الأنظمة متعددة الوكلاء: متى تحتاج فريقًا فعلًا؟

ابدأ بـ1 وكيل وأدوات أفضل. تستحق الأنظمة متعددة الوكلاء اعتمادها حين يستطيع كل وكيل البحث باستقلالية، أو العمل بسياق مختلف، أو تحمّل مسؤولية مهمة محددة. أما إذا كان المخطّط والباحث والمبرمج والمراجع يحتاجون باستمرار إلى المعلومات نفسها، فقد يستهلك التنسيق بينهم جهدًا أكبر مما يحققونه من تقدّم فعلي.

السؤال الحاسم هو: هل يستطيع الوكيل تلقّي تكليف واضح، وإنجاز عمل مفيد من دون الرجوع المستمر إلى الآخرين، ثم تقديم نتيجة يمكن التحقق منها؟ إذا تعذّر ذلك، فإن تقسيم العمل بين الوكلاء ينقل الصعوبة غالبًا إلى الرسائل المتبادلة بينهم.

جرى التحقق من سلوك أطر العمل الواردة أدناه بالرجوع إلى الوثائق المنشورة لدى الجهات المطوّرة في 26 أكتوبر 2026. ويطبّق جدول الاختيار الأنماط الموثّقة فيها على مهام شائعة لدى المطوّرين.

ما الأنظمة متعددة الوكلاء؟

يُسند النظام متعدد الوكلاء إلى وكلاء منفصلين مسؤولية أجزاء من مهمة أكبر، ويوفّر لهم وسيلة لتبادل العمل. في تطبيقات النماذج اللغوية الكبيرة (LLM)، يكون الوكيل نموذجًا يعمل ضمن حلقة تتيح له اختيار الأدوات، وفحص نتائجها، وتحديد الخطوة التالية. وعند تعدّد الوكلاء، يجري تنسيق هذه القرارات بينهم بدل إسنادها كلها إلى وكيل واحد. يشرح عرض IBM البنية الأوسع لهذا التفاعل بين الوكلاء.

يمكن للوكلاء استخدام النموذج الأساسي نفسه. ما يفصل بينهم هو سياق التنفيذ والمسؤولية، وليس اختلاف أسماء النماذج. فقد تزوّد الباحث بوثائق المصدر وأدوات البحث، بينما يحصل المبرمج على مستودع الشيفرة وطلب تعديل محدد بدقة.

تخيّل منتجًا موسيقيًا يجمع مسارات سُجّلت كلٌّ منها على حدة. ينجح التسجيل المستقل عندما يلتزم العازفون بتوزيع موسيقي متفق عليه. لكن إذا أخذ الجميع يغيّرون الإيقاع ويعيدون كتابة المقطع نفسه، فسيقضي المنتج الجلسة في محاولة التوفيق بين تسجيلات لا تنسجم. وتواجه فرق الوكلاء المفاضلة نفسها بين العمل المستقل والتنسيق المستمر.

أي أنظمة متعددة الوكلاء نقصد في الذكاء الاصطناعي؟

يشمل المجال الأوسع الروبوتات والمركبات ذاتية القيادة والمحاكاة، كما يوضّح عرض Google Cloud. أما هنا، فالقرار يخص وكلاء النماذج اللغوية الكبيرة الذين يؤدون مهام بحثية وبرمجية وتجارية.

تعدّد استدعاءات النموذج لا يجعل النظام متعدد الوكلاء تلقائيًا. فالوكيل الذي يبحث، ويقرأ ملفًا، ويكتب شيفرة، ويتحقق من عمله، يمكن أن يظل وكيلًا واحدًا طوال العملية. وقد يبقى تسلسل ثابت من الموجّهات مجرد سير عمل لا يضم أي وكلاء مستقلين في قراراتهم. الفارق هو مَن يملك اتخاذ القرار، وأي سياق يعتمد عليه.

ابدأ بشرح حلقة عمل الوكيل إذا كنت تريد فهم آلية استدعاء النماذج واستخدام الأدوات والتوقف. وتظل بنية وكيل الذكاء الاصطناعي الأوسع بحاجة إلى إدارة الحالة والصلاحيات ونتائج قابلة للرصد، أيًا كان عدد الوكلاء.

