إطار «إس دبليو إي برايم» يثبت تفوق انتقاء البيانات: تدريب وكلاء البرمجة على 10% من المسارات يتفوق على مجموعات البيانات الكاملة

في سباق تطوير وكلاء هندسة البرمجيات القائمين على النماذج اللغوية الكبيرة، ساد توجه تقني يركز على تجميع أضخم قدر ممكن من مسارات الحل الناجحة وتدريب النماذج عليها عبر الضبط الدقيق الخاضع للإشراف. غير أن ورقة بحثية جديدة كشفت أن مجرد نجاح المسار في حل المشكلة لا يضمن جودة التوجيه التدريبي؛ إذ تحتوي مسارات الوكلاء في البيئات البرمجية الواقعية على خطوات زائدة، أو غير فعالة، أو محفوفة بالمخاطر البرمجية، مما يجعل تلقينها المباشر للنماذج مصدرًا لتوليد ضوضاء سلوكية تدفع النماذج إلى محاكاة أساليب عمل معيبة أثناء حل المشكلات.

ولمعالجة هذه الفجوة بين نجاح النتيجة وسلامة المسار، اقترح فريق بحثي إطار «إس دبليو إي برايم» (SWE-Prime)، وهو منهجية متدرجة لاختيار بيانات التدريب تعمل على مستويين متكاملين لتصفية البيانات. المرحلة الأولى تتولى الفحص الشامل على مستوى المسار الكامل بناءً على جودة العملية التنفيذية، وجودة النتيجة المحققة، ومدى تمثيل المسار للمشكلات البرمجية، لاختيار مجموعة فرعية عالية الجودة وممثلة للحلول الناجحة. أما المرحلة الثانية فتنتقل إلى مستوى المقاطع الدلالية عبر تجميع الخطوات المتتابعة في كتل وظيفية وتقييم كل مقطع وفق مساهمته المباشرة في الوصول إلى الحل النهائي، وقابليته للتعلم، والمخاطر الكامنة فيه.

ويعتمد الإطار أسلوبًا دقيقًا في حساب دالة الخسارة أثناء الضبط؛ حيث يُبقي على كافة المقاطع ضمن التسلسل الزمني للحفاظ على ترابط السياق، بينما يقصر حساب الخسارة على المقاطع المفيدة والمختارة فقط. وقد أثبتت الاختبارات التجريبية على معياري «إس دبليو إي بينش برو» (SWE-Bench Pro) و«إس دبليو إي بينش فيريفايد» (SWE-Bench Verified) فاعلية هذه المقاربة؛ إذ تفوق التدريب على مجموعة فرعية تمثل 10% فقط من المسارات المختارة على التدريب باستخدام كامل بيانات المسارات الناجحة، محققًا قفزات أداء نسبية وصلت إلى 12.2% على المعيار الأول و24.2% على المعيار الثاني.

يحمل هذا التحول دلالة عملية مباشرة لفرق التطوير ومراكز الابتكار التقني في الخليج ومصر والشام التي تعمل على تدريب وضبط وكلاء برمجة محليين داخل بيئاتها المؤسسية. فالاعتماد على انتقاء 10% من المسارات الأعلى جودة يخفض تكاليف الحوسبة وزمن التدريب إلى جزء يسير من الميزانيات المعتادة، كما يحمي الفرق من تبديد الموارد على جمع وتخزين بيانات مسارات مشوبة بالتخبط. وبدلاً من التركيز على جمع أطنان البيانات الخام، تتجه متطلبات المهارة محليًا نحو هندسة معايير التصفية والتقييم الدلالي لخطوات النماذج، لضمان إنتاج وكلاء برمجيين يتبعون مسارات حل نظيفة وآمنة داخل البنى البرمجية الحساسة.