمرة القادمة.
3. "شبكة الأمان" (تجنب الأخطاء)
لأن النظام يتذكر الإخفاقات أيضاً، فإنه يعمل كحاجز حماية.
إذا قالت ورقة الغش: "الأداة (X) تتعطل إذا كان المستخدم في أوروبا"، وحاولت استخدام الأداة (X) لعميل أوروبي، فإن WorkflowGen يوقف "آندي" قبل أن يرتكب الخطأ. إنه يجبره على استخدام أداة مختلفة. هذا يمنع "التعطل" ويوفر المال الذي كنت ستضيعه في محاولة فاشلة.
لماذا هذا مهم (الخلاصة)
أرخص: من خلال إعادة استخدام الخطط القديمة وإعادة كتابة الأجزاء الصغيرة فقط، تزعم الورقة البحثية أنهم خفضوا التكلفة (استخدام الرموز/Tokens) بنسبة تزيد عن 40% مقارنة بالطريقة القديمة.
أكثر موثوقية: لا يرتكب نفس الأخطاء مرتين لأنه يتذكر "بصمة" الأخطاء.
أسرع: يتخطى عملية التفكير الطويلة للمهام الروتينية.
باخت-مختصر: يتوقف WorkflowGen عن معاملة كل مهمة كاختراع جديد تماماً. بدلاً من ذلك، يعامل كل مهمة باعتبارها تنوعاً لشيء قمنا به بالفعل، مما يوفر المال والوقت والصداع من خلال التعلم من نجاحاتنا وإخفاقاتنا على حد سواء. إنه يحول "العبقري النّسّاء" إلى "خبير موثوق وفعال".
فيما يلي ملخص تقني مفصل لورقة البحث بعنوان "WorkflowGen: آلية توليد سير عمل تكيفية مدفوعة بخبرة المسارات".
1. بيان المشكلة
تواجه وكلاء النماذج اللغوية الكبيرة (LLM agents) تحديات كبيرة عند تنفيذ مهام معقدة متعددة الخطوات (مثل الاستعلامات التجارية، استدعاء الأدوات، أو أتمتة العمليات الروبوتية RPA). تعاني النهج الحالية من أربعة قيود رئيسية:
الاستدلال المكرر والتكاليف العالية للرموز (Tokens): تؤدي الاستعلامات المتشابهة أو المتطابقة إلى تفعيل عمليات تخطيط كاملة وفورية من البداية، مما يؤدي إلى عبء حوسبي غير ضروري واستهلاك مفرط للرموز.
عدم استقرار التنفيذ: الاعتماد على الاستدلال الفوري للنماذج اللغوية الكبيرة يؤدي غالباً إلى فقدان خطوات، أو معاملات خاطئة، أو عدم تطابق في الأدوات، أو عدم معالجة الاستثناءات.
الاستخدام غير الفعال للمعرفة: تظل سجلات التنفيذ التاريخية (الناجحة والفاشلة على حد سواء) غير منظمة ولا يتم تحويلها إلى معرفة قابلة لإعادة الاستخدام والتنفيذ.
الافتقار إلى الاستراتيجيات التكيفية: تفشل الأنظمة في اختيار مسارات التوليد المثلى ديناميكياً بناءً على تشابه الاستعلام، مما يجعل من الصعب تحقيق التوازن بين جودة التوليد والتكلفة.
2. المنهجية: إطار عمل WorkflowGen
إن WorkflowGen هو إطار عمل تكيفي مصمم لتقليل استهلاك الرموز مع تعظيم معدلات نجاح التنفيذ. يعمل كمنظومة مغلقة الحلقة تتكون من ثلاث آليات أساسية:
أ. استخراج خبرة المسار ثنائي المستوى (Dual-Granularity)
يقوم النظام بتحويل سجلات التنفيذ الخام إلى خبرات مهيكلة وقابلة للاسترجاع على مستويين:
مستوى العقدة (Node-Level): يستخرج تفاصيل دقيقة مثل بصمات الخطأ (معرفات الاستثناء، الرسائل)، فئات الأسباب الجذرية، خرائط الأدوات المثلى، مخططات المعاملات القياسية، واستراتيجيات تجنب الاستثناءات.
مستوى سير العمل (Workflow-Level): يلتقط الهيكل الطوبولوجي الكامل للعملية، بما في ذلك شروط التشغيل، تسلسل الإجراءات، البيانات السياقية، والبيانات الوصفية (Metadata). كما يميز بين العقد الثابتة والعقد المتغيرة.
التخزين: تُخزن الخبرات في مستودع باستخدام أزواج (مفتاح-قيمة) وفهرسة متجهية لتمكين الاسترجاع السريع.
ب. التوليد المدفوع بإعادة كتابة المسار
بدلاً من إعادة التخطيط الكامل، يستفيد WorkflowGen من إعادة الاستخدام الهيكلي:
الآلية: عند تحديد مسار تاريخي مشابه، يحافظ النظام على الهيكل العام لسير العمل ويقوم فقط بإجراء إعادة كتابة خفيفة الوزن على "العقد المتغيرة" (مثل المعاملات أو الكيانات المحددة).