كيف تصمّم نظامًا متعدد الوكلاء وفق طبيعة المهمة؟

اختر تعدّد الوكلاء عندما يزيل الفصل بينهم تعقيدًا أكبر مما يضيفه. الفصل المفيد يميّز بين الأدلة أو الخبرات أو المسؤوليات. أما الفصل الشكلي فلا يفعل سوى منح الموجّه التالي مسمّى وظيفيًا.

انطلق من الخيارات التالية قبل اختيار إطار العمل:

بالنسبة إلى مؤسس الشركة، يعني هذا أن النسخة الأولى من المساعد لا تحتاج إلى هيكل تنظيمي. وبالنسبة إلى المطوّر، يعني تحديد ما يعتمد عليه الوكيل ويمنعه من التقدّم بمفرده. أما المسؤول عن التشغيل، فعليه تقييم الحالة بعد إنجازها، بما في ذلك أعمال التصحيح، بدل عدّ المتخصصين الذين شاركوا فيها.

التشكيلة المألوفة من مخطّط وباحث ومبرمج ومراجع تصلح قائمةً للأنشطة، لكنها لا تصلح تلقائيًا قائمةً لعمليات منفصلة. يمكن أن يجري التخطيط داخل وكيل البرمجة، وأن يكون البحث استدعاء أداة، وأن تبدأ المراجعة باختبارات تعطي نتيجة حاسمة بالنجاح أو الفشل.

لنفترض أن التعديل المطلوب هو إصلاح تصدير الفواتير. إذا كانت الخطة تعتمد على مخطط قاعدة البيانات، ثم كشف التنفيذ عن حالة استثنائية فيه، فسيحتاج المخطّط المنفصل إلى تلقّي التحديثات مرارًا. أبقِ التخطيط قريبًا من التنفيذ. ومع ذلك، قد يفيد مراجع مستقل إذا حصل على التعديل النهائي، ومتطلبات التصدير، ونتائج الاختبارات ذات الصلة.

أنماط بنية الأنظمة متعددة الوكلاء

تختلف الأنماط أساسًا في الجهة المسؤولة عن الإجابة وفي حجم المعلومات المتنقلة بين الوكلاء. الإشراف، والتسلسل الهرمي، وتسليم المهمة، والمحادثة الجماعية ترتيبات يمكن الجمع بينها، وليست فئات منتجات يستبعد بعضها بعضًا.

المشرف أو المنسّق والوكلاء المنفّذون: مسؤول واحد عن النتيجة

يدعم LangGraph، وهو بيئة تشغيل لسير عمل الوكلاء الذي يحتفظ بالحالة، نمط المشرف الذي يفوّض أعمالًا محددة النطاق ويجمع نتائجها. ويحتفظ المشرف بمسؤولية النتيجة المقدّمة للمستخدم، بينما يعيد الوكلاء المنفّذون نتائج بحثهم أو مخرجاتهم.

في شرح المشرف الحالي لدى LangChain، يُغلَّف وكيلا التقويم والبريد الإلكتروني في صورة أدوات عالية المستوى. يستدعي المشرف هذه الأدوات ويتلقّى الإجابات النهائية للمتخصصين، من دون أن يحتاج إلى إدراج كل عملية وسيطة في محادثته.

هناك فرق مهم في التنفيذ: لا يزال مرجع langgraph-supervisor يوثّق create_supervisor، لكنه يوصي بتنفيذ نمط المشرف مباشرةً عبر الأدوات في معظم حالات الاستخدام. ويتيح ذلك تحكّمًا أكبر في السياق الذي يتلقّاه الوكلاء ويعيدونه. وتوثّق الحزمة أيضًا إمكانية أن يدير مشرفون مشرفين آخرين.

اختر هذا النمط لإعداد تقرير بحثي يتناول أسئلة مستقلة: استكشاف قدرات منتج، وفحص اعتماديات تقنية، وجمع أدلة من مجموعات مصادر منفصلة. يستطيع كل وكيل إتمام تكليف ذي قيمة، فيما يظل الوكيل القائد مسؤولًا عن الإجابة الموحّدة.

