Microsoft Research: مسح سجل المحادثة يساعد وكلاء الذكاء الاصطناعي على التغلب على حلول عالقة

يُظهر بحث جديد من Microsoft Research أن وكلاء أبحاث الذكاء الاصطناعي طويل الأمد قد يتعثرون في مستويات مختلفة بشكل مدهش في أداء المهام المتطابقة وأن سبب ذلك قد يكون سجل المحادثة المتراكم الخاص بهم. حدد الباحثون أن تراكم السياق يعلق الوكلاء في «أحواض الأفكار» الخاصة بهم، في مناطق ضيقة من الحلول المتشابهة، وأن مسح سجل المحادثة يمكن أن يؤدي إلى نتائج أفضل بكثير.

الوكلاء يتعثرون في أحواض الأفكار

درس الباحثون «وكلاء Autoresearch»، وهي أنظمة ذكاء اصطناعي تقترح حلولًا بشكل متكرر وتقيّمها وتنقحها بناءً على التغذية الراجعة. تعثرت ثماني عمليات تشغيل مستقلة لنفس الوكيل في نفس المهمة على مستويات مختلفة بشكل كبير: كانت الدرجات النهائية من 68,3 إلى 100,0، وبقي الاختلاف كبيرًا حتى في حالة الموارد الحاسوبية الأكبر.

بوضع حلول جميع عمليات التشغيل على خريطة ثنائية الأبعاد، حيث تكون الحلول المتشابهة قريبة من بعضها البعض، حدد الفريق أن حلول عملية تشغيل واحدة بقيت دائمًا تقريبًا في منطقة صغيرة. بعد ذلك، ينفق الوكلاء جزءًا كبيرًا من ميزانية الحوسبة المتبقية على صقل الحلول في منطقة أقل إنتاجية، بدلاً من البحث عن أساليب أفضل اكتشفتها عمليات تشغيل أخرى. يبقى هذا النمط حتى عندما يقوم الوكلاء بتلخيص سجلات المحادثة بشكل دوري.

Fork-and-Flush يمسح السياق

تجمع الطريقة المقترحة آليتين. أثناء «forking»، ينقسم الوكيل إلى K فروع متوازية، يرث كل منها مساحة العمل السابقة وجميع الملفات المولدة. أثناء «flushing»، يفقد كل فرع سياق المحادثة بأكمله، لكنه يحتفظ بمساحة العمل، مما يسمح ببدء محادثة جديدة والاعتماد على العمل السابق.

الفرع الذي يحتفظ بسياق محادثة العملية الأصل يعود عادة إلى نفس حوض الفكرة، لأن الاستدلال السابق يوجه خطواته اللاحقة. السياق الجديد يعيد التنوع في البحث. يُفقد سجل المحادثة، لكن الكود والملفات والنتائج المخزنة تبقى في مساحة العمل.

النتائج على 13 مهمة طويلة الأمد

تم اختبار Fork-and-Flush على 13 مهمة طويلة الأمد، من بينها: تعبئة البوليومينو، جدولة job-shop، التحليل المشفر، ضغط مصنف CIFAR، وتحسين نواة VLIW. استغرقت عمليات التشغيل الفردية من عدة ساعات إلى أكثر من 100 ساعة، واستخدم الوكلاء GPT-5.6-terra وGPT-5.5 عبر GitHub Copilot CLI.

في ظل نفس ميزانية الحوسبة، حقق Fork-and-Flush متوسط درجة مُعيَّر min-max بلغ 0,78، مقابل 0,47 لعمليات التشغيل الفردية و0,54 لـ best-of-4، وهو نمو نسبي بنسبة 66,0% و44,4%. أظهرت الطريقة أعلى متوسط درجة في 12 من أصل 13 مهمة وقدمت نتائج أكثر اتساقًا: انخفض الانحراف المعياري المُعيَّر من 0,26 لعمليات التشغيل الفردية إلى 0,16. مجرد مسح سياق المحادثة، دون التفريع، حسّن النتائج بنحو 22% في 11 مهمة.

لماذا قد يظل مسح السياق مفيدًا

تحقق الباحثون أيضًا مما إذا كانت النماذج الأقوى تتجنب أحواض الأفكار، باستخدام مهام MAX-3-SAT على ثلاثة أحجام من النماذج: Qwen3.5-4B و9B و27B. اتبع التباين بين عمليات التشغيل منحنى على شكل U مقلوب وبلغ ذروته في المهام التي تقع عند حدود قدرات النموذج، تقريبًا في منتصف المسافة بين التخمين العشوائي وأداء المحلل المرجعي. تنجح النماذج دائمًا تقريبًا في المهام البسيطة جدًا وتفشل في المهام الصعبة جدًا.

يؤكد المؤلفون أن مشاكل البحث المفتوحة تقع بشكل تعريفي عند حدود قدرات النماذج. ويتوقعون أن التنوع الذي يستخدمه Fork-and-Flush سيبقى مع تحسين النماذج، مجرد أن الحد سينتقل نحو مهام أكثر صعوبة، ويقترحون أن مسح السياق المنتظم قد يظل مفيدًا حتى لوكلاء البحث المتطورة.

المصادر: The Decoder