HyperSkill: Self-Evolving LLM Agents via Hypergraph-Structured Skill Memory
يُعد HyperSkill إطار عمل مبتكر يعزز أداء وكلاء النماذج اللغوية الكبيرة (LLM) في المهام المعقدة من خلال تمثيل الذاكرة التجريبية كـ "رسم بياني فائق" (hypergraph) يتكون من مهام فرعية ومهارات قابلة لإعادة الاستخدام، مما يتيح تخزيناً أكثر فعالية، واسترجاعاً علاقيّاً، وصيانة ذاتية التطور تتفوق بشكل كبير على النماذج المرجعية الحالية.
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 برنامج حاسوب مصمم ليعمل كمساعد بشري، قادر على تصفح الإنترنت، واستخدام الأدوات، وحل المشكلات المعقدة متعددة الخطوات. هذه البرامج، المعروفة باسم الوكلاء الذكيين (AI agents)، لا تكتفي فقط بالإجابة على الأسئلة؛ بل تتخذ إجراءات، وتراقب النتائج، وتحاول مجددًا في حال الفشل. ولكي تتحسن هذه الوكلاء بمرور الوقت، فإنها تحتاج إلى وسيلة لتذكر ما قامت به من قبل. تمامًا كما يتعلم الإنسان من خطأ سابق أو استراتيجية ناجحة، يحتاج الوكيل إلى تخزين تجاربه ليتمكن من إعادة استخدامها لاحقًا. ويكمن التحدي في كيفية تنظيم هذه الذاكرة؛ فإذا قام الوكيل ببساطة بحفظ قائمة طويلة لكل إجراء اتخذه على الإطلاق، ستصبح المعلومات عبارة عن كومة فوضوية من الضجيج. وإذا حفظ فقط الإجابة النهائية، فإنه سيفقد المنطق المتسلسل الذي جعل الحل ناجحًا. إن المفتاح لبناء وكيل قادر حقًا على تطوير نفسه هو إيجاد طريقة لتخزين ليس فقط البيانات الخام للحدث، بل العلاقات بين الخطوات الصغيرة المتخذة والمهارات المستخدمة لحلها.
لقد حاول الباحثون حل هذه المشكلة من خلال إنشاء أنظمة مختلفة لذاكرة الوكيل. بعض الأنظمة تحفظ قصصًا كاملة لتفاعلات سابقة، بينما تحاول أنظمة أخرى تلخيص تلك القصص في ملخصات قصيرة أو قوائم من "المهارات". ومع ذلك، فإن هذه الأساليب الحالية غالبًا ما تعامل كل قطعة من المعلومات كعنصر معزول؛ فقد تتذكر أن مهمة معينة قد حُلت، لكنها تفشل في التقاط كيفية اتصال الخطوات الصغيرة لتلك المهمة بالمهارات القابلة لإعادة الاستخدام التي جعلت ذلك ممكنًا. كما أنها تواجه صعوبة في تحديث ذاكرتها بكفاءة، حيث تكتفي غالبًا بإضافة معلومات جديدة دون التحقق مما إذا كانت المعلومات القديمة قد أصبحت عديمة الفائدة أو ما إذا كانت مهارتان متشابهتان هما في الواقع الشيء نفسه. هذا القصور يمنع الوكلاء من التطور حقًا، لأنهم لا يستطيعون بسهولة رؤية الأنماط التي تربط المهام المختلفة ببعضها البعض.
ولمعالجة هذه الفجوات، طور فريق من الباحثين إطار عمل جديدًا يسمى HYPERSKILL. بدلاً من تخزين الذكريات كقائمة مسطحة أو كسلسلة بسيطة من الاتصالات، ينظم هذا النظام تجارب الوكيل في شبكة معقدة حيث تربط وحدة ذاكرة واحدة عدة قطع من المعلومات ذات الصلة في آن واحد. فكر في الذاكرة ليس كملف واحد، بل كمجموعة صور جماعية تلتقط رحلة محددة، والخطوات الفردية المتخذة على طول الطريق، والأدوات أو الاستراتيجيات المحددة المستخدمة للوصول إلى هناك، وكل ذلك مرتبط معًا في حزمة واحدة. عندما يواجه الوكيل مشكلة جديدة، فإنه لا يبحث فقط عن قصة سابقة مشابهة، بل يقوم بتفكيك المشكلة الجديدة إلى أجزائها الصغيرة ويبحث عن الرحلات الماضية التي تشترك في تلك الأجزاء نفسها، بغضًا عما إذا كان الشكل العام للقصة يبدو مختلفًا على السطح.
