تستخدم أنظمة الوكلاء المتعددين عدة وكلاء ذكاء اصطناعي متخصصين يتعاونون في مهام معقدة، بينما تعتمد أنظمة الوكلاء المتعددين أحادية النموذج على نموذج واحد يتولى كل شيء. تتفوق أنظمة الوكلاء المتعددين في المرونة والقدرة على الاستدلال المتوازي، في حين توفر تصميمات الوكلاء المتعددين البساطة وانخفاض الحمل الحسابي.
إطار عمل تتعاون فيه عدة وكلاء ذكاء اصطناعي، حيث يتولى كل منهم أدوارًا متخصصة لحل المشكلات المعقدة معًا.
نموذج لغوي واحد كبير يقوم بمعالجة المطالبات والأسباب وتوليد المخرجات دون تفويضها إلى عوامل أخرى.
| الميزة | أنظمة متعددة الوكلاء | أنظمة إدارة القانون ذات الوكيل الواحد |
|---|---|---|
| بنيان | يتعاون العديد من العملاء المتخصصين | يتولى شخص واحد حاصل على درجة الماجستير في القانون جميع المهام |
| تعقيد المهمة | الأفضل لسير العمل متعدد الخطوات والوحدات النمطية | الأفضل للمهام المركزة التي تتطلب دورة واحدة |
| تكاليف التنسيق العامة | أعلى بسبب الرسائل المتبادلة بين الوكلاء | الحد الأدنى، لا حاجة لمزامنة بين الوكلاء |
| قابلية التوسع | أضف وكلاء جدد بسهولة لأدوار جديدة | محدود بسياق النموذج وقدراته |
| معالجة الأخطاء | يمكن عزل الأخطاء لكل وكيل | نقطة فشل واحدة عبر خط الأنابيب |
| يكلف | زيادة استخدام الرموز المميزة بين الوكلاء | انخفاض إجمالي استهلاك الرموز المميزة |
| تصحيح الأخطاء | أكثر تعقيدًا بسبب تفاعلات العوامل | مسار استدلالي خطي أبسط |
| كمون | ارتفاع من المكالمات المتسلسلة للوكيل | تمريرة استدلالية واحدة منخفضة |
| الأطر المشتركة | AutoGen، CrewAI، LangGraph، Swarm | ReAct، وLangChain Agents، وLlamaIndex |
تقسم أنظمة الوكلاء المتعددين المشكلات إلى أدوار، حيث يمتلك كل وكيل جزءًا من سير العمل، مثل الباحث والمبرمج والمراجع. أما أنظمة إدارة التعلم القائمة على وكيل واحد، فتُمرر كل شيء عبر نموذج واحد يُخطط وينفذ ويُراجع في حلقة مستمرة. يُحاكي نهج الوكلاء المتعددين كيفية تقسيم فرق العمل البشرية للمهام، بينما يُشبه نموذج الوكيل الواحد خبيرًا عامًا ماهرًا يعمل بمفرده.
عندما تتطلب المهام مهارات أو وجهات نظر متعددة، غالبًا ما تتفوق أنظمة الوكلاء المتعددين على أنظمة الوكيل الواحد، لأن كل وكيل يمكن تحسينه ليناسب دوره المحدد. وقد أظهرت الدراسات التي أُجريت على مناظرات الوكلاء المتعددين أن قيام الوكلاء بتقييم بعضهم البعض يمكن أن يقلل من الهلوسة ويحسن دقة الاستدلال. ومع ذلك، لا تزال أنظمة الوكيل الواحد قادرة على مجاراة أو حتى التفوق على أنظمة الوكلاء المتعددين في المهام الأبسط حيث تفوق تكاليف التنسيق فوائده.
تشغيل عدة وكلاء يعني إجراء عدة استدعاءات لـ LLM، مما يؤدي إلى زيادة استخدام الرموز وتكاليف واجهة برمجة التطبيقات. أما نظام الوكيل الواحد فيُجري استدعاءً واحدًا في كل دورة، مما يجعله أكثر اقتصادية في سير العمل البسيط. في بيئات الإنتاج ذات الأحجام الكبيرة، قد يكون فرق التكلفة هذا كبيرًا بما يكفي لتفضيل تصميمات الوكيل الواحد، إلا إذا كانت تعقيدات المهمة تتطلب تخصصًا حقيقيًا.
