أصدر باحثون TRACER، وهو نظام استرجاع يساعد وكلاء نماذج اللغة الكبيرة على اختيار الأداة المناسبة من سجل يضم عدداً كبيراً من الأدوات. يخزّن النظام تسلسلات استدعاء الأدوات السابقة في بنية «تراي» (فهرس يشبه الشجرة)، ثم يرتّب الأدوات المحتملة التالية بالاستناد إلى مزيج من البيانات والقرائن السياقية. وفي التجارب، زاد TRACER معدل اختيار GPT‑5.4 للأداة الصحيحة بمقدار 4.7 نقاط مئوية، مع إظهار 5 أدوات فقط من أصل 128، ما خفّض رموز الإدخال في كل خطوة بنحو 80%.
ما مدى تحسّن الأداء؟
في ست بيئات اختبار وأربعة نماذج لغوية، تفوّق TRACER على نهج عرض سجل الأدوات كاملاً في 21 من أصل 24 حالة تجمع بين نموذج وبيئة. وتراوحت الزيادة المتوسطة في دقة اختيار الأدوات بين 6 و10 نقاط؛ أما الحالات الثلاث التي كان أداؤه فيها أضعف، فلم يتجاوز الفارق فيها 2.2 نقطة. وفي تشغيل ذاتي كامل للدورة، حقق النظام معدل النجاح الإجمالي نفسه الذي حققه GPT‑5.4 في المهام، مع استخدام رموز إدخال أقل بنسبة 61% في كل خطوة.
ماذا يعني ذلك للمستخدمين؟
يمكن لـTRACER أن يجعل المساعد أسرع وأقل كلفة في التشغيل للمطورين الذين يبنون مساعدين للذكاء الاصطناعي يحتاجون إلى استدعاء خدمات خارجية، مثل التحقق من المخزون أو تفعيل باقة اتصالات، لأنه يرسل رموزاً أقل بكثير إلى نموذج اللغة. كما يقلل خفض عدد الرموز احتمال بلوغ حدود السياق في النموذج عند توفر أدوات كثيرة.
لماذا يهم
يستطيع المطورون بناء مساعدين أذكى وأسرع استجابة وأقل كلفة في التشغيل، لأنهم يحتاجون إلى إرسال عدد أقل من الرموز إلى نموذج اللغة. وقد يعني ذلك للمستخدمين استجابات أسرع عندما يحتاج الذكاء الاصطناعي إلى البحث عن سعر أو حجز خدمة أو استرجاع بيانات من نظام خارجي.