تحدّيه الأساسي هو دمج النتائج. إذا احتاج كل وكيل إلى أحدث ما اكتشفه جميع الآخرين، تحوّل المشرف إلى ناقل رسائل. كما أن صياغة خلاصة واثقة لا تمكّنه من تعويض الأدلة المفقودة.

الفرق الهرمية: تفويض العمل عبر مديرين

ينظّم CrewAI، وهو إطار لتنسيق الوكلاء ذوي الأدوار المحددة، الفريق حول الوكلاء والمهام وآلية التنفيذ. وتستخدم آلية التنفيذ الهرمية Process.hierarchical مع manager_llm أو manager_agent. يوزّع المدير العمل، ويراجع المخرجات، ويقرر ما إذا كانت المهام قد اكتملت.

قد يمتد التسلسل الهرمي إلى مديرين يشرفون على فرق، لكن وجود فريق هرمي في CrewAI لا يعني بحد ذاته وجود مؤسسة متعددة الطبقات. ويدعم CrewAI أيضًا Process.sequential، حيث تُنفَّذ المهام وفق ترتيبها المحدد. هذان خياران مختلفان للتنفيذ، لا تسميتان متبادلتان للتعاون.

تأمّل مهمة تقييم منتج لها مسار بحثي ومسار تنفيذي. يكون الهيكل الهرمي منطقيًا حين تكون مسؤوليات كل مسار مترابطة ومحددة أصلًا، ويقدّم كل منهما مخرجًا مستقرًا. وتضعف حجّته كثيرًا حين لا تتجاوز المهمة كلها إجابة قصيرة، وينشغل المديرون أساسًا بإعادة صياغة تعليمات بعضهم بعضًا.

تحدّيه الأساسي هو العبء الإداري. على كل طبقة أن تفسّر التكليف وتبلّغ نتيجتها. أضف طبقة لأن العمل نفسه يتضمن حدودًا واضحة بين الفرق، لا لأن الشركات البشرية تضم أقسامًا.

تسليم المهمة: حين يتولّى المتخصص زمام المحادثة

ينفّذ OpenAI Agents SDK، وهو مكتبة برمجية لتشغيل الوكلاء والأدوات، تسليم المهمة بنقل التحكم إلى وكيل آخر. ويحدّد إعداد handoffs الوجهات التي يستطيع الوكيل التفويض إليها. يصبح المتخصص المستقبِل مسؤولًا عن الرد التالي. وهذا يختلف عن استدعاء متخصص باستخدام as_tool()، حيث يحتفظ المدير بمسؤولية الإجابة. وتوضّح وثائق التنسيق لدى OpenAI هذا الفرق صراحةً.

توضّح محادثة الدعم هذا الفرق. إذا كان على متخصص الفوترة طرح أسئلة متابعة وحل مشكلة في فاتورة، فمن المنطقي تسليمه المحادثة. أما إذا كان المساعد الرئيسي لا يحتاج سوى إلى حساب متعلق بالفوترة قبل الإجابة عن سؤال أوسع، فقد تكفي أداة أو استدعاء محدد النطاق لوكيل متخصص.

تحدّيه الأساسي هو ما يحدث عند انتقال المسؤولية. يحتاج الوكيل المستقبِل إلى الحقائق ذات الصلة، والأسئلة التي لم تُحسم، والصلاحيات. ولا يعني التسليم تلقائيًا أن كل ما أُنجز سابقًا كان صحيحًا، أو أن المتخصص مخوّل باتخاذ كل إجراء. يجب أن تفرض شيفرة التطبيق قواعد الوصول والموافقة.

استخدم تسليم المهمة عندما ينبغي أن تنتقل المسؤولية. أما استخدامه لمجرد إسناد كل مرحلة إلى شخصية مختلفة، فيضيف فرصًا لضياع السياق.

المحادثة الجماعية: إنجاز العمل عبر نقاش مشترك

يطبّق Microsoft Agent Framework، وهو إطار لبناء تطبيقات الوكلاء وسير عملها، المحادثة الجماعية بمنسّق يختار مَن يتحدث تاليًا. ويدعم GroupChatBuilder في Python دالة لاختيار المتحدث أو منسّقًا قائمًا على وكيل، إلى جانب شرط لإنهاء المحادثة. وللمشاركين جلسات منفصلة تجري مزامنة سجل المحادثة بينها. وتشرح وثائق المحادثة الجماعية لدى Microsoft هذه الآلية.

يناسب هذا النمط مقترحًا يتحسّن بالتفاعل: يعدّل الكاتب المسودة بعدما يحدّد المراجع متطلبًا مفقودًا، ثم يفحص متخصص آخر الحجة بعد تعديلها. وبخلاف مسارات البحث المستقلة، تعتمد الأدوار اللاحقة هنا عمدًا على مساهمات سابقة.

تحدّيه الأساسي هو تضخّم المحادثة. قد يستنفد المشاركون أدوارهم في مناقشة العمل بدل تغييره. كما يعرّض النقاش المشترك الوكلاء للفرضية الخاطئة نفسها. واتفاقهم داخل تلك المحادثة لا يُعد تحققًا مستقلًا.

زوّد المحادثة الجماعية بمخرج لتحسينه، وشرط قبول ملموس، وقاعدة للتوقف. أما المهمة ذات الترتيب الثابت والواضح، فعادةً ما يكون سير العمل البسيط أسهل في الفهم.

تتناول مقارنة أطر عمل وكلاء الذكاء الاصطناعي خيارات التنفيذ الأوسع. وبعد أن تقرر أن تقسيم العمل مبرّر، يغطّي دليل تنسيق وكلاء الذكاء الاصطناعي التنسيق والحالة والموافقات وضوابط التشغيل.

أمثلة على الأنظمة متعددة الوكلاء: أين يفيد تقسيم العمل؟

البحث واسع النطاق نقطة انطلاق أقوى من التحرير شديد الترابط. يستخدم نظام Research الذي وثّقته Anthropic وكيلًا قائدًا ووكلاء يعملون بالتوازي على استكشاف اتجاهات منفصلة قبل إعادة النتائج. وفي التقييم الداخلي المنشور للشركة، تفوّق وكيل قائد من Claude Opus 4 مع وكلاء فرعيين من Claude Sonnet 4 على Claude Opus 4 الذي يعمل وكيلًا منفردًا بنسبة 90.2%. هذا تحسّن نسبي أُبلغ عنه في ذلك التقييم البحثي، وليس معدل نجاح يبلغ 90.2%، ولا مكسبًا عامًا يتحقق بمجرد إضافة وكلاء. كما أن المقارنة تغيّر ترتيب استخدام النماذج والموارد الحاسوبية. شرح Anthropic الهندسي.

بالنسبة إلى مطوّر يقيّم خيارات التكامل، تتمثل المهمة المماثلة في دراسة وثائق كل خيار باستقلالية، وإعادة أدلة تُقاس بالمتطلبات نفسها. ويظل القرار النهائي بحاجة إلى مَن يحسم الادعاءات المتعارضة ويتعامل مع المعلومات الناقصة. قد يوسّع البحث المتوازي نطاق الأدلة المتاحة، لكنه لا يجعل الأدلة المتناقضة متوافقة.

للبرمجة نمط مختلف من الاعتماد المتبادل. يمكن لوكلاء مستقلين فحص شيفرة المصادقة، وتحديد الاختبارات ذات الصلة، والبحث في السلوك الموثّق لمكتبة برمجية. هذه عمليات بحث محددة النطاق. أما تكليف عدة وكلاء بإعادة كتابة مسار المصادقة نفسه في آن واحد، فهو ترتيب أصعب بكثير، لأن قراراتهم قد تُبطل بعضها بعضًا.

وتقدّم خدمة العملاء سببًا مختلفًا لتقسيم العمل، هو المسؤولية. يستطيع المساعد العام تحديد المشكلة، بينما يتولّى المتخصص مجالًا منفصلًا. وتأتي الفائدة من تعليمات المتخصص وأدواته الأكثر تحديدًا، لا من إطالة المحادثة.

