Toward Effective and Reliable LLM Agents via Dynamic Ontology
تقدم الورقة البحثية إطار عمل OaK، الذي يقوم ببناء وتطوير أنطولوجيات موجهة للمهام بشكل ديناميكي لتجسيد المعرفة والعلاقات صراحةً، مما يعزز من توظيف الأدلة وموثوقية الاستدلال متعدد الخطوات في وكلاء النماذج اللغوية الكبيرة.
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
في عالم الذكاء الاصطناعي المتطور بسرعة، ظهر نوع محدد من البرمجيات يُعرف باسم "النماذج اللغوية الكبيرة" كأداة قوية لفهم وتوليد اللغة البشرية. وغالبًا ما تُستخدم هذه النماذج لبناء "الوكلاء" (agents)، وهي برامج مصممة ليس فقط للدردشة، بل لأداء مهام معقدة عبر تقسيمها إلى خطوات أصغر، مثل البحث عن المعلومات، واستخدام الأدوات الرقمية، واتخاذ القرارات بناءً على ما تجده. ومع ذلك، بينما يحاول هؤلاء الوكلاء تنفيذ وظائف أطول وأكثر تعقيدًا، فإنهم غالبًا ما يواجهون صعوبات؛ إذ يمكن أن يفقدوا تتبع الحقائق التي يحتاجونها، أو يرتكبوا قفزات منطقية لا تصمد أمام الواقع، أو يعلقوا في حلقات من الخطأ لأنهم يعتمدون بشكل مفرط على المعرفة الواسعة وغير المنظمة المخزنة داخل ذاكرتهم الخاصة. ولحل هذه المشكلة، يستكشف الباحثون طرقًا لمنح هؤلاء الوكلاء خريطة أكثر وضوحًا وتنظيمًا للعالم الذي يتنقلون فيه، مما يضمن أن كل خطوة يتخذونها تستند إلى أدلة موثوقة بدلاً من التخمين.
قام فريق من الباحثين في جامعة نانجينغ ومؤسسات أخرى بتطوير إطار عمل جديد يسمى OaK لمعالجة مشكلات الموثوقية هذه. ويركز عملهم على مفهوم يُسمى "الأنطولوجيا" (ontology)، وهي في الأساس قاموس مهيكل للمفاهيم والعلاقات بينها، مكتوب بطريقة يمكن للحواسيب تفسيرها بصرامة. وبينما تتطلب الطرق التقليدية لإنشاء هذه الهياكل قيام الخبراء بتعريف كل قاعدة يدويًا — وهي عملية بطيئة وصعبة — يقوم النظام الجديد بأتمتة إنشاء هذه الخرائط خصيصًا للمهمة المطلوبة. وقد وجد الباحثون أنه من خلال بناء هيكل مخصص وديناميكي لكل مهمة، استطاعوا تحسين قدرة الوكيل على التخطيط وتنفيذ المهام متعددة الخطوات بشكل كبير، مما جعل العملية أكثر شفافية وأقل عرضة للفشل.
جوهر نظام OaK هو عملية مكونة من مرحلتين تحدث قبل أن يبدأ الوكيل في محاولة تنفيذ مهمة في العالم الحقيقي. أولاً، ينظر النظام إلى مجموعة من الأمثلة التدريبية والمتطلبات المحددة لوظيفة ما، مثل التخطيط لرحلة أو إدارة بيانات العملاء. ثم يقوم تلقائيًا بصياغة "مخطط" (schema)، وهو عبارة عن مسودة تعريفية تحدد أنواع المعلومات المهمة المعنية، مثل "الفنادق" أو "الرحلات الجوية" أو "الميزانيات"، وكيفية ارتباطها ببعضها البعض. هذا المخطط ليس مجرد قائمة؛ بل يتم فحصه بدقة بواسطة "مستنتج منطقي" (logical reasoner) لضمان عدم وجود تناقضات أو قواعد مفقودة. وإذا كان المخطط معيبًا، يقوم النظام بإصلاحه قبل الانتقال للمرحلة التالية. وبمجرد أن يصبح المخطط متينًا، يبني النظام "رسمًا بيانيًا للمعرفة" (knowledge graph)، وهو شبكة من نقاط البيانات الفعلية المستخرجة من المواد التدريبية، والمنظمة تمامًا وفقًا لقواعد المخطط.
مع وجود هذا الأساس المهيكل، يقوم النظام بإنشاء مجموعة من الأدوات المتخصصة، أو "الوظائف" (functions)، التي يمكن للوكيل استخدامها. فبدلاً من مطالبة الوكيل بكيفية البحث عن رحلة طيران، وتصفيتها حسب السعر، والتحقق من التوفر بمفرده، يوفر النظام أدوات جاهزة تؤدي هذه الإجراءات المحددة بشكل صحيح. ثم يستخدم الوكيل هذه الأدوات لحل المشكلات، مسترشدًا بالقواعد الصارمة للمخطط. وإذا ارتكب الوكيل خطأً أو فشلت المهمة، يقوم نموذج "قاضٍ" (judge) بمراجعة العملية بأكملها، وتحديد مكان الخلل في المخطط أو الأدوات بالضبط، واقتراح التحسينات. وتتكرر دورة البناء والاختبار والتحسين هذه عدة مرات حتى يصبح النظام قويًا بما يكفي للتعامل مع الأسئلة غير المتوقعة. والنتيجة هي "نواة" (kernel)، وهي واجهة موثوقة وثابتة يستخدمها الوكيل للتفاعل مع البيانات، مما يضمن أن كل قرار مدعوم بالأدلة وأنه لا يمكن للوكيل اختراع حقائق أو تجاهل القيود عن طريق الخطأ.
اختبر الباحثون هذا النهج على ثلاثة أنواع مختلفة تمامًا من التحديات لمعرفة مدى صموده في العالم الحقيقي. الأول كان مهمة تخطيط سفر حيث تعين على الوكيل ترتيب الرحلات الجوية، والفنادق، والوجبات، والأنشطة مع الالتزام بقيود صارمة للميزانية والجدول الزمني. وتضمن الثاني إدارة علاقات العملاء في بيئة أعمال، مما يتطلب من الوكيل اتباع سياسات شركة معقدة واسترجاع سجلات محددة. واختبر الثالث القدرة على دمج المعلومات من مصادر خارجية متنوعة، مثل قواعد بيانات الرحلات الجوية ومراجعات المطاعم، للإجابة على أسئلة تفصيلية. وفي كل حالة، تفوق نظام OaK على الأساليب القياسية. ففي مهمة تخطيط السفر، على سبيل المثال، حسن النظام معدل النجاح في إكمال مسار رحلة كامل وصالح من حوالي 15 بالمائة إلى ما يقرب من 56 بالمائة عند استخدام أحد النماذج الأساسية، ومن حوالي 4 بالمائة إلى ما يقرب من 20 بالمائة مع نموذج آخر. كما أظهر مكاسب كبيرة في مهام الأعمال والبيانات، لا سيما في السيناريوهات التي يحتاج فيها الوكيل إلى اتباع قواعد صارمة أو دمج البيانات من جداول متعددة.
كشفت الدراسة أيضًا عن سبب حدوث هذه التحسينات. فعندما أزال الباحثون الأدوات المخصصة أو أوقفوا النظام عن تحسين مخططه عبر جولات متعددة، انخفض الأداء بشكل حاد. وهذا يشير إلى أن مجرد منح الوكيل الوصول إلى البيانات لم يكن كافيًا؛ بل كان الوكيل بحاجة إلى القواعد المهيكلة والأدوات الجاهزة لتنسيق أفعاله بفعالية. لقد عمل النظام من خلال جعل عملية التفكير لدى الوكيل مرئية ومقيدة، مما منعها من التيه في افتراضات غير مدعومة. وبينما تطلب الأسلوب الجديد وقتًا أطول قليلاً للتشغيل وأنتج نصًا مخرجات أكثر من بعض الأساليب الأبسط، إلا أنه استخدم عددًا أقل من "رموز المدخلات" (input tokens)، مما يشير إلى أن الواجهة المهيكلة جعلت الوكيل أكثر كفاءة في معالجة المعلومات التي يحتاجها. وخلص الباحثون إلى أنه من خلال تحويل المعرفة بالمجال إلى واجهة قابلة للتنفيذ وذاتية التصحيح، يمكنهم جعل وكلاء الذكاء الاصطناعي أكثر موثوقية، وجدارة بالثقة، وقدرة على التعامل مع التفكير المعقد متعدد الخطوات المطلوب في التطبيقات الواقعية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.