Learning Globally Reusable Skills for Coding Agents
تقترح الورقة البحثية إطار عمل تطور المهارات المعولم (GSE)، الذي يستخدم رسمًا بيانيًا لعلاقات المهارات وتوحيدًا قائمًا على العناقيد للتغلب على قيود التحديثات المحلية، مما يمكّن وكلاء البرمجة القائمين على النماذج اللغوية الكبيرة من التحسين المستمر لقدراتهم على التعميم والتوافق عبر مهام هندسة البرمجيات المتنوعة دون الحاجة إلى إعادة تدريب مكلفة.
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 أن لديك مساعد روبوت فائق الذكاء يمكنه كتابة أكواد الكمبيوتر، وإصلاح الأخطاء البرمجية، وبناء البرمجيات بمجرد التحدث إليه. هذا الروبوت مدعوم بـ "نموذج لغوي كبير" (LLM)، وهو يشبه دماغًا رقميًا عملاقًا قرأ كل شيء تقريبًا على الإنترنت. لكن هناك مشكلة؛ فرغم ضخامة هذا الدماغ، إلا أنه لا يعرف كل شيء عن كل وظيفة محددة. الأمر يشبه طالبًا عبقريًا يعرف نظريات القيادة، لكنه لم يقد شاحنة قط في طريق جبلي ثلجي. ولمساعدته، نعطي الروبوت "كتاب مهارات"؛ وهو قائمة من التعليمات والحيل التي يمكنه استدعاؤها عندما يتعثر.
السؤال الكبير الذي يسأله العلماء هو: كيف نجعل هذا الروبوت يتحسن بمرور الوقت دون الحاجة إلى إعادة بناء دماغه بالكامل من الصفر؟ عادةً، عندما يرتكب الروبوت خطأً، قد نحاول تعليمه حيلة جديدة لهذا الخطأ المحدد ذاك. ولكن ماذا لو تعلم حيلة جديدة أدت بالخطأ إلى كسر حيلة قديمة كان يعرفها بالفعل؟ أو ماذا لو تعلم الروبوت حيلة تعمل بشكل مثالي لمشروع واحد ولكنها تفشل فشلاً ذريعًا في المشروع التالي؟ هذا هو لغز "تطور المهارات": كيف نساعد الروبوت على تعلم مهارات جديدة باستمرار، مع التأكد من أن جميع مهاراته تعمل معًا مثل آلة مشحمة جيدًا؟
المشكلة: التعلم في فراغ
تعرف على GSE (التطور العالمي للمهارات - Globalized Skill Evolution)، وهو الإطار الجديد الذي اقترحه الباحث تشين يانغ وفريقه. لفهم سبب تميز GSE، تخيل طالبًا يحاول تعلم كيفية خبز الكعك. إذا حاول تعلم وصفة جديدة لكعكة الشوكولاتة في كل مرة يحرق فيها الكعكة، فقد ينتهي به الأمر بمطبخ مليء بالتعليمات المتضاربة. إحدى الملاحظات تقول "أضف السكر"، وأخرى تقول "لا تضف السكر"، وثالثة تقول "اخبزها فقط في أيام الثلاثاء". إذا قام الطالب بمجرد تكديس هذه الملاحظات في درج ("بنك المهارات")، فسوف يرتبك في النهاية ويخبز كعكة كارثية.
معظم الأساليب الحالية لتعليم وكلاء الذكاء الاصطناعي تعمل تمامًا مثل هذا الدرج الفوضوي. فعندما يفشل وكيل الذكاء الاصطناعي في مهمة ما، فإنه ينشئ مهارة جديدة لإصلاح ذلك الفشل المحدد. لكنه يعامل كل مهارة جديدة كتحديث معزول؛ فهو لا يتساءل: "مهلًا، هل تتعارض هذه القاعدة الجديدة مع القاعدة التي تعلمتها بالأمس؟" أو "هل هذه الحيلة مجرد صدفة غريبة تعمل لهذا النوع من الكعك فقط؟". والنتيجة هي روبوت يصبح أفضل في إصلاح خطأ برمجي محدد، ولكنه يصبح أسوأ في كل شيء آخر لأن "درج المهارات" الخاص به مليء بالتناقضات والحيل شديدة التخصص.
الحل: المخطط الرئيسي و"العناق الجماعي"
يقترح الباحثون GSE، الذي يعمل كمخطط رئيسي و"عناق جماعي" لمهارات الروبوت. فبدلاً من مجرد إلقاء ملاحظات جديدة في درج، يقوم GSE بتنظيم مكتبة المهارات بأكملاء باستخدام أداتين ذكيتين.
أولاً، يبني رسمًا بيانيًا لعلاقات المهارات (SRG). فكر في هذا كخريطة حية وعملاقة تربط كل مهارة بكل مهارة أخرى. هو يعرف أن "المهارة أ" (مثل فحص درجة حرارة الفرن) تعتمد على "المهارة ب" (مثل تسخين الفرن مسبقًا). إذا تعلم الروبوت طريقة جديدة لفحص درجة الحرارة، فإن الخريطة تتحقق فورًا: "انتظر، هل تكسر هذه الطريقة الجديدة قاعدة التسخين المسبق؟". إذا فعلت، فلا يقوم GSE بمجرد إضافة المهارة الجديدة؛ بل يقوم بتحديث الخريطة وتعديل المهارات ذات الصلة لضمان توافقها جميعًا. إنه يعامل معرفة الروبوت كنظام بيئي متصل، وليس كمجموعة من الحقائق العشوائية.
ثانيًا، يستخدم GSE التوحيد القائم على التجميع (Cluster-Based Consolidation). تخيل أن الروبوت يحاول إصلاح 100 خطأ مختلف. عشرة من تلك الأخطاء حدثت لأن الروبوت نسي التحقق مما إذا كان الملف موجودًا أم لا. النظام العادي سيكتب 100 ملاحظة مختلفة تقول "تحقق من الملف X"، "تحقق من الملف Y"، "تحقق من الملف Z". أما GSE، فينظر إلى المئة ملاحظة، ويرى النمط، ويقول: "آه، أنت لا تحتاج إلى 100 ملاحظة. أنت تحتاج فقط إلى قاعدة رئيسية واحدة: 'تحقق دائمًا مما إذا كان الملف موجودًا قبل فتحه'". إنه يجمع الأخطاء المتشابهة معًا ويحولها إلى مهارة واحدة قوية وقابلة لإعادة الاستخدام. هذا يمنع الروبوت من حفظ كل تفصيل صغير لكل خطأ، ويساعده على تعلم الدرس العام بدلاً من ذلك.
أخيرًا، قبل إضافة أي مهارة جديدة إلى الذاكرة الدائمة للروبوت، يخضعها GSE لعملية تحقق مدفوع بإعادة التشغيل (Replay-Driven Verification). إنها مثل البروفة النهائية. يحاول الروبوت تجربة المهارة الجديدة على المشكلات القديمة الماضية للتأكد من أنها لن تكسر بالخطأ شيئًا كان يؤديه جيدًا. إذا تسببت المهارة الجديدة في "تراجع" (خطوة إلى الوراء)، يتم استبعادها. فقط المهارات التي تجتاز هذا الاختبار الصارم هي التي يُسمح لها بالبقاء.
النتائج: أذكى، وليس فقط أقوى
اختبر الباحثون GSE في مهمتين حقيقيتين في هندسة البرمجيات: توليد الاختبارات للعثين عن الأخطاء، وتصفية الإنذارات الكاذبة في تقارير الأخطاء. وقارنوا GSE بروبوتات بدون مهارات، وروبوتات بمهارات مكتوبة بشريًا، وروبوتات تستخدم طرق "تعلم" أخرى.
كانت النتائج مبهرة. في مهمة العثور على الأخطاء، ساعد GSE الروبوتات على أن تصبح أكثر دقة بكثير. على سبيل المثال، في أحد الروبوتات (OpenHands)، حسن GSE القدرة على العث_دوار على الأخطاء الحقيقية (الاستدعاء/Recall) بنسبة تصل إلى 180.0% مقارنة بالطرق الأخرى، مع جعل الروبوت أكثر دقة (الدقة/Precision) بنسبة تتراوح بين 6.1% إلى 34.1%. وفي مهمة تصفية الإنذارات الكاذبة، حسن GSE الدقة بنسبة 15.4% إلى 96.4% والاستدعاء بنسبة 13.1% إلى 19.8%.
كما درست الدراسة روبوتًا صناعيًا حقيقيًا يستخدمه أحد شركات التكنولوجيا الكبرى. ورغم أن هذا الروبوت كان ذكيًا بالفعل، إلا أن إضافة GSE حسنت أداءه بنسبة 61.4% في درجة نجاحه الإجمالية (F1-score). وهذا يشير إلى أن GSE ليس مجرد طريقة للروبوتات البسيطة؛ بل يعمل حتى على الأنظمة المتقدمة.
ماذا يعني هذا؟
تجادل الورقة البحثية صراحةً ضد فكرة أنه يمكننا ببساطة الاستمرار في إضافة تحديثات محلية معزولة لدماغ الروبوت. فهم يظهرون أنه بدون رؤية شاملة، ستتراكم هذه التحديثات وتجعل الروبوت في النهاية أسوأ حالًا. كما يظهرون أن مجرد نسخ المهارات المكتوبة بشريًا ليس كافيًا، لأن البشر لا يمكنهم كتابة قاعدة لكل خطأ مستقبلي محتمل.
يشير GSE إلى أن مستقبل وكلاء الذكاء الاصطناعي لا يقتصر فقط على جعلهم أكثر ذكاءً في فراغ، بل يتعلق بتعليمهم كيفية تنظيم تعلمهم الخاص. ومن خلال رسم خرائط لكيفية ارتباط المهارات ببعضها البعض وتجميع الدروس المتشابهة معًا، يمكننا إنشاء روبوتات تتطور باستمرار دون أن تفقد عقلها. لقد قاس الباحثون هذه التحسينات من خلال اختبارات صارمة على أكواد حقيقية وبيانات صناعية، مما يشير إلى أن هذا النهج "العالمي" يعد خطوة هامة للأمام لجعل وكلاء الذكاء الاصطناعي مستقلين وموثوقين حقًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.