🤖 AI

InsightEmb: Learning Action-Intent Embeddings for Agentic Insight Retrieval

تقدم الورقة البحثية InsightEmb، وهو إطار عمل للتمثيل التبايني (contrastive embedding framework) يتعلم هندسة استرجاع قابلة للنقل وموجهة نحو التقدم من بيانات الاستدلال الرياضي لتمكين الوكلاء من استرجاع رؤى قابلة للتنفيذ بفعالية تحل اختناقات اتخاذ القرار عبر مجالات متنوعة دون الحاجة إلى تدريب خاص بالبيئة.

المؤلفون الأصليون: Tsz Ting Chung, Jiangnan Li, Jie Zhou, Mo Yu

نُشر 2026-08-06

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Tsz Ting Chung, Jiangnan Li, Jie Zhou, Mo Yu

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 تعلم روبوتًا كيفية التنقل في متاهة عملاقة وفوضوية. يمكنك إعطاؤه موسوعة ضخمة تحتوي على كل منعطف ممكن، لكن هذا يتطلب وقتًا طويلًا جدًا للقراءة في الوقت الفعلي. بدلاً من ذلك، تريد أن تمنح الروبوت "ورقة مرجعية" تحتوي على نصائح ذكية يمكنه استدعاؤها فورًا عندما يعلق. هذا هو عالم الوكلاء الذكيين (AI agents): وهي برامج حاسوبية لا تكتفي بالدردشة فحسب، بل تقوم بأفعال حقيقية مثل تصفح المواقع الإلكترونية، أو حل الألغاز، أو تحريك الأشياء الافتراضية. التحدي الكبير يكمن في الاسترجاع (retrieval): أي معرفة أي نصيحة محددة هي المفيدة الآن. إذا كان الروبوت تائهًا، فإنه يحتاج إلى نصيحة حول "البحث عن الأدلة"، وليس نصيحة حول "كيفية طهي العشاء"، حتى لو كان الروبوت موجودًا حاليًا في المطبخ. المشكلة هي أن أدوات الذكاء الاصطناعي القياسية تشبه أمناء المكتبات الذين يطابقون الكلمات فقط. إذا سألتهم للمساعدة بشأن "بطاطس ساخنة"، فقد يقدمون لك وصفة لطهي البطاطس، متجاهلين حقيقة أن الروبوت يحتاج فعليًا لمعرفة أين يختبئ البطاطس.

هذه الورقة البحثية، بعنوان InsightEmb، تعالج هذه المشكلة تحديدًا. لقد طور الباحثون طريقة جديدة لتعليم الذكاء الاصطناعي كيفية العثء على المساعدة النوع الصحيح في الوقت المناسب. اكتشفوا أنك لست بحاجة لإظهار آلاف الساعات من فيديوهات الروبوتات لتعليم الذكاء الاصطناعي هذه المهارة. بدلاً من ذلك، وجدوا طريقًا مختصرًا ذكيًا: لقد دربوا الذكاء الاصطناعي بالكامل على المسائل الرياضية. اتضح أن القفزة الذهنية المطلوبة لحل مسألة رياضية صعبة تشبه إلى حد كبير القفزة المطلوبة لتحديد الخطوة التالية في لعبة فيديو أو مهمة تسوق. ومن خلال تعلم كيفية مطابقة المسائل الرياضية مع الاستراتيجيات المجردة الصحيحة، تعلم الذكاء الاصطناعي "لغة التقدم" العالمية التي تعمل في كل مكان.

المشكلة: فخ "مطابقة الكلمات"

تخيل أنك تلعب لعبة فيديو حيث يتعين عليك العثور على مفتاح مخفي لفتح باب. أنت عالق. تطلب المساعدة من مساعدك الذكي. قد ينظر الذكاء الاصطناعي القياسي، المدرب على مطابقة الكلمات، إلى وضعك الحالي ("أنا في غرفة مظلمة") ويستدعي قاعدة تتعلق بـ "الظلام" أو "الإضاءة". لكن هذا لن يساعدك في العثور على المفتاح! أنت في الواقع تحتاج إلى قاعدة حول "البحث المنهجي".

