هوش مصنوعی
EvoMCP برای آموزش عامل‌های MCP، داده‌ها و وظایف را هم‌زمان تکامل می‌دهد
پژوهشگران در یک پیش‌چاپ arXiv چارچوبی معرفی کرده‌اند که با بازخورد اجرای عامل، شکاف‌های توانایی آن را شناسایی و برای آموزش هدفمندتر وظایف تازه تولید می‌کند.
آموزش نظارت‌شدهٔ عامل‌های Model Context Protocol (MCP) معمولاً بر مجموعه‌داده‌ای ثابت تکیه دارد؛ رویکردی که به‌گفتهٔ نویسندگان پیش‌چاپ، با تغییر توانایی‌های مدل سازگار نمی‌شود و ممکن است ضعف‌های تازه‌آشکارشده را به‌اندازهٔ کافی پوشش ندهد.
پژوهشگران چارچوب EvoMCP را برای تکامل هم‌زمان عامل و دادهٔ آموزشی پیشنهاد می‌کنند. این روش از بازخورد اجرای عامل برای ارزیابی توانایی‌های تثبیت‌شده و شکاف‌های آن استفاده می‌کند، سپس هدف‌های یادگیری را به وظایف اجرایی تبدیل می‌کند؛ از جمله با تغییر دستورها و وضعیت‌های قابل مشاهده در محیط‌های سازگار و راستی‌آزمایی‌شده. چرخهٔ پیشنهادی سه بخش دارد: تکامل وظیفه، تکامل مسیر اجرای عامل و ریزتنظیم نظارت‌شده.
اطلاعات ارائه‌شده در چکیدهٔ منبع جزئیات بیشتری دربارهٔ روش یا نتایج ارزیابی EvoMCP در اختیار نمی‌گذارد. این مقاله نسخهٔ پیش‌چاپ arXiv است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده