مقاله‌ی arXiv:2609.37025 · منتشرشده در کانال
AnyAct: Universal Action for Self-Evolving Agents
انی‌اکت: لایه‌ی کنش جهانی برای ایجنت‌های خودتکامل در اکوسیستم‌های بزرگ ابزار
- تاریخ
- (۷ مهر ۱۴۰۵) 2026-09-29 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Lingrui Xu, Yangqin Jiang, Jiachang Zhang, Xubin Ren, Chao Huang
- نهاد نویسنده‌ها
- The University of Hong Kong
خلاصه‌ی فارسی
مسئله
ایجنت‌ها در محیط‌های باز برای تسک‌های پیچیده‌ی پیاپی، مثل پردازش سند یا همکاری بین برنامه‌ها، به کنش‌هایی از عملیات رابط گرافیکی تا رابط‌های برنامه‌نویسی معنایی تکیه دارند. سه چالش وجود دارد: اکوسیستم‌های عظیم ابزار از پنجره‌ی کانتکست بزرگ‌ترند، کیفیت ابزارها با به‌روزرسانی یا قطعی تغییر می‌کند، و قالب‌های بازخورد ناهمگن (پیکسل، متن، داده‌ی ساختاریافته) جزیره‌های اطلاعاتی می‌سازند.
روش
لایه‌ی کنش AnyAct توانایی‌های موجود را در یک فضای کنش خودتکامل یکپارچه می‌کند. این فضا با بازیابی پیشرونده‌ی سلسله‌مراتبی که کنش‌های مرتبط با تسک را فیلتر می‌کند و تکامل قابلیت اطمینان در زمان آزمون که کنش‌های غیرقابل اعتماد را هرس می‌کند ساخته می‌شود، و یک ماژول مستندسازی مشاهده‌ی ناهمگن بازخورد چندرسانه‌ای را یکی می‌کند. فضای کنش ترکیبی از کنش‌های پایه و معنایی است و توازن بین موفقیت و هزینه‌ی اجرا را بهینه می‌کند.
یافته‌ها
- روی LiveMCPBench و OSMCP، بنچمارک جدید نویسنده‌ها برای همکاری کنش‌های چنددانه‌ای، به کارایی پیشرفته‌ترین روش‌ها رسید و با مدل‌های پایه‌ی مختلف بهبود قابل توجهی داد، به‌ویژه برای مدل‌هایی با توانایی بومی محدود.
- روی OSMCP با فقط ۵۰ گام به موفقیت کلی ۷۷٫۲۷ درصد رسید، نصف گام‌هایی که بیشتر رقبا لازم دارند.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ یکی از دو بنچمارک را خود نویسنده‌ها ساخته‌اند.
چرا مهم است
با رشد تعداد ابزارها و سرورهای ابزار، ایجنت‌ها نمی‌توانند همه را در کانتکست نگه دارند. این کار راهی برای انتخاب پویا و قابل اعتماد کنش‌ها از میان هزاران گزینه می‌دهد.