📢 دانشگاه کارنگی ملون و مفهوم تازه در تربیت عامل‌های هوشمند: «عامل‌های فعال و شخصی‌سازی‌شده»
محققان دانشگاه Carnegie Mellon با انتشار پژوهشی با عنوان
«Training Proactive and Personalized LLM Agents»
گامی تازه در تربیت عامل‌های زبانی برداشتند؛ معرفی چارچوب جدیدی که تمرکز آن دیگر صرفاً «انجام وظیفه» نیست، بلکه «تعامل مؤثر با انسان» است.
🔹 در این مدل، عامل هوشمند سه ویژگی کلیدی را هم‌زمان می‌آموزد:
۱. بهره‌وری (Productivity) — توانایی انجام درست وظیفه
۲. پیش‌دستی (Proactivity) — طرح پرسش‌های روشن‌ساز در مواجهه با ابهام
۳. شخصی‌سازی (Personalization) — تطبیق لحن، سبک و طول پاسخ با سلیقهٔ کاربر
برای آموزش چنین عاملی، محیطی نو به نام UserVille طراحی شده است؛ جهانی شبیه‌سازی‌شده که در آن «کاربران مصنوعی» با شخصیت‌ها و ترجیحات متفاوت حضور دارند. عامل در این محیط می‌آموزد که چگونه با کاربران مختلف گفتگو کند، فقط زمانی سؤال بپرسد که لازم است و لحن خود را با ویژگی‌های مخاطب هماهنگ سازد.
📊 نتایج شگفت‌انگیز بوده است:
عامل‌های آموزش‌دیده با چارچوب جدید PPP (Productive, Proactive, Personalized) نسبت به مدل‌های پایه مانند GPT-5 تا ۲۱٫۶٪ عملکرد بهتر در تعاملات واقعی و مسائل پیچیده‌ی پژوهشی و مهندسی نرم‌افزار نشان دادند.
این پژوهش نشان می‌دهد آیندهٔ عامل‌های هوشمند نه در «خودکارسازی صرف»، بلکه در «تعامل انسانی‌تر» نهفته است — جایی که هوش مصنوعی می‌پرسد، درک می‌کند و خود را با انسان سازگار می‌کند.
🔗 arxiv.org/abs/2511.02208v1
📍 Carnegie Mellon University, 2025
#هوش_مصنوعی #عامل_هوشمند #کارنگی_ملون #AgenticAI #Personalization #ProactiveAI #LLMAgents #UserVille #ReinforcementLearning #هوش_تعاملی
محققان دانشگاه Carnegie Mellon با انتشار پژوهشی با عنوان
«Training Proactive and Personalized LLM Agents»
گامی تازه در تربیت عامل‌های زبانی برداشتند؛ معرفی چارچوب جدیدی که تمرکز آن دیگر صرفاً «انجام وظیفه» نیست، بلکه «تعامل مؤثر با انسان» است.
🔹 در این مدل، عامل هوشمند سه ویژگی کلیدی را هم‌زمان می‌آموزد:
۱. بهره‌وری (Productivity) — توانایی انجام درست وظیفه
۲. پیش‌دستی (Proactivity) — طرح پرسش‌های روشن‌ساز در مواجهه با ابهام
۳. شخصی‌سازی (Personalization) — تطبیق لحن، سبک و طول پاسخ با سلیقهٔ کاربر
برای آموزش چنین عاملی، محیطی نو به نام UserVille طراحی شده است؛ جهانی شبیه‌سازی‌شده که در آن «کاربران مصنوعی» با شخصیت‌ها و ترجیحات متفاوت حضور دارند. عامل در این محیط می‌آموزد که چگونه با کاربران مختلف گفتگو کند، فقط زمانی سؤال بپرسد که لازم است و لحن خود را با ویژگی‌های مخاطب هماهنگ سازد.
📊 نتایج شگفت‌انگیز بوده است:
عامل‌های آموزش‌دیده با چارچوب جدید PPP (Productive, Proactive, Personalized) نسبت به مدل‌های پایه مانند GPT-5 تا ۲۱٫۶٪ عملکرد بهتر در تعاملات واقعی و مسائل پیچیده‌ی پژوهشی و مهندسی نرم‌افزار نشان دادند.
این پژوهش نشان می‌دهد آیندهٔ عامل‌های هوشمند نه در «خودکارسازی صرف»، بلکه در «تعامل انسانی‌تر» نهفته است — جایی که هوش مصنوعی می‌پرسد، درک می‌کند و خود را با انسان سازگار می‌کند.
🔗 arxiv.org/abs/2511.02208v1
📍 Carnegie Mellon University, 2025
#هوش_مصنوعی #عامل_هوشمند #کارنگی_ملون #AgenticAI #Personalization #ProactiveAI #LLMAgents #UserVille #ReinforcementLearning #هوش_تعاملی
arXiv.org
Training Proactive and Personalized LLM Agents
While existing work focuses primarily on task success, we argue that effective real-world agents require optimizing three dimensions: productivity (task completion), proactivity (asking essential...
🔥1👌1