# TRACER يسرّع اختيار الأدوات لوكلاء الذكاء الاصطناعي

> تتيح واجهة TRACER الجديدة لنماذج اللغة الكبيرة اختيار الأدوات بدقة أعلى وبعدد أقل من الرموز، وخفّضت استخدامها للرموز بنسبة 80% في الاختبارات.

Oossa · 2026-10-16 · https://oossa.com/ar/tracer-speeds-up-tool-selection-for-llm-agents

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.

## الحقائق

- يرفع TRACER دقة اختيار الأدوات لدى GPT‑5.4 بمقدار 4.7 نقاط في بيئة تجمع بين قطاعَي التجزئة والاتصالات.
- يقلل رموز الإدخال في كل خطوة بنحو 80%، إذ يعرض 5 أدوات فقط من أصل 128.
- في تنفيذ ذاتي كامل للدورة، يحقق معدل النجاح نفسه في المهام، مع استخدام رموز أقل بنسبة 61% في كل خطوة.
- يتفوق TRACER على اختيار الأدوات من السجل الكامل في 21 من أصل 24 حالة عبر ست بيئات وأربعة نماذج.
- تتراوح مكاسب الدقة المتوسطة بين 6 و10 نقاط؛ ولا يزيد تراجع الأداء في الحالات الثلاث على 2.2 نقطة.

## 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.

## المصادر والمراجع

1. [TRACER: Trajectory-Aware Tool Retrieval for LLM Agents](https://arxiv.org/abs/2610.21267) – arXiv cs.IR, 2026-10-16

آخر تحديث: 2026-10-16