🤖 AI

VeriTrace: Evolving Mental Models for Deep Research Agents

تقدم الورقة البحثية VeriTrace، وهو إطار عمل قائم على الرسوم البيانية المعرفية يعزز وكلاء البحث العميق من خلال تنفيذ حلقات تنظيمية صريحة للنماذج الذهنية المتطورة، مما يحسن الأداء بشكل كبير في اختبارات معيارية مثل DeepResearch Bench وDeepConsult مقارنة بالأنظمة الحالية.

المؤلفون الأصليون: Haolang Zhao, Yunbo Long, Lukas Beckenbauer, Alexandra Brintrup

نُشر 2026-05-26

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Haolang Zhao, Yunbo Long, Lukas Beckenbauer, Alexandra Brintrup

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

إليك شرح لورقة VeriTrace البحثية، مترجمة إلى لغة يومية باستخدام تشبيهات إبداعية.

الصورة الكبيرة: مشكلة "التوهان في المكتبة"

تخيل أنك محقق تحاول حل لغز ضخم ومعقد. لديك فريق من الباحثين (الذكاء الاصطناعي) يمكنهم قراءة ملايين الكتب والمقالات.

المشكلة:
في الأنظمة السابقة، كان المحقق ببساطة يكدس كل المعلومات في كومة ضخمة وفوضوية من الأوراق على مكتبه. ومع قراءته المزيد، كانت الكومة تزداد ارتفاعاً. ولكن لأن الكومة كانت مجرد كومة مسطحة، كان المحقق غالباً ما:

ينسى ما عرفه بالفعل.
يرتبك بسبب الحقائق المتناقضة.
يستمر في البحث عن الشيء نفسه مراراً وتكراراً لأنه لم يدرك أنه وجد الإجابة بالفعل.
يعلق في "نظرية خاطئة" ويستمر في البحث عن أدلة لدعمها، حتى عندما تثبت الأدلة خطأها.

هذا ما يحدث عندما يحاول الذكاء الاصطناعي القيام بـ "بحث عميق" بدون نظام جيد. فهو يعتمد على القوة الذهنية الخام للذكاء الاصطناعي (حجمه/Scale) لفرز الفوضى، وهو أمر مكلف وغالباً ما يفشل.

الحل: VeriTrace
قام المؤلفون ببناء VeriTrace، والذي يعمل مثل خريطة ذكية وحية للمحقق. بدلاً من كومة أوراق فوضوية، يبني الذكاء الاصطناعي "رسمًا بيانيًا معرفيًا" (Cognitive Graph). فكر في هذا الرسم البياني كأنه مخطط موقع بناء يتغير مع بناء المبنى.

تجادل الورقة البحثية بأنه لكي يقوم الذكاء الاصطناعي بالبحث العميق بشكل جيد، فإنه يحتاج إلى ثلاث "حلقات تنظيمية" محددة (قواعد اشتباك) للحفاظ على دقة خريطته الذهنية.

الحلقات التنظيمية الثلاث (السر الخفي)

تحدد الورقة ثلاث طرق محددة يقوم من خلالها الذكاء الاصطناعي بتحديث تفكيره. إليك كيف تعمل، باستخدام تشبيه لوحة القضايا الخاصة بالمحقق:

1. التحديث التفسيري (فحص "خزانة الملفات")

الطريقة القديمة: عندما يجد المحقق دليلاً جديداً، فإنه يقوم فقط بلصقه على اللوحة. هو لا يتحقق مما إذا كان هذا الدليل يتناسب مع ما يعرفه بالفعل.
طريقة VeriTrace: قبل لصق دليل جديد على اللوحة، يسأل المحقق نفسه: "هل هذا يؤكد ما أعرفه؟ هل يتناقض مع نظريتي؟ هل هو فجوة أحتاج لملئها؟ أم أنه أمر مفاجئ؟"
التشبيه: تخيل أنك تنظم خزانة ملابسك. أنت لا ترمي الملابس الجديدة على الأرض فحسب، بل تتحقق: "هل لدي قميص أحمر بالفعل؟ هل هذا طراز جديد؟ هل يتناسب مع الزي الذي أقوم بتجهيزه؟"
لماذا يهم ذلك: هذا يمنع الذكاء الاصطناعي من التشتت بالضجيج. إنه يضمن تصنيف كل معلومة جديدة في "سلة المفهوم" الصحيحة، مما يحافظ على حدة النموذج الذهني.