يعمل النظام من خلال إنشاء نوعين من عقد الذاكرة: واحدة للخطوات المحددة لمهمة ما، وأخرى للمهارات القابلة لإعادة الاستخدام التي يمكن تطبيقها عبر مهام عديدة. وترتبط هذه العقد برابط خاص يمثل رحلة كاملة خاضها الوكيل. وعندما تصل مهمة جديدة، يستخدم الوكيل بحثًا ثنائي المسار للعثور على أكثر التجارب الماضية نفعًا. أولاً، يبحث عن الرحلات الماضية التي تشترك في نفس الخطوات الصغيرة للمهمة الحالية. ثانيًا، يبحث عن الرحلات التي تطابق الوصف العام للمهمة. ومن خلال الجمع بين هذين البحثين، يمكن للنظام العثور على تجارب ذات صلة قد يغفل عنها بحث أبسط. وبمجرد العثور على هذه الرحلات الماضية، يقوم بترتيب المهارات المستخدمة فيها بناءً على عدد المرات التي ظهرت فيها معًا في نتائج ناجحة. وهذا يسمح للوكيل بإعطاء الأولوية للاستراتيجيات الأكثر موثوقية بدلًا من مجرد التخمين بناءً على تشابه الكلمات.
ومع استمرار الوكيل في العمل وتراكم المزيد من تجاربه، يقوم النظام تلقائيًا بتنقية ذاكرته للحفاظ على فائدتها. فهو يتحقق بانتظام من المعلومات المخزنة لإزالة المهارات أو الخطوات التي ثبت عدم فعاليتها أو التي لم تعد هناك حاجة إليها. كما يبحث عن المهارات التي هي في الأساس الشيء نفسه ويقوم بدمجها في مدخل واحد أقوى. تضمن هذه العملية بقاء الذاكرة مدمجة وعالية الجودة، مما يمنع الوكيل من الغرق في معلومات زائدة أو منخفضة القيمة. وقد اختبر الباحثون هذا النظام على ثلاثة معايير مختلفة تتضمن التنقل المعقد في الويب، والاستنتاج متعدد الخطوات، واستخدام الأدوات. وقارنوا HYPERSKILL بعشرة أنظمة ذاكرة أخرى باستخدام نموذجين مختلفين من النماذج اللغوية الكبيرة. وأظهرت النتائج أن إطار العمل الجديد تفوق باستمرار على الآخرين، محققًا معدلات نجاح أعلى في المهام الصعبة. فعلى سبيل المثال، في اختبار محدد، حسن معدل النجاح بأكثر من أحد عشر نقطة مئوية مقارًا بوجود الذاكرة من عدمه، وفعل ذلك دون الحاجة إلى قدر أكبر من الحوسبة أو الوقت.
تشير الدراسة إلى أن الطريقة التي تُنظم بها الذاكرة لا تقل أهمية عن الذاكرة نفسها. فمن خلال الحفاظ على العلاقات بين المهام والخطوات والمهارات، ومن خلال السماح للنظام بتطوير قاعدة معرفته الخاصة، يمكّن HYERSKILL الوكلاء من التعلم بفعالية أكبر من تاريخهم. ووجد الباحثون أن مجرد إضافة المزيد من الذاكرة دون طريقة ذكية لتنظيمها وتنظيفها يمكن أن يضر بالأداء فعليًا، مما يؤدي إلى الارتباك والأخطاء. إن نهجهم، الذي يجمع بين شبكة مهيكلة من الاتصالات وعملية منضبطة للتقليم والدمج، يقدم مسارًا نحو وكلاء يمكنهم حقًا النمو في الكفاءة مع كل تجربة يخوضونها. وبينما يعتمد النظام حاليًا على الوكيل لتفكيك المهام واستخراج الدروس، مما يضيف تكلفة صغيرة على عملياته، فإن المكاسب في الدقة والكفاءة تشير إلى أن طريقة تنظيم المعرفة هذه تمثل خطوة كبيرة للأمام للأنظمة المستقلة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.