يسمي المؤلفون هذا فجوة التجريد (abstraction gap). وضعك الحالي مليء بالتفاصيل الملموسة (غرفة مظلمة، باب مغلق)، لكن النصيحة المفيدة هي قاعدة مجردة ("افحص الزوايا أولاً"). أدوات الاسترجاع في الذكاء الاصطناعي القياسي سيئة في جسر هذه الفجوة لأنها تبحث فقط عن كلمات متشابهة. قد يعطونك قاعدة حول "تسخين" البطاطس بينما لم تجد البطاطس بعد. هذا يشبه إعطاء شخص ما وصفة لصنع كعكة قبل أن يشتري الدقيق حتى. الأمر مرتبط بالموضوع ولكن ليس مفيدًا من الناحية الإجرائية.

الحل: التعلم من الرياضيات

كان لدى الفريق وراء InsightEmb فكرة عبقرية: ماذا لو علمنا الذكاء الاصطناعي باستخدام الرياضيات؟

المسائل الرياضية هي أرض التدريب المثالية لهذا. في الرياضيات، غالبًا ما يكون لديك مشكلة محددة (مثل "أوجد احتمال الحصول على كرة حمراء واحدة على الأقل") وتحتاج إلى مطابقتها مع استراتيجية خفية (مثل "استخدام العد المكمل"). غالبًا لا يوجد تداخل في الكلمات بين المسألة والاستراتيجية، ومع ذلك فإن الربط بينهما حيوي. إذا تمكنت من تعليم الذكاء الاصطناعي رصد هذا الاتصال في الرياضيات، فقد يتعلم بنية "المشكلة مقابل الحل" بدلاً من مجرد حفظ الكلمات.

لقد بنوا عملية تدريب مكونة من خطوتين باستخدام البيانات الرياضية العامة فقط:

من الموقف إلى البصيرة (Situation-to-Insight): علموا الذكاء الاصطناعي النظر في مسألة رياضية وإيجاد القاعدة المجردة التي تحل "عنق الزجاجة" (الجزء الصعب الذي يعيق التقدم).
من الموقف إلى الخبرة (Situation-to-Experience): علموا الذكاء الاصطناعي التعرف على متى تحتاج مسألتان مختلفتان تمامًا إلى نفس الاستراتيجية.

السحر يكمكم في أن هذا التدريب يتم بالكامل على الرياضيات. لم تُستخدم الروبوتات، ولا مواقع التسوق، ولا ألعاب الفيديو لتعليم النموذج. لقد استخدموا فقط "هندسة" الاستدلال الرياضي.

النتائج: مترجم عالمي

عندما اختبروا هذا الذكاء الاصطناعي المدرب على الرياضيات في مهام الوكيل الواقعية، كانت النتائج فعالة بشكل مدهش. وضعوه تحت الاختبار في ثلاث بيئات مختلفة تمامًا:

ALFWorld: منزل افتراضي حيث يتعين على الوكيل العثور على الأشياء وتنظيف الأشياء.
WebShop: متجر إلكتروني محاكى حيث يتعين على الوكيل العث وعند شراء منتجات محددة.
ScienceWorld: بيئة مختبر حيث يقوم الوكيل بتجارب علمية.

في جميع الحالات الثلاث، تفوق نموذج InsightEmb على النماذج القياسية.

في المنزل الافتراضي، ساعد الوكيل في العثور على الأشياء بشكل أسرع، مما حسن معدلات النجاح من حوالي 54% إلى 60%.
في المتجر عبر الإنترنت، كان الفرق أكثر دراماتيكية. النماذج القياسية ساءت في الواقع عند إعطائها نصائح لأنها كانت تأخذ النصائح الخاطئة (مثل محاولة شراء منتج قبل التحقق من لونه). قام InsightEmb بإصلاح ذلك، مما رفع النتيجة من نسبة منخفضة بلغت 18% (مع النصائح السيئة) إلى 31%، متفوقًا حتى على خط الأساس "بدون نصائح".
في المختبر العلمي، ساعد الوكلاء في إكمال تجارب معقدة، مما ضاعف معدل النجاح ثلاث مرات من 2.4% إلى 8.0%.

