إطار عمل مبتكر لتحسين أداء الوكلاء اللغويين باستخدام JTPRO

في عالم الذكاء الاصطناعي، تتزايد استخدامات نماذج اللغات الضخمة (LLM) مع تزايد الأدوات الخارجية المساعدة. ومع هذا التوسع، تكشف العديد من التحديات التي تواجه هذه الوكالات، خصوصًا عند التعامل مع مجموعات كبيرة من الأدوات المتخصصة. غالبًا ما تؤدي أوصاف الأدوات الغامضة والتعليمات غير المحددة بشكل كافٍ إلى مشاكل في تحديد الأدوات المناسبة واختيار القيم الصحيحة.

هنا يظهر إطار عمل JTPRO، والذي يعني تحسين المشغلين المشتركين من خلال تفكير عاكس (Joint Tool-Prompt Reflective Optimization). هذا الإطار مصمم لتحسين موثوقية استدعاء الأدوات باستخدام أساليب متعددة، مما يجعل الوكلاء أكثر دقة وكفاءة. يتمتع JTPRO بقدرة على معالجة التعليمات العامة لكل أداة مع الحفاظ على قواعد محلية تساعد في تحديد الأدوات بشكل صحيح.

لقد تم تقييم JTPRO عبر مجموعة من المؤشرات المعقدة التي تشمل دقة اختيار الأدوات (Tool Selection Accuracy) ودقة ملء القيم (Slot Filling Accuracy) ومعدل النجاح الشامل (Overall Success Rate). النتائج تظهر أن JTPRO يتفوق بشكل مستمر على مجموعة من النماذج القوية، بما في ذلك نماذج CoT والمشغلات العاكسة مثل GEPA، حيث حققت تحسينات تراوحت بين 5% و20%.

تظهر التجارب أيضًا أن تحسين التعليمات وبنى الأدوات بشكل مشترك يعد أكثر فعالية وموثوقية من تحسين كل عنصر بمفرده. تعكس هذه النتائج أهمية التفكير العاكس في تعزيز الفعالية عبر مجموعة متنوعة من الأدوات، مما يعكس توجهات جديدة في أبحاث الذكاء الاصطناعي واستخدامه العملي.