توسيع نطاق الوكلاء المدارين: فصل الدماغ عن الأيدي

Lisa Ernst · 12.04.2026 · الذكاء الاصطناعي · 11 دقيقة

الهندسة المعمارية من أجل المرونة: توسيع نطاق أنظمة وكلاء الذكاء الاصطناعي في المؤسسات

بصفتي صحفيًا متخصصًا في التكنولوجيا، شهدت العديد من التحولات، لكن القليل منها يبدو بنفس قدر التحول الذي يمثله صعود وكلاء الذكاء الاصطناعي. هذه الأنظمة المتطورة، التي تمزج بين التفكير المتقدم والفعل العملي، تستعد لإعادة تعريف كيفية عمل المؤسسات. ومع ذلك، فإن الرحلة من المفهوم القوي إلى الحل الجاهز للإنتاج محفوفة بالتحديات، خاصة عند توسيع نطاق هذه الكيانات الذكية.

المصدر: عادة "كلما زاد عدد الوكلاء، كان ذلك أفضل" غالبًا ما تواجه قيودًا، مما قد يعيق الأداء إذا لم يتم تنسيقها بدقة مع خصائص المهام المحددة.

عادة "كلما زاد عدد الوكلاء، كان ذلك أفضل" غالبًا ما تواجه قيودًا، مما قد يعيق الأداء إذا لم يتم تنسيقها بدقة مع خصائص المهام المحددة، كما هو مفصل في ورقة بحثية حديثة على arXiv. . يؤدي تنسيق الوكلاء المتعددين إلى تحسين الأداء بشكل واضح في المهام التي يمكن تقسيمها، ومع ذلك يمكن أن يؤدي إلى تدهور الأداء بشكل كبير في المهام التسلسلية، كما هو ملاحظ أيضًا في نفس البحث. . يمكن لنموذج توقعي تحديد البنية المثلى لـ 87٪ من المهام غير المتوقعة، كما هو موضح في الورقة البحثية.

ملخص سريع

إليك نظرة عامة موجزة على النتائج الرئيسية المتعلقة بتوسيع نطاق وكلاء الذكاء الاصطناعي:

• تعريف وكلاء الذكاء الاصطناعي: يجمع وكلاء الذكاء الاصطناعي بين نماذج اللغات الكبيرة (LLMs) أو النماذج متعددة الوسائط (VLMs) مع التفكير والتخطيط والذاكرة واستخدام الأدوات لتنفيذ مهام معقدة.
• الاختيارات المعمارية مهمة: تعتمد فعالية أنظمة الوكلاء المتعددين بشكل كبير على البنية المختارة (وكيل واحد، مستقل، مركزي، لا مركزي، هجين) ونوع المهمة.
• تخصص المهمة: بالنسبة للمهام القابلة للتوازي مثل التحليل المالي، فإن التنسيق المركزي يعزز الأداء بشكل كبير. بالنسبة للمهام التسلسلية، يمكن أن تعيق أساليب الوكلاء المتعددين الأداء بسبب عبء الاتصال.
• موازنة تنسيق الأدوات: المزيد من الأدوات يعني زيادة عبء التنسيق، مما قد يضخم الأخطاء في أنظمة الوكلاء المتعددة المستقلة. يمكن لمنسقين في الأنظمة المركزية التخفيف من ذلك.
• حلول المؤسسات: يقدم مقدمو التكنولوجيا الرئيسيون (Google Cloud، Databricks، Atos، Microsoft، Camunda) أطر عمل وهياكل معمارية لنشر وتوسيع نطاق وكلاء الذكاء الاصطناعي، مع التركيز على النمطية والحوكمة والعمليات الآمنة.
• تحديات: يتضمن توسيع نطاق الوكلاء عقبات مثل ضمان الموثوقية، وقابلية التكرار، وإدارة عدم الحتمية، ومعالجة مخاطر الأمان الجديدة مثل حقن الأوامر.
• أطر التعلم: تعالج أطر التعلم المتقدمة، مثل Forge في Google، المعضلة الثلاثية بين إنتاجية النظام واستقرار التدريب ومرونة الوكيل لتمكين النشر على نطاق واسع.

تشريح وكيل الذكاء الاصطناعي

يعمل وكلاء الذكاء الاصطناعي كأنظمة تفكر وتخطط وتتصرف، مستفيدين من نماذج اللغات الكبيرة (LLMs) أو النماذج متعددة الوسائط (VLMs). تعمل كجسر عملي بين اللغة الطبيعية والحساب الواقعي. تجمع هذه الأنظمة بين النماذج الأساسية والقدرات مثل التفكير والتخطيط والذاكرة واستخدام الأدوات. تعمل كوحدات تحكم، تترجم النوايا إلى إجراءات يتم تنفيذها في البيئة الخارجية. العمل الرقمي الحديث، الذي غالبًا ما يكون مجزأ عبر الواجهات وواجهات برمجة التطبيقات، يؤكد على الضرورة المتزايدة لوكلاء الذكاء الاصطناعي.

غالبًا ما تعاني الأنظمة المحادثة البحتة من الهلوسات، ونقص الأساس، وعدم القدرة على تنفيذ الإجراءات أو التحقق منها، مما يسلط الضوء على الحاجة إلى أساليب أكثر قوة وتوكيلية. تعزز التصميمات المدعومة بالأدوات والاسترجاع الموثوقية بشكل كبير من خلال ربط الادعاءات بالأدلة وجعل المصنوعات الوسيطة قابلة للتحقق.

تتضمن دورة تنفيذ وكيل الذكاء الاصطناعي عادةً الملاحظة، واسترجاع الذاكرة، واقتراح الإجراء، والتحقق، والتنفيذ. تُعرف هذه "محولات الوكيل"، كما يشار إليها أحيانًا، بأنها نماذج سياسة تستند إلى محولات مدمجة ضمن دورات تحكم منظمة. يتم نمذجة سلوكها كنمذجة تسلسل عبر مسارات التفاعل، بما في ذلك الملاحظات والأفكار واستدعاءات الأدوات والنتائج. يمكن لسياسات القرار أن تتفرع بناءً على المخاطر، على سبيل المثال، من خلال تنفيذ خطوات تحقق إضافية للإجراءات عالية المخاطر. يثبت مسار نمط ReAct أنه لا يقدر بثمن لكل من الأداء والحوكمة، لأنه يربط القرارات بأدلة ملموسة ومخرجات الأدوات.

توسيع نطاق وكلاء الذكاء الاصطناعي: نماذج معمارية

يتطلب توسيع نطاق الأنظمة الوكيلة للذكاء الاصطناعي داخل المؤسسة دراسة معمارية دقيقة. ظهرت خمس بنى وكلاء قياسية: النظام أحادي الوكيل (SAS)، المستقل، المركزي، اللامركزي، والهجين، كما نوقش في ورقة بحثية على arXiv.

ينفذ النظام أحادي الوكيل (SAS) جميع خطوات التفكير والإجراء بالتتابع باستخدام تيار ذاكرة موحد، وفقًا لـ نفس المصدر. . تعمل أنظمة الوكلاء المتعددة المستقلة بالتوازي على مهام فرعية دون اتصال، وتجمع النتائج فقط في المرحلة النهائية، كما هو مفصل في البحث. . تستخدم الأنظمة المركزية منسقًا مركزيًا يفوض المهام إلى وكلاء عاملين ويصيغ مخرجاتهم، كما هو موضح في الورقة البحثية. . تشكل الأنظمة اللامركزية شبكة نظير إلى نظير حيث يتواصل الوكلاء مباشرة لتبادل المعلومات وتوصل إلى توافق في الآراء، كما هو مذكور أيضًا في المقالة على arXiv. . تدمج الأنظمة الهجينة الإشراف الهرمي مع التنسيق بين الأقران، مما يوازن بين التحكم المركزي والتنفيذ المرن، كما هو موضح أيضًا في الورقة البحثية.