تشير الورقة البحثية إلى أن "شكل" مطابقة مشكلة بحل هو نفسه سواء كنت تحل معادلة هندسية أو تبحث عن مفتاح مخفي. من خلال تعلم هذا الشكل في الرياضيات، أصبح الذكاء الاصطناعي بارعًا في العثور على "الخطوة التالية" الصحيحة في أي موقف.

لماذا يهم هذا الأمر؟

يشير هذا العمل إلى أننا لسنا بحاجة لبناء نظام تدريب منفصل ومكلف لكل روبوت أو لعبة جديدة. بدلاً من ذلك، يمكننا استخدام الموارد الهائلة والمجانية للاستدلال الرياضي لتعليم الذكاء الاصطناعي كيفية التفكير الاستراتيجي. الأمر يشبه تعليم شخص ما كيف يكون محققًا جيدًا من خلال جعله يحل ألغاز المنطق؛ بمجرد أن يفهم منطق الاستنتاج، يمكنه تطبيقه على الجرائم الحقيقية، أو الحيوانات الأليفة المفقودة، أو حتى العثور على مجموعة مفاتيح ضائعة.

وجد المؤلفون أن هذا النهج يجعل وكلاء الذكاء الاصطناعي أكثر أمانًا وكفاءة. فهو يمنعهم من العلق في حلقات مفرغة أو القيام بخطوات سابقة لأوانها. وبينما لا يعد هذا عصا سحرية لكل مهمة (حيث واجه بعض الصعوبة في المصطلحات الطبية شديدة التخصص حيث يكون التطابق اللفظي الدقيق هو المفتاح)، فإنه بالنسبة لحل المشكلات العامة، يشير إلى أن الطريق نحو وكلاء أكثر ذكاءً قد يكون على بعد بضع مسائل رياضية فقط.

ملخص تقني: InsightEmb: تعلم تضمينات الفعل-النية لاسترجاع البصيرة الوكيلي

1. تعريف المشكلة

تتناول الورقة البحثية استرجاع البصيرة الوكيلي (agentic insight retrieval)، وهو مكون حيوي للوكلاء ذاتيي التحسين الذين يراكمون بصائر قابلة لإعادة الاستخدام من المسارات السابقة. في البيئات التفاعلية (مثل تصفح الويب، المهام المجسدة، استخدام الأدوات)، يجب على الوكلاء اختيار أفعال من مساحات كبيرة حيث تعتمد الاستراتيجيات المثلى على التفكير التجريدي بدلاً من مطابقة الأنماط السطحية.

التحدي الجوهري هو فجوة التجريد (abstraction gap): حيث توجد حالة الوكيل الحالية (ملاحظة ملموسة وسجل أفعال) والبصيرة المستهدفة (قاعدة استدلالية مجردة) في مستويات مختلفة من التجريد. تعتمد طرق الاسترجاع الحالية بشكل أساس Draw على التشابه الدلالي، وغالباً ما تعيد بصائر مرتبطة موضوعياً ولكنها سابقة للإجراءات (procedurally premature). على سبيل المثال، قد يبحث وكيل عن كائن ما فيسترجع قاعدة حول "تسخين" الكائن قبل أن يتمكن حتى من تحديد موقعه. تجادل الورقة بأن الملاءمة لا ينبغي أن تُعرَّف بالتداخل الموضوعي، بل بـ الفعل-النية (action-intent): أي ما إذا كانت البصيرة المسترجعة تحل الاختناق الإجرائي الحالي للوكيل وتمكنه من التقدم نحو الهدف.

2. المنهجية: InsightEmb

يقترح المؤلفون InsightEmb، وهو إطار عمل للتضمين التبايني (contrastive embedding) مصمم لتعلم "هندسة استرجاع موجهة نحو التقدم". الادعاء التصميمي الرئيسي هو أن المشكلة الهيكلية المتمثلة في مطابقة موقف ملموس مع قاعدة مجردة هي مشكلة مستقلة عن النطاق؛ وتحديداً، فإن بنية الاستدلال الرياضي (مطابقة نص المسألة مع استراتيجية استدلالية) تشبه التنفيذ الوكيلي (مطابقة حالة بيئية مع استراتيجية فعل).

