Multi-agent prompting — توجيه متعدد الوكلاء

التوجيه متعدد الوكلاء (بالإنجليزية: multi-agent prompting) هو أسلوب في هندسة الموجِّهات وأنظمة الذكاء الاصطناعي، تتفاعل فيه عدة وكلاء مستقلين مبنيين على نماذج اللغة الكبيرة (LLM) مع بعضهم البعض لحل المهام المعقدة عبر تبادل منظم للتعليمات والاستجابات.

بعبارة أخرى، يتكون النظام متعدد الوكلاء من عدة وكلاء LLM يعملون معًا على طلب مستخدم معقد، حيث يوزعون مراحل الاستدلال (subtasks) فيما بينهم بأدوار واختصاصات مختلفة. الهدف الرئيسي من هذا النهج هو التغلب على قيود النموذج الفردي في المهام الصعبة من خلال الحل الجماعي. ويهدف استخدام عدة وكلاء متفاعلين إلى تحسين جودة الاستدلال والدقة الواقعية وموثوقية الإجابة. ومن السمات المهمة لهذا الأسلوب الطبيعة التعليمية الصارمة، حيث يتم تعيين دور أو مهمة محددة لكل LLM ضمن إطار الحل العام.

الأساليب والأنماط المعمارية

اقترح الباحثون عددًا من المخططات للتوجيه متعدد الوكلاء، تختلف في طبيعة التفاعل بين الوكلاء وأدوارهم.

نمذجة الخبراء القائمة على الأدوار

يتم تعيين وكيل واحد أو أكثر كخبراء في مجال ذي تخصص دقيق. على سبيل المثال، في مجموعة متعددة الوكلاء، يمكن للوكلاء المختلفين تمثيل مجالات معرفية مختلفة (فيزيائي، كيميائي، عالم أحياء) أو مراحل مختلفة من حل المشكلة (مخطط، منفذ، ناقد). يسمح هذا النهج بتنفيذ توجيه فعال من نوع few-shot، حيث يتلقى كل وكيل خبير أمثلة توضيحية في مجاله، مما يحسن الأداء العام.

التصحيح الذاتي والنقد (Self-reflection)

يمكن للوكيل أن يلعب دور "الناقد" أو يتأمل في قرارات وكيل آخر أو في إجاباته السابقة. تتمثل استراتيجية self-reflection أو self-refinement في أن يقوم الـ LLM أولاً بتوليد إجابة، ثم يقوم هو نفسه أو نموذج آخر بتحليلها وتصحيح الأخطاء فيها. يسمح هذا بتحسين النتيجة النهائية بشكل تكراري.

المناظرات بين الوكلاء

هو شكل تنافسي من التوجيه متعدد الوكلاء، يتمثل في تنظيم نقاش أو جدال بين عدة نماذج LLM. في مخطط LLM-Debate، يتجادل وكيلان أو أكثر حول الإجابة الصحيحة لمشكلة ما (مثل مسألة رياضية) وينتقدون حجج بعضهم البعض. يعزز هذا الشكل من المناظرة قدرة النموذج على الاستدلال المنطقي ويزيد من الدقة الواقعية للإجابات مقارنة بالحل الفردي.

التخطيط وتفكيك المهام

يقوم أحد الوكلاء بدور المخطط، حيث يجزئ الطلب المعقد إلى سلسلة من الخطوات أو المهام الفرعية التي يتم حلها بعد ذلك بنفسه أو بواسطة وكلاء آخرين. تطبق تقنيات مثل ReAct وReflexion مبدأ التخطيط التكراري هذا مع التغذية الراجعة. يقوم الـ LLM أولاً بتوليد خطة للحل قبل البدء في تنفيذها، مما يساعد على التعامل مع سلاسل الاستدلال الطويلة.

التعاون متعدد الشخصيات

بدلاً من استخدام نماذج مختلفة، يمكن استخدام نفس الـ LLM وجعله "يمثل" عدة وكلاء بتوجهات شخصية أو وجهات نظر مختلفة. في نهج multi-persona self-collaboration، يتخذ نموذج واحد بشكل متسلسل عدة أدوار خلال الحوار ويدير النقاش كما لو كان مع نفسه. على الرغم من أن الأبحاث تظهر أن الوكلاء المستقلين المنفصلين يوفرون كفاءة أعلى، إلا أن هذه الطريقة تسمح بمحاكاة فريق من الخبراء داخل LLM واحد.

التطبيقات والنتائج

أظهر نهج التوجيه متعدد الوكلاء فعاليته في عدد من المجالات التي كانت نماذج LLM الفردية تواجه فيها صعوبات.

الاستدلال الرياضي والمنطقي

يؤدي استخدام عدة وكلاء إلى زيادة الدقة بشكل ملحوظ في المهام التي تتطلب استنتاجًا متعدد الخطوات (مسائل حسابية معقدة، براهين رياضية، ألغاز منطقية). في عمل Du et al. (2023)، أدى نهج "المناظرة" متعدد الوكلاء إلى تحسين النتائج مقارنة بالوكيل الفردي. وأظهر التحليل أنه كلما زاد عدد الوكلاء المشاركين في النقاش، زادت دقة الإجابة.

