Context Pruning for Coding Agents via Multi-Rubric Latent Reasoning
تقدم الورقة البحثية LaMR، وهو إطار عمل مهيكل لتقليم السياق يقوم بتفكيك صلة الكود البرمجي إلى أبعاد دلالية واعتمادية باستخدام استدلال كامن متعدد المعايير وإشراف قائم على أشجار الإسناد التركيبية (AST) لتقليل استخدام الرموز (tokens) بشكل كبير مع الحفاظ على أداء وكلاء البرمجة أو تحسينه.
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 محقق بارع (الوكيل البرمجي الذكي - AI coding agent) تحاول حل قضية معقدة (إصلاح خطأ برمي في مشروع برمجيات). ولحل هذه القضية، يتعين عليك قراءة آلاف الصفحات من تقارير الشرطة، وإفادات الشهود، وملفات الأدلة (مستودع الكود).
المشكلة: فخ "الكثير من الورق"
في الوقت الحالي، يقضي هؤلاء المحققون الآليون معظم وقتهم وطاقتهم في مجرد قراءة الملفات. إنهم يشعرون بالإرهاق بسبب الحجم الهائل للنصوص.
- المشكلة: إنهم يقرؤون كل شيء، بما في ذلك الصفحات غير ذات الصلة مثل بقع القهوة القديمة على تقرير أو طلب غداء أحد الشهود. هذا يهدر "قدراتهم الذهنية" (ميزانية التوكن/الرموز) ويجعل من الصعب العثور على الأدلة الحاسمة.
- الحل القديم: حاولت الأدوات السابقة تقليل قائمة القراءة عن طريق حذف أي شيء لا يبدو مهمًا بشكل مباشر. لكنها كانت بدائية للغاية. فقد كانوا يحذفون صفحة لمجرد أنها لا تذكر الجريمة الرئيسية، رغم أن تلك الصفحة قد تحتوي على المفتاح لفهم مسرح الجريمة (مثل خريطة أو قائمة مشتبه بهم). هذا ترك المحقق مع لغز مكسور، مما أجبره على العودة وطلب الصفحات المفقودة، وهو ما أضاع المزيد من الوقت.
الحل الجديد: LaMR (أمين المكتبة الذكي)
تقدم الورقة البحثية LaMR (الرتب المتعددة الكامنة - Latent Multi-Rubric)، والتي تعمل كأمين مكتبة فائق الذكاء ومتخصص يساعد المحقق في تنظيم الملفات قبل أن يبدأ في قراءتها.
بدلاً من استخدام قاعدة واحدة لتقرير ما يجب الاحتفاظ به، يستخدم LaMR نظارتين مختلفتين للنظر في كل سطر من الكود:
"النظارات الدلالية" (ماذا يقول؟):
- تبحث هذه عن الأسطر التي تجيب مباشرة على سؤال المحقق.
- مثال توضيحي: إذا سأل المحقق "من سرق الكعكة؟"، فإن هذه النظارة تسلط الضوء على جملة "أخذ جون الكعكة".
- المشكلة القديمة: إذا كان السطر يقول فقط "جون" (تعريف) أو "import John" (إعداد)، فقد تحذفه الأدوات القديمة لأنه لا يقول صراحةً "سرق".
"نظارات التبعية" (ما الذي يحتاجه ليكون مفهوماً؟):
- تبحث هذه عن الغراء الهيكلي الذي يربط القصة معاً.
- مثال توضيحي: حتى لو كانت جملة "أخذ جون الكعكة" هي الدليل الرئيسي، فأنت تحتاج أيضاً إلى الصفحة التي تقول "جون مشتبه به" أو الخريطة التي توضح مكان سكن جون. بدون هذه المعلومات، لن يكون للدليل معنى.
- الابتكار: يدرك LaMR أن بعض الأسطر مهمة فقط لأنها تدعم أسطرًا أخرى. لذا فهو يحتفظ بهذه الأسطر "الداعمة" حتى لو لم تكن مثيرة للاهتمام في حد ذاتها.
كيف يعمل: العملية المكونة من خطوتين
المراجعة من قبل فريق مزدوج:
لا يكتفي LaMR بطرح سؤال واحد فقط. بل يقوم بتشغيل فحصين منفصلين في وقت واحد. فريق يتحقق من "الأدلة المباشرة"، وفريق آخر يتحقق من "الدعم الهيكلي".- استعارة: تخيل محرر أفلام. يقوم محرر بقص المشاهد المملة (الدلالة)، بينما يتأكد محرر آخر من أن الفيلم لا يزال يتدفق منطقياً ولا يحتوي على قطعات مفاجئة (التبعية).
"حارس البوابة" المتكيف مع الاستعلام:
بناءً على ما يسأل عنه المحقق، يقرر LaMR مقدار الوزن الذي سيعطيه لكل فريق.- إذا سأل المحقق "ما هي منطقية عملية تسجيل الدخول؟"، فإن LaMR يميل بشدة نحو الفريق الدلالي.
- إذا سأل المحقق "لماذا يتوقف التطبيق عن العمل فجأة؟"، فإن LaMR يعتمد على فريق التبعية لضمان الاحتفاظ بكل أكواد الإعداد الضرورية (الاستيرادات، معالجات الأخطاء) حتى يكون سبب التوقف مفهوماً.
طاقم "التنظيف" (إصلاح AST):
أحياناً، حتى مع وجود فريقين، قد يتم حذف سطر عن طريق الخطأ. يمتلك LaMR شبكة أمان نهائية. يستخدم "مخططاً" للكود (يسمى AST) للتحقق: "مهلاً، لقد حذفنا جملة 'If'، لكننا احتفظنا بجزء 'Else'. هذا مكسور!" ثم يقوم تلقائياً بإعادة القطع الهيكلية المفقودة، مما يضمن بقاء الكود صالحاً.
النتائج: أسرع، أذكى، وأقل تكلفة
اختبرت الورقة البحثية هذا النظام على مهام برمجية حقيقية (مثل إصلاح الأخطاء في مشاريع برمجية كبيرة).
- قراءة أقل: ساعد LaMR المحقق الآلي على قراءة 30% أقل من الصفحات (الرموز/Tokens) أثناء حل نفس المشكلات.
- نتائج أفضل: نظرًا لأن المحقق لم يتشتت بالضوضاء غير ذات الصلة ولم يفقد "الغراء" الهيكلي، فقد تمكن بالفعل من حل المشكلات بشكل أفضل أو على الأقل بنفس جودة القراءة الكاملة.
- لا مزيد من "العودة للخلف": كانت الأدوات القديمة غالباً ما تحذف سطراً ضرورياً، مما يجبر الذكاء الاصطناعي على إدراك أنه عالق ويطلب الملف مرة أخرى. يمنع LaMR حدوث ذلك، مما يوفر الوقت والمال.
باخت-صار
LaMR هو بمثابة مساعد ذكي لا يقوم فقط برمي الأوراق "المملة". بدلاً من ذلك، هو يفهم أن صفحة تبدو مملة قد تكون هي "المفتاح" لفهم الصفحة المثيرة المجاورة لها. من خلال الفصل بين "ما يقال" و"ما هو مطلوب ليكون مفهوماً"، فإنه يمنح المحقق الآلي ملف قضية رشيقاً، نظيفاً، ومنظماً بدقة، مما يسمح له بحل القضايا بشكل أسرع وبجهد أقل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.