تنسيق الوكلاء: إدارة أنظمة الذكاء الاصطناعي المتعددة

كان أوائل وكلاء الذكاء الاصطناعي مؤدين منفردين. نموذج واحد، ومهمة واحدة، وسلسلة محادثة واحدة. لكن مع دفع المؤسسات لوكلائها نحو الإنتاج في سير عمل متزايد التعقيد — كخدمة العملاء التي تمتد عبر الفوترة واللوجستيات واستكشاف الأخطاء التقنية، أو خطوط أنابيب البحث التي تبحث وتحلل وتُلخّص عبر عشرات المصادر — يصطدم الوكيل الواحد بحدوده بسرعة.

هنا يأتي دور تنسيق الوكلاء: تخصص إدارة وكلاء الذكاء الاصطناعي المتعددين للعمل معاً على مهام أكثر تعقيداً أو اتساعاً أو حساسية من أن يتولاها وكيل واحد بمفرده.

يبدو المفهوم بسيطاً. لكن عملياً، يُعدّ من أصعب المشكلات في الذكاء الاصطناعي التطبيقي.

مشكلة التنسيق

تأمل ما يحدث عندما تنشر شركة نظام ذكاء اصطناعي للتعامل مع استرداد مبلغ لعميل. يبدو الطلب بسيطاً، لكن تنفيذه يتطلب التحقق من سجل الطلبات (استعلام قاعدة بيانات)، والتحقق من سياسة الإرجاع (استرجاع مستندات)، وحساب مبلغ الاسترداد (منطق أعمال)، ومعالجة عكس الدفع (استدعاء واجهة برمجة التطبيقات)، وإرسال بريد تأكيد إلكتروني (أداة اتصال). يمكن لوكيل واحد مجهّز جيداً التعامل مع هذا.

الآن تأمل نظام تحسين سلسلة الإمداد الذي يحتاج لمراقبة مستويات المخزون عبر 50 مستودعاً في وقت واحد، والتنبؤ بتحولات الطلب باستخدام بيانات السوق، والتفاوض مع الموردين عبر البريد الإلكتروني، وتعديل جداول الإنتاج — كل ذلك مع إبقاء مشغّل بشري على اطلاع. لا يستطيع وكيل واحد الاحتفاظ بكل هذا السياق، والوصول إلى كل هذه الأدوات، واتخاذ كل هذه القرارات بشكل متماسك.

هنا تتدخل أُطر التنسيق. فهي تُقسّم المشكلات المعقدة إلى مهام فرعية، وتُسندها إلى وكلاء متخصصين، وتُدير تدفق البيانات بين هؤلاء الوكلاء، وتتعامل مع الأخطاء والحالات الاستثنائية الحتمية.

يتعامل مكدس الذكاء الاصطناعي الوكيلي — البنية متعددة الطبقات التي تُشغّل أنظمة الذكاء الاصطناعي الحديثة — مع التنسيق كطبقة بنية تحتية أساسية، تقع بين النماذج التأسيسية في الأسفل والأدوات وأنظمة الذاكرة في الأعلى.

أنماط التنسيق

ظهرت ثلاثة أنماط مهيمنة لتنسيق الوكلاء المتعددين.

السلاسل التتابعية

أبسط الأنماط: الوكيل أ يُنجز مهمة، ويمرر النتائج للوكيل ب، الذي يمررها للوكيل ج. مثل خط تجميع. وكيل بحث يجد المستندات ذات الصلة، ووكيل تلخيص يختصرها، ووكيل تحليل يستخلص الاستنتاجات.

السلاسل التتابعية قابلة للتنبؤ وسهلة التشخيص. لكنها بطيئة أيضاً — كل خطوة تنتظر السابقة — وهشة. إذا فشل الوكيل ب، تتوقف السلسلة بأكملها.

