دراسة جديدة تشكك في "تطوير الأدوات الذاتي" للوكلاء الذكية: التوسع البسيط في زمن الاستدلال يتفوق عليه غالبًا

هناك وعد جذاب يتردد كثيرًا في عالم الوكلاء الذكية (Agentic AI): دع النموذج يعيد كتابة الهيكل التقني المحيط به، وستحصل على وكيل أفضل تلقائيًا. دراسة جديدة تقول إن هذا الوعد، على الأقل حتى الآن، مبالغ فيه إلى حد كبير.

الورقة البحثية بعنوان "إعادة التفكير في تقييم تطور الهيكل التشغيلي للوكلاء" (Rethinking the Evaluation of Harness Evolution for Agents)، قدّمتها الباحثة يايكي وانغ (Yike Wang) إلى منصة arXiv في 14 يوليو 2026. تتناول الدراسة ما يُعرف بـ"تطور الهيكل التشغيلي" (Harness Evolution)، وهي تقنية يقوم فيها وكيل يعتمد على نموذج لغوي كبير (LLM) بتعديل الأدوات والمحفزات (Prompts) ومنطق التحكم المحيط به - أي "الهيكل التشغيلي" (Harness) - بشكل تكراري، في محاولة لتحسين أدائه ذاتيًا. الفكرة راجت كثيرًا كطريق نحو وكلاء يحسّنون أنفسهم دون تدخل مهندسين يضبطون كل قالب محفز أو استدعاء أداة يدويًا. لكن نتائج وانغ تضع علامة استفهام كبيرة حول جدوى هذا المسار.

اختبار مقابل خصم متحرك

استخدمت الدراسة معيار "Terminal-Bench 2.1"، وهو مقياس مصمم لتقييم الوكلاء على مهام حقيقية تتعلق بواجهة الأوامر الطرفية (Terminal). أجرت التجارب على نموذجين متقدمين هما GPT-5.4 و Claude Opus 4.6، وقارنت الأهيكلة (Harnesses) المُطوَّرة تلقائيًا بخيار أبسط بكثير: التوسع في زمن الاستدلال (Test-Time Scaling)، أي منح الوكيل مزيدًا من القدرة الحسابية أو المحاولات أو العينات أثناء الاستدلال (Inference)، دون أي تغيير في بنية الهيكل التشغيلي نفسه.

النتيجة كانت متكافئة، وفي كثير من الأحيان أسوأ. تقول الورقة إن تطور الهيكل التشغيلي لا يتفوق باستمرار على التوسع في زمن الاستدلال. في العديد من التكوينات المختبرة، كان ضخ موارد حسابية إضافية أثناء الاستدلال، مع الحفاظ على هيكل ثابت لم يُعدَّل، يوازي أو يتجاوز التحسينات التي حققها السماح للوكيل بإعادة كتابة إطار تشغيله الخاص. هذه نتيجة لافتة لمجال افترض إلى حد كبير أن الهيكل التكيفي القابل للتعديل الذاتي هو أداة أكثر تطورًا، وبالتالي أكثر فعالية، من التوسع الحسابي الخام.

مشكلة التعميم

النتيجة الثانية قد تكون الأكثر أهمية لكل من يبني وكلاء إنتاجية فعلية. الأهيكلة التي تطورت لتؤدي بشكل جيد على المهام التي دُرِّبت أو ضُبطت عليها، أظهرت قدرة محدودة على التعميم عند تطبيقها على مهام جديدة لم تُختبر أثناء عملية التطور. عمليًا، يعني هذا أن هيكلًا تم تحسينه لمجموعة معينة من مهام الطرفية لا يمكن الافتراض بأنه سينتقل بسلاسة إلى توزيع مهام جديد، مما يقوّض فكرة التعامل مع تطور الهيكل التشغيلي كترقية قدرات عامة، بدلًا من كونه مجرد ترقيع ضيق مرتبط بمهمة محددة.

لماذا يهم هذا مطوري الوكلاء

التمييز بين تحسين النموذج نفسه وتحسين هيكله التشغيلي أصبح محوريًا في هندسة الوكلاء، لأن مختبرات الذكاء الاصطناعي الرائدة تُطلق نماذج أساسية جديدة بوتيرة أبطأ بكثير من تكرار الفرق التقنية لتعديل المحفزات والأدوات ومنطق التنسيق حول تلك النماذج. إذا كانت الأهيكلة القادرة على التطور الذاتي لا تتفوق باستمرار على مجرد إعطاء الوكيل وقتًا أو عينات إضافية أثناء الاستدلال، وإذا كانت المكاسب التي تظهر لا تنتقل إلى ما هو أبعد من مجموعة الاختبار الأصلية، فقد تكون الفرق التقنية تستثمر جهدًا هندسيًا في تقنية ذات مردود أضيق وأقل ثباتًا من المفترض.

لا تنفي ورقة وانغ فكرة تطور الهيكل التشغيلي كليًا، لكنها تعيد صياغة سؤال التقييم: المقارنة المناسبة لأي تقنية جديدة لتحسين الوكلاء ليست "هل تساعد على الإطلاق؟"، بل "هل تساعد أكثر من أبسط بديل ممكن، وهل تلك المساعدة تصمد أمام مهام جديدة؟". معيار Terminal-Bench 2.1، بصفته معيارًا حديثًا نسبيًا وصعبًا، يوفر أرضية ملموسة لهذه المقارنة، والحكم المبكر لا يبدو في صالح النهج الأكثر تعقيدًا.