بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
عندما يفشل وكيل ذكاء اصطناعي في مهمة معقدة، كيف تعرف أين بالضبط كانت المشكلة؟ هذا السؤال يقع في صميم بحث جديد نشره فريق من الباحثين على arXiv في الثامن من يوليو 2026، قدّموا فيه إطار STRACE (Structural TRajectory Analysis and Causal Extraction) — وهو نهج يعيد تصميم الطريقة التي نُشخّص بها إخفاقات الوكلاء ونُحسّنها.
المشكلة التي يعالجها STRACE ليست هامشية. الوكلاء الذين يعملون على مهام طويلة الأمد يولّدون آثار تنفيذ (execution traces) ضخمة ومتشعبة. هذه الآثار متكررة وغير متجانسة، مما يجعل استخدامها مباشرةً لتحسين النموذج مكلفاً وعرضة للإفراط في التكيف مع حالات فشل قليلة الأهمية. أما الحلول التقليدية كالاقتطاع أو النوافذ المتحركة (sliding windows) فتتجاهل أدلة سببية حاسمة وتُنتج إشارات تحسين مضللة — وهو ما يصفه الباحثون بـ”معضلة الإشارة والضوضاء”.
يعمل STRACE على مستويين متكاملين. على مستوى الدُفعة (batch level)، يستخرج الإطار أنماط الفشل المتكررة عبر مجموعة من الآثار، ثم يُصفّي الآثار الزائدة ويحتفظ فقط بحالات الفشل التمثيلية التي تحمل أعلى قيمة تعليمية. أما على مستوى كل مسار منفرد، فيُنشئ الإطار رسماً بيانياً نصياً للتبعيات (textual dependency graph) يربط الخطوات ببعضها بناءً على العلاقات السببية، ثم يُجري توطيناً سببياً (causal localization) يحذف الخطوات غير السببية ويحدد الوحدة الجذرية المسؤولة عن الفشل لتوجيه عملية التحسين نحوها تحديداً.
النتيجة الأبرز جاءت من اختبار الإطار على مهمة التحقق الرسمي الصعبة VeruSAGE-Bench: حقق STRACE تحسناً في معدل النجاح من 42.5% إلى 58.5% — أي ما يعادل 1.4 ضعف (وفقاً للورقة البحثية)، وهو تحسن يستحق الانتباه لأنه جاء على وكلاء صمّمها خبراء بشريون في الأصل، لا نماذج خاماً. تفوّق STRACE كذلك بشكل واضح على خطوط الأساس القياسية لتصفية السياق في جميع الاختبارات.
من الناحية المعمارية، يمكن فهم آلية STRACE عبر هذه المراحل المتسلسلة:
- جمع الآثار وتصنيفها: يبدأ الإطار بتجميع آثار التنفيذ الخام للوكيل عبر جلسات متعددة، ثم يُصنّفها إلى ناجحة وفاشلة بناءً على نتيجة المهمة النهائية.
- استخراج أنماط الفشل على مستوى الدُفعة: يحلل STRACE مجموعة الآثار الفاشلة معاً للكشف عن الأنماط المتكررة، ويُزيل الآثار المتشابهة التي لا تضيف معلومة جديدة، مُبقياً فقط على الممثلين المميزين لكل نمط فشل.
- بناء الرسم البياني للتبعيات النصية: لكل أثر مختار، يُنشئ الإطار رسماً بيانياً موجهاً تمثل فيه العُقد خطوات الوكيل، وتمثل الحواف علاقات التبعية والتأثير السببي بين الخطوات.
- التوطين السببي وحذف الضوضاء: بالاستناد إلى الرسم البياني، يُحدد STRACE الخطوات ذات الصلة السببية بالفشل النهائي ويحذف الخطوات الجانبية التي لا تؤثر في النتيجة، مما يُقلص حجم السياق دون خسارة المعلومات الحاسمة.
- تحديد الوحدة الجذرية: يصعد الإطار عبر الرسم البياني لتحديد الوحدة أو القرار المحوري الذي أطلق سلسلة الأخطاء، مُعطياً المُحسِّن (optimizer LLM) هدفاً محدداً بدل سياق مبهم.
- توليد إشارة التحسين: يُمرر السياق المُنقّى والوحدة الجذرية إلى نموذج LLM بوصفه مُحسِّناً، فيولّد توجيهات تحسين (policy updates) أكثر دقة وفاعلية مقارنة بالمدخلات الخام.
ما يجعل هذا العمل مثيراً للاهتمام من الناحية العملية هو أن التحسين يستهدف السياسات لا الأوزان. STRACE لا يُعيد تدريب النموذج — بل يُحسّن تعليمات الوكيل وسلوكه عبر الإشارات التشخيصية الدقيقة، وهو ما يجعله قابلاً للتطبيق فوراً على الوكلاء القائمة دون الحاجة إلى بنية تحتية ضخمة لإعادة التدريب. وإذا كنت تبني وكلاء اليوم — سواء باستخدام أطر مثل LangGraph أو AutoGen أو حلول مخصصة — فإن هذا النهج يطرح تساؤلاً جوهرياً: هل تراجع أثر تنفيذ وكيلك بالكامل، أم فقط بمحتواه المقتطع؟
الكود المصدري للإطار متاح للعموم عبر الصفحة الرسمية للورقة، مما يفتح الباب أمام التجريب المباشر. تحدي التحقق الرسمي يبقى نموذجاً واحداً، والسؤال المفتوح هو كيف يتصرف STRACE مع وكلاء في مجالات مختلفة كالبرمجة أو استرجاع المعلومات أو اتخاذ القرارات متعددة الأدوات — وهو ما ستكشفه التطبيقات المستقبلية لهذا الإطار.
