تجاوز مجرد الدردشة: بنية الأنظمة متعددة الوكلاء (Multi-Agent Systems)

على مدار العامين الماضيين، كان النموذج الافتراضي لبناء تطبيقات الذكاء الاصطناعي عبارة عن حلقة بسيطة: خذ مدخلات المستخدم، واحقنها في أمر نظام ضخم، وتأمل أن يعيد نموذج اللغة الكبير (LLM) المخرجات الصحيحة.

وبينما يعمل هذا النهج مع روبوتات الدردشة البسيطة وأدوات التلخيص، فإنه ينهار تماماً عند تطبيقه على سير عمل المؤسسات المعقدة. عندما تطلب من نموذج LLM واحد أن يعمل في نفس الوقت كباحث، ومحلل بيانات، ومبرمج، ومحرر ضمن أمر واحد، فإن النموذج يعاني من تدهور الانتباه. فهو ينسى التعليمات، ويتخطى الخطوات، ويهلوس.

إن مستقبل الذكاء الاصطناعي الجاهز للإنتاج ليس في كتابة أوامر أفضل، بل هو تنسيق الأنظمة متعددة الوكلاء (Multi-Agent Orchestration).

ما هو النظام متعدد الوكلاء؟

يتخلى النظام متعدد الوكلاء عن فكرة "النموذج الأحادي الكلي القدرة" الذي يفعل كل شيء. وبدلاً من ذلك، يتم تفكيك سير العمل إلى أدوار منفصلة ومتخصصة - "الوكلاء" (agents) - التي تتواصل مع بعضها البعض.

فكر في الأمر كقسم شركات مؤتمت. لديك وكيل مدير (Manager) يقوم بتفكيك طلب المستخدم، ووكيل باحث (Researcher) يتصفح الويب، ووكيل محلل بيانات (Data Analyst) يكتب كود Python لمعالجة ملفات CSV، ووكيل محرر (Editor) يراجع المخرجات النهائية مقابل إرشادات الامتثال.

تغير هذه البنية بشكل أساسي الذكاء الاصطناعي من كونه مجرد وسيلة دردشة جديدة إلى نموذج هندسة برمجيات مستقل.

المكونات الأساسية للبنية الوكيلة (Agentic Architecture)

لبناء نظام قوي متعدد الوكلاء، يجب تنسيق عدة مكونات معمارية بشكل لا تشوبه شائبة.

1. إدارة الحالة (State Management)

يحتاج الوكلاء إلى مساحة ذاكرة مشتركة لتتبع تقدم المهمة. تعامل أطر العمل مثل LangGraph سير العمل متعدد الوكلاء كآلة حالة (state machine). "الحالة" (State) هي قاموس أو كائن مشترك يتم تمريره من وكيل إلى وكيل.

عندما ينتهي وكيل الباحث من العثور على المستندات، فإنه يضيف تلك المستندات إلى الحالة. ثم يقرأ وكيل المحرر من تلك الحالة. يضمن ذلك عدم فقدان السياق مطلقاً وإمكانية إيقاف النظام مؤقتاً، أو فحصه، أو استئنافه عند أي عقدة محددة.

2. استدعاء الأدوات (Tool Calling / Function Calling)

لا فائدة من الوكلاء إذا لم يتمكنوا من التفاعل مع العالم الخارجي. يتيح استدعاء الأدوات لنموذج LLM طلب تنفيذ وظيفة معينة.

بدلاً من مطالبة LLM بإجراء العمليات الحسابية (التي يواجه صعوبة فيها)، فإنك تمنحه أداة calculate(). عندما يقرر LLM أنه بحاجة إلى حل معادلة، فإنه يرسل حمولة JSON تطلب أداة calculate. تلتقط طبقة التنسيق هذا الطلب، وتقوم بتشغيل وظيفة الرياضيات في Python، وتعيد النتيجة إلى LLM.

في بيئات المؤسسات، تتراوح هذه الأدوات من الاستعلام عن قواعد بيانات SQL وتنفيذ استدعاءات API إلى تشغيل أنابيب Jenkins CI/CD.

3. التوجيه والمنطق الشرطي (Routing and Conditional Logic)

لا تتطلب كل مهمة نفس سير العمل. يعتمد النظام متعدد الوكلاء على التوجيه الديناميكي. يقوم وكيل مشرف (Supervisor) بتقييم المدخلات وتوجيهها بشكل مناسب.

إذا طرح المستخدم سؤالاً بسيطاً حول السياسة، يقوم المشرف بتوجيهه مباشرة إلى وكيل استرجاع RAG. وإذا طلب المستخدم توقعات مالية ربع سنوية، يقوم المشرف بتوجيهه إلى وكيل تحليل البيانات، والذي قد ينشئ وكلاء فرعيين لجمع البيانات التاريخية وكتابة خوارزميات التنبؤ وتنسيق تقرير PDF.

4. وجود العنصر البشري في الحلقة (Human-in-the-Loop - HITL)

تعتبر الاستقلالية الكاملة خطيرة في البيئات ذات المخاطر العالية مثل التمويل أو التكنولوجيا القانونية. يجب تصميم الأنظمة متعددة الوكلاء مع نقاط تفتيش "وجود العنصر البشري في الحلقة".

قبل أن يقوم وكيل التنفيذ (Execution agent) بإرسال بريد إلكتروني إلى 10,000 عميل أو بدء معاملة بقيمة 50,000 دولار، تتوقف آلة الحالة مؤقتاً. يعرض النظام الإجراء المقترح على لوحة تحكم بشرية. بمجرد أن ينقر المستخدم البشري على "موافقة" (Approve)، تستأنف آلة الحالة عملها. يوفر هذا سرعة الذكاء الاصطناعي مع التخفيف من المخاطر بفضل الرقابة البشرية.

لماذا يهم هذا المؤسسات؟

تطبيقات الأمر الواحد غير حتمية (non-deterministic) بشكل أساسي. إذا قمت بتشغيل نفس الأمر مرتين، فقد تحصل على نتيجتين مختلفتين تماماً.

تفرض الأنظمة متعددة الوكلاء بنية حتمية على النماذج غير الحتمية. من خلال تقييد LLM بدور محدد، وإعطائه أدوات متميزة، وتمرير مخرجاته عبر آلة حالة برمجية، يمكننا ضمان نتائج متسقة وموثوقة وقابلة للتدقيق.

في Seven Labs، نقوم بهندسة طبقات التنسيق المعقدة هذه للشركات التي تحتاج إلى ذكاء اصطناعي يفعل ما هو أكثر من مجرد الدردشة. نحن نبني ذكاءً اصطناعياً ينفذ المهام بالفعل.