Nous Research تطلق Tool Search لوكيل Hermes Agent: ارتفاع الدقة بنسبة 49–74% على Opus 4

كشفت Nous Research عن تحديث لوكيل Hermes Agent يضيف ميزة Tool Search، وهي ميزة تعالج مشكلة قديمة تواجه وكلاء الذكاء الاصطناعي عند العمل مع MCP (Model Context Protocol). يتيح النهج الجديد للوكيل اختيار الأدوات ذات الصلة فقط، بدلًا من تحميل الوصف الكامل لجميع الأدوات المتاحة في السياق.

تحميل السياق فوق طاقته في MCP

عندما يتفاعل وكيل الذكاء الاصطناعي مع منظومة أدوات عبر MCP، يتطلب النهج التقليدي تحميل وصف جميع الأدوات المتاحة في سياق النموذج منذ البداية. فإذا بلغ عدد الأدوات ثلاثين أو خمسين أو مئة، ولكل منها وصف مفصّل للمعاملات وأمثلة الاستخدام، تتحول المسألة سريعًا إلى مشكلة: يتضخم السياق، وتنفد الرموز (التوكنات) قبل الأوان، وقد يضيع النموذج نفسه في بحر من المعلومات.

لاحظت Nous Research هذه الثغرة، وقررت تطبيق نهج كلاسيكي من مجال استرجاع المعلومات، هو الترتيب بخوارزمية BM25. وهي خوارزمية بحث نصي كامل تقيس مدى صلة المستند (وهو هنا وصف الأداة) باستعلام المستخدم. وبدلًا من تحميل الكتالوج بأكمله، يبحث النظام الآن عن الأدوات الأنسب، ويمرّر مخططاتها إلى السياق تدريجيًا.

كيف يعمل Tool Search عمليًا

آلية العمل بسيطة لكنها فعّالة. عند تهيئة الوكيل، يفهرس النظام البيانات الوصفية لجميع الأدوات المتاحة، أي أسماءها وأوصافها والغرض منها. وحين يصدر المستخدم أمرًا، لا يطّلع الوكيل على القائمة الكاملة، بل يبحث أولًا عن أفضل K أداة ذات صلة بالطلب:

• الخطوة الأولى: إجراء بحث BM25 في أسماء الأدوات وأوصافها
• الخطوة الثانية: تحميل مخططات موجزة لأعلى النتائج في سياق النموذج
• الخطوة الثالثة: عند الحاجة، الكشف عن المعاملات الكاملة للأداة المختارة فقط
• النتيجة: يبقى السياق تحت السيطرة، ويصبح اختيار الوكيل أدق

يعالج هذا التصميم عدة مشكلات في آن واحد: ينكمش حجم السياق، وتتحسن سرعة العمل، والأهم أن دقة اختيار الأداة ترتفع، لأن النموذج لا ينشغل بخيارات غير ذات صلة.

أرقام من Anthropic

اختبرت Nous Research ميزة Tool Search على اختبارات Anthropic Evals القياسية، وحصلت على نتائج تستحق الوقوف عندها. فعلى نموذج Claude Opus 4 تراوح الارتفاع في الدقة بين 49% و74% بحسب نوع المهمة ومجموعة الأدوات. وهذا ليس مجرد هامش خطأ إحصائي، بل تحسّن ملحوظ يدل على أن تضييق السياق ليقتصر على الأدوات ذات الصلة يساعد النموذج فعلًا على التركيز في الاختيار الصحيح.

ومن اللافت أن الأثر يبرز بوضوح أكبر مع مجموعات الأدوات الكبيرة: فكلما اتسع نطاق الاختيار، زاد المكسب الناتج عن المرشّح الذكي.

ماذا يعني ذلك لوكلاء الذكاء الاصطناعي

يقدّم Tool Search مثالًا صغيرًا لكنه معبّر على أن الإدارة الصحيحة للسياق قد تكون أهم من القوة الخام للنموذج. فبدلًا من الاكتفاء بتوسيع نافذة السياق (context window)، يكفي أحيانًا أن نكون أذكى في تحديد المعلومات التي نحمّلها فيها. ولا ينطبق ذلك على MCP وحده، بل يشمل أنظمة RAG وتكاملات API وأنظمة الأتمتة، حيث يتعين على الوكيل الاختيار من بين مجموعة واسعة من الإجراءات الممكنة.

ومع تزايد تعقيد أنظمة الذكاء الاصطناعي، ستزداد أهمية مثل هذه التحسينات. وهذا يعني أن المستقبل ليس للنماذج الأكبر حجمًا، بل لتلك الأذكى في اختيار ما تنظر إليه.