لقد أدى التطور من النماذج اللغوية الكبيرة (LLMs) إلى تكامل وكيل الذكاء الاصطناعي إلى تغيير مشهد الذكاء الاصطناعي (AI). الآن، تفتح الأنظمة متعددة الوكلاء (MAS) الباب أمام موجة جديدة بالكامل من المنتجات الأصلية للذكاء الاصطناعي وخدمات تطوير البرامج.
كانت تطبيقات LLM التقليدية المدعومة بالذكاء الاصطناعي التوليدي تركِّز في الغالب على تعزيز الإنتاجية أو الإجابة عن الأسئلة أو تلخيص المعلومات. ولكن مع ظهور الوكلاء والقدرة على التواصل مع وكلاء الذكاء الاصطناعي، اكتسبنا القدرة على إنشاء مهام سير عمل مستقلة قللت بشكل كبير من العمل اليدوي المطلوب في البحث والدعم والتحليل والعمليات.الآن، تتعامل الأنظمة متعددة الوكلاء مع مهام واقعية معقدة مثل فرز خدمة العملاء والتحليل المالي واستكشاف الأخطاء وإصلاحها الفنية ومراقبة الامتثال، وأصبحت قابلة للتطوير ومستقلة وقابلة للتحسين المستمر.
يُشار إلى الإجراءات المنسقة التي يتخذها عدة وكلاء مستقلون في نظام موزع، لكل منهم معرفة محلية وقدرات على صناعة القرار، باسم التعاون متعدد الوكلاء.
في التعاون متعدد الوكلاء، يتعاون الوكلاء باستخدام بروتوكولات الاتصال المطبَّقة لتبادل معلومات الحالة وتعيين المسؤوليات وتنسيق الإجراءات. عادة ما يشمل التعاون أساليب لتقسيم العمل وتوزيع الموارد وحل النزاعات والتخطيط التعاوني. يمكن أن يكون صريحًا من خلال تمرير الرسائل أو ضمنيًا من خلال التعديلات على البيئة المشتركة. تُولي هذه الأنظمة الأولوية في تصميمها للقابلية للتوسع والتسامح مع الأخطاء والسلوك التعاوني الطارئ لتعمل دون تحكم مركزي. لنأخذ مثالًا توضيحيًا: لنفترض أن أسطولًا من الطائرات دون طيار يبحث في موقع كارثة عن ناجين أو معلومات. تأخذ كل طائرة دون طيار مسارها الخاص، وتتجنب الطائرات الأخرى، وتُبلغ عما تجده وتغيِّر اتجاهها في حال حدوث حدث غير متوقع. فكر في هذا السيناريو على أنه تعاون متعدد الوكلاء: تعمل كل طائرة دون طيار بمفردها وكذلك بشكل جماعي، بمعنى أنها تعمل كمساعد. دون وجود قائد واحد يديرهم، فهم يعملون معًا، وينسقون مع بعضهم، ويتشاركون ما يرونه. هذا النهج هو الطريقة التي يعمل بها أسطول مستقل من الوكلاء بشكل تعاوني وذكي وسريع لحل المشكلات المعقدة.
هذه البنية التعاونية تُعيد تعريف بنية المنتجات، ما يؤدي إلى ظهور حالات استخدام متنوعة تعمل في أي وقت تقريبًا، وتتكيف مع الطلبات المتزايدة، وتتعلم وتُحسِّن نفسها باستمرار دون تدخل يدوي. يتم تمكين عملية الأتمتة الوكيلية من خلال وكلاء متخصصين يتمتعون بقدرات تكيفية مصممة للتعامل مع مهام محددة بدقة واستقلالية. يعمل وكلاء الذكاء الاصطناعي المتخصصون معًا في الوقت الفعلي لتقديم خدمات ذكية ومخصصة وشاملة في روبوت المحادثة (باستخدام إطار العمل)، وهو نوع جديد من التطبيقات متعددة الوكلاء.1
التعاون بين عدة وكلاء هو مطلب مهم عند تصميم ونشر نظام ذكي، خاصةً في البيئات شديدة التعقيد والموزعة والتي تفرض قيودًا على الخصوصية. يوفر التعاون متعدد الوكلاء العديد من الفوائد المعمارية والحسابية والتشغيلية على النقيض من أنواع البنية الوكيلية الأخرى، وتحديدًا نظام الوكيل الفردي. ينطبق ذلك بشكل خاص على الأنظمة المعقدة والموزعة والفورية، حيث توجد مستويات متعددة ومتميزة من الخصوصية بطبيعتها. تُتيح الأنظمة متعددة الوكلاء (MAS) للوكلاء اللامركزيين والمستقلين العمل معًا لتحقيق أهداف جماعية أو مترابطة، ما يساعد في التغلب على بعض القيود الهيكلية لأنظمة الوكيل الفردي المقيدة. على سبيل المثال، أنظمة الوكيل الفردي المتجانسة التي لا تتوسع إلا بدرجة محدودة أو لها حدود في زمن الانتقال وعمومية الوظائف. يحافظ كل وكيل على مستوى من الاستقلالية، ويستكمل العمليات الحسابية المحلية، ويتعاون مع الوكلاء الآخرين باستخدام بروتوكولات الاتصال لمشاركة المعرفة الجزئية حول بيئتهم، والتعاون في اتخاذ القرار وتنسيق استراتيجية التحكم الموزعة. تُتيح القدرة على الحفاظ على قابلية التوسع المعيارية دمج الوكلاء أو الأنظمة الفرعية الجديدة بسلاسة مع توفير سلوك تكيفي في البيئات الديناميكية في الوقت الفعلي. على سبيل المثال، في نظام الرعاية الصحية الذكي، قد يكون لدى مجموعة فرعية من الوكلاء أو جميع الوكلاء مهام خاصة بالمجال. مثل مراقبة الإشارات الفسيولوجية، وتحديد الحالات الشاذة، والتوصية بالعلاج وإدارة بيانات المريض التي يمكن التعرٌّف عليها وفقًا للسياسة. كما أن تعاونهم يُتيح الاستمرارية والدقة والتسامح مع الأخطاء طوال العملية بأكملها. تزيد القدرة على تطبيع العمليات الحسابية عبر الوكلاء من كفاءة العمليات الحسابية من خلال مشاركة المَعلمات بين الوكلاء وتتجنب الاعتماد على العمليات الحسابية المركزية.2
لفهم كيفية عمل الأنظمة متعددة الوكلاء، دعنا نحلل العملية التعاونية إلى سلسلة من الخطوات المنسقة جيدًا، كل منها يؤكِّد على كيفية تفاعل الأفراد المستقلين وتعيينهم والعمل معًا لإنجاز المهام الصعبة.
يتعاون الوكلاء وينسِّقون عملهم من خلال قنوات منظمة حيث يكون كل وكيل عنصرًا ذكيًا يتألف من خمسة عناصر أساسية.
أ. نموذج الأساس (𝑚): هذا العنصر هو محرك التفكير الرئيسي للوكيل، وهو الذي يسمح بتوليد اللغة الطبيعية وفهمها.
ب. الهدف (o): يتم تحديد هدف الوكيل أو المهمة التي يركِّز على القيام بها من خلال الهدف (𝑜).
ج. البيئة (𝑒): يشير هذا العنصر إلى الوضع الذي يعمل فيه الوكيل. قد يتضمن ذلك وكلاء آخرين أو أدوات أو ذاكرة مشتركة أو واجهات برمجة التطبيقات (APIs).
د. المعلومات التي يتلقاها الوكيل من محيطه أو من وكلاء آخرين تُعرَف باسم إدخال (𝑥).
هـ. الناتج أو الإجراء (𝑦): سلوك الوكيل أو استجابته في ضوء هدفه الحالي وطريقة تفكيره.
يحدث التعاون عندما يتعاون العديد من وكلا الذكاء الاصطناعي كفريق واحد لإنجاز مهمة ما. خلال مرحلة التعاون، يتلقى النظام مهمة من المستخدم أو البيئة. يقرر النظام الوكلاء المطلوبين والأدوار التي سيؤدونها.
يقسِّم النظام المشكلات المعقدة إلى أجزاء يمكن التحكم فيها. يتم تحقيق ذلك عن طريق مخطط أو نموذج اللغة مع القدرة على الاستدلال. يحدث الاتصال من خلال الذاكرة المشتركة أو المخرجات الوسيطة. يتم تنفيذ المهام المحددة من قِبَل الوكلاء بشكل متزامن أو متسلسل أو ديناميكي.
يتم تجميع نتائج الوكلاء المختلفين لتقديم استجابة مهمة. يبدأ المنسِّق أو الوكيل النهائي إجراءً أو يُعطي المستخدم الاستجابة الكاملة.3
يوضح الشكل 1 إطار العمل لفهم كيفية عمل التعاون متعدد الوكلاء. يحدِّد إطار العمل هذا الأبعاد الرئيسية التي تميِّز الآليات التعاونية بين الوكلاء.
استراتيجيات التعاون المختلفة
يتعاون الوكلاء مع وكلاء آخرين باستخدام الاستراتيجية المختلفة التي تحدد كيفية تفاعلهم وتنسيقهم ومساهمتهم في تحقيق الأهداف المشتركة. تتضمن استراتيجيات التعاون المختلفة ما يلي:
- التعاون القائم على القواعد:
في هذا النوع من التعاون، يتم التحكم بشكل صارم في تفاعلات الوكلاء مع بعضهم من خلال مجموعة محددة من القواعد أو الإرشادات. تحدِّد هذه القواعد كيفية تصرُّف الوكلاء والتواصل واتخاذ الخيارات بطريقة يمكن التنبؤ بها. نطاق التعلم أو التكيف محدود حيث يلتزم الوكلاء بسياسة محددة بناء على شروط أو إدخال معين. غالبًا ما يتم تنفيذ هذه الطريقة باستخدام عبارات if-then أو آلات الحالة أو أطر العمل القائمة على المنطق. يعمل هذا التعاون بشكل أفضل مع المهام عالية التنظيم أو يمكن التنبؤ بها، حيث يكون الحفاظ على الاتساق أمرًا أساسيًا.
الإيجابيات والسلبيات: يوفر هذا النهج قدرًا كبيرًا من الكفاءة والعدالة، إلا أنه يواجه صعوبة في التكيف وقابلية التوسع، وخاصةً في المواقف سريعة التغيُّر أو المعقدة.
- التعاون القائم على الأدوار:
في هذا النهج، يتم منح الوكلاء أدوارًا أو مسؤوليات محددة تتوافق مع إطار تنظيمي أو اتصالي واضح. يأتي كل دور مع مجموعة خاصة به من الوظائف والأذونات والأهداف التي غالبًا ما تكون مرتبطة بأجزاء مختلفة من هدف النظام العام. في حين يعمل الوكلاء بشكل شبه مستقل ضمن الأدوار المخصصة لهم، فإنهم يؤدون أيضًا دورًا في الصورة الكُبرى من خلال التنسيق وتبادل المعلومات مع بعضهم. يستمد هذا المفهوم إلهامه من ديناميكيات الفريق البشري، حيث يتولى الأفراد أدوارًا مختلفة مثل القائد أو المراقب أو المنفذ. وهو مفيد بشكل خاص لتقسيم المهام وتصميم الأنظمة المعيارية والسماح للوكلاء ذوي الخبرة المتنوعة بالتعاون بشكل فعَّال.
الإيجابيات والسلبيات: يُتيح التعاون المعياري الذي يقوده الخبراء، ولكنه قد يواجه تحديات تتعلق بالمرونة واعتماده على تكامل الوكيل.
- التعاون القائم على النموذج:
في هذا النوع من التعاون، يُنشئ الوكلاء نماذج داخلية لفهم حالتهم والبيئة المحيطة بهم والوكلاء الآخرين والهدف المشترك الذي يعملون جميعًا من أجله. هذه النماذج عادةً ما تكون احتمالية أو مكتسبة، ما يساعد العملاء على التخطيط لأفعالهم حتى عندما تكون الأمور غير مؤكدة. وتعتمد تفاعلاتهم على تحديث المعتقدات، واستخلاص الاستنتاجات، والتنبؤ بالنتائج، ما يسمح لاستراتيجياتهم بأن تكون مرنة وواعية بالسياق. تتضمن بعض الأساليب الشائعة التي يستخدمونها التفكير البايزي وعمليات اتخاذ القرار Markov (اختصارًا MDPs) ونماذج التعلم الآلي المختلفة. يُعَد هذا النهج مفيدًا بشكل خاص في المواقف التي يحتاج فيها الوكلاء إلى التفكير في عوامل غير معروفة، أو التكيف مع التغييرات، أو العمل معًا دون أن يكون لديهم رؤية كاملة.
الإيجابيات والسلبيات: يوفر هذا النهج مرونة كبيرة وقدرات قوية لاتخاذ القرارات، ولكنه يأتي مع مستوى كبير من التعقيد وتكلفة حسابية باهظة.4
أطر العمل
يتم تطوير العديد من إطارات العمل المعروفة، كل منها يستخدم أساليبه المميزة لمساعدة الوكلاء على العمل معًا بفاعلية في التطبيقات الواقعية. دعونا نستكشف إطارات العمل المستخدمة بشكل شائع:
1. إطار عمل IBM Bee Agent: تطبيق مفتوح المصدر يسهِّل تطوير وإدارة عمليات متعددة الوكلاء وقابلة للتوسع. يضع الأساس للتطبيقات التي يتعاون فيها العديد من وكلاء الذكاء الاصطناعي لإنجاز المهام الصعبة باستخدام نماذج LLM الضخمة مثل IBM Granite وgpt-4 وLlama 3. بفضل عناصره الجاهزة للاستخدام للوكلاء والأدوات وإدارة الذاكرة والمراقبة، يتميز الإطار بتصميم معياري. تُعَد حالات الوكيل المتسلسل إحدى أبرز خصائصه. تُتيح هذه القدرة إيقاف الإجراءات المعقدة واستئنافها دون محو أي بيانات. يُتيح تركيزه على التحكم في مستوى الإنتاج وقابلية التوسع والمرونة إنشاء أنظمة متطورة متعددة الوكلاء لمجموعة واسعة من التطبيقات، مع خطط لمزيد من التطوير في تنسيق الوكلاء المتعددين.
2. وكلاء LangChain: يُعَد LangChain إطار عمل قويًا لبناء تطبيقات تعتمد على نماذج لغوية وتركِّز على بنية قوية قائمة على الوكلاء. يعني هذا الخيار أنه يمكن للوكلاء إدراك بيئتهم واستخدام العديد من الأدوات المتاحة لجمع المعلومات والتفسير والتصرُّف. داخل LangChain نفسه، يمكن للمطورين الوصول إلى العديد من الأدوات والتكاملات لتسهيل هندسة الوكلاء لأداء عمليات الاستدلال المعقدة وصناعة القرار وإنجاز المهام. يُتيح LangChain للمطورين الاستفادة من أعلى قدرات النماذج اللغوية الكبيرة (LLMs) في تطوير أنظمة ذكية لإنجاز مهام معقدة مثل الإجابة عن الأسئلة السياقية وسير العمل متعدد الخطوات وتوليد اللغة الطبيعية.
3. إطار عمل OpenAI Swarm: يقدِّم هذا الهيكل طريقة جديدة لتنسيق العديد من الوكلاء من حيث الروتينات والتسليمات. فبدلًا من وجود وكيل واحد يعمل بشكل مستقل، يمكن اعتبار كل وكيل وحدة متخصصة تعمل بأدوات مخصصة وتوجيهات مصممة خصيصًا. يُتيح نقل مهمة أو محادثة قائمة من وكيل إلى آخر توفير تجربة مستخدم سلسة حيث يتخصص كل وكيل في دور محدد. يؤدي هذا النهج في النهاية إلى تعزيز الكفاءة العامة، والنمطية، وسرعة استجابة النظام ككل. يركز مصطلح Swarm على التنسيق الخفيف والتنفيذ الفعَّال للمهمة، ما يُتيح نشرها على نطاق أوسع في المهام في العالم الحقيقي.5
watsonx Orchestrate
يجعل Watsonx Orchestrate® من السهل تمكين التعاون بين وكلاء متعددين من خلال استخدام مجموعة من العناصر المترابطة التي تعمل معًا لتنظيم سير العمل المدعوم بالذكاء الاصطناعي. المهارات هي وكلاء مستقلون يقومون بتنفيذ مهام محددة، مثل إرسال رسائل البريد الإلكتروني أو الاستعلام عن البيانات؛ ويتم وصفها وتسجيلها في سجل المهارات الذي يوضِّح قدراتها وبياناتها الوصفية. عندما يرسل المستخدم طلبًا، يستخدم محلل النية معالجة اللغة الطبيعية لقراءة إدخال المستخدم وربطه بالمهارات.
يوفر Flow Orchestrator منطق التنفيذ والتدفق، بما في ذلك تسلسل المهام والتفرع والأخطاء وإعادة المحاولة للمساعدة على ضمان تنفيذ الوكلاء بالترتيب المطلوب وإمكانية إعادة محاولة الخطوات الفاشلة. يُتيح منسق التدفق تنفيذ الوكلاء في وقت واحد عند الضرورة. يوفر مخزن السياق والذاكرة المشترك (Shared Context and Memory Store) مساحة مشتركة لتخزين البيانات والمخرجات الوسيطة والقرارات في مساحة واحدة، ما يسمح للوكلاء بأن يكونوا على دراية ببعضهم والحفاظ على الاستمرارية أثناء سير عملهم. يستخدم مساعد LLM نماذج لغوية كبيرة للمساعدة على التفكير والتنقل في السياق المتغير وسد الفجوات المعرفية أثناء التعاون.
تسمح الواجهة البشرية (Human Interface) للمستخدم برؤية التدفق وإدارة سير العمل الوكيل إذا أراد المشاركة. يمكن لهذه العناصر دعم التعاون بين الوكلاء المتعددين للمساعدة على ضمان قدرة watsonx Orchestrate على إدارة سير عمل معقد متعدد الوكلاء بشكل مستقل، مع إبقاء العنصر البشري ضمن الدورة.6
الذكاء الجماعي الناشئ: مع عمل الوكلاء المستقلين معًا من خلال إطار عمل تعاوني محدد جيدًا مع حواجز أمان للمساعدة على ضمان التوافق والسلامة وأهمية المهمة، تبدأ السلوكيات الذكية في الظهور - متجاوزةً القدرات الفردية لأي وكيل منفرد. الدقة والملاءمة والكفاءة والقدرة على التفسير وتماسك النظام بشكل عام هي بعض المقاييس متعددة الأوجه التي يمكن استخدامها لتقييم وتحسين فاعلية هذه الأنظمة بشكل مستمر.
يمنح الذكاء الجماعي هذه الأنظمة القدرة على حل المشكلات المعقدة ومتعددة الأبعاد باستخدام الاستدلال الموزع وتفكيك المهام ما يؤدي إلى الأتمتة واتخاذ القرار وتنسيق سير العمل متعدد الخطوات.
الموارد
تمكين المطورين من إنشاء وكلاء الذكاء الاصطناعي ونشرهم ومراقبتهم باستخدام استوديو IBM watsonx.ai.
حقِّق إنتاجية غير مسبوقة مع مجموعة من أكثر الحلول تكاملًا في القطاع لمساعدة الأعمال على بناء وتخصيص وإدارة وكلاء ومساعدي الذكاء الاصطناعي.
تحقيق وفورات في التكاليف تزيد على 90% باستخدام نماذج Granite الصغيرة والمفتوحة المصممة لتعزيز كفاءة المطوِّرين. تقدِّم هذه النماذج الجاهزة للمؤسسات أداءً استثنائيًا في معايير الأمان، وتتفوق في مجموعة واسعة من المهام المؤسسية من الأمن الإلكتروني إلى التوليد المعزز بالاسترجاع (RAG).
الحواشي
1 Tran, K.-T., Dao, D., Nguyen, M.-D et.al (2025 January 10). Multi-Agent Collaboration Mechanisms: A Survey of LLMs. arXiv. https://arxiv.org/abs/2501.06322
2 Han, S., Zhang, Q., Yao, Y., Jin, W., & Xu, Z. (2024). LLM Multi-Agent Systems: Challenges and Open Problems. arXiv. https://arxiv.org/abs/2402.03578
3 Jennings, N. R., & Wooldridge, M. (1996). Intelligent agents: Theory and practice. The Knowledge Engineering Review, 10(2), 115–152. https://www.cambridge.org/core/journals/knowledge-engineering-review/article/abs/intelligent-agents-theory-and-practice/CF2A6AAEEA1DBD486EF019F6217F1597
4 Wang, Jialin, and Zhihua Duan, “Agent AI with LangGraph: A Modular Framework for Enhancing Machine Translation Using Large Language Models.” CoRR, abs/2412.03801, December 5, 2024. arXiv:2412.03801
5 Framework for evaluating LLM-based agents, https://github.com/vladfeigin/llm-agents-evaluation
6 Gomez-Sanz, J. J., & Pavón, J. (2004). Methodologies for developing multi-agent systems. Journal of Universal Computer Science, 10(4), 404–426.