المهام العلمية والتقنية

للمشكلات الموضوعية المعقدة (الفيزياء، الكيمياء)، تم اقتراح طريقة CoMM (Collaborative Multi-Agent, Multi-Reasoning-Path Prompting)، حيث يقوم العديد من وكلاء LLM بأدوار مختلفة (خبراء) بتطبيق استراتيجيات استدلال مختلفة بالتوازي. في الاختبارات التي أجريت على مسائل في الفيزياء على مستوى الكليات، تفوق CoMM بشكل ملحوظ على النهج الأساسية مثل chain-of-thought، حيث ارتكب أخطاء أقل في الصيغ والحسابات.

توليد الشيفرة البرمجية وتصحيحها

في مجال البرمجة، تُستخدم الأنظمة متعددة الوكلاء لتحسين جودة الشيفرة البرمجية وتقليل عدد الأخطاء. يستخدم نظام PromptV عدة وكلاء لكتابة شيفرة Verilog والتحقق منها وتصحيحها بشكل متسلسل. أدى توزيع الأدوار (التوليد، المراجعة، الاختبار) إلى تحسين قدرة النموذج على اكتشاف الأخطاء وتصحيحها، مما أدى إلى زيادة نسبة الحلول التي يتم تصريفها (compile) بنجاح إلى 96,5% على أحد المقاييس المرجعية (benchmarks).

البحث عن المعلومات وتحليلها

تعتبر الأنظمة متعددة الوكلاء مفيدة بشكل خاص للطلبات المفتوحة وغير المنظمة بشكل جيد. طورت شركة Anthropic وضعًا متعدد الوكلاء لنموذج Claude مخصصًا للبحث على الويب. في هذا النظام، يقوم الوكيل الرئيسي بتحليل الطلب وإنشاء عدة وكلاء للمهام الفرعية المتوازية، حيث يقوم كل منهم بالبحث في جوانب مختلفة من الموضوع. كانت هذه البنية أكثر فعالية بنسبة 90% في التعامل مع أسئلة البحث المعقدة مقارنة بنموذج Claude الفردي.

تصنيف النصوص ومهام معالجة اللغات الطبيعية

لمهام معالجة اللغات الطبيعية، تم تطوير التوجيه القائم على المبادئ (Principle-Based Prompting). في هذه المنهجية، يقوم وكلاء LLM أولاً بتوليد مجموعة من "المبادئ" (قواعد الحل)، ثم يقوم وكيل نهائي باختيار أفضلها، والتي على أساسها يقوم وكيل آخر بالتصنيف. أدى هذا النهج إلى تحسين مقياس macro-F1 بنسبة 1,5–19% مقارنة بالطرق الأساسية، مقتربًا من جودة التدريب الكلاسيكي على الأمثلة (few-shot).

القيود والمشكلات

التعقيد الحسابي والتكاليف

العيب الرئيسي هو الزيادة الحادة في العبء الحسابي. يتطلب كل وكيل جلسة توليد خاصة به، مما يؤدي إلى استهلاك كبير للتوكنات والموارد. وفقًا لبيانات Anthropic، يستهلك نظامهم في المتوسط 4 أضعاف عدد التوكنات لكل حوار، وفي بعض الحالات يصل إلى 15 ضعفًا. هذا يجعل تطبيق النهج مبررًا فقط للمهام ذات القيمة العالية.

صعوبة التصميم والتنسيق

لتحقيق عمل ناجح، يتطلب الأمر ضبطًا هندسيًا دقيقًا للموجِّهات: من الضروري تحديد دور كل وكيل بوضوح، وشكل تبادل الرسائل، ومعايير التوقف. وإلا، قد يقوم الوكلاء بتكرار العمل، أو الدخول في بحث لا نهائي، أو إنشاء مهام فرعية غير مجدية.

الأمان والموثوقية

تظهر نواقل هجوم جديدة. أظهر الباحثون ظاهرة Prompt Infection (عدوى الموجِّه)، حيث يتم نقل جزء ضار من التعليمات من وكيل إلى آخر، وينتشر عبر سلسلة الاستدلال بأكملها مثل الفيروس. يوضح هذا الهجوم من نوع LLM-to-LLM ضعف الأنظمة متعددة الوكلاء أمام الحقن الخفي والتلاعب، مما يتطلب تطوير تدابير حماية خاصة، مثل وسم مخرجات كل وكيل (LLM Tagging).

روابط خارجية

• «كيف بنينا نظامنا البحثي متعدد الوكلاء» — تحليل مفصل من Anthropic
• «كل ما تحتاجه هو المزيد من الوكلاء» — ورقة علمية حول فعالية مجموعات الوكلاء

مراجع

• Chen, P. et al. (2024). CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving. arXiv:2404.17729.
• Li, J. et al. (2024). More Agents Is All You Need. arXiv:2402.05120.
• Mi, Y. et al. (2024). PromptV: Leveraging LLM-Powered Multi-Agent Prompting for High-Quality Verilog Generation. arXiv:2412.11014.
• Wei, P. et al. (2024). Don’t Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification. arXiv:2502.07165.
• Lee, D.; Tiwari, A. (2024). Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems. arXiv:2410.07283.
• Fernando, C. et al. (2023). PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution. arXiv:2309.16797.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Li, G. et al. (2024). Multi-LLM Debate: Framework, Principles, and Interventions. PDF.
• Du, N. et al. (2023). Improving Factuality and Reasoning in Language Models through Multi-Agent Debate. arXiv:2305.14325.