التعلم السياقي: يتم دمج مطالبات النظام (System Prompts) برؤى مستوى العقدة (أنماط النجاح وحالات الفشل) لتوجيه النموذج اللغوي الكبير، مما يسمح له بتجنب العقبات المعروفة بشكل استباقي.
العملية التكرارية: يتنقل النظام بين إعادة الكتابة واستخراج الخبرة حتى يتم توليد مسار ناجح وتخزينه.
ج. التوجيه التكيفي ثلاثي المستويات
تختار آلية التراجع الديناميكي استراتيجية التوليد بناءً على التشابه الدلالي (s) بين الاستعلام الحالي والمسارات التاريخية:
المسار أ (إعادة الاستخدام المباشر): إذا كان s>0.99، يقوم النظام بتنفيذ المسار المخزن مباشرة بتكلفة رموز تقترب من الصفر.
المسار ب (إعادة الاستخدام القائم على إعادة الكتابة): إذا كان 0.6<s≤0.99، يحافظ النظام على الهيكل ولكنه يعيد كتابة العقد المتغيرة. هذا يوازن بين انخفاض تكلفة الرموز والقدرة على التكيف.
المسار ج (التهيئة الكاملة): إذا كان s≤0.6 (تشابه منخفض)، يعود النظام إلى التخطيط القياسي القائم على النماذج اللغوية الكبيرة من البداية، مع تخزين المسار الجديد لإعادة الاستخدام مستقبلاً.
3. المساهمات الرئيسية
الاستخراج ثنائي المستوى: آلية مبتكرة لاستخراج خبرات مهيكلة وقابلة لإعادة الاستخدام على مستويي العقدة وسير العمل، مما يلغي الحاجة إلى الاستدلال المكرر من المصدر.
التوليد خفيف الوزن: التحول من "إعادة التخطيط الكامل" إلى "إعادة الاستخدام الهيكلي + إعادة كتابة العقد المتغيرة"، مما يقلل بشكل كبير من استدعاءات النماذج اللغوية الكبيرة واستخدام الرموز.
استراتيجية التوجيه التكيفي: نظام ثلاثي المستويات يتدرج ديناميكياً من إعادة الاستخدام المباشر إلى إعادة الكتابة وصولاً إلى التهيئة الكاملة، مما يحسن التوازن بين الأداء والتكلفة.
التحقق النوعي: مقارنة شاملة تثبت الأداء المتفوق في كفاءة الرموز، والمتانة، والقابلية للتفسير مقارنة بالنماذج المرجعية الحالية.
4. النتائج والتقييم
نظراً لعدم توفر مجموعات بيانات صناعية ضخمة وموسومة وقت كتابة الورقة، أجرى المؤلفون تحليلاً مقارناً نوعياً مقابل ثلاثة نماذج مرجعية: التخطيط في الوقت الفعلي (Real-time Planning)، المسار المنفرد الثابت (Static Single-Trajectory)، والتعلم السياقي الأساسي (Basic In-Context Learning).
استهلاك الرموز (Tokens): يقلل WorkflowGen استهلاك الرموز بنسبة تتجا die 40% مقارنة بالتخطيط في الوقت الفعلي، وبنسبة 20-30% مقارنة بطرق المسار المنفرد الثابت عبر تجنب إعادة التوليد الكامل المكرر.
متانة التنفيذ: يحسن الأسلوب معدل النجاح بنسبة 20% في الاستعلامات ذات التشابه المتوسط من خلال التجنب الاستباقي للأخطاء (باستخدام بصمات الفشل) وآليات التراجع التكيفية.
الكفاءة والقابلية للتفسير: يوفر النظام كفاءة عالية في الاستجابة بفضل الاستدلال خفيف الوزن، ويوفر شفافية وتتبعاً كاملاً لمنطق التنفيذ، على عكس التخطيط في الوقت الفعلي الذي يعمل كـ "صندوق أسود".
القابلية للنشر: التصميم النموذجي (Modular) والقدرة على التكيف عبر السيناريوهات المختلفة تجعله مناسباً للتطبيقات الصناعية في العالم الحقيقي.
5. الأهمية
يعالج WorkflowGen عقبة حرجة في نشر وكلاء النماذج اللغوية الكبيرة: وهي التكلفة العالية وعدم استقرار الاستدلال في الوقت الفعلي. من خلال التعامل مع مسارات التنفيذ التاريخية كأصل قابل للتعلم، يُمكّن هذا الإطار الوكلاء من أن يصبحوا "أرخص وأكثر موثوقية مع كل استخدام". إنه ينقل النموذج من الاستدلال عديم الحالة والمكرر إلى التنفيذ المعتمد على الخبرة وذي الحالة (Stateful). لا يقلل هذا النهج من التكاليف التشغيلية (استخدام الرموز) فحسب، بل يعزز أيضاً استقرار النظام وقابليته للتفسير، مما يمهد الطريق لتدفقات عمل مستقلة وقابلة للتوسع للوكلاء في بيئات المؤسسات. ويتضمن العمل المستقبلي بناء مجموعات بيانات صناعية مخصصة للتحقق الكمي الشامل.