يختلف أداء أنظمة الوكلاء المتعددين بشكل كبير مع التكوين ويمكن أن يتحسن أو يتدهور اعتمادًا على عائلة النماذج المستخدمة، مثل OpenAI GPT أو Google Gemini أو Anthropic Claude، كما هو ملاحظ في الدراسة. . بالنسبة للمهام القابلة للتوازي، مثل التحليل المالي، أدى التنسيق المركزي إلى زيادة الأداء بنسبة 80.9٪ مقارنة بوكيل واحد، كما هو مشار إليه في ورقة بحثية على arXiv و معايير Vals.ai. . على العكس من ذلك، فإن المهام التي تتطلب تفكيرًا تسلسليًا صارمًا، مثل التخطيط (على سبيل المثال، في PlanCraft), )، شهدت تدهورًا في الأداء لمتغيرات الوكلاء المتعددين بنسبة 39-70٪، حيث أدى عبء الاتصال إلى تجزئة عملية التفكير التسلسلي، وفقًا لـ هذا البحث.

يوجد "موازنة تنسيق أدوات" ملحوظة: مع زيادة عدد الأدوات المطلوبة، يزداد عبء التنسيق للوكلاء المتعددين بشكل غير متناسب. قامت أنظمة الوكلاء المتعددة المستقلة بتضخيم الأخطاء بمقدار 17.2 مرة بسبب عدم وجود آلية للتحقق من العمل، كما هو موجود في ورقة بحثية على arXiv. . خففت الأنظمة المركزية مع منسق من تضخيم الأخطاء إلى 4.4 مرات، حيث عمل المنسق كعنق زجاجة حرج للتحقق، وفقًا أيضًا لـ الدراسة. . يشير وجود نموذج توقعي بقيمة R-squared تبلغ 0.513 إلى أن خصائص المهمة، مثل عدد الأدوات وقابليتها للتقسيم، يمكن أن تتنبأ بالاختيار المعماري الأمثل، كما هو موضح في البحث. . يحدد هذا النموذج بدقة استراتيجية التنسيق الأفضل لـ 87٪ من تكوينات المهام غير المرئية، وفقًا لـ الورقة البحثية.

أنظمة وكيلة على مستوى المؤسسات

يقوم العديد من مزودي التكنولوجيا الرئيسيين بتطوير أطر عمل وهياكل قوية لتسهيل اعتماد وتوسيع نطاق وكلاء الذكاء الاصطناعي في بيئات المؤسسات. على سبيل المثال، تقدم Google Cloud أنماط تصميم لحلول وكلاء الذكاء الاصطناعي قابلة للتطوير وفعالة من حيث التكلفة، حتى على المنصات المنافسة مثل Azure. يوفر Google Cloud Agent Development Kit (ADK) سقالات وأدوات وأنماط لتطوير وكلاء المؤسسات، بينما يوفر Agent Engine بيئة تشغيل آمنة لإدارة دورة حياتها وتنسيق الأدوات والتحكم في منطقها. يوحد بروتوكول سياق النموذج (MCP) كيفية تقديم التطبيقات للسياق لنماذج اللغات الكبيرة (LLMs)، ويمكّن بروتوكول الوكيل إلى الوكيل (A2A) الاتصال بين الوكلاء على نطاق واسع.

المصدر: the-decoder.com

يستخدم هيكل سلسلة التوريد في Google Cloud وكيل "الجذر" ووكلاء فرعيين متخصصين، مدعومين بـ Gemini، لتتبع وإدارة الطلبات.

يمكن رؤية توضيح واقعي لهذا النهج في هيكل سلسلة التوريد المقترح من Google Cloud، والذي يتضمن وكيل "جذر" منسق ووكلاء فرعيين متخصصين للتتبع والتوزيع وإدارة الطلبات. يمكن ضبط هؤلاء الوكلاء، المدعومين بواسطة Gemini، ببيانات خاصة بالمجال لتحسين الاستجابات وتقليل التكاليف. يوجه وكيل الجذر الطلبات إلى الوكيل الفرعي المناسب؛ على سبيل المثال، يسترجع وكيل الطلب، باستخدام MCP، تفاصيل المخزون من مستودع بيانات BigQuery. وبالمثل، يستخدم وكيل الموزع اتصالات خادم MCP لواجهات برمجة التطبيقات الخارجية لتقديم الطلبات.