يتم تدريب InsightEmb بالكامل على بيانات الاستدلال الرياضي المتاحة علناً (من مجموعة بيانات MATH) باستخدام منهج تعليمي من مرحلتين:

المرحلة 1: المطابقة من الموقف إلى البصيرة

تعمل هذه المرحلة على تعليم النموذج كيفية سد فجوة التجريد عبر رسم خرائط للمسائل الرياضية (ومسارات سلسلة التفكير الجزئية أو الكاملة) إلى القواعد الاستدلالية ذات الصلة.

بناء البيانات: لكل مسألة، يقوم المؤلفون بتشغيل عمليات محاكاة متعددة واستخلاص البصائر المرشحة. تُصنف البصيرة كإيجابية ( $I^+$ ) فقط إذا أدى إدراجها قبل استعلام المسألة إلى تحسين معدل الحل بشكل ملموس مقارنة بخط الأساس بدون البصيرة. أما البصائر التي تفشل أو تضر بالأداء فتُصنف كأثر سلبي ( $I^-$ ).
الهدف: يتعلم النموذج ربط المواقف الملموسة بالقواعد الاستدلالية المجردة التي تحل اختناقات محددة، بدلاً من مجرد المطابقة الدلالية السطحية.

المرحلة 2: المطابقة من الموقف إلى الخبرة

تعزز هذه المرحلة قدرة النموذج على التعرف على التشابه الهيكلي بين مسارات الاستدلال المختلفة.

بناء البيانات: يطابق النموذج موقفاً (مسألة أو مسار) مع مسألة محلولة مشابهة هيكلياً ( $T^+$ ) مقابل مسألة غير مشابهة ( $T^-$ ).
الهدف: يعمل هذا على صقل تمثيل الموقف، مما يضمن أن الحالات التي تتطلب نفس الاستراتيجية الأساسية تتجمع معاً في فضاء التضمين، مما يؤدي إلى استقرار المطابقة التجريدية التي تعلمها في المرحلة الأولى.

الاستدلال

في وقت الاستدلال، يسترجع النموذج البصائر للوكلاء في بيئات مستهدفة (ALFWorld, WebShop, ScienceWorld) دون الحاجة إلى أي ضبط دقيق خاص بالبيئة. يتم ترميز حالة الوكيل باستخدام بادئة تعليمات خاصة بالمهمة، ويتم استرجاع أكثر $k$ بصيرة تشابهاً من مجموعة مشفرة مسبقاً وإدراجها في مطالبة (prompt) الوكيل.

3. المساهمات الرئيسية

صياغة المشكلة: تصيغ الورقة استرجاع البصيرة الوكيلي كـ مطابقة فعل-نية مشروطة بالهدف، حيث تُعرَّف الملاءمة بما إذا كانت البصيرة تحل الاختناق الحالي وتمكن التقدم، بدلاً من مجرد التشابه الدلالي وحده.
إطار عمل InsightEmb: تقدم إطار عمل تبايني عابر للمجالات يتعلم هندسة استرجاع موجهة نحو الأفعال باستخدام بيانات الاستدلال الرياضي فقط.
التحقق التجريبي: يقدم المؤلفون أدلة تجريبية عبر تقييمات ثابتة وديناميكية تظهر أن InsightEmb يحسن أداء الوكيل واسترجاع البصيرة، وتُعزى المكاسب إلى استرجاع الفعل-النية بدلاً من مجرد المطابقة الساكنة الأفضل.