هذه السيناريوهات البرمجية والخاصة بالدعم أمثلة تصميمية، وليست تطبيقات فعلية مُبلغًا عنها أو تحسينات مقاسة. وتعتمد فائدتها على قدرة الوكيل المقترح على إنجاز شيء لا يستطيع الوكيل الأصلي إنجازه بالوضوح نفسه باستخدام أداة أفضل أو موجّه أدق نطاقًا.

لماذا تفشل الأنظمة متعددة الوكلاء القائمة على النماذج اللغوية الكبيرة؟

قد يفشل النظام عند انتقال العمل بين الوكلاء، حتى لو بدا كل وكيل كفؤًا بمفرده. فزيادة عدد الوكلاء تعني مزيدًا من التكليفات التي تحتاج إلى تفسير، والنتائج الوسيطة التي يُعتمد عليها، والمواضع التي قد يتغيّر فيها معنى المتطلب الأصلي.

مزيد من الرموز وانتظار بين الخطوات المعتمدة على بعضها

يضيف التفويض تعليمات، وسياقًا للوكلاء، ونتائج معادة، وعملًا لدمجها. وتضيف المحاولات المتكررة وسجلات المحادثات المشتركة جهدًا آخر. وتفيد Anthropic بأن أنظمتها متعددة الوكلاء استهلكت، وفق بياناتها، نحو 15× من الرموز مقارنة بالمحادثات. أساس المقارنة هنا هو المحادثات، لا عمليات تشغيل وكيل واحد؛ لذا لا تصلح هذه النسبة معاملًا عامًا للتخطيط. استهلاك الرموز كما أبلغت عنه Anthropic.

العبء الإضافي للرموز مخاطرة ينبغي قياسها، وليس قانونًا عامًا يفرض على كل ترتيب متعدد الوكلاء استهلاك المزيد. فقد تجنّب السياقات المنفصلة تحميل مواد غير ذات صلة مرارًا. ما يهم هو إجمالي الاستهلاك للوصول إلى نتيجة مقبولة، بما في ذلك المسارات الفاشلة وإعادة العمل.

لا يختصر الوكلاء المتوازون الزمن المنقضي إلا حيث يكون عملهم مستقلًا. فإذا كان على الباحث أن ينتهي قبل أن يبدأ المخطّط، ثم على المبرمج أن ينتظر الخطة، فهذه تظل سلسلة من الاعتماديات. منح تلك الخطوات أسماء مختلفة لا يجعلها متزامنة.

تشخيص الأخطاء يصبح أصعب

قد تخفي الإجابة النهائية أول قرار خاطئ. فقد ينفّذ المبرمج متطلبًا خاطئًا تنفيذًا صحيحًا، ثم يوافق المراجع على التنفيذ قياسًا إلى المتطلب الخاطئ نفسه. والاكتفاء بالنظر إلى الرد الأخير سيحمّل المكوّن الخطأ المسؤولية.

تفيد Anthropic بأن التتبّع الكامل ساعدها على التمييز بين إخفاقات البحث واختيار المصادر والأدوات في نظامها البحثي. كما تصف تراكم الأخطاء عبر عمليات تشغيل الوكلاء التي تحتفظ بالحالة. النتائج الهندسية.

عند مقارنة التصاميم، اسأل هل تستطيع تحديد أول انحراف عن المهمة: ما التعليمات التي تلقّاها الوكيل؟ وما الأدلة التي وصلت إليه؟ وماذا أعاد؟ وما الذي اعتبره الوكيل التالي حقيقة ثابتة؟ إذا لم تتمكن من فحص نقاط الانتقال هذه، فلن تستطيع معرفة ما إذا كانت إضافة مراجع تحسّن النظام أم تكتفي بإضافة رسالة ختامية تبعث على الاطمئنان.

الأخطاء تتراكم مع كل انتقال

لنفترض أن باحثًا كتب: «يبدو أن نقطة النهاية هذه تدعم التصدير، لكن متطلبات الصلاحيات غير واضحة». يختصر المخطّط ذلك إلى: «استخدم نقطة نهاية التصدير». ثم ينفّذ المبرمج الخطة، ويفحص المراجع التعديل على أساسها، فلا يرى أي تعارض.

اختفى الشك الأصلي من دون أن يحسمه أحد. شارك وكلاء أكثر، لكن لم يتحقق أيٌّ منهم من الأدلة الناقصة.

