أصبح توجيه النموذج مكونًا رئيسيًا في حزمة الذكاء الاصطناعي للمؤسسة، حيث يرسل المطالبات ديناميكيًا إلى نموذج الذكاء الاصطناعي الصحيح لتحسين السرعة والتكاليف. ومع ذلك، تتعامل الأطر الحالية في الغالب مع التوجيه باعتباره مشكلة تصنيف ثابتة، مما يحد بشدة من إمكاناتها.
يعالج إطار عمل جديد مفتوح المصدر يسمى Agent-as-Router هذا الاختناق، حيث يتعامل مع جهاز التوجيه باعتباره وكيلًا ديناميكيًا لبناء الذاكرة. ويستخدم حلقة ردود الفعل السياقية (CAF) لتتبع نجاحات النموذج وإخفاقاته وتحديث سلوك جهاز التوجيه.
أصدر الباحثون أيضًا ACRouter، وهو تطبيق ملموس لهذا النموذج. في اختباراتهم، تفوق ACRouter بشكل كبير على أجهزة التوجيه الثابتة والاستراتيجية الباهظة الثمن المتمثلة في التخلف عن استخدام النماذج المتميزة، كل ذلك دون الحاجة إلى تدريب الفرق على نماذج ضخمة أو كتابة استدلالات لا نهاية لها.
بالنسبة لتطبيقات العالم الحقيقي، يوفر إطار العمل هذا خيارًا لاستبدال البنية التحتية للذكاء الاصطناعي ذات الترميز الثابت بأنظمة التحسين الذاتي التي يمكنها التكيف مع التغييرات في سلوك المستخدم والنماذج الأساسية المستخدمة في حزمة الذكاء الاصطناعي للمؤسسة.
اقتصاديات التوجيه ونقص المعلومات
تعد إعدادات النموذج الفردي مفيدة للتجارب ولكنها ضارة عند توسيع نطاق تطبيقات الذكاء الاصطناعي. يستخدم مهندسو الذكاء الاصطناعي توجيه النماذج لتعيين المهام لنماذج مفتوحة أرخص وأسرع عندما يكون ذلك ممكنًا، مع الاحتفاظ بالنماذج الحدودية باهظة الثمن للاستدلال المعقد.
يعتمد المطورون حاليًا على آليتين رئيسيتين لهذه المهمة. الأول هو التوجيه القائم على الاستدلال، والذي يعتمد على قواعد يدوية مشفرة. على سبيل المثال، قد يكتب أحد المطورين قاعدة تنص على أنه إذا كانت المطالبة تحتوي على كلمات رئيسية معينة، فسيتم توجيهها إلى GPT-5.5. بخلاف ذلك، فإنه ينتقل إلى نموذج مفتوح المصدر مستضاف ذاتيًا مثل Kimi K2.7.
الآلية الثانية هي السياسات المدربة الثابتة. هذه هي مصنفات التعلم الآلي التي تم تدريبها على مجموعات البيانات التاريخية التي تنظر إلى تضمينات الموجه وتتنبأ بأفضل نموذج بناءً على بيانات التدريب السابقة.
كلا النهجين ثابتان. عندما اختبر الباحثون هذه الآليات الموجودة على البرمجة الواقعية وسير العمل الوكيل، وجدوا سقفًا صعبًا للدقة. تظهر النتيجة الرئيسية أن أجهزة التوجيه الثابتة تعاني من نقص حاد في المعلومات. نظرًا لأنهم يقومون فقط بتقييم نص الإدخال ولا يرون أبدًا ما إذا كان النموذج قد نجح بالفعل في تنفيذ المهمة، فإنهم يخمنون بشكل أعمى عند مواجهة حالات الحافة المعقدة.
وهذا يؤدي إلى ثلاث نقاط متميزة من الفشل. أولاً، تعاني أجهزة التوجيه الثابتة من حالة معلومات متجمدة، مما يعني أنها لا تستطيع تجميع تعليقات تنفيذ جديدة أثناء النشر. ثانيًا، فشلوا في تعميم خارج التوزيع (OOD). وهي تتعطل خلال عمليات اليوم الثاني عندما تتغير بيانات المؤسسة أو يتغير سلوك المستخدم لأن بيانات التدريب الخاصة بهم لم تعد تتطابق مع الواقع. وأخيرًا، فهم معرضون بشدة لتقلبات النماذج. قد يصبح المصنف الثابت الذي تم تدريبه على نماذج اليوم قديمًا عندما يسقط نموذج أفضل في الأسبوع التالي.
الوكيل كجهاز توجيه: نظام ذاتي التطور
تتمثل الأطروحة الأساسية للوكيل كجهاز توجيه في أن جهاز التوجيه الفعال حقًا يجب أن يكتسب ويجمع المعلومات المستندة إلى التنفيذ أثناء النشر، والتعلم بشكل أساسي أثناء العمل.
وقد حقق الباحثون ذلك من خلال حلقة CAF. عند وصول مطالبة جديدة، يقوم جهاز التوجيه بفحص بيانات التعريف الخاصة بالموجه والمهمة، مثل لغة البرمجة أو مستوى الصعوبة. ثم يقوم بالبحث في ذاكرته التاريخية عن مهام مماثلة لمعرفة النماذج التي نجحت أو فشلت في الماضي. يستخدم جهاز التوجيه هذا السياق لتحديد النموذج المستهدف وتنفيذ المهمة. وأخيرًا، يراقب النظام النتيجة الواقعية، ويستخرج إشارة النجاح أو الفشل، ويكتب هذه الملاحظات مرة أخرى في ذاكرته لاتخاذ قرارات التوجيه المستقبلية.
فكر في خط أنابيب تحليل بيانات المؤسسة الآلي. يتلقى جهاز التوجيه مهمة إنشاء SQL ويرسلها إلى نموذج مفتوح المصدر مثل Kimi. يهلوس النموذج اسم عمود ويفشل في ترجمة SQL. تراقب حلقة CAF خطأ المترجم، وتسجله كتعليقات، ثم تسجله. في المرة التالية التي يصل فيها استعلام SQL غامض مماثل، يتحقق جهاز التوجيه من سياقه ويوجه المهمة إلى نموذج أكثر تقدمًا مثل Claude Opus 4.8.
ARouter
قام الباحثون بتطوير ACRouter باعتباره تجسيدًا ملموسًا لهذا الإطار. وهو يتألف من ثلاثة مكونات أساسية: المنسق، والمتحقق، والذاكرة. هذه البنية مدعومة بطبقة أداة لتنفيذ حلقة CAF فعليًا.
تعمل وحدة الذاكرة على تشغيل مرحلة السياق. نظرًا لأنه مبني على مخزن متجه، فإنه يسترد التفاعلات السابقة ذات الصلة ويحدث قاعدة البيانات التاريخية بنتائج جديدة. يتولى المنسق مرحلة العمل. يقوم بمعالجة مطالبة المستخدم جنبًا إلى جنب مع الذاكرة المستردة لتحديد النموذج المستهدف الأكثر قدرة من المجموعة المتوفرة. يقوم جهاز التحقق بإدارة مرحلة التغذية الراجعة من خلال تقييم مخرجات النموذج المختار لتوليد إشارة واضحة للنجاح أو الفشل.
تعمل طبقة الأداة على ربط أداة التحقق ببيئات التنفيذ الواقعية، مثل مترجم كود Python، أو صندوق الحماية الوكيل، أو محرك قاعدة البيانات. تسمح طبقة الأداة للنظام بتنفيذ التعليمات البرمجية أو الاستعلام الذي تم إنشاؤه ومراقبة النتيجة الدقيقة، مما يوفر الإشارة التي يمكن التحقق منها والتي يحتاج جهاز التوجيه إلى تعلمها.
الأوركسترا نفسها خفيفة الوزن. بدلاً من نموذج لغة كبير ضخم وثقيل حسابيًا، قام الباحثون بتدريب محول معلمات بقيمة أقل من مليار بناءً على Qwen 3.5 (0.8B معلمات)، مما يعني أنه يمكن استضافته ذاتيًا على جهاز من اختيارك.
ARouter في العمل: التفوق على خطوط الأساس الحدودية
لاختبار التحمل لإطار العمل، قدم الباحثون CodeRouterBench، وهي بيئة تقييم تضم ما يقرب من 10000 مهمة مع درجات تم التحقق منها عبر ثمانية نماذج رائدة، بما في ذلك Claude Opus 4.6، وGPT-5.4، وQwen3-Max، وGLM-5. تم تقسيم التقييم بين اختبارات التوزيع (ID) (التي تغطي تسعة أبعاد ترميز أحادية المنعطف مثل تصميم الخوارزمية وتوليد الاختبار) واختبار البرمجة الوكلاءية خارج التوزيع (OOD). كانت مهام OOD مختلفة نوعيًا، وتتطلب تخطيطًا متعدد الخطوات، والتنقل في الملفات، وتصحيح الأخطاء التكراري لمعرفة ما إذا كان جهاز التوجيه يمكنه التكيف مع المجالات الجديدة بشكل أساسي.
كشفت النتائج الأساسية عن سبب وجود خلل في استراتيجية النموذج الواحد: لا يوجد نموذج واحد يهيمن على كل فئة. على سبيل المثال، في حين حقق كلود أوبوس 4.6 أعلى متوسط أداء، فقد تفوق عليه في تصميم الخوارزميات بواسطة GLM-5 (تحسن نسبي بنسبة 86%) وفي توليد الاختبار بواسطة Qwen3-Max (تحسن بنسبة 111%)، على الرغم من أن تكلفة Opus كانت تعادل 12 ضعف تكلفة النماذج الأصغر مثل Kimi-K2.5.
في الاختبارات المرجعية، فشلت أجهزة التوجيه الثابتة بشكل مستمر عن طريق إرسال مهمة ترميز متخصصة محددة إلى نموذج غير مجهز لهذه الصيغة الدقيقة. لم يكن لدى جهاز التوجيه الثابت أي وسيلة لمعرفة فشل تنفيذ التعليمات البرمجية. في المقابل، قام ACRouter بتعديل استراتيجيته بعد تلقي إشارة ردود فعل سلبية من بيئة التنفيذ.
وفقًا لمعايير الباحثين، فإن ACRouter يحتل مكانة ثابتة في حدود باريتو من حيث التكلفة والأداء. في كل من تدفقات مهام المعرف واختبارات وكيل OOD المعقدة، حقق ACRouter أدنى مستوى من الندم التراكمي، وهو مقياس لقياس قرارات التوجيه دون المستوى الأمثل بمرور الوقت. في مجموعة اختبار التوزيع، تبلغ تكلفة ACrouter 13.21 دولارًا أمريكيًا عبر تشغيل المهمة بالكامل، مقارنة بـ 34.02 دولارًا أمريكيًا للتشغيل الافتراضي دائمًا لـ Opus – وهو توفير يصل إلى 2.6x.
لقد قام بمطابقة المهام ديناميكيًا مع النموذج الأكثر قدرة لهذا المجال المحدد، مما يشير إلى أن المؤسسات يمكنها تحقيق أو تجاوز الدقة على مستوى الحدود عبر أعباء العمل المتنوعة دون دفع سعر مميز لكل استعلام.
المحاذير والقيود وكيفية البدء
في حين أن نموذج الوكيل كجهاز توجيه يحل مشكلة نقص المعلومات، إلا أنه ليس حلاً شاملاً لجميع مسارات عمل الذكاء الاصطناعي.
يتألق إطار العمل في المهام التي يمكن التحقق منها حيث يحصل المدقق على إشارة نجاح أو فشل واضحة من البيئة، مثل التشفير أو استرجاع البيانات. إنه فعال للتطبيقات ذات تحولات التوزيع والمجالات حيث تتفوق النماذج المختلفة في مجالات متميزة تمامًا.
على العكس من ذلك، فإن الإعداد مبالغ فيه بالنسبة للمهام التافهة حيث يكون أي نموذج كافيا، أو للتطبيقات ذات الحجم المنخفض التي لا تبرر النفقات الهندسية الإضافية. كما أنه غير مناسب للمجالات الشخصية، مثل الكتابة الإبداعية، حيث لا يمكن التحقق من الإجابة الصحيحة بسهولة ويستحيل توحيد إشارات التعليقات.
قام الباحثون بفتح الكود على GitHub وأصدروا أوزان نموذج المنسق على Hugging Face بموجب ترخيص Apache 2.0. جهاز التوجيه متوافق مع Claude Code وCodex وOpenCode.
