يعالج هذا الإطار مشكلة متنامية في مجتمع الذكاء الاصطناعي: الانتشار السريع للأدوات العاملة (agentic) جعل من الصعب على المطورين تحديد أفضل الحلول لتلبية احتياجاتهم الخاصة. يمكن لهذا التعقيد أن يؤدي إلى شلل التحليل، مما يعيق الابتكار ويبطئ تطوير التطبيقات الجديدة المدعومة بالذكاء الاصطناعي.

حدد الباحثون بعدين أساسيين لتصنيف الأطر العاملة: تكيف الوكيل وتكيف الأداة. يتضمن تكيف الوكيل تعديل النموذج الأساسي الذي يدعم النظام العامِل. يمكن تحقيق ذلك عن طريق تحديث المعلمات أو السياسات الداخلية للوكيل من خلال طرق مثل الضبط الدقيق أو التعلم المعزز. من ناحية أخرى، يركز تكيف الأداة على تعديل الأدوات التي يستخدمها الوكيل للتفاعل مع البيئة. يمكن أن يشمل ذلك إنشاء أدوات جديدة أو تعديل الأدوات الحالية أو تطوير استراتيجيات للوكيل لاستخدام الأدوات المتاحة بفعالية.

وفقًا للباحثين، فإن إعادة الصياغة هذه تحول تركيز فرق المؤسسات من مجرد اختيار نموذج إلى اتخاذ قرارات معمارية. تتضمن هذه القرارات تحديد كيفية تخصيص ميزانيات التدريب، ومقدار النمطية (modularity) التي يجب الحفاظ عليها، والمفاضلات التي يجب قبولها بين التكلفة والمرونة والمخاطر.

يعكس صعود الذكاء الاصطناعي العامِل اتجاهًا أوسع نحو أنظمة أكثر استقلالية وذكاءً. تم تصميم أنظمة الذكاء الاصطناعي العاملة لإدراك بيئتها، والتفكير في أهدافها، واتخاذ الإجراءات لتحقيق تلك الأهداف. تمتلك هذه الأنظمة القدرة على إحداث ثورة في مختلف الصناعات، بما في ذلك الرعاية الصحية والمالية والنقل. ومع ذلك، فإن تعقيد تطوير ونشر أنظمة الذكاء الاصطناعي العاملة يمثل تحديًا كبيرًا.

يسعى الإطار الجديد إلى معالجة هذا التحدي من خلال توفير نهج منظم لفهم واستكشاف مشهد الذكاء الاصطناعي العامِل. من خلال تصنيف الأطر بناءً على استراتيجيات التكيف الخاصة بها، يأمل الباحثون في تمكين المطورين من اتخاذ قرارات أكثر استنارة وتسريع تطوير تطبيقات الذكاء الاصطناعي المبتكرة. تسلط الدراسة الضوء أيضًا على أهمية النظر في المفاضلات بين الأساليب المختلفة، مثل تكلفة تدريب نموذج مقابل مرونة استخدام نظام نمطي. يخطط الباحثون لمواصلة تحسين الإطار واستكشاف أبعاد جديدة لتصنيف أنظمة الذكاء الاصطناعي العاملة. ويأملون أيضًا في التعاون مع شركاء الصناعة للتحقق من صحة الإطار في تطبيقات العالم الحقيقي.