بناء قاعدة معرفة لوكلاء الذكاء الاصطناعي واختبارها على فحوصاتي الطبية الخاصة

المؤلف، مطوّر خلفي في Iskra، بنى قاعدة معرفة لوكيل ذكاء اصطناعي واختبرها مع نتائج فحصه الطبي الشخصي، التي كان يعرفها عن ظهر قلب، مما جعل الأخطاء واضحة. يعمل النظام كنظام ملفات مُعد مسبقًا بدلًا من فهرس بحث: كل ملف يحصل على ملف .md مطابق مع ترويسة YAML، ويتنقل الوكيل عبر ls وgrep وread واتباع الروابط. هذا النهج يتفوق على نظام استرجاع التوليد المعزز (RAG) التقليدي في الإجابات متعددة المستندات والاستشهاد بالمصادر، حيث يقرأ الوكيل المستندات كاملة بدلًا من أجزاء. ومع ذلك، ينسى الوكيل أحيانًا الوصول إلى قاعدة المعرفة، كما حدث عندما ادعى أنه لا يرى الملفات المرفقة، ثم عند إعادة المحاولة قرأ جميع الملفات السبعة وقدم ملخصًا صحيحًا. تشمل المشكلات الإضافية: إعادة تسمية الملفات بطريقة غير معتادة (بعض العناوين باللاتينية)، عدم دقة إعادة الصياغة في الاستشهادات، وارتفاع تكلفة الرموز (tokens) — حوالي 10-15 استدعاء أدوات لكل استعلام معقد. كما يلاحظ المؤلف أن النظام ليس مضمونًا: يمكن للنموذج الاستشهاد بالمصادر ولكن لا يزال يهلوس، لذا فإن قائمة المصادر على الخادم (server-side) ضرورية.