Multi-agent prompting (UR)
ملٹی ایجنٹ پرامپٹنگ (انگریزی: multi-agent prompting) — یہ پرامپٹ انجینئرنگ اور مصنوعی ذہانت کے نظاموں میں ایک ایسا طریقہ ہے جس میں بڑے لسانی ماڈلز (LLM) پر مبنی متعدد خودمختار ایجنٹ آپس میں تعامل کرتے ہیں تاکہ ہدایات اور جوابات کے منظم تبادلے کے ذریعے پیچیدہ مسائل حل کیے جا سکیں[1]۔
دوسرے الفاظ میں، ملٹی ایجنٹ نظام کئی LLM ایجنٹوں پر مشتمل ہوتا ہے جو صارف کی پیچیدہ درخواست پر مل کر کام کرتے ہیں، استدلال کے مراحل (subtasks) کو مختلف کرداروں اور مہارتوں کے حامل ایجنٹوں میں تقسیم کرتے ہیں۔ اس نقطہ نظر کا بنیادی مقصد اجتماعی حل کے ذریعے پیچیدہ کاموں میں اکیلے ماڈل کی حدود کو عبور کرنا ہے۔ متعدد باہم تعامل کرتے ایجنٹوں کا استعمال استدلال کے معیار، حقیقی درستگی اور جواب کی قابلِ اعتماد پن کو بڑھانے کے لیے کیا جاتا ہے[2]۔ ایک اہم خصوصیت سخت ہدایت دہی ہے: ہر LLM کو مجموعی حل کی اسکیم کے تحت ایک مخصوص کردار یا کام سونپا جاتا ہے۔
طریقے اور تعمیراتی نمونے
محققین نے ملٹی ایجنٹ پرامپٹنگ کی کئی اسکیمیں تجویز کی ہیں جو ایجنٹوں کے تعامل کی نوعیت اور ان کے کرداروں کے لحاظ سے مختلف ہوتی ہیں۔
کردار پر مبنی ماہرانہ ماڈلنگ
ایک یا کئی ایجنٹوں کو مخصوص شعبوں میں تخصص کے ساتھ ڈومین ماہرین کے طور پر مقرر کیا جاتا ہے۔ مثال کے طور پر، ملٹی ایجنٹ گروپ میں مختلف ایجنٹ مختلف علمی شعبوں (ماہرِ طبیعیات، ماہرِ کیمیا، ماہرِ حیاتیات) یا مسئلہ حل کے مختلف مراحل (منصوبہ ساز، نفاذ کار، ناقد) کی نمائندگی کر سکتے ہیں[1]۔ یہ نقطہ نظر مؤثر few-shot پرامپٹنگ کو ممکن بناتا ہے، جہاں ہر ماہر ایجنٹ کو اپنے شعبے میں مثالی نمائشیں ملتی ہیں، جو مجموعی کارکردگی کو بہتر بناتی ہیں۔
خود اصلاح اور تنقید (Self-reflection)
ایجنٹ کسی دوسرے ایجنٹ کے حلوں یا اپنے پچھلے جوابات پر ناقد یا غور و فکر کرنے والے کے طور پر کام کر سکتا ہے۔ self-reflection یا self-refinement کی حکمتِ عملی یہ ہے کہ LLM پہلے جواب تیار کرتا ہے، پھر وہی یا کوئی دوسرا ماڈل اس جواب کا تجزیہ کرتا ہے اور غلطیوں کو درست کرتا ہے[1]۔ اس سے حتمی نتیجے کو تکراری طور پر بہتر بنانا ممکن ہوتا ہے۔
ایجنٹوں کے مابین مباحثے
ملٹی ایجنٹ پرامپٹنگ کی یہ مسابقتی قسم کئی LLM کے درمیان بحث و مباحثے کا اہتمام کرتی ہے۔ LLM-Debate اسکیم میں دو یا زیادہ ایجنٹ کسی مسئلے (مثلاً ریاضی) کے درست جواب پر بحث کرتے ہیں اور ایک دوسرے کے دلائل پر تنقید کرتے ہیں[3]۔ یہ مباحثہ طرز ماڈل کی منطقی استدلال کی صلاحیت کو بہتر بناتا ہے اور اکیلے حل کے مقابلے میں جوابات کی حقیقی درستگی کو بڑھاتا ہے۔
منصوبہ بندی اور کاموں کا تجزیہ
ایک ایجنٹ منصوبہ ساز کا کردار ادا کرتا ہے، پیچیدہ درخواست کو مرحلہ وار اقدامات یا ذیلی کاموں میں تقسیم کرتا ہے، جنہیں پھر وہی یا دوسرے ایجنٹ حل کرتے ہیں۔ ReAct اور Reflexion جیسی تکنیکیں رائے کے ساتھ تکراری منصوبہ بندی کے اسی اصول کو نافذ کرتی ہیں۔ LLM نفاذ شروع کرنے سے پہلے حل کا منصوبہ تیار کرتا ہے، جو طویل استدلالی زنجیروں سے نمٹنے میں مدد کرتا ہے[1]۔
کثیر کردار تعاون
مختلف ماڈلوں کی بجائے ایک ہی LLM کو متعدد کرداروں یا نقطہ ہائے نظر کے ساتھ کئی ایجنٹ ادا کرنے پر مجبور کیا جا سکتا ہے۔ multi-persona self-collaboration نقطہ نظر میں ایک ماڈل گفتگو کے دوران یکے بعد دیگرے کئی کردار اپناتا ہے اور گویا اپنے آپ سے بحث کرتا ہے۔ اگرچہ تحقیق ظاہر کرتی ہے کہ الگ الگ آزاد ایجنٹ زیادہ کارکردگی فراہم کرتے ہیں، یہ طریقہ ایک ہی LLM کے اندر ماہرین کی ٹیم کی نقل اتارنے کی اجازت دیتا ہے[1]۔
اطلاق اور نتائج
ملٹی ایجنٹ پرامپٹنگ کا نقطہ نظر ایسے شعبوں میں اپنی افادیت ثابت کر چکا ہے جہاں اکیلے LLM کو پہلے مشکلات کا سامنا تھا۔
ریاضی اور منطقی استدلال
کئی ایجنٹوں کا استعمال ایسے کاموں پر درستگی کو نمایاں طور پر بڑھاتا ہے جن میں کثیر مرحلی نتیجہ اخذ کرنا درکار ہو (پیچیدہ ریاضی، ریاضیاتی ثبوت، منطقی پہیلیاں)۔ Du et al. (2023) کے کام میں ملٹی ایجنٹ مباحثہ نقطہ نظر نے اکیلے ایجنٹ کے مقابلے میں بہتر نتیجہ دیا۔ تجزیے سے پتہ چلا کہ بحث میں حصہ لینے والے ایجنٹوں کی تعداد بڑھنے کے ساتھ جواب کی درستگی بھی بڑھتی ہے[3]۔
سائنسی اور تکنیکی مسائل
پیچیدہ موضوعاتی مسائل (طبیعیات، کیمیا) کے لیے CoMM (Collaborative Multi-Agent, Multi-Reasoning-Path Prompting) طریقہ تجویز کیا گیا، جس میں مختلف کرداروں (ماہرین) کے ساتھ کئی LLM ایجنٹ بیک وقت مختلف استدلالی حکمتِ عملیاں استعمال کرتے ہیں۔ کالج سطح کے طبیعیاتی مسائل پر آزمائشوں میں CoMM نے chain-of-thought جیسے بنیادی طریقوں کو نمایاں طور پر پیچھے چھوڑا، فارمولوں اور حسابات میں کم غلطیاں کرتے ہوئے[1]۔
کوڈ تخلیق اور ڈیبگنگ
پروگرامنگ کے میدان میں ملٹی ایجنٹ نظام کوڈ کے معیار کو بہتر بنانے اور غلطیوں کی تعداد کم کرنے کے لیے استعمال ہوتے ہیں۔ PromptV نظام Verilog کوڈ کی یکے بعد دیگرے تحریر، جانچ اور اصلاح کے لیے کئی ایجنٹوں کا استعمال کرتا ہے۔ کرداروں کی تقسیم (تخلیق، جائزہ، جانچ) نے ماڈل کی غلطیاں دریافت کرنے اور درست کرنے کی صلاحیت کو بہتر بنایا، جس کے نتیجے میں ایک benchmark پر کامیابی سے compile ہونے والے حلوں کا تناسب 96.5% تک بڑھ گیا[4]۔
معلومات کی تلاش اور تجزیہ
ملٹی ایجنٹ نظام خاص طور پر کھلی، بد ساختار درخواستوں کے لیے مفید ہیں۔ Anthropic نے ویب تحقیق کے لیے Claude ماڈل کا کثیر ایجنٹ طریقہ کار تیار کیا۔ اس نظام میں سرکردہ ایجنٹ درخواست کا تجزیہ کرتا ہے اور کئی متوازی ذیلی کام ایجنٹ پیدا کرتا ہے، جن میں سے ہر ایک موضوع کے مختلف پہلوؤں پر تلاش کرتا ہے۔ اس تعمیر نے اکیلے Claude ماڈل کے مقابلے میں پیچیدہ تلاشی سوالات کو 90% زیادہ مؤثر طریقے سے حل کیا[2]۔
متن کی درجہ بندی اور NLP کے کام
NLP کاموں کے لیے اصول پر مبنی پرامپٹنگ (Principle-Based Prompting) تیار کی گئی۔ اس تکنیک میں LLM ایجنٹ پہلے اصولوں (حل کے قواعد) کا ایک مجموعہ تیار کرتے ہیں، پھر ایک حتمی ایجنٹ ان میں سے بہترین کا انتخاب کرتا ہے، جن کی بنیاد پر ایک اور ایجنٹ درجہ بندی کرتا ہے۔ اس نقطہ نظر نے بنیادی طریقوں کے مقابلے میں macro-F1 میٹرک کو 1.5–19% تک بہتر کیا، کلاسیکی few-shot مثالی تربیت کے معیار کے قریب پہنچتے ہوئے[5]۔
حدود اور مسائل
حسابی پیچیدگی اور اخراجات
سب سے بڑا نقصان تیزی سے بڑھا ہوا حسابی بوجھ ہے۔ ہر ایجنٹ کو اپنا تخلیقی سیشن درکار ہوتا ہے، جو token اور وسائل کی خاطر خواہ کھپت کا باعث بنتا ہے۔ Anthropic کے اعداد و شمار کے مطابق، ان کا نظام فی گفتگو اوسطاً 4 گنا زیادہ token استعمال کرتا ہے، اور بعض صورتوں میں 15 گنا زیادہ[2]۔ یہ اس نقطہ نظر کے اطلاق کو صرف اعلی قدر والے کاموں کے لیے موزوں بناتا ہے۔
ڈیزائن اور ہم آہنگی کی پیچیدگی
کامیاب کام کے لیے پرامپٹ کی انجینئرنگ ترتیب کی ضرورت ہوتی ہے: ہر ایجنٹ کا کردار، پیغام رسانی کی شکل اور رکنے کے معیار کو واضح طور پر متعین کرنا ضروری ہے۔ بصورتِ دیگر ایجنٹ کام دوہرا سکتے ہیں، لامتناہی تلاش میں پڑ سکتے ہیں یا بیکار ذیلی کام بنا سکتے ہیں[2]۔
سلامتی اور قابلِ اعتماد پن
حملے کے نئے ذرائع سامنے آ رہے ہیں۔ محققین نے Prompt Infection (پرامپٹ آلودگی) کا مظہر ظاہر کیا ہے، جب ایک ایجنٹ سے نقصان دہ ہدایاتی ٹکڑا دوسرے کو منتقل ہوتا ہے اور وائرس کی طرح پورے استدلالی سلسلے میں پھیل جاتا ہے۔ یہ LLM-to-LLM حملہ کثیر ایجنٹ نظاموں کی پوشیدہ انجیکشن اور ہیرا پھیری کے خلاف کمزوری کو ظاہر کرتا ہے، جس کے لیے خصوصی حفاظتی اقدامات، مثلاً ہر ایجنٹ کی پیداوار کی نشاندہی (LLM Tagging)، تیار کرنا ضروری ہے[6]۔
حوالہ جات
- «How we built our multi-agent research system» — Anthropic کی جانب سے تفصیلی جائزہ
- «More Agents Is All You Need» — ایجنٹوں کے ensembles کی افادیت پر سائنسی مقالہ
کتابیات
- 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.
حواشی
- ↑ 1.0 1.1 1.2 1.3 1.4 1.5 Chen, Y. et al. «CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving». arXiv, 2024. [1]
- ↑ 2.0 2.1 2.2 2.3 «How we built our multi-agent research system». Anthropic. [2]
- ↑ 3.0 3.1 Li, G. et al. «More Agents Is All You Need». arXiv, 2024. [3]
- ↑ Mi, Y. et al. «PromptV: Leveraging LLM-powered Multi-Agent Prompting for High-quality Verilog Generation». ResearchGate, 2024. [4]
- ↑ Wei, J. et al. «Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification». arXiv, 2024. [5]
- ↑ Lee, K. & Tiwari, A. «Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems». OpenReview, 2024. [6]