أعِد مراجع المصادر، وما لم يُحسم بصراحة، والمخرج الفعلي إلى جانب الملخص. وزوّد المراجعين بالمتطلب الأصلي، لا بمجرد رواية مُنتِج المخرج عنه. هذه أسباب لتفضيل فريق صغير يمكن فحص عمله على سلسلة طويلة من الأدوار غير المحددة بدقة.

ما المبالغات الشائعة بشأن فرق الوكلاء؟

عدد الأدوار مقياس ضعيف للقدرة. لا تؤدي زيادة الوكلاء تلقائيًا إلى مزيد من المعرفة، أو استقلالية الحكم، أو سرعة التنفيذ. السؤال الأجدى هو: ما العمل الجديد الذي أصبح ممكنًا بفضل هذا التقسيم؟

يستطيع وكيل واحد استخدام أدوات متوازية، لذا لا تتطلب عمليات البحث المتزامنة وحدها فريقًا. كما يمكنه تحميل تعليمات متخصصة عند الحاجة. وتوثّق LangChain نمط المهارات، الذي يُبقي التحكم لدى وكيل واحد ويزوّده بالمعرفة ذات الصلة عند الطلب.

ولا تخلط أيضًا بين فصل الموجّهات والعزل الأمني. فتسمية وكيل «باحثًا» وآخر «مسؤول موافقة» لا تقيّد وصولهما بحد ذاتها. يجب أن يفرض التطبيق صلاحيات الأدوات وحدود الموافقة التي تقصدها.

أقوى حجة لتعدّد الوكلاء تكون عادةً محددة: يحتاج هذا الوكيل إلى سياق منفصل، أو يستطيع بحث سؤال باستقلالية، أو ينبغي أن يتولّى مسؤولية مجال مختلف في المحادثة. أما القول «إنه يشبه فريقًا» فلا يكفي.

خطوتك العملية التالية: اختبر أصغر تقسيم مفيد للعمل

احتفظ بخط أساس يعتمد على وكيل واحد، ولا تضف إلا الوكيل الذي يعالج إخفاقًا ظاهرًا. إذا كان النظام الحالي ينجح، فإن إضافة مديرين ومراجعين تنشئ نظامًا جديدًا يحتاج إلى إثبات جدواه.

1. 1

   حدّد إخفاق سير العمل الحالي

   اختر مهام فعلية يفوّت فيها الوكيل أدلة، أو يختار أدوات خاطئة، أو يضيّع متطلبات، أو ينتج مخرجًا غير مقبول. عالج نقص الأدوات وغموض التعليمات قبل أن تعتبر عدد الوكلاء سبب المشكلة.

2. 2

   صمّم بديلًا محدد النطاق

   في مساعد البرمجة، أبقِ الوكيل الرئيسي مسؤولًا عن التعديل، وأضف مراجعًا مستقلًا فقط إذا كانت الفجوة في المراجعة. حدّد مدخلات المراجع والأدلة التي يجب أن يعيدها. تجنّب تغيير سير العمل كله دفعة واحدة.

3. 3

   قارن النتائج المقبولة

   شغّل خط الأساس والبديل على مجموعة المهام نفسها، وبمعايير القبول نفسها. سجّل جودة الإنجاز، وإجمالي الرموز، والزمن المنقضي، والجهد البشري اللازم لتشخيص الإخفاقات أو تصحيحها. وخذ اختلافات النماذج في الحسبان عند تفسير النتيجة.

4. 4

   قرّر الإبقاء على الفصل أو إلغاءه

   احتفظ بالوكيل إذا حسّن النتيجة بما يكفي لتبرير عبئه التشغيلي. وإذا كان يكرّر السياق أو يعيد صياغة عمل وكيل آخر في الغالب، فأعِد ذلك النشاط إلى الوكيل الأصلي. يستطيع مسؤولو التشغيل الذين لم يقيسوا فجوة واضحة الانتظار، بينما لدى المطوّرين أصحاب مسارات البحث المستقلة سبب أوضح للتجربة الآن.

أسئلة شائعة عن الأنظمة متعددة الوكلاء

هل ChatGPT نظام متعدد الوكلاء؟

اسم ChatGPT وحده لا يكشف بنية سير عمل بعينه. لكي تصف ميزة بأنها متعددة الوكلاء، ابحث عن توثيق لوكلاء منفصلين يتبادلون العمل أو ينقلون التحكم. واجهة المحادثة، أو استخدام الأدوات، أو طول الإجابة، ليست أدلة كافية.

ما مثال النظام متعدد الوكلاء؟

يفوّض نظام Research لدى Anthropic عمليات البحث إلى وكلاء منفّذين ويجمع نتائجهم، وهو مثال على نمط المنسّق والوكلاء المنفّذين.

ما أفضل نظام متعدد الوكلاء؟

لا يوجد نظام هو الأفضل لكل الحالات. طابق النمط مع المهمة: مشرف لأعمال المتخصصين المحددة النطاق، وتسليم للمهمة عند انتقال مسؤولية المحادثة، ومحادثة جماعية للنقد المتكرر المفيد. واحتفظ بوكيل واحد إذا لم يحسّن التقسيم النتيجة.

ما الأدوار الـ4 الرئيسية لوكلاء الذكاء الاصطناعي؟

لا توجد قائمة معيارية في القطاع تُعرف باسم «الأدوار الـ4 الكبرى». المخطّط والباحث والمبرمج والمراجع مسمّيات شائعة للأدوار في فرق الوكلاء المقترحة، وليست مكوّنات إلزامية. حدّد عمل كل دور قبل تحويله إلى وكيل منفصل.

هل ChatGPT وكيل أم نموذج لغوي كبير؟

ChatGPT اسم تطبيق، أما النموذج اللغوي الكبير (LLM) فهو نوع النموذج الأساسي. والوكيل وصف لنظام يستخدم نموذجًا لاختيار الأفعال والاستجابة لنتائجها. هذه أوصاف لطبقات مختلفة؛ لذا افحص الميزة المحددة بدل التعامل مع المصطلحات كأنها مترادفات.

ما الأنواع الـ7 لوكلاء الذكاء الاصطناعي؟

تجمع القوائم ذات البنود السبعة تصنيفات مختلفة، مثل قواعد اتخاذ القرار، أو سلوك التعلّم، أو أدوار المهام، أو أنماط التعاون. ولا توجد بنية ثابتة من سبعة أجزاء ينبغي عليك تنفيذها. ولحسم القرار هنا، ميّز بين سلوك الوكيل الفردي وترتيب العمل بين عدة وكلاء.

ما أكثر وكلاء الذكاء الاصطناعي شيوعًا؟

تشمل الفئات المفيدة للأعمال مساعدي الدعم، ووكلاء البحث، ووكلاء البرمجة. هذه فئات مهام، وليست ترتيبًا موثّقًا للشعبية. ولا تكشف أسماؤها ما إذا كانت تعمل منفردة، أو تحت إشراف مشرف، أو عبر تسليم المهام.

هل يمكن ذكر أمثلة على وكلاء الذكاء الاصطناعي؟

من الأمثلة وكيل دعم يبحث عن طلب شراء ويختار الإجراء التالي، ووكيل بحث يستكشف المصادر ويتحقق منها، ووكيل برمجة يعدّل الملفات ويشغّل الاختبارات. يمكن أن يكون كل منها وكيلًا واحدًا حتى لو نفّذ خطوات كثيرة.

ما الأنواع الـ5 لوكلاء الذكاء الاصطناعي؟

تصف IBM تصنيفًا تقليديًا يشمل الوكلاء الانعكاسيين البسطاء، والانعكاسيين القائمين على نموذج، والقائمين على الأهداف، والقائمين على المنفعة، ووكلاء التعلّم. يصنّف هذا التقسيم كيفية اتخاذ الوكيل قراراته أو تعلّمه، ولا يحدّد عدد الوكلاء العاملين بالنماذج اللغوية الكبيرة الذين ينبغي أن يستخدمهم تطبيقك.

للاطلاع على قرارات عملية بشأن البناء باستخدام الذكاء الاصطناعي، اشترك في النشرة البريدية.