دراسة حول التصنيف المبني على استدعاءات API المتزامنة وتوليفة النماذج المثلى لأدوات LLM المعززة للذكاء الاصطناعي

تطورت وكلاء الذكاء الاصطناعي لتوصية المحتوى وكذلك لتسهيل استرجاع المعلومات ومعالجة المهام. يتطلب تطوير وكلاء الذكاء الاصطناعي باستخدام نماذج LLM العامة الدمج مع أدوات خارجية، مما يؤدي إلى دراسات LLM المعززة بالأدوات. على الرغم من توفر أدوات متعددة لنفس الغرض، إلا أن البحوث الحالية لم تستغل هذه التنوع بشكل كامل. تصنف هذه الدراسة الأدوات الخارجية حسب النوع وتقترح طريقة لاستدعاء الأدوات من نفس النوع في وقت واحد. يتيح ذلك الاستفادة من أدوات خارجية متنوعة في استدلال LLM، مما يحقق دقة أعلى مقارنةً عند استخدام أداة واحدة لمهمة واحدة. تُظهر النتائج التجريبية تحسيناً في الدقة بنسبة 4.4-9.3% مقارنة بالدراسات الحالية. علاوة على ذلك، عند استخدام LLM المعزز بالأدوات، يتم استخدام نهج التفكير متعدد الخطوات الذي يقسم العملية إلى مراحل مثل التخطيط واستدعاء الأدوات. مع التقدم السريع لنماذج LLM، تستمر النماذج المعززة في الظهور. بالنظر إلى التوازن بين الأداء والتكلفة في النماذج، من الضروري العثور على تركيبة مثالية من النماذج في كل مرحلة من مراحل LLM المعزز بالأدوات. في هذه الدراسة، نقترح طريقة جديدة لاستخدام كلا من نماذج LLM المعززة والنماذج الحالية بكفاءة، مما يقلل من أخطاء الاستجابة بنسبة تصل إلى 9%.