نفذت Databricks، بالتعاون مع BASF Coatings، حلاً جاهزًا للإنتاج ومتعدد الوكلاء لأتمتة مهام التنسيق والتحليل التي كانت تتطلب سابقًا جهدًا يدويًا مكثفًا. يركز مشروعهم Marketmind، الموجه نحو قسم المبيعات والتسويق، على وكلاء "Genie" متخصصين ووكلاء استدعاء الدوال يتفاعلون مع أداة استرجاع مستودع Databricks Vector لتلبية البيانات المنظمة وغير المنظمة. يجعل وكلاء Genie البيانات المنظمة متاحة عبر واجهات اللغة الطبيعية، ويقومون بإنشاء استعلامات SQL من أسئلة المستخدم من خلال الاستفادة من بيانات تعريف Unity Catalog. يستخدم هذا النظام نمط مشرف لتنسيق هؤلاء الوكلاء المتخصصين، ويتكامل مع Microsoft Teams للتنفيذ في الوقت الفعلي. يهدف Marketmind، الذي سيستخدمه أكثر من 1000 مندوب مبيعات عالميًا، إلى تحويل تفاعلات المجال إلى إجراءات في الوقت المناسب ومدفوعة بالذكاء الاصطناعي، مما يدل على التأثير التجاري الملموس لهياكل الوكلاء المتعددين التي تتميز بقابليتها للتوسع والنمطية وتجربة المستخدم المحسنة.

تقدم Atos أيضًا مخططًا "للخدمات كبرمجيات"، بهدف تحويل سير العمل إلى نتائج مقدمة كبرامج. يؤكد نهجهم على مستوى تحكم للثقة على نطاق واسع، بما في ذلك حوكمة وقت التشغيل، والوصول الصفري للثقة، والأمن السلوكي، ومفاتيح الإغلاق، وقابلية المراقبة، وسجلات التدقيق الثابتة. يضمن إطار "الذكاء الاصطناعي الوكيل السيادي" هذا التحكم المتعمد في البيانات الهامة والقرارات وسلوك الذكاء الاصطناعي عبر مكدس التكنولوجيا بأكمله.

تقدم Microsoft أيضًا بنية مرجعية لأنظمة الوكلاء المتعددة التكيفية والقابلة للتطوير والآمنة، مع التركيز على تنسيق وكلاء متخصصين وحوكمتهم وتوسيع نطاقهم. تقدم Camunda 8.8 وكلاء على مستوى المؤسسات مدعومين بالمعايير، مما يسمح بتصميم وتنفيذ عمليات عالية الجودة. تسهل Camunda's Agentic BPMN بناء وكلاء الذكاء الاصطناعي، وربطهم بنماذج اللغات الكبيرة (LLMs)، ونشرهم. يمكّن موصل وكيل الذكاء الاصطناعي الوكلاء من العمل بشكل مستقل ضمن عمليات شاملة والتكامل مع مزودي نماذج اللغات الكبيرة (LLMs)، مما يوسع التنسيق إلى ما وراء المهام الفردية إلى تنفيذ عملية ديناميكية. يمكن لـ Camunda تنسيق كل من وكلائها والوكلاء الخارجيين، والحفاظ على حالة العملية واستمراريتها، مما يدعم مجموعات أدوات أكبر وقابلية توسع أكبر.

المصدر: stickpng.com

يدمج مشروع Marketmind من Databricks وكلاء متخصصين مع Microsoft Teams للتنفيذ في الوقت الفعلي، مما يحول تفاعلات المبيعات إلى إجراءات مدفوعة بالذكاء الاصطناعي.