2. تغذية الارتداد الانحرافي (إعادة حساب المسار مثل الـ "GPS")

الطريقة القديمة: لدى المحقق خطة: "اذهب إلى المكتبة". يذهب، لكن المكتبة مغلقة. يستمر في محاولة الذهاب إلى المكتبة مرة أخرى، أو يتجول بلا هدف.
طريقة VeriTrace: قبل المغادرة، يضع المحقق توقعاً محدداً: "أتوقع أن أجد كتاباً معيناً على الرف العلوي". عندما يصل ولا يجد الكتاب، يسأل النظام: "لماذا؟ هل الكتاب مفقود؟ هل المكتبة مغلقة؟ هل الكتاب تحت اسم مختلف؟"
التشبيه: فكر في نظام تحديد المواقع (GPS). إذا أخطأت في المنعطف، لا يكتفي النظام بالقول "استمر في القيادة"، بل يحلل لماذا أخطأت (زحام، طريق خاطئ) ويقترح فوراً مساراً جديداً (استدر، أو اتخذ طريقاً بديلاً).
لماذا يهم ذلك: هذا يمنع الذكاء الاصطناعي من إضاعة الوقت في تكرار نفس عملية البحث الفاشلة. يساعد الذكاء الاصطناعي على تغيير استراتيجيته (مثلاً: "المكتبة مغلقة، لنبحث في الأرشيف بدلاً من ذلك").

3. مراجعة المخطط (إعادة رسم الخريطة)

الطريقة القديمة: المحقق مقتنع بأن القاتل هو "الخادم". يستمر في البحث عن الخادم، حتى عندما تشير كل الأدلة إلى "البستاني". إنه عالق في إطاره الأصلي.
طريقة VeriTrace: عندما تتراكم الأدلة وتظهر أن "نظرية الخادم" خاطئة تماماً، يتوقف المحقق عن البحث ويعيد رسم الخريطة بأكملها. يدرك أن: "انتظر، القاتل ليس شخصاً؛ إنه شركة". يقوم بهدم اللوحة القديمة ويبني واحدة جديدة تناسب الواقع.
التشبيه: تخيل أنك تلعب لعبة "تيتريس" (Tetris). تحاول باستمرار وضع قطعة مربعة في ثقب مثلثي. في النهاية، تدرك أن تصميم المستوى بأكمله خاطئ. أنت لا تحاول فقط إدخال القطعة بالقوة؛ بل تعيد هيكلة لوحة اللعبة بأكملها لتناسب القطع.
لماذا يهم ذلك: هذا يسمح للذكاء الاصطناعي بالاعتراف بأنه كان مخطئاً بشأن هيكل المشكلة، وليس فقط التفاصيل. هذا يمنع الذكاء الاصطناعي من إضاعة ساعات في محاولة حل لغز تم تأطيره بشكل خاطئ.

كيف يعمل VeriTrace في الممارسة العملية

النظام مبني مثل طاقم بناء:

المخطط: هو رئيس العمال الذي ينظر إلى المخطط (الرسم البياني المعرفي) ويقرر ما سيتم بناؤه تالياً.
الباحثون: هم العمال الذين يخرجون ويجدون المواد (صفحات الويب).
القارئ: هو المفتش الذي يفحص المواد ويدون بالضبط ما وجده، مع ذكر المصدر.
المدير: هو المهندس المعماري الذي يحدث المخطط بناءً على ما وجده المفتش.

النتيجة:
اختبرت الورقة البحثية هذا النظام مقابل أفضل أدوات البحث بالذكاء الاصطناعي الأخرى.

على "DeepResearch Bench": سجل Veritrace درجات أعلى بكثير، خاصة في "البصيرة" (القدرة على ربط النقاط وإيجاد معنى عميق).
على "DeepConsult": فاز في أكثر من 80% من المرات ضد الأنظمة القوية الأخرى.
النتيجة الرئيسية: حتى عند استخدام نموذج ذكاء اصطناعي أصغر وأرخص، كان Veritrace يؤدي بشكل أفضل من الأنظمة التي تستخدم نماذج أكبر وأغلى بكماً. وهذا يثبت أن امتلاك نظام تنظيمي جيد (الحلقات) أهم من مجرد امتلاك "دماغ أكبر".

