LangChain تختبر claude-3.5-sonnet وgpt-4o وo1 وo3-mini بوصفها وكلاء ReAct

نشر فريق LangChain في يوليو 2026 دراسة بعنوان Benchmarking Single Agent Performance، اختبر فيها كيف يؤثر ازدياد عدد التعليمات والأدوات المتاحة في جودة عمل وكيل ReAct منفرد.

ما الذي جرى اختباره

يُعد ReAct (Reasoning + Acting) من الأنماط الأساسية في بناء وكلاء الذكاء الاصطناعي: يتناوب النموذج بين التفكير بصوت عالٍ واستدعاء الأدوات، معتمدًا على نتيجة كل خطوة سابقة. وكلما أضاف المطوّر مزيدًا من الأدوات والقواعد إلى موجّه النظام لدى هذا الوكيل، ازدادت المهمة تعقيدًا على النموذج، إذ عليه أن يحتفظ في السياق لا بهدفه الحالي فحسب، بل بقائمة متنامية من الوظائف والقيود المتاحة أيضًا.

• شارك في الاختبار المرجعي نماذج claude-3.5-sonnet وgpt-4o وo1 وo3-mini
• جرى تشغيل الاختبارات في مجالين مختلفين من المهام
• المتغيّر الرئيسي في التجربة هو عدد التعليمات والأدوات المتاحة للوكيل في الوقت نفسه

لماذا يهم هذا مطوّري الوكلاء

في الممارسة العملية، غالبًا ما تسلك الفرق التي تبني وكلاء للإنتاج (production) طريق أقل مقاومة: تضيف إلى الوكيل أدوات جديدة تباعًا، مثل البحث في قاعدة البيانات وإرسال الرسائل الإلكترونية والتعامل مع التقويم، دون التحقق من أثر ذلك في جودة قرارات النموذج. وتساعد نتائج هذه الاختبارات على معرفة ما إذا كان لنموذج بعينه حدٌّ يبدأ بعده ازدياد الوظائف المتاحة في إعاقة الوكيل عن اختيار الخطوة التالية الصحيحة بدلًا من مساعدته.

وتُظهر المقارنة بين عدة عائلات من النماذج، وهي claude-3.5-sonnet وgpt-4o المغلقتان (closed-source)، ونموذجا الاستدلال o1 وo3-mini من OpenAI، أن الفروق المعمارية بين نماذج الدردشة «العادية» والنماذج المصمَّمة للاستدلال خطوةً بخطوة قد تظهر بصورة مختلفة تحديدًا في السيناريوهات الوكيلية المثقلة بالأدوات، لا في اختبارات السؤال والجواب البسيطة.

ما الذي كشفته المقارنة بين المجالين

إن تشغيل الاختبار المرجعي في مجالين مختلفين، لا في مجال واحد، يتيح الفصل بين النمط العام («كلما زادت الأدوات، صعبت المهمة على الوكيل») والتأثيرات الخاصة بمجال موضوعي بعينه. فإذا فقد النموذج جودته باطّراد مع زيادة عدد الأدوات في المجالين معًا، فهذه إشارة قوية إلى قيد جوهري في نهج ReAct نفسه، وليست مجرد خصوصية في مهمة واحدة.

وبالنسبة إلى المهندسين الذين يصمّمون أنظمة متعددة الوكلاء، فهذه حجة إضافية لصالح تفكيك المهمة: فبدلًا من وكيل واحد يملك عشرات الأدوات، يكون الأجدى غالبًا توزيع المهمة على عدة وكلاء شديدي التخصص، يعمل كل منهم بمجموعة صغيرة منتقاة بعناية من الوظائف.

ماذا تمنح المقارنة بين أربعة نماذج دفعة واحدة

يمنح اختبار claude-3.5-sonnet وgpt-4o ونموذجَي الاستدلال من OpenAI، o1 وo3-mini، على مجموعة الأدوات والتعليمات نفسها المطورين مرجعًا عند اختيار النموذج الأساسي لوكيلهم الخاص. فبدلًا من الاعتماد على الاختبارات العامة للسؤال والجواب، يمكنهم الاستناد إلى بيانات عن سلوك النماذج في سيناريو وكيلي مثقل بالأدوات، وهو أقرب إلى مهامهم الفعلية في الإنتاج، حيث يُحصى عدد الأدوات بالعشرات لا بالآحاد.

ماذا يعني ذلك

بالنسبة إلى الفرق الهندسية التي تصمّم وكلاء ReAct خاصة بها، الخلاصة عملية: اختيار النموذج والحد الأقصى لعدد الأدوات المتاحة في آنٍ واحد ليسا تفصيلًا ثانويًا، بل معيار ينبغي اختباره تجريبيًا على المهام الخاصة بكل فريق، لا الافتراض تلقائيًا أن «مزيدًا من الأدوات يعني وكيلًا أذكى».