باحثون مرتبطون بأمازون يقدمون A-Evolve لتطوير وكلاء الذكاء الاصطناعي تلقائيًا

قدّم باحثون مرتبطون بأمازون A-Evolve، وهي بنية تحتية عامة لتطوير وكلاء الذكاء الاصطناعي المستقلين. يهدف المشروع إلى إزالة جزء كبير من الضبط اليدوي من هذه العملية، واستبداله بتطوّر تلقائي لحالة الوكيل وبتصحيح ذاتي مدمج.

لماذا يهمّ ذلك

كثيرًا ما لا يكمن العائق اليوم في بناء الأنظمة القائمة على الوكلاء في النموذج نفسه، بقدر ما يكمن في «الأعمال المحيطة» به. فالفرق تجمع يدويًا التعليمات (prompts) وقواعد الانتقال بين الخطوات والذاكرة واستدعاءات الأدوات وفحوص الأخطاء وآليات إعادة المحاولة. يؤدي هذا النهج الغرض، لكنه يتوسع بصعوبة: فكل تحسين جديد يتطلب تعديلات موضعية، ويظل سلوك الوكيل هشًّا.

يقترح A-Evolve استبدال هذه العملية الحِرفية بدورة أكثر منهجية، تساعد فيها البنية التحتية نفسها في البحث عن تكوينات عاملة. ويتضح من وصف المشروع أن الأمر لا يتعلق بوكيل ضيق آخر مخصص لمهمة واحدة، بل بطبقة أعم لتطوير الأنظمة المستقلة. وهذا مهم لأن السوق يتحرك بسرعة من العروض التجريبية المنفردة نحو وكلاء المنتجات التي يجب أن تنفّذ سلاسل طويلة من الإجراءات بثبات. وفي مثل هذه البيئة، لا يفوز من كتب تعليمات ناجحة مرة واحدة، بل من يعرف كيف يختبر الفرضيات بسرعة، ويصلح الأعطال، وينقل التحسينات بين سيناريوهات مختلفة.

كيف يعمل A-Evolve

الفكرة المحورية في A-Evolve هي أتمتة التغييرات في الحالة الداخلية للوكيل، وتقييم أيٍّ منها يحسّن النتيجة فعلًا. فبدلًا من التجريب اليدوي للإعدادات، يستطيع النظام أن يُدخل الطفرات بنفسه، ويشغّل المتغيرات الجديدة على المهام، ويتتبع الأخطاء، ويحتفظ بالمسارات الأكثر نجاحًا. ومن الناحية النظرية، يقرّب هذا تطوير الوكلاء من دورة هندسية لا «يخمّن» فيها المطوّر التحسينات، بل تُكتشف عبر عملية بحث وانتقاء قابلة للتكرار.

• طفرة تلقائية في حالة الوكيل بدلًا من الضبط اليدوي لكل خطوة
• تصحيح ذاتي بعد الإجراءات الفاشلة أو الأخطاء الوسيطة
• دورة تطوّر منهجية بدلًا من أسلوب «tune and pray» المبعثر
• بنية تحتية عامة لأنواع مختلفة من وكلاء الذكاء الاصطناعي المستقلين
• تقليل الاعتماد على الأعمال الهندسية اليدوية المحيطة

ومن الناحية العملية، قد يغيّر ذلك دور المطوّر أيضًا. فبدلًا من الضبط المتواصل لفروع المنطق المنفصلة، يحدد الفريق الهدف والقيود ومقاييس الجودة والأدوات المسموح بها، ثم يراقب التكوينات التي يعثر عليها A-Evolve تلقائيًا. ويكتسب هذا النهج قيمة خاصة حيث لا يقتصر دور الوكيل على الإجابة عن سؤال، بل يتعين عليه تخطيط الإجراءات والتعافي من الأخطاء وإنجاز المهمة حتى نهايتها دون تدخل بشري مستمر.

لماذا يُستحضر PyTorch

تأتي المقارنة بـ«لحظة PyTorch» للذكاء الاصطناعي القائم على الوكلاء كمحاولة لإظهار حجم طموح المشروع. فحين جعل PyTorch العمل مع الشبكات العصبية أكثر سهولة بشكل ملحوظ، خفّض عتبة الدخول إلى البحث وسرّع ظهور ممارسات جديدة. وبالمثل في حالة A-Evolve: إذا كانت الفرق تجمع اليوم يدويًا مسارات عمل هشّة للوكلاء، فقد تحصل غدًا على طبقة أكثر توحيدًا يمضي عليها التطوير والاختبار والتحسين بصورة أسرع وأكثر قابلية للتنبؤ.

«لحظة

PyTorch» لأنظمة الذكاء الاصطناعي القائمة على الوكلاء — هكذا يصف المؤلفون إمكانات A-Evolve.

حتى الآن، يبدو هذا أقرب إلى تموضع قوي منه إلى معيار جديد مثبت للصناعة. فالوصف المختصر يوضح اتجاه المشروع، لكنه لا يكشف كل التفاصيل المتعلقة بالاختبارات المعيارية (benchmarks) والقيود وتكلفة التطبيق. ومع ذلك، فإن الاتجاه نفسه دالّ: إذ إن اللاعبين الكبار باتوا ينظرون إلى أنظمة الوكلاء لا بوصفها مجموعة حيل حول LLM، بل كحزمة هندسية مستقلة تحتاج إلى أدواتها الخاصة للأتمتة وتصحيح الأخطاء والتحسين المستمر.

ماذا يعني ذلك

يعكس A-Evolve تحولًا مهمًا: فسوق الذكاء الاصطناعي القائم على الوكلاء ينتقل من التجميع اليدوي إلى نهج البنية التحتية. وإذا استطاعت مثل هذه الأنظمة فعلًا أن تحسّن حالة الوكيل وتصحح الأخطاء تلقائيًا، فسيسهل على الفرق إطلاق مساعدين موثوقين لا في المختبر فحسب، بل في المنتجات الواقعية أيضًا، حيث تهمّ قابلية التكرار وسرعة التكرارات وجودة يمكن التنبؤ بها.