أطلقت Nous Research أداة Tool Search لـ Hermes Agent: ارتفعت الدقة بنسبة 49–74% على Opus 4

قدمت Nous Research تحديثاً لـ Hermes Agent — بإضافة ميزة Tool Search التي تحل مشكلة عريقة يواجهها وكلاء الذكاء الاصطناعي عند العمل مع MCP (بروتوكول سياق النموذج). يسمح النهج الجديد للوكيل باختيار الأدوات ذات الصلة فقط بدلاً من تحميل الوصف الكامل لجميع الأدوات المتاحة في السياق.

الإرهاق السياقي في MCP

عندما يتفاعل وكيل الذكاء الاصطناعي مع نظام الأدوات عبر MCP، يتطلب النهج التقليدي تحميل أوصاف جميع الأدوات المتاحة في سياق النموذج منذ البداية. إذا كان هناك ثلاثون أو خمسون أو مائة أداة، وكل واحدة لها أوصاف مفصلة للمعاملات وأمثلة الاستخدام، فهذا يصبح مشكلة بسرعة: السياق ينتفخ، تنفد الرموز قبل الحاجة، والنموذج نفسه قد يضيع في بحار من المعلومات. لاحظت Nous Research هذا الاختناق وقررت تطبيق نهج كلاسيكي من استرجاع المعلومات — ترتيب BM25. هذه خوارزمية بحث في النصوص الكاملة تأخذ في الاعتبار صلة المستند (في هذه الحالة، وصف الأداة) بطلب المستخدم. بدلاً من تحميل الكتالوج بأكمله، يبحث النظام الآن عن الأدوات الأكثر ملاءمة ويمرر مخططاتها إلى السياق بشكل تدريجي.

كيف يعمل Tool Search عملياً

الآلية بسيطة لكن فعالة. عند تهيئة الوكيل، يقوم النظام بفهرسة البيانات الوصفية لجميع الأدوات المتاحة — أسماؤها وأوصافها وأغراضها. عندما يعطي المستخدم أمراً، لا ينظر الوكيل إلى القائمة الكاملة، بل يبحث أولاً عن الأدوات الرئيسية K ذات الصلة بالاستعلام:

• الخطوة الأولى: تنفيذ بحث BM25 على أسماء ووصائف الأدوات
• الخطوة الثانية: تحميل المخططات الموجزة للنتائج الرئيسية في سياق النموذج
• الخطوة الثالثة: إذا لزم الأمر، الكشف عن المعاملات الكاملة فقط للأداة المختارة
• النتيجة: يبقى السياق قابلاً للإدارة، يختار الوكيل بدقة أكبر

يحل هذا الترتيب عدة مشاكل في نفس الوقت: يتم تقليل حجم السياق، وتحسين سرعة العمل، والأهم من ذلك — تزداد دقة اختيار الأداة، لأن النموذج لا ينشغل بالخيارات غير ذات الصلة.

أرقام من Anthropic

اختبرت Nous Research أداة Tool Search على معايير Anthropic Evals القياسية وحصلت على نتائج تستحق الملاحظة. على نموذج Claude Opus 4، كان تحسن الدقة في نطاق 49% إلى 74% حسب نوع المهمة ومجموعة الأدوات. هذا ليس مجرد ضوضاء إحصائية — إنه تحسن كبير يظهر أن تضييق السياق على الأدوات ذات الصلة يساعد النموذج فعلاً على التركيز بشكل أفضل على الخيار الصحيح. الأمر المثير للاهتمام أن التأثير أكثر وضوحاً بالضبط مع مجموعات الأدوات الكبيرة — كلما زادت الخيارات، زاد الكسب من المرشح الذكي.

ماذا يعني هذا لوكلاء الذكاء الاصطناعي

Tool Search مثال صغير لكن دال على كيفية أن الإدارة الصحيحة للسياق يمكنها أن تكون أكثر أهمية من القوة الخام للنموذج. بدلاً من زيادة نافذة السياق ببساطة، أحياناً يكفي الاقتراب بذكاء أكبر من المعلومات التي يجب تحميلها في هذا السياق. ينطبق هذا ليس فقط على MCP، بل أيضاً على أنظمة RAG والتكاملات مع API وأنظمة الأتمتة حيث يجب على الوكيل الاختيار من بين خيارات عديدة للإجراء. مع نمو تعقيد أنظمة الذكاء الاصطناعي، ستصبح مثل هذه التحسينات حرجة بشكل متزايد. هذا يعني أن المستقبل ينتمي ليس للنماذج الأكبر، بل للأذكى في اختيار ما يجب البحث عنه.