تحديات التوسع والتعلم

لا تزال الرحلة نحو أنظمة وكلاء الذكاء الاصطناعي القوية على نطاق الإنتاج تمثل عقبات كبيرة. يتطلب تقييم وكلاء الذكاء الاصطناعي قياسات شاملة تعكس مسارات التفاعل الحقيقية. تشمل المقاييس الرئيسية أداء المهام الشامل، والكفاءة والتكلفة، وصحة استخدام الأدوات، وجودة المسار، والمتانة، والأمان.

تشكل الموثوقية وقابلية التكرار والحوكمة قيودًا كبيرة على أنظمة الوكلاء على نطاق واسع. تزيد المهام طويلة الأجل من تراكم الأخطاء، وعدم الحتمية تعقد التقييم والتصحيح. يقدم الوكلاء الذين يتمحورون حول الأدوات مخاطر أمنية جديدة، مثل حقن الأوامر والإجراءات ذات الآثار الجانبية. لا تزال المقايضات على مستوى النظام - زمن الانتقال مقابل الدقة، والاستقلالية مقابل قابلية التحكم، والقدرة مقابل الموثوقية - غير مفهومة جيدًا.

تعالج إطار التعلم المعزز (RL) الداخلي من Google، Forge، المعضلة الثلاثية الأساسية بين إنتاجية النظام واستقرار التدريب ومرونة الوكيل عند توسيع نطاق التعلم المعزز للوكلاء الواقعيين المعقدين. يجمع نهج Forge الشامل بين بنية نظام مرنة، وتصميم خوارزمي، وجدولة غير متزامنة محسنة، وكفاءة تدريب واستدلال قصوى. يدعم تدريب هياكل وكلاء اعتباطية من خلال بروتوكولات تفاعل موحدة، وقد عالج أكثر من مائة ألف هيكل وكيل وبيئة واقعية متميزة. حقق النظام إنتاجية يومية بالملايين من العينات وتقارب معدل مكافأة ثابت.

المصدر: swishdata.com

يقدم إطار Forge من Google نهجًا شاملاً لمعالجة المعضلة الثلاثية بين إنتاجية النظام واستقرار التدريب ومرونة الوكيل لتوسيع نطاق التعلم المعزز في البيئات المعقدة.

يتكون نظام التعلم المعزز Forge من جانب الوكيل، وطبقة تجريد الوسيط، وجانب التدريب / الاستدلال. يجرّد جانب الوكيل الوكيل العام وبيئة تشغيله، بينما يعزله الوسيط عن جانب التدريب / الاستدلال. تتعامل خادم البوابة مع طلبات الإكمال بين الوكيل ونموذج اللغات الكبير (LLM)، ويجمع مجمع البيانات الموزع بشكل غير متزامن مسارات التدحرج والتقارير. يدير جانب التدريب والاستدلال الحمل الحسابي، ويضم محرك نماذج اللغات الكبيرة (LLM Engine) لتوليد الرموز العالي الإنتاجية ومحرك تدريب (Train Engine) لتحديث السياسات بناءً على تسلسلات الرموز المعالجة. يمكّن Forge تدريب غلاف متنوع دون تعديلات داخلية للوكيل، مما يضمن تحسينًا ثابتًا لكل من الوكلاء ذوي "الصندوق الأبيض" و "الصندوق الأسود".

خاتمة

يمثل وصول وكلاء الذكاء الاصطناعي قفزة كبيرة في أتمتة المؤسسات، ويقدم واجهات عملية بين اللغة الطبيعية والحسابات المعقدة. ومع ذلك، فإن النشر الفعال على نطاق واسع يتطلب اختيارات معمارية استراتيجية، ونماذج حوكمة قوية، وأطر تعلم متطورة. تسلط الحلول من كبار المبتكرين التكنولوجيين الضوء على تركيز واضح على النمطية والتنسيق المتخصص ومستويات التحكم الشاملة للتغلب على تحديات التوسع المتأصلة. مع تزايد انتشار هذه الأنظمة الذكية، سيظل التركيز على ضمان موثوقيتها وأمنها وكفاءتها، مع التحسين المستمر للتوازن بين الاستقلالية والإشراف البشري.