Coupled Hierarchical Search over Topology and Execution for Agentic Workflow Synthesis
تُعد HierFlow بنية معمارية تعمل في وقت الاختبار ولا تتطلب تدريباً، حيث تقوم بأتمتة تخليق سير العمل الوكيل عبر توظيف نموذج بحث هرمي مقترن، يدمج ديناميكياً بين تعديلات الطوبولوجيا والتحسين على مستوى التنفيذ لتحقيق أداء وكفاءة فائقين عبر مختلف المعايير المرجعية.
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 تحاول تعليم روبوت فائق الذكاء كيفية حل لغز صعب حقًا، مثل مسألة رياضية معقدة أو تحدٍ برمجي شائك. لا يمكنك فقط أن تقول للروبوت "اكتشف الأمر بنفسك" وتأمل في أفضل النتائج؛ بل يحتاج إلى خطة، وصفة خطوة بخطوة لما يجب فعله أولاً، وثانيًا، وثالثًا. في عالم الذكاء الاصطناائي، تُسمى هذه الخطط "سير العمل" (workflows). فكر في سير العمل كخريطة للبحث عن الكنز: فهي تخبر الروبوت أين يحفر، ومتى يبحث عن الأدلة، وكيف يستخدم الأدوات للوصول إلى الكنز.
لفترة طويلة، كان على البشر رسم هذه الخرائط يدويًا. وإذا تغير اللغز، غالبًا ما تصبح الخريطة عديمة الفائدة، ويضطر البشر للبدء من جديد. مؤخرًا، اكتشف العلماء كيفية جعل الروبوت يرسم خرائطه الخاصة. لكن هناك مشكلة: عدد الخرائط الممكنة هائل جدًا، لدرجة أنه يشبه محاولة العث٠ من حبة رمل محددة في كل شواطئ الأرض. إذا حاول الروبوت فحص كل خريطة، فسيستغرق ذلك وقتًا طويلاً ويحرق طاقته الذهنية (أو ميزانية حاسوبه). لذا، فإن السؤال الكبير للعلماء هو: كيف يمكننا تعليم الروبوت العثور بسرعة على أفضل خريطة للغز معين دون إضاعة الوقت في الخرائط السيئة، ودون الحاجة للعودة إلى المدرسة لتعلم أشياء جديدة أولًا؟
هنا يأتي دور فكرة جديدة تسمى HierFlow. أدرك الباحثون وراء هذه الورقة البحثية، بقيادة "دونج لي" وزملائه، أنه بدلًا من محاولة العثور على الخريطة المثالية دفعة واحدة، يجب بناءها في طبقات، مثل طاقم البناء. هم يقترحون "رقصة" من خطوتين: أولًا، رسم الخطوط العريضة للخطة (الطبولوجيا - topology)، ثم، إذا لزم الأمر فقط، التوسع في تفاصيل كل خطوة (التنفيذ - execution).
إليك كيف تعمل خدعتهم السحرية. تخيل أنك تنظم مسرحية مدرسية ضخمة. المستوى الأعلى (Top Level) هو المخرج. المخرج لا يهتم بكيفية خياطة الأزياء أو طلاء الديكورات؛ هو فقط يقرر الصورة الكبيرة: "أولًا، نبني المسرح. ثم، نختار الممثلين. وأخيرًا، نتدرب". هذا هو "البحث في الطبولوجيا" (Topology Search). المخرج يرسم مخططًا انسيابيًا بسيطًا لهذه الخطوات الكبيرة.
لكن ماذا لو كان في خطة المخرج خلل؟ رب مثلاً لا يمكن بناء المسرح قبل اختيار الممثلين، لأن الممثلين يحتاجون لمعرفة أدوارهم للمساعدة في تصميم المسرح. قد لا يعرف المخرج ذلك بعد. هنا يأتي دور المستوى الأدنى (Lower Level). فكر في هذا كفريق من عمال المسرح المتخصصين. عندما يقول المخرج: "ابنوا المسرح"، فإن عمال المسرح لا يبدأون بالضرب بالمطارق بشكل أعمى. بل يقومون باختبار سريع وذكي (باستخدام طريقة مستوحاة من لعبة تسمى "بحث مونت كارلو في الشجرة" - Monte Carlo Tree Search، وهي تشبه استحضار بعض الاحتمالات المستقبلية في ذهنك لترى أيها سيفوز). إنهم يجربون طرقًا مختلفة لبناء المسرح. وإذا اصطدموا بعائق أو أدركوا أن الخطة مستحيلة، فإنهم يرسلون إشارة إلى المخرج: "مهلًا، هذا الترتيب لا يعمل! لنقم بتبديل الخطوات".
الجزء الأروع في HierFlow هو "البوابة التكيفية" (Adaptive Gating). في الماضي، كانت الروبوتات تحاول إصلاح كل خطوة من خطوات الخطة، حتى لو كانت الخطوة مثالية بالفعل. إنه يشبه طباخًا يتذوق كل حبة ملح في الحساء، رغم أن الحساء لذيذ بالفعل. HierFlow أذكى من ذلك؛ فهو يمتلك "حارس بوابة" يسأل: "هل هذه الخطوة معطلة أو مربكة حقًا؟" إذا كانت الإجابة "لا"، تظل البوابة مغلقة، ويوفر الروبوت طاقته. وإذا كانت الإجابة "نعم"، تفتح البوابة، ويبدأ عمال المسرح في التوسع في التفاصيل لإصلاحها. هذا يوفر الكثير من الوقت وقوة الحوسبة.
تظهر الورقة البحثية أن هذه الطريقة تعمل بشكل جيد للغاية. فعندما اختبروا HierFlow في تحديات صعبة مثل الإجابة على أسئلة معقدة، وحل مسائل رياضية، وكتابة الأكواد البرمجية، فقد تفوقوا على جميع الأساليب الأخرى التي قارنوها بها تقريبًا. لم يحصلوا فقط على إجابات أفضل، بل حصلوا عليها بشكل أسرع وأقل تكلفة. وجد الباحثون أنه من خلال السماح لـ "المخرج" و"عمال المسرح" بالتحدث مع بعضهم البعض، استطاع الروبوت إصلاح أخطائه أثناء العمل دون الحاجة إلى أي تدريب إضافي. إنه يشبه منح الروبوت بوصلة ذاتية التصحيح تشير مباشرة إلى الحل، بغض النظر عن مدى تعرج الطريق.
باختصار، يقترح HierFlow أننا لسنا بحاجة لإجبار الروبوتات على حفظ كل الحلول الممكنة. بدلاً من ذلك، يمكننا تعليمها رسم خطة، والتحقق مما إذا كانت منطقية، والتعمق في التفاصيل فقط عندما تحتاج إلى ذلك حقًا. إنها طريقة تجعل الذكاء الاصطناعي أكثر ذكاءً، وسرعةً، ومرونة، وتحول البحث الفوضوي عن الخطة المثالية إلى مشروع بناء منظم وسلس.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.