أظهرت طريقة جديدة تُدعى ALTK-Evolve قدرتها على تحسين أداء وكلاء خدمة العملاء المدعومين بالذكاء الاصطناعي بشكل ملحوظ. اللافت في الأمر أنها تحقق ذلك باستخدام «ذاكرة مكتسبة» وقاعدة GPT-4.1 الأقدم، متصدرةً بذلك لوحة صدارة τ²-bench لمعايير وكلاء خدمة العملاء. هذا الأداء يُظهر أن الابتكار لا يقتصر على أحدث النماذج وأكثرها قوة.
كيف تعمل الذاكرة المكتسبة؟
تقوم آلية ALTK-Evolve بإنشاء ما يُشبه «دليل إرشادي» لوكيل الذكاء الاصطناعي. تستخدم GPT-4.1 لتحليل محاولات الوكيل السابقة على مهام التدريب، وتستخلص منها قواعد سلوكية قصيرة ومحددة، مثل كيفية توثيق هوية العميل، أو تأكيد معاملة، أو التعامل مع الإرجاع. ثم تُضاف هذه الإرشادات إلى موجه النظام الخاص بالوكيل (system prompt) للمحادثات اللاحقة. الأهم هنا أنه لا توجد حاجة لتحديث أوزان النموذج أو لإضافة أي تعليقات بشرية.
اختبرت هذه الطريقة على معيار τ²-bench، الذي يقيس أداء وكلاء خدمة العملاء في محادثات تحاكي الواقع وتلتزم بالسياسات. أظهرت النتائج أن الوكيل المزود بالإرشادات المكتسبة، حتى مع GPT-4.1، حقق 67.5% في مقياس Pass^4 على مهام التجزئة. يعني هذا أنه حل 67.5% من المهام بنجاح في جميع المحاولات المستقلة الأربع لكل مهمة. وارتفعت دقة متوسط الأداء (Mean Accuracy) بمقدار 4.4 نقطة في التجزئة و7.5 نقطة في الطيران، بينما زادت الموثوقية (Pass^4) بمقدار 10 نقاط في كلا المجالين.
التكلفة والكفاءة: مقايضة مُجدية
لا تأتي هذه الإرشادات مجانًا، حيث تزيد من تكلفة رموز الإدخال (input tokens) بسبب إضافة القواعد إلى موجه النظام. على سبيل المثال، ارتفعت التكلفة لكل محادثة في التجزئة من حوالي 0.084 دولار أمريكي إلى حوالي 0.139 دولار أمريكي (ما يعادل 0.52 ريال سعودي أو 0.51 درهم إماراتي). لكن المقابل كان إيجابيًا: المحادثات أصبحت أقصر بشكل طفيف. هذا يعني تقليل عدد الدورات الذهاب والإياب مع النموذج، مما يقلل بدوره من زمن الاستجابة الإجمالي ويُسرع إنجاز المهمة للعميل. ونرى أن هذا التوازن يمثل مقايضة مُجدية: دقة وموثوقية أعلى مع زمن إنجاز أسرع، وهو ما لا يتحقق عادة في عالم الذكاء الاصطناعي.
بالنسبة للمطورين، يمكن تخفيف تكلفة رموز الإدخال المرتفعة باستخدام التخزين المؤقت للموجهات (prompt caching) في بيئات الإنتاج، حيث تكون كتلة الإرشادات هذه متطابقة عبر كل استدعاء للنموذج. كما أن فعالية الإرشادات لا تقتصر على النماذج الأقدم؛ فقد أظهرت الاختبارات أنها تُحسن أداء الوكلاء الذين يستخدمون «النماذج الرائدة» (frontier models) مثل GPT-5.5 أيضًا، مما يؤكد مرونة هذه المنهجية.
ما يعنيه هذا للمطورين
توفر طريقة ALTK-Evolve رؤى قيمة للمطورين الذين يعملون على وكلاء الذكاء الاصطناعي، خصوصًا في مهام خدمة العملاء. يمكن للمطورين الآن التفكير في استخدام النماذج الحالية أو حتى الأقدم بطريقة أكثر كفاءة، دون الحاجة إلى إعادة تدريب مكلفة أو تعديل أوزان النماذج. الفكرة الرئيسية هي استخلاص «قواعد اللعب» السلوكية من تفاعلات الوكيل السابقة ودمجها بذكاء في موجهات النظام. هذا لا يُحسن الأداء فحسب، بل يزيد من موثوقية الوكيل وسرعة إنجاز المهام، مما يؤدي إلى تجربة أفضل للمستخدم النهائي وتكاليف تشغيلية أقل على المدى الطويل، خاصة مع استغلال ميزات التخزين المؤقت.
المصدر: huggingface.co