تُضيف أنظمة الوكلاء المتعددين نقاط ضعف جديدة، بما في ذلك سوء التواصل بين الوكلاء، وتضارب المخرجات، واختلال التنسيق. تتجنب أنظمة الوكيل الواحد هذه المشكلات، لكنها تعاني من نقطة ضعف واحدة، حيث يمكن لخطوة استدلال خاطئة واحدة أن تُفسد المخرجات بأكملها. غالبًا ما يتلخص الاختيار بينهما في تفضيلك للمخاطر الموزعة أو البساطة المركزية.
يُعدّ بناء نظام أحادي الوكيل أسرع لأنه يتطلب تصميم حلقة توجيه واحدة ومجموعة أدوات واحدة فقط. أما أنظمة متعددة الوكلاء فتتطلب تحديد الأدوار وبروتوكولات الاتصال ومنطق التنسيق، مما يزيد من وقت التطوير. كما أن تصحيح الأخطاء أكثر تعقيدًا في أنظمة متعددة الوكلاء نظرًا لضرورة تتبع التفاعلات بين الوكلاء، بينما تظل مسارات التتبع في نظام الوكيل الواحد خطية وأسهل في المتابعة.
تتألق أنظمة الوكلاء المتعددين في سيناريوهات مثل مسارات تطوير البرمجيات، وسير العمل البحثي، والمحاكاة حيث تُعدّ الخبرة المتميزة أساسية. أما أنظمة إدارة التعلم القائمة على الوكلاء الأحاديين، فهي الأنسب لروبوتات المحادثة، وتوليد المحتوى، والمهام التي تُعطى فيها الأولوية للسرعة والتكلفة على حساب المرونة. في الواقع، تبدأ العديد من أنظمة الإنتاج كأنظمة وكيل واحد، ثم تتطور إلى بنى متعددة الوكلاء مع ازدياد التعقيد.
تكون الأنظمة متعددة العوامل دائمًا أكثر دقة من الأنظمة أحادية العامل.
تعتمد مكاسب الدقة على المهمة. يمكن للمناظرة متعددة الوكلاء أن تقلل من الهلوسات في معايير الاستدلال، ولكن بالنسبة للاستفسارات البسيطة، غالبًا ما يُضيف التنسيق الإضافي تشويشًا دون تحسين جودة المخرجات. تُظهر معايير مثل تلك الواردة في ورقة بحثية حول المناظرة متعددة الوكلاء تحسينات فقط في أنواع محددة من المشكلات.
لا يمكن لأنظمة الوكيل الواحد استخدام الأدوات أو واجهات برمجة التطبيقات.
تستخدم أنظمة التعلم الآلي أحادية الوكيل أدواتٍ بشكلٍ روتيني، وتبحث في الإنترنت، وتُنفّذ التعليمات البرمجية عبر أُطر عمل مثل ReAct وLangChain. يشير مصطلح "أحادي الوكيل" إلى حلقة استدلال واحدة، وليس إلى نقص في القدرات. العديد من روبوتات الدردشة المُستخدمة في الإنتاج هي أنظمة أحادية الوكيل تتمتع بإمكانية وصول واسعة إلى الأدوات.
زيادة عدد الوكلاء تعني دائماً أداءً أفضل.
قد يؤدي إضافة وكلاء دون تحديد واضح لأدوارهم إلى تضارب في المصالح، وتكرار في العمل، وفشل في التواصل. وتشير الأبحاث إلى تناقص العائد بعد عدد معين من الوكلاء، وقد يكون أداء أنظمة الوكلاء المتعددة المصممة بشكل سيئ أسوأ من أداء وكيل واحد مُدرب تدريباً جيداً.
تُعد أنظمة الوكلاء المتعددين اختراعًا جديدًا منذ عام 2023.
