تقدم HKUDS لـ OpenSpace بالتفصيل — محرك التطور الذاتي للمهارات لوكلاء الذكاء الاصطناعي

أصدرت HKUDS تحليلاً تفصيلياً لـ OpenSpace — محرك المهارات مفتوح المصدر الذي يمكّن وكلاء الذكاء الاصطناعي من عدم بدء كل مهمة من الصفر، بل تراكم القوالب العملية وإعادة استخدامها. يوضح المادة الدورة الكاملة: من إعداد نموذج OpenAI إلى مقارنة البدء "البارد" و"الساخن"، حيث يقلل إعادة استخدام المهارات من استهلاك الرموز ويحسن جودة الاستجابة.

من البداية الباردة يتم نشر

OpenSpace من مستودع GitHub وفي البرنامج التعليمي يتم تكوينه لنماذج OpenAI، بما في ذلك gpt-4o-mini. بعد ذلك، يتم إعطاء الوكيل مهمته الأولى بدون أي مكتبة مهارات مسبقة الصنع. ينفذ النظام العملية كوكيل LLM عادي، لكنه بالتوازي يلتقط الخطوات الناجحة والحلول البديلة والتعليمات العملية التي يمكن إعادة استخدامها لاحقاً.

لا تعيش المهارات فقط في سياق الحوار: يتم حفظها كملفات تتبع اتفاقية SKILL.md وتسجيلها في قاعدة بيانات SQLite، حتى يمكن عرضها وإصدار إصدارات لها وتحليلها بشكل منفصل عن التنفيذ الفعلي. بعد ذلك، يطلق المؤلفون مهمة مماثلة مرة أخرى ويوضحون الفرق بين البدء البارد والبدء الساخن.

هنا لا يستدل OpenSpace من الصفر بعد الآن، بل ينتقي المهارات المناسبة من خلال بحث هجين عن BM25 والتضمينات. في العرض التوضيحي، ينشئون يدوياً ثلاث مهارات أساسية: التحقق من البيانات وإنشاء التقارير مع سيناريوهات الكفاية وآلية استرجاع الأخطاء. هذا ضروري لبذر الأنماط المفيدة مقدماً ثم السماح للمحرك التطوري بنموها على مهام حقيقية.

كيف تنمو المهارات الفكرة الأساسية لـ

OpenSpace هي أن المهارة هنا تعتبر ليست مطالبة ثابتة بل كائن حي. بعد كل تنفيذ، يحلل النظام ما نجح، حيث حدثت الإخفاقات، وأي أدوات تدهورت وما يمكن تحسينه في الإصدار التالي. لذلك، لا يجمع المحرك فقط السيناريوهات الناجحة، بل يعرف أيضاً كيفية إصلاحها والتخصص بها للمهام الجديدة واستخراج مهارات جديدة من عمليات التنفيذ الناجحة الفردية.

• FIX — يصلح مهارة مكسورة أو قديمة بدون تغيير دورها.
• DERIVED — ينشئ نسخة مشتقة لسيناريو أضيق أو فئة جديدة من المهام.
• CAPTURED — يستخرج نمطاً جديداً قابلاً لإعادة الاستخدام مباشرة من التنفيذ الناجح.
• BM25 + embeddings — يساعد على العثور بسرعة على المهارة الأكثر صلة لوصف المهمة. * open-space.cloud — يوفر كتالوجاً مشتركاً حيث يمكن البحث عن المهارات وتنزيلها وتحميلها والمشاركة بينها بين الفرق. جزء مهم من العمارة هو الطبقة الجماعية. من خلال مجتمع سحابي، يمكن للوكلاء تبادل المهارات المتطورة بالفعل وعرض سجل الإصدارات وبناء مستودعات مشتركة للفرق. تقدم المقالة هذا على أنه انتقال من مساعد واحد إلى شبكة من الوكلاء الذين يتعلمون ليس فقط من أخطائهم. إذا وجد أحد الوكلاء حلاً موثوقاً لتوليد PDF أو تحليل الجداول أو البحث على الويب، يمكن لوكيل آخر أن يأخذ هذه المهارة ولا يكرر نفس دورة المحاولات والإخفاقات.

اقتصاد الرموز

OpenSpace الجزء الأقوى من المادة ليس الإعداد بل الأرقام. يوفر مستودع OpenSpace معياراً GDPVal على مجموعة مختارة من 50 مهمة احترافية عبر ست فئات: المستندات وقوالب الامتثال والوسائط والهندسة وجداول البيانات والاستراتيجية. لمقارنة عادلة، تم مقارنة OpenSpace مع وكيل ClawWork الأساسي على نفس نموذج Qwen 3.

5-Plus الأساسي، لذلك يتم شرح الفرق بدقة من خلال تراكم المهارات وليس الاستبدال النموذجي. النتيجة — العائد الاقتصادي أعلى بـ 4.2 مرة وجودة متوسطة بنسبة 70.

8% و45.9% رموز أقل في تشغيلات المهام المتكررة. يوضح التقسيم حسب الفئة أين تحقق التطور الذاتي الحد الأقصى.

في المستندات والمراسلات، قطعت عملية التشغيل الساخن استهلاك الرموز بنسبة 56%، وفي مهام القوالب والامتثال — بنسبة 51%، وفي الوسائط — بنسبة 46%، وفي جداول البيانات — بنسبة 37%. في الوقت نفسه، يؤكد المؤلفون أنه من بين 165 مهارة متطورة، تنتمي الغالبية ليس إلى الخبرة المجالية الضيقة بل إلى موثوقية التنفيذ: معالجة تنسيقات الملفات واسترجاع الأخطاء وإنشاء المستندات والتحقق من الجودة. أي أن الفائدة الرئيسية لا تأتي من "معرفة المجال" بل من حقيقة أن الوكيل يتوقف عن الانهيار في النقاط التقنية النموذجية.

ماذا يعني هذا يوضح

OpenSpace جيداً إلى أين تتجه أطر الوكلاء: من المطالبات التي تحدث مرة واحدة إلى الذاكرة العاملة الدائمة، حيث تجعل كل مهمة مكتملة النظام أرخص وأكثر قوة. بالنسبة لفرق المنتجات، هذا إشارة إلى أن الموجة التالية من الكفاءة ستأتي ليس فقط من النماذج الجديدة، بل أيضاً من البنية التحتية للمهارات القابلة لإعادة الاستخدام حولها.