التوزيع المتوازي

يعمل وكلاء متعددون في وقت واحد على مهام فرعية مستقلة، ثم يُجمّع وكيل منسّق نتائجهم. قد يُرسل نظام أبحاث السوق وكلاء لتحليل المنافسين، واستطلاع مشاعر العملاء، ومراجعة الملفات التنظيمية — كل ذلك في آن واحد.

التنفيذ المتوازي أسرع لكنه يُدخل تعقيداً في التنسيق. كيف توفّق بين استنتاجات متضاربة من وكلاء مختلفين؟ ماذا لو استغرق وكيل واحد وقتاً أطول بكثير من الآخرين؟

التوجيه الديناميكي

وكيل مشرف يُقيّم كل طلب وارد ويوجّهه إلى الوكيل المتخصص الأنسب. هذا هو النمط وراء معظم أنظمة خدمة العملاء بالذكاء الاصطناعي: يحدد موجّه ما إذا كان الاستعلام يتعلق بالفوترة أو الشحن أو الدعم التقني، ثم يوجّهه وفقاً لذلك.

التوجيه الديناميكي مرن لكنه يعتمد كلياً على دقة تصنيف وكيل الموجّه. الطلبات الموجّهة خطأً تتسلسل إلى إجابات خاطئة.

مشهد الأُطر

تطور نظام أُطر الوكلاء بسرعة لدعم هذه الأنماط.

LangGraph يُنمذج التنسيق كرسوم بيانية موجّهة، حيث تمثل العُقد وكلاء أو نقاط قرار وتتحكم الأضلاع في تدفق البيانات. ابتكاره الرئيسي هو الحالة الدائمة — يتذكر الرسم البياني أين هو في عملية متعددة الخطوات، مما يُمكّن من الموافقات البشرية عند أي عقدة. تستخدم شركات مثل Klarna وElastic منصة LangGraph لتنسيق الوكلاء في الإنتاج. نشر Klarna يخدم 85 مليون مستخدم وخفّض متوسط وقت الحل من 11 دقيقة إلى أقل من دقيقتين.

CrewAI يتبنى نهج استعارة الفريق. تُعرّف وكلاء بأدوار (باحث، محلل، كاتب)، وتمنحهم أدوات، وتدع “الطاقم” يتعاون في المهام المعقدة. بنيته المزدوجة — Crews للتعاون المستقل، وFlows لسير العمل المؤسسي القائم على الأحداث — تتيح للفرق اختيار المستوى المناسب من التحكم. توفر Flows عناصر تنسيق دقيقة مثل التفريع الشرطي وإدارة الحالة، بينما تتولى Crews تفويض المهام الديناميكي.

Microsoft Agent Framework — التقاء AutoGen وSemantic Kernel — يوفر تنسيقاً مؤسسياً متعدد الوكلاء مع أنماط سير عمل (تتابعي، متزامن، محادثة جماعية، تسليم)، وتسجيل الأدوات، وتكامل Azure الأصلي. صدر في معاينة عامة في أكتوبر 2025، ويوحّد مجموعات أدوات الوكلاء المنفصلة سابقاً من Microsoft في إطار عمل تجاري واحد.

كل إطار يقوم بمقايضات مختلفة بين البساطة والتحكم، لكن جميعها تتقارب نحو رؤية مشتركة: يجب أن يكون التنسيق بسيطاً قدر الإمكان.

فخ تعدد الوكلاء

أظهرت الأبحاث باستمرار أن المزيد من الوكلاء لا يعني تلقائياً نتائج أفضل. وجدت دراسة بارزة حول أداء الأنظمة متعددة الوكلاء أن إضافة الوكلاء يزيد من عبء التنسيق وانتشار الأخطاء. كل عملية تسليم بين وكيل وآخر هي نقطة فشل محتملة — سياق أُسيء فهمه، ومعلومات مفقودة، وتعليمات متضاربة.