الملخص

VeriTrace هو طريقة جديدة للذكاء الاصطناعي للقيام بالبحث العميق. بدلاً من مجرد "القراءة أكثر"، فإنه يعلم الذكاء الاصطناعي كيفية التنظيم، والتشكيك، وإعادة هيكلة تفكيره الخاص.

التحديث التفسيري = فرز الأدلة.
التغذية الارتدادية الانحرافية = إصلاح المسار عندما تضل الطريق.
مراجعة المخطط = إعادة رسم الخريطة عندما تكون النظرية بأكملها خاطئة.

باستخدام هذه الحلقات الثلاث، يظل الذكاء الاصطناي على المسار الصحيح، ويتجنب الوقوع في الطرق المسدودة، وينتج تقارير بحثية أكثر ذكاءً ودقة.

ملخص تقني: VeriTrace: تطوير النماذج الذهنية لوكلاء البحث العميق

بيان المشكلة

يواجه وكلاء البحث العميق تحدي التنقل في مشهد معلوماتي شاسع، مترابط بنيويًا، وغير يقيني بشكل واسع. تحاول الأنظمة الحالية إدارة ذلك من خلال إخراج نواتج البحث الوسيطة (مثل المخططات، بنوك الأدلة، وقوائم المهام) لتجاوز نافذة سياق النموذج اللغوي الكبير (LLM). ومع ذلك، تعتمد هذه الأنظمة إلى حد كبير على الاستدلال الضمني للنموذج اللغوي لتطوير هذه التمثيلات الوسيطة. ويجادل المؤلفون بأنه بدون تنظيم صريح، يسهل تلوث هذه الطبقات الوسيطة بمعلومات متباينة الجودة، مما يؤدي إلى انتشار الأخطاء عبر التبعيات. وبناءً على ذلك، غالبًا ما تستبدل الأنظمة الحالية حجم النموذج بغياب آليات التنظيم، مما يؤدي إلى تدهور الأداء عندما تصبح النماذج الأساسية ثابتة أو عندما تصبح المهام شديدة عدم اليقين.

تتمثل المشكلة الجوهرية في تحديد حلقات التنظيم الضرورية التي تسمح لـ "النموذج الذهني" للوكيل (تمثيله الوسيط للمهمة) بالتكيف مع الفوضى، والمواءمة المستمرة لفهم المهمة مع الواقع، والتطور في اتجاه صحي.

المنهجية: إطار عمل VeriTrace

يقترح المؤلفون VeriTrace، وهو إطار عمل للرسم البياني المعرفي (Cognitive-Graph) يقوم بتنفيذ ثلاث حلقات تنظيمية صريحة لحكم تطور النموذج الذهني للوكيل. يعامل النظام الطبقة الوسيطة ليس كذاكرة ثابتة، بل كتمثيل ديناميكي لحالة تعلم الوكيل، ورؤى الأدلة، وحالات عدم اليقين.

1. هيكل الرسم البياني المعرفي

يتم تجسيد النموذج الذهني للوكيل كـ رسم بياني معرفي $G_t = (S_t, C_t)$ :

العقد ( $N_t$ ): تمثل المفاهيم قيد الاستقصاء. تخزن كل عقدة معايير القبول، والنتائج المتراكمة، والحالة المعرفية (UNKNOWN، PARTable، KNOWN)، وملف جودة.
الحواف ( $E_t$ ): تمثل علاقات الاستقصاء (الأسئلة الاستراتيجية) بين المفاهيم، وتحمل تاريخ البحث والحالة (قيد الحل، قيد التحقيق، تم الحل، مستنفد).
المحتوى: تخزن العقد والحواف النتائج المهيكلة، والتناقضات، ودرجات الجودة المستمدة من آلية تسجيل CR-AAP (الحداثة، الصلة، السلطة، الدقة، الغرض).

