HKUDS تستعرض OpenSpace بالتفصيل: محرك للتطور الذاتي لمهارات وكلاء الذكاء الاصطناعي

أصدرت HKUDS شرحًا مفصّلًا لـ OpenSpace، وهو محرك مفتوح المصدر للمهارات يتيح لوكلاء الذكاء الاصطناعي ألا يبدأوا كل مهمة من الصفر، بل أن يراكموا قوالب العمل الناجحة ويعيدوا استخدامها. ويعرض المقال الدورة الكاملة: من إعداد نموذج OpenAI إلى مقارنة التشغيل «البارد» بالتشغيل «الدافئ»، حيث تؤدي إعادة استخدام المهارات إلى خفض استهلاك الرموز (tokens) ورفع جودة الإجابة.

من البدء البارد

يُثبَّت OpenSpace من مستودع GitHub، ويُهيَّأ في الدليل التعليمي للعمل مع نماذج OpenAI، بما فيها gpt-4o-mini. بعد ذلك تُعطى للوكيل أول مهمة دون أي مكتبة مهارات جاهزة. ينفّذها النظام كما يفعل أي وكيل LLM عادي، لكنه يسجّل بالتوازي الخطوات الناجحة والحلول البديلة والتعليمات العملية التي يمكن استخدامها لاحقًا.

لا تبقى المهارات ضمن سياق المحادثة فقط: بل تُحفظ في ملفات وفق اصطلاح SKILL.md وتُسجَّل في قاعدة بيانات SQLite، بحيث يمكن استعراضها وإدارة إصداراتها وتحليلها بمعزل عن عملية التشغيل نفسها. ثم يشغّل المؤلفون مهمة مشابهة مرة أخرى ويعرضون الفرق بين البدء البارد (cold start) والبدء الدافئ (warm start). هنا لا يستدلّ OpenSpace من الصفر، بل ينتقي المهارات المناسبة عبر بحث هجين يجمع بين BM25 والتضمينات (embeddings).

وفي العرض التوضيحي تُنشأ يدويًا ثلاث مهارات أساسية على حدة: التحقق من البيانات، وتوليد التقارير مع سيناريوهات احتياطية (fallback)، وآلية التعافي بعد الأخطاء. والغاية من ذلك زرع أنماط مفيدة مسبقًا، ثم ترك محرك التطور يُنمّيها على المهام الواقعية.

كيف تنمو المهارات

الفكرة المحورية في OpenSpace أن المهارة لا تُعدّ هنا موجّهًا (prompt) ثابتًا، بل كيانًا حيًا. فبعد كل تنفيذ يحلّل النظام ما الذي نجح، وأين وقعت الإخفاقات، وأي الأدوات تراجع أداؤها، وما الذي يمكن تحسينه في الإصدار التالي. لذلك لا يكتفي المحرك بتجميع السيناريوهات الناجحة، بل يستطيع أيضًا إصلاحها وتخصيصها لمهام جديدة واستخلاص مهارات جديدة من عمليات تشغيل ناجحة منفردة.

• FIX — يصلح مهارة معطّلة أو قديمة دون تغيير دورها.
• DERIVED — ينشئ نسخة مشتقة لسيناريو أضيق أو لفئة جديدة من المهام.
• CAPTURED — يستخلص نمطًا جديدًا قابلًا لإعادة الاستخدام مباشرة من تنفيذ ناجح.
• BM25 + embeddings — يساعد على العثور سريعًا على أنسب مهارة لوصف المهمة.
• open-space.cloud — يوفّر فهرسًا مشتركًا يمكن فيه البحث عن المهارات وتنزيلها ورفعها ومشاركتها بين الفرق.

والطبقة الجماعية جزء مهم من هذا التصميم. فعبر المجتمع السحابي يمكن للوكلاء تبادل المهارات التي تطورت بالفعل، والاطلاع على سجل الإصدارات، وبناء مستودعات مشتركة للفريق. ويقدّم المقال ذلك على أنه انتقال من مساعد منفرد إلى شبكة من الوكلاء الذين يتعلمون لا من أخطائهم وحدهم. فإذا اهتدى وكيل إلى حل بديل موثوق لتوليد ملفات PDF أو تحليل الجداول أو البحث على الويب (web research)، يمكن لوكيل آخر أن يأخذ هذه المهارة ولا يكرر الدورة نفسها من التجربة والفشل.

اقتصاد الرموز في OpenSpace

أقوى ما في المادة ليس التثبيت بل الأرقام. يورد مستودع OpenSpace اختبار GDPVal على عيّنة من 50 مهمة مهنية في ست فئات: المستندات، ونماذج الامتثال (compliance)، والوسائط، والهندسة، والجداول (spreadsheets)، والاستراتيجية. ولضمان مقارنة نظيفة، قورن OpenSpace بالوكيل الأساسي ClawWork على نموذج backbone نفسه، وهو Qwen 3.5-Plus، فيُعزى الفرق إلى تراكم المهارات لا إلى تغيير النموذج.

والحصيلة: عائد اقتصادي أعلى بمقدار 4,2 مرة، ومتوسط جودة 70,8%، واستهلاك رموز أقل بنسبة 45,9% عند إعادة تشغيل المهام. ويُظهر التوزيع حسب الفئات أين يحقق التطور الذاتي أقصى فائدة. ففي المستندات والمراسلات خفّض التشغيل الدافئ (warm run) استهلاك الرموز بنسبة 56%، وفي مهام النماذج والامتثال بنسبة 51%، وفي الوسائط بنسبة 46%، وفي الجداول بنسبة 37%.

ويشدد المؤلفون في الوقت نفسه على أن معظم المهارات الـ165 التي تطورت لا تتعلق بخبرة موضوعية ضيقة، بل بموثوقية التنفيذ: التعامل مع صيغ الملفات، والتعافي بعد الأخطاء، وتوليد المستندات، وفحص الجودة. أي أن المكسب الرئيسي لا يأتي من «معرفة القطاع»، بل من أن الوكيل يكفّ عن التعطل في المواضع التقنية المتكررة.

ماذا يعني ذلك

يُظهر OpenSpace بوضوح وجهة أطر عمل الوكلاء: من موجّهات تُستخدم مرة واحدة إلى ذاكرة عمل دائمة، حيث تجعل كل مهمة منجزة النظام أرخص وأكثر استقرارًا. وبالنسبة لفرق المنتجات، فهذه إشارة إلى أن الموجة القادمة من الكفاءة لن تأتي من النماذج الجديدة وحدها، بل أيضًا من البنية التحتية للمهارات القابلة لإعادة الاستخدام المحيطة بها.