ما بعد الكتيبات والمهام: التعلم على مستوى الحالة للسياقات لوكلاء النماذج اللغوية الكبيرة

عادة ما يتلقى وكلاء النماذج اللغوية الكبيرة (LLM) نوعين من السياقات: (1) كتيبات على مستوى البيئة تُعرّف واجهات التفاعل والقواعد العامة، و(2) إرشادات أو عروض مرتبطة بأهداف معينة على مستوى المهمة. في هذا العمل، نحدد نوعاً ثالثاً مهماً لكنه مهمل من السياقات، وهو السياق على مستوى الحالة، الذي يتألف من حقائق قابلة للتحقق وقابلة لإعادة الاستخدام مرتبطة بحالة بيئية محددة، مثل مواقع الأشياء، وصفات التصنيع، والقواعد المحلية. نؤكد أن غياب السياق على مستوى الحالة هو مصدر شائع لفشل وكلاء LLM في المهام المعقدة، إذ يعتمد النجاح غالباً ليس فقط على الاستدلال بناءً على القواعد العامة أو مطالبات المهمة ولكن أيضاً على اتخاذ القرارات استناداً إلى حقائق دقيقة ومستمرة. يتطلب اكتساب هذا السياق أكثر من الحفظ: تكمن التحديات في الاستكشاف الفعال، والتحقق، وصياغة هذه الحقائق ضمن ميزانية تفاعل محدودة. نصيغ هذه المشكلة تحت مسمى تعلم السياق على مستوى الحالة (ILCL) ونقدم طريقتنا المستقلة عن المهمة لحلها. تؤدي طريقتنا استكشافاً موجهًا باستخدام غابة TODO مدمجة لترتيب أولويات الإجراءات التالية بذكاء، وحلقة تخطيط-تنفيذ-استخلاص خفيفة لتنفيذها. تنتج هذه العملية تلقائياً وثيقة سياق عالية الدقة قابلة لإعادة الاستخدام عبر العديد من المهام والوكلاء، مما يوزع تكلفة الاستكشاف الأولي. تظهر التجارب في TextWorld, ALFWorld, وCrafter تحسناً مستمراً في النجاح والكفاءة: مثلاً، معدل نجاح ReAct المتوسط في TextWorld يرتفع من 37% إلى 95%، بينما يتحسن IGE من 81% إلى 95%. من خلال تحويل الاستكشاف لمرة واحدة إلى معرفة مستمرة وقابلة لإعادة الاستخدام، تكمل طريقتنا السياقات القائمة لتمكين وكلاء LLM أكثر موثوقية وكفاءة.