2. حلقات التنظيم الثلاث

يعمل VeriTrace على تشغيل ثلاث حلقات تغذية راجعة محددة، مستمدًا مفرداتها التصميمية من مفاهيم العلوم المعرفية (ما وراء المعرفة، المعالجة التنبؤية، والاستيعاب/المواءمة):

التحديث التفسيري (الاستيعاب - Assimilation):
- الآلية: مع استخراج نتائج جديدة، لا يتم تراكمها بشكل سلبي. بدلاً من ذلك، يقوم مدير الرسم البياني المعرفي بتفسيرها مقابل حالة الرسم البياني الحالية. تُصنف النتائج كـ: مؤكدة، أو متناقضة، أو مكملة للفجوات، أو مفاجئة.
- الوظيفة: يعمل هذا على تشكيل ما يعتبر ملاحظة قابلة للاستخدام بشكل نشط. فهو يحدث معايير العقد المتبقية والحالة المعرفية، مما يضمن أن النظام يتتبع بدقة مدى اكتمال حل كل مفهوم بدلاً من مجرد ملء مخزن ذاكرة.
- التنفيذ: يستخدم عامل تحديث مهيكل ( $\oplus_G$ ) يدمج النتيات في بنية ثنائية المستوى (خاصة بالعنصر وعابرة للعناصر) ويحدث الحالة المعرفية $\sigma$ .
تغذية الانحراف الراجعة (المعالجة التنبؤية - Predictive Processing):
- الآلية: قبل عملية البحث، يعلن المخطط عن توقعات لمفهوم ما. بعد البحث، يتم تسجيل النتيجة مقابل هذه التوقعات باستخدام إشارة انحراف $\delta_t^j$ تشمل صلة المحتوى، ومصداقية المصدر، وعوائق الوصول، وقوة النتائج غير المتوقعة.
- الوظيفة: تقوم هذه الإشارة بتوجيه المخطط إلى واحد من خمس استراتيجيات بحث محددة (الاستغلال، التحقق، الاستبدال، التحول، الاستكشاف) بدلاً من إطلاق محاولة إعادة غير متمايزة. وهذا يسمح للنظام بالتمييز بين الفشل الاستراتيجي (مصدر خاطئ) وفشل التأطير (مفهوم خاطئ).
- التنفيذ: يقوم تطبيق $\pi: D \to A_{search}$ بتقسيم مساحة الانحراف لاختيار الإجراء التالي الأمثل.
مراجعة المخطط (المواءمة - Accommodation):
- الآلية: عندما تشير التغذية الراجعة المتراكمة إلى أن التأطير الحالي نفسه ينحرف عن الواقع (على سبيل المثال، تراكم التناقضات أو استمرار إشارات الانحراف في نفس المنطقة)، يقترح الوكيل عملية إعادة هيكلة بنيوية.
- الوظيفة: يقوم بإعادة كتابة تسميات المفاهيم، والعلاقات، وأهداف الاستقصاء مع الحفاظ على الأدلة الموجودة (الثابت I1). هذا يسمح للوكيل بالخروج من التأطير الأولي الخاطئ بدلاً من أن يكون مقيدًا به.
  بينما تقوم خمسة عوامل هيكلية ( $R_{conc}, R_{aug}, R_{pivot}, R_{prune}, R_{correct}$ ) بتعديل طوبولوجيا الرسم البياني. على سبيل المثال، تقوم $R_{conc}$ بتحويل عقدة مكانية إلى كيانات محددة، وتقوم $R_{pivot}$ بتدوير محور التبعية عندما تتجمع الأدلة حسب الكيان بدلاً من البعد.

3. ديناميكيات النظام

يتناوب النظام بين الاستيعاب (إرسال مهام البحث وتحديث الرسم البياني) والمواءمة (اقتراح إعادة الهيكلة البنيوية). تستهلك خط أنابيب الكتابة الرسم البياني النهائي ومخزن الأدلة لإنتاج تقرير، مما يضمن تتبع الاقتباس من خلال عملية ثلاثية الطبقات (مخطط الهيكل، مخطط القسم، كاتب القسم) التي تحد بصرامة الوصول إلى المعلومات.

المساهمات الرئيسية

تحديد حلقات التنظيم: تحدد الورقة ثلاث حلقات تغذية راجعة صريحة (التحديث التفسيري، تغذية الانحراف الراجعة، مراجعة المخطط) كآليات مركزية لتنظيم النموذج الذهني للوكيل تحت حالة عدم اليقين.
تنفيذ VeriTrace: إطار عمل للرسم البياني المعرفي ينظم البحث حول المفاهيم بدلاً من المهام الفرعية، وينفذ صراحة حلقات التنظيم الثلاث لتمكين الحفاظ على الأدلة تحت المراجعة البنيوية.
التحقق التجريبي: تجارب شاملة تثبت أن حلقات التنظيم الصريحة تحسن أداء البحث العميق بما يتجاوز ما يمكن تحقيقه من خلال حجم النموذج الأساسي وحده.

النتائج

قام المؤلفون بتقييم VeriTrace على DeepResearch Bench (DRB) و DeepConsult.

مكاسب الأداء: باستخدام نماذج أساسية مطابقة من نوع Qwen3.5-27B، تفوق VeriTrace على أقوى خط أساس مطابق (WebWeaver) بمقدار 4.22 نقطة مئوية (pp) في بُعد البصيرة (Insight) و 1.49 نقطة مئوية في الدرجة الإجمالية لـ DRB. وفي DeepConsult، حقق معدل فوز إجمالي أعلى بمقدار 5.9 نقطة مئوية.
أفضل نموذج مفتوح المصدر: باستخدام نموذج خلفي Config-DeepSeek (DeepSeek-V4-Pro)، حقق VeriTrace أقوى نتيجة قابلة للتكرار مفتوحة المصدر على DRB (الإجمالي 55.77، البصيرة 59.56).
دراسات الاستبعاد (Ablation Studies):
- أدى إزالة تغذية الانحراف الراجعة (A1) إلى أكبر انخفاض منفرد (−1.65 pp)، مما أدى إلى تضخم حجم البحث بنسبة 31% مع تقليل معدلات النجاح.
- أدت إزالة مراجعة المخطط (A2) و التحديث التفسيري (A3) إلى تدهور الأداء بشكل كبير في الاستعلامات التي تتطلب تكيفًا بنيويًا (−4.75 pp و −5.18 pp على التوالي في المجموعة الفرعية الحساسة للمواءمة).
- أدى الاستبعاد الكامل (Afull) إلى انخفاض الأداء إلى ما دون خط الأساس، مما يؤكد أن حلقات التنظيم ليست مجرد عناصر إضافية بل هي أساسية.

الأهمية والادعاءات

تجادل الورقة بأن الطبيعة "الجائعة للمقياس" للبحث العميق هي جزئيًا بسبب حلقات التنظيم المفقودة، حيث يحل حجم النموذج محل التنظيم الغائب. يوضح VeriTrace أن التنظيم الصريح يمكن أن يخلق "مساحة إضافية" (headroom) على محاور مختلفة عن التوسع وحده.

ما وراء المقياس: حتى مع النماذج الأصغر، يسمح النموذج الذهلي المنظم لـ VeriTrace بالتفوق على خطوط الأساس التي تستخدم نماذج أكبر بكثير (مثل Claude-Sonnet-4.5) في بُعد البصيرة. وهذا يشير إلى أن جودة عملية الاستدلال (ما يستدل عليه النموذج) لا تقل أهمية عن قوة الاستدلال الخام للنموذج.
تشغيل التنظيم الذاتي: يقوم العمل بتشغيل التنظيم الذاتي (ما وراء المعرفة، المعالجة التنبؤية) كآلية قابلة للتنفيذ بدلاً من كونها مجرد استعارة. إنه يوفر مفردات تصميمية لبناء وكلاء يمكنهم التكيف مع المهام طويلة الأمد وغير اليقينية من خلال المواءمة المستمرة لنماذج المهام الداخلية مع الواقع الخارجي.
القيود: يشير المؤلفون إلى أن التقييم يتركز حاليًا على DeepResearch Bench و DeepConsult، وتظل قابلية التعميم لمهام أخرى في البيئات المفتوحة (مثل تصفح الويب، والاكتشاف العلمي) بحاجة إلى التحقق. بالإضافة إلى ذلك، فإن محفزات إعادة الهيكلة هي قواعد استدلالية (heuristics)، ويقوم النظام حاليًا ببناء الرسم البياني من الصفر لكل مهمة دون انتقال عبر المهام.