بنية «التوجيه الذاتي» تكسر حلقة النسيان: محولات دقيقة تعادل 0.02 بالمئة من المعاملات تحول عثرات الوكلاء إلى خبرة دائمة
يواجه مطورو الوكلاء الأذكياء مأزقًا بنيويًا يهدد استقرار المهام المؤتمتة: فالنماذج التي تصحح أخطاءها أثناء التشغيل سرعان ما تفقد تلك الخبرة بمجرد انتهاء الجلسة، لتعود إلى ارتكاب الخطأ ذاته في كل مواجهة جديدة. هذا الواقع كشفته ورقة بحثية أودعها باحثون يقودهم يوفال كانسال ومارك إبراهيم في أرخايف، مقدمين حلاً هندسيًا باسم «التوجيه الذاتي» (Self-Direction)، يوفق بين التصحيح الفوري في سياق المحادثة وتحديث السياسات التشغيلية للنموذج دون تكلفة باهظة.
الخيارات المتاحة أمام الفرق الهندسية كانت تنحصر تاريخيًا بين مسارين كلاهما ينطوي على كلفة معطلة. المسار الأول يعتمد على كتابة الاستدلالات والتصحيحات داخل نافذة السياق؛ وهو حل مؤقت يتبخر مع بدء جلسة جديدة، فضلاً عن استنزافه لنافذة السياق المحدودة ورفع زمن الاستجابة. أما المسار الثاني فيتمثل في إعادة الضبط الدقيق لكافة معاملات النموذج؛ وهو خيار باهظ الحوسبة ويحمل مخاطر محو القدرات الأساسية للنموذج الأصلي وتدهور استجاباته العامة.
تعمل بنية «التوجيه الذاتي» عبر تجميد الأوزان الأصلية للنموذج بالكامل، واقتناص لحظة الفشل التشغيلي لتقطير الدرس المستفاد في محول منخفض الرتبة مستقل. هذا المحول الخفيف لا يتطلب تدريب سوى معلمات إضافية تعادل نحو 0.02 بالمئة فقط من إجمالي معاملات النموذج الأساسي. فور إنتاج هذا المحول، يحفظه الوكيل داخل مكتبة دائمة للدروس، ليعاد توجيهه تلقائيًا كلما واجه النظام مشكلات مشابهة في مهام لاحقة، مما يحمي المعاملات الأصلية من التعديل ويمنع تداخل المهام.
التجارب التي أجريت على نماذج مفتوحة المصدر من عائلة «كوين» (Qwen) أثبتت فاعلية هذا النهج عبر ثلاث بيئات قياس معقدة: اختبارات الأبحاث المفتوحة (GAIA)، وتدفقات استخدام الأدوات البرمجية (Claw-Eval)، ومهام بيئة الأوامر الطرفية (Terminal-Bench 2.1). النتائج أظهرت قفزة في معدلات النجاح الإجمالية تراوحت بين 8.9 و17.0 نقطة مئوية، ما وضع النماذج في موقع منافس للأنظمة الرائدة المغلقة. والأهم من ذلك أن موثوقية تصحيحات الوكيل تضاعفت تقريبًا مقارنة بالأساليب السابقة، مع انخفاض ملحوظ في تكرار الأخطاء السابقة.
الميزة الاستثنائية التي رصدتها التجارب تمثلت في قدرة الدروس المتعلمة على الانتقال إلى سياقات غير مسبوقة؛ فحفنة صغيرة من المحولات المخزنة نجحت في التعميم على عشرات المهام الجديدة دون تدريب إضافي. هذا الانتقال المعرفي يمنح الوكلاء قدرة تراكمية تشبه بناء الذاكرة الإجرائية، حيث يتحول كل عطل برمجيات أو خطأ استدعاء إلى أصل ثابت يستفيد منه النظام في وظائفه التالية.
لهذا التحول أثر تشغيلي مباشر على المؤسسات والفرق التقنية في الخليج ومصر والشام التي تخوض غمار أتمتة العمليات وخدمة العملاء والتحليل المالي. الاعتماد الكامل على النماذج العالمية المغلقة عبر واجهات الاستدلال يكلف ميزانيات متصاعدة مع كل تضخم في نوافذ السياق، بينما نشر النماذج المفتوحة محليًا كان يصطدم بعجزها عن التطور التراكمي وتكلفة إعادة تدريبها على عتاد باهظ. بنية المحولات الدقيقة تتيح لفرق المنطقة تشغيل نماذج مفتوحة ذات كفاءة استدلال مستقرة، مع بناء مكتبات داخلية للدروس تتناسب مع البيئة التشغيلية المحلية وبيانات الأعمال الحساسة دون تسريبها أو المساس بأوزان النموذج.
تتغير هنا طبيعة المهارة المطلوبة من مهندسي الذكاء الاصطناعي في المنطقة: الانتقال من محاولات صياغة الأوامر الركيكة إلى هندسة مكتبات التوجيه ونظم توجيه المحولات المؤتمتة. فالاستثمار المؤسسي اليوم يركز على حماية النظام من تكرار الخطأ مرتين، وتحويل الإخفاق اليومي إلى خبرة ثابتة بأقل تكلفة حوسبة ممكنة.