CaSKG: Counterfactual-Causal Skill Graphs for Scalable Agent Skill Retrieval
تُعد CaSKG إطار عمل سببي-تخيلي يعمل على تعزيز استرجاع مهارات وكلاء النماذج اللغوية الكبيرة (LLM) القابل للتوسع من خلال بناء ومعايرة رسم بياني للمهارات موجه عبر تجميع الأدلة غير المتصل بالإنترنت واستقصاءات التخيل النصي، مما يؤدي إلى تحسين معدلات نجاح المهام وكفاءتها بشكل كبير عبر مختلف الاختبارات المعيارية مقارنة بالطرق 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 يمكنه التحدث، والتفكير، والعمل في العالم الحقيقي، تماماً مثل مساعد بشري. هذه البرامج، المعروفة باسم وكلاء النماذج اللغوية الكبيرة، أصبحت قادرة بشكل متزايد على حل المشكلات المعقدة من خلال الجمع بين قدرتها على توليد النصوص والوصول إلى أدوات وبيئات خارجية. يمكنها تعلم استخدام واجهات برمجة التطبيقات (APIs)، أو التفاعل مع غرف محاكاة، أو اتباع إجراءات علمية. ومع ذلك، بينما يراكم هؤلاء الوكلاء مكتبات ضخمة من المهارات القابلة لإعادة الاستخدام — مثل إجراءات كل شيء بدءاً من طهي وجبة وصولاً إلى اختبار مادة كيميائية — ينتقل التحدي من مجرد امتلاك الأدوات إلى معرفة أي منها يجب استخدامه. إذا حاول الوكيل تذكر كل إجراء ممكن في وقت واحد، فسيصبح مثقلاً بالضجيج. وإذا بحث فقط عن الكلمات التي تتطابق مع المهمة الحالية، فقد يغفل عن خطوة حاسمة لا تبدو متشابهة في اللفظ ولكنها ضرورية منطقياً. تكمن المشكلة الجوهرية في كيفية استرجاع التسلسل الصحيح من الإجراءات من مكتبة ضخمة دون الضياع في التفاصيل غير ذات الصلة أو تفويت التبعيات الخفية.
قام باحثون من جامعة جيلين ومجموعة "أنت جروب" (Ant Group) بتطوير طريقة جديدة تسمى CaSKG لحل مشكلة الاسترجاع هذه. وبدلاً من معاملة المهارات كقطع نصية معزولة أو ببساً ربطها بناءً على مدى تشابه أصواتها، بنى الفريق نظاماً يختبر موثوقية الروابط بين المهارات قبل أن يستخدمها الوكيل. لقد أنشأوا رسماً بيانياً موجهاً، وهو عبارة عن شبكة تكون فيها المهارات بمثابة عقد، وتمثل الأسهم بينها ترتيب الإجراءات التي يجب اتخاذها. ويكمن الابتكار في كيفية تحديد الأسهم التي سيتم الإبقاء عليها؛ فقبل نشر الخريطة النهائية، أخضع النظام الروابط المحتملة لسلسلة من الاختبارات الصارمة. حيث طلب من الذكاء الاصطناعي تخيل سيناريوهات يتم فيها إزالة مهارة ما، أو استبدالها بمهارة أخرى، أو تنفيذها بترتيب خاطئ. ومن خلال مراقبة كيفية فشل المهمة أو ارتباكها في هذه المواقف الافتراضية، استطاع النظام تحديد ما إذا كان الرابط يمثل تبعية حقيقية أم مجرد مصادفة.
اختبر الباحثون هذا النهج على معيارين مختلفين: مجموعة من المهام المنزلية التي تتضمن العثور على الأشياء وتحريكها، ومجموعة من التجارب العلمية التي تتطلب تسلسلات محددة من الملاحظة والمعالجة. وقد أجروا هذه الاختبارات باستخدام ستة نماذج لغوية كبيرة مختلفة، تتراوح من النماذج الأصغر والأكثر كفاءة إلى النماذج الأضخم والأكثر قوة. وأظهرت النتائج أن الطريقة الجديدة تفوقت باستمرار على الأساليب الحالية. ففي كل مزيج من النماذج وأنواع المهام، حققت CaSKG أعلى معدل نجاح. وبالنسبة للمهام العلمية، قفز متوسط الدرجات عبر جميع النماذج من حوالي 72.6 إلى 80.5، وبالنسبة للمهام المنزلية، ارتفع معدل النجاح من 80.01% إلى 86.79%. ولعل الأهم من ذلك هو أن الوكلاء الذين استخدموا هذه الطريقة وصلوا إلى أهدافهم في عدد خطوات أقل، مما يشير إلى أنهم لم يهدروا الوقت في تجربة إجراءات عشوائية أو تصحيح الأخطاء الناتجة عن نصائح سيئة.
كان مفتاح هذا النجاح هو القدرة على تصفية الروابط الضعيفة. فغالباً ما كانت الطرق السابقة تعتمد على رسوم بيانية تعتمد روابطها على مدى تكرار ظهور المهارات معاً أو مدى تشابه أوصافها. ووجدت الدراسة الجديدة أن هذه الأساليب غالباً ما تضلل الوكيل، مما يجعله يتبع مسارات غير ذات صلة أو يغفل عن المتطلبات الأساسية الحرجة. ومن خلال استخدام الاستدلال المضاد للواقع — أي طرح سؤال "ماذا لو لم يحدث هذا الإجراء؟" — استطاع النظام معايرة الثقة في كل رابط. لقد احتفظ بالروابط القوية والضرورية التي تشكل سير عمل متماسك، مثل الحاجة إلى تشغيل مصدر الطاقة قبل اختبار دائرة كهربائية، مع التخلص من الارتباطات الضعيفة التي تبدو مرتبطة فحسب. سمح هذا للوكيل باسترجاع حزمة مدمجة وقابلة للتنفيذ من المهارات التي تحافظ على الترتيب المنطقي للعمليات، مما يضمن وجود خطوات التحضير، والعمل، والتحقق، والإتمام، جميعها في التسلسل الصحيح.
كما استكشفت الدراسة مدى صمود هذه الطة مع نمو مكتبة المهارات. فعندما زاد عدد المهارات المتاحة من بضع مئات إلى ألفي مهارة، ظل امتياز الطريقة الجديدة مستقراً، وفي بعض الحالات، أصبح أقوى. وهذا يشير إلى أنه مع تراكم الوكلاء للمعرفة، تصبح الحاجة إلى طريقة موثوقة للتنقل في تلك المعرفة أكثر أهمية. ووجد الباحثون أن النظام يعمل بشكل أفضل عندما يمكنه الاعتماد على أنواع متعددة من الأدلة، مثل متطلبات المدخلات والمخرجات لمهارة ما أو موقعها في سير العمل، بدلاً من مجرد الوصف النصي. كما اكتشفوا أنه بينما ساعدت الطريقة معظم المهام بشكل كبير، إلا أنها كانت أقل أهمية في عمليات البحث البسيطة والمباشرة حيث تكون الإجابة واضحة، مما يؤكد أن قيمة النظام تكمن في التعامل مع الإجراءات المعقدة متعددة الخطوات.
في النهاية، يوضح هذا العمل أن جودة الروابط بين قطع المعرفة لا تقل أهمية عن المعرفة نفسها. فمن خلال معاملة عملية الاسترجاع كمسألة للتحقق من العلاقات السببية بدلاً من مجرد مطابقة الكلمات، أنشأ الباحثون إطاراً يسمح للوكلاء بالوصول إلى ذاكرتهم بشكل أكثر فعالية. لا تغير هذه الطريقة كيفية عمل الوكيل أو الأدوات التي يمكنه استخدامها؛ بل تضمن ببساطة توفر التعليمات الصحيحة في الوقت المناسب. يقدم هذا النهج مساراً قابلاً للتوسع لبناء وكلاء يمكنهم التعامل مع مهام تزداد تعقيداً، مما يثبت أن خريطة المهارات المعايرة جيداً هي أكثر قيمة من مكتبة ضخمة وغير منظمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.