تستند أنظمة الوكلاء المتعددين إلى الذكاء الاصطناعي الكلاسيكي منذ ثمانينيات القرن الماضي، بما في ذلك بنى السبورة وحل المشكلات الموزعة. أما التغيير الأخير فيكمن في استخدام نماذج التعلم اللغوي كمحرك استدلال داخل كل وكيل، مما يجعل هذا النهج عمليًا لمهام اللغة الطبيعية.
لا تستطيع الأنظمة أحادية العامل التعامل مع سير العمل المعقد.
بفضل تقنيات مثل تسلسل الأفكار، وشجرة الأفكار، ونوافذ السياق الموسعة، تستطيع الأنظمة أحادية العامل التعامل مع سير العمل متعدد الخطوات المعقد بشكلٍ مدهش. يكمن السر في سرعة هندسة وتصميم الأدوات، وليس بالضرورة في تقسيم العمل بين العوامل.
اختر أنظمة متعددة الوكلاء عندما يتضمن سير عملك أدوارًا متخصصة متعددة، أو استدلالًا متوازيًا، أو قابلية توسع معيارية، وتسمح ميزانيتك باستخدام عدد أكبر من الرموز. التزم بأنظمة إدارة التعلم ذات الوكيل الواحد للمهام الأبسط، والتطبيقات ذات زمن الاستجابة المنخفض، والحالات التي يكون فيها سهولة تصحيح الأخطاء وكفاءة التكلفة في غاية الأهمية.
يُحسّن كلٌّ من RAG ونماذج LLM المُحسّنة جودة مخرجات الذكاء الاصطناعي، لكنهما يعملان بطرق مختلفة تمامًا. يستخلص RAG المعلومات الخارجية عند الاستعلام، بينما يُدمج التحسين المعرفة الجديدة مباشرةً في أوزان النموذج. ويعتمد الاختيار بينهما على مدى تكرار تغيّر البيانات ومستوى الدقة المطلوب.
تُعد آليات الانتباه الذاتي ونماذج فضاء الحالة من المناهج الأساسية لنمذجة التسلسلات في الذكاء الاصطناعي الحديث. يتفوق الانتباه الذاتي في التقاط العلاقات الغنية بين الرموز، ولكنه يصبح مكلفًا مع التسلسلات الطويلة، بينما تعالج نماذج فضاء الحالة التسلسلات بكفاءة أكبر مع التوسع الخطي، مما يجعلها جذابة للتطبيقات ذات السياق الطويل والتطبيقات الآنية.
تُعدّ آليات الانتباه أساسية في الذكاء الاصطناعي الحديث، سواءً في مجال رؤية الحاسوب أو معالجة اللغة الطبيعية، إلا أنها تخدم أغراضًا مختلفة وتطورت عبر مسارات متباينة. يساعد الانتباه في مجال الرؤية النماذج على التركيز على مناطق الصورة ذات الصلة، بينما يُمكّن الانتباه في معالجة اللغة الطبيعية من فهم العلاقات بين الكلمات في النصوص.
تجمع أساليب الممثل-الناقد بين تدرجات السياسة ودالة القيمة المُتعلمة لتقليل التباين وتسريع عملية التعلم، بينما تعتمد أساليب تدرج السياسة البحتة كليًا على السياسة وعوائد مونت كارلو. ويعتمد الاختيار بينهما على ما إذا كنت بحاجة إلى الاستقرار وكفاءة العينة أم إلى البساطة والتقديرات غير المتحيزة.
تُفصّل هذه المقارنة الاختلافات الهيكلية الأساسية، وحالات الاستخدام العملية، والمفاضلات في الأداء بين تعلّم الرسم البياني الزمني ونمذجة التسلسل التقليدية. فبينما تُجسّد نمذجة التسلسل التطورات الخطية كالنصوص أو بيانات السلاسل الزمنية، يُعالج تعلّم الرسم البياني الزمني تفاعلات الشبكة والعلاقات المتغيرة مع الزمن في آنٍ واحد، مما يُوفر لك مخططًا شاملاً لاختيار البنية المناسبة.