4. النتائج التجريبية

تم تقييم النموذج في ثلاث بيئات وكيل ديناميكية ومعيار واحد لاسترجاع المهارات الثابتة:

ALFWorld (المهام المجسدة): تفوقت متغيرات InsightEmb على نموذج التضمين الأساسي (Qwen3-Embedding-4B) والمسترجعات داخل النطاق. حققت نسخ BUNDLE من InsightEmb معدل نجاح قدره 60.71% مقارنة بـ 54.29% للنموذج الأساسي. أظهر النموذج تنوعاً أفضل في الاسترجاع، وحالات أقل بـ "درجة صفر"، وانتقالاً واعياً بالحالة من البحث إلى التحقق.
WebShop (التجارة الإلكترونية): في هذه البيئة الصاخبة حيث يمكن أن تكون البصائر السابقة للإجراءات ضارة، أظهر InsightEmb متانة. بينما كان أداء النموذج الأساسي مع بصائر BUNDLE أسوأ من خط الأساس بدون بصيرة (18.42% مقابل 31.03%)، حسن InsightEmb الأداء إلى 31.74%، مما أدى فعلياً إلى تصفية البصائر غير ذات الصلة إجرائياً.
ScienceWorld (الإجراءات العلمية): رغم صعوبة البيئة (خط الأساس بدون بصيرة هو 2.40%)، ضاعف InsightEmb معدل النجاح لأكثر من ثلاثة أضعاف ليصل إلى 8.00% (BUNDLE) و 10.20% (ATOMIC)، متفوقاً على النموذج الأساسي.
SRA-Bench (استرجاع المهارات الثابتة): في معيار ثابت يشمل إثبات النظريات، استخدام الأدوات، وتوليد الكود، حسن InsightEmb الاستدعاء (R@10) بمقدار +8.90% فوق النموذج الأساسي، لا سيال في المجالات التي تتطلب مطابقة هيكلية بدلاً من التداخل اللفظي (مثل إثبات النظريات واستخدام الأدوات).

تشير الورقة أيضاً إلى أن InsightEmb يتفوق على المسترجعات القوية الموجهة للاستدلال (مثل Llama-NV-Embed-Reasoning و ReasonIR) التي يتم تدريبها على مطابقة الاستعلام-النص الثابتة، مما يسلط الضوء على ضرورة التدريب من أجل مطابقة الفعل-النية الديناميكية.

5. الأهمية والادعاءات

تدعي الورقة أن هندسة مطابقة الحالة-البصيرة قابلة للنقل عبر المجالات. من خلال التدريب على بيانات الاستدلال الرياضي، يتعلم النموذج بنية قابلة للتعميم لتحديد الاختناقات الكامنة واسترجاع القواعد المجردة اللازمة لحلها.

تشمل الآثار الرئيسية التي سلط المؤلفون الضوء عليها ما يلي:

النقل عبر المجالات: يمكن تحقيق تدريب فعال باستخدام بيانات الاستدلال المتاحة علناً دون إشراف مكلف وخاص بكل بيئة.
الأمان في المجموعات الصاخبة: يمكن للاسترجاع الموجه نحو التقدم أن يمنع تدهور أداء الوكلاء عندما تحتوي مجموعة البصائر على العديد من القواعد السابقة للإجراءات أو غير ذات الصلة، وهو نمط فشل شائع للمسترجعات القياسية.
القياس الهيكلي: يثبت نجاح نقل الرياضيات إلى الوكيل صحة الفرضية القائلة بأن استرجاع الاستدلال الرياضي واسترجاع البصيرة الوكيلي يجسدان نفس مشكلة "الموقف $\leftarrow$ القاعدة التي تحل الاختناق".

ظل المؤلفون متواضعين فيما يتعلق بالقيود، مشيرين إلى أن التجارب الديناميكية استخدمت بشكل أساسي نماذج أفعال محددة (Qwen3-8B) ومولدات بصيرة (DeepSeek-R1)، وأن النهج الحالي يعتمد على نجاح المهمة كقياس غير مباشر لجدوى الاسترجاع، نظراً لعدم توفر تسميات ذهبية (gold labels) للبصائر المثلى عند كل حالة. كما أقروا بأن المهام كثيفة المصطلحات (مثل الآلات الحاسبة الطبية) قد تجعل التركيز الهيكلي لـ InsightEmb يقلل من أهمية الإشارات اللفظية، مما يقترح نهجاً هجيناً مع BM25 لهذه المجالات المحددة.