أفضل عمليات النشر الإنتاجية تتبع مبدأً: استخدم الحد الأدنى من الوكلاء الذي يحقق الهدف. وكيل واحد مزود بأدوات جيدة وتعليمات واضحة غالباً ما يتفوق على نظام معقد متعدد الوكلاء لنفس المهمة.

متى تساعد البنيات متعددة الوكلاء فعلاً؟ تبرز ثلاثة سيناريوهات:

1. أحمال عمل متوازية حقاً — البحث في قواعد بيانات متعددة في وقت واحد، أو معالجة مستندات بلغات مختلفة، أو مراقبة تدفقات بيانات مستقلة
2. خبرة متخصصة — عندما تتطلب المهام الفرعية المختلفة قدرات نموذجية مختلفة جذرياً (مثل توليد الشيفرة مقابل التحليل القانوني مقابل تصور البيانات)
3. فصل حرج للسلامة — عندما تريد وكيلاً مستقلاً يراجع مخرجات وكيل آخر قبل التنفيذ، خاصة للقرارات عالية المخاطر

التنسيق في الممارسة العملية

تشترك عمليات النشر الأكثر نضجاً للتنسيق في عدة خصائص:

معالجة صريحة للفشل. كل عملية تسليم بين وكيل وآخر تتضمن مساراً بديلاً. إذا لم يستطع الوكيل المتخصص التعامل مع طلب، يعود التحكم إلى الموجّه — أو يُصعّد إلى إنسان.

أنظمة ذاكرة مشتركة. تحتاج الوكلاء في نظام منسّق إلى الوصول إلى ذاكرة دائمة — ليس فقط سجل محادثاتهم الخاصة، بل سياق مشترك حول المهمة والمستخدم والتفاعلات السابقة.

قابلية المراقبة. عندما ينتج نظام متعدد الوكلاء إجابة خاطئة، تحتاج لتتبع أي وكيل فشل ولماذا بالضبط. تُسجّل أنظمة الإنتاج كل قرار وكيل واستدعاء أداة ورسالة بين الوكلاء.

التدهور المتدرج. يجب أن يستمر النظام في العمل — ربما بقدرات منخفضة — عند فشل وكلاء فرديين. هذا نفس المبدأ الذي يحكم التطور نحو أنظمة تشغيل الذكاء الاصطناعي: إدارة دورات حياة الوكلاء، وتخصيص الموارد، والحفاظ على موثوقية النظام.

مستقبل التنسيق

تتطور طبقة التنسيق في اتجاهين في وقت واحد.

أبسط للحالات البسيطة. مع تحسن قدرات النماذج التأسيسية في التخطيط واستخدام الأدوات، تُستوعب العديد من مهام التنسيق التي كانت تتطلب سابقاً شيفرة إطار عمل صريحة في النموذج نفسه. Claude Agent SDK من Anthropic، على سبيل المثال، يُقلل عمداً من تعقيد الإطار — يترك النموذج يتولى منطق التنسيق بينما يوفر عناصر أولية مثل الوكلاء الفرعيين للتوازي وعزل السياق.

أكثر تطوراً للحالات المعقدة. تتحرك عمليات النشر المؤسسية نحو منصات تنسيق تُدير مئات الوكلاء عبر الأقسام، مع حوكمة مركزية ومسارات تدقيق وضوابط امتثال. يصبح بروتوكول MCP الواجهة القياسية التي يكتشف من خلالها الوكلاء المنسّقون الأدوات ويستخدمونها.

الفجوة بين هذين المسارين — تنسيق أدنى لمعظم المهام، وتنسيق صناعي للأنظمة على مستوى المؤسسة — قد تُحدد المرحلة القادمة من ثورة الذكاء الاصطناعي.

المصادر والقراءات الإضافية

• Building Effective Agents — Anthropic Research
• LangGraph: Multi-Actor Applications with LLMs — LangChain Documentation
• CrewAI Documentation — Enterprise Multi-Agent Framework
• A Survey on Large Language Model-Based Autonomous Agents — Wang et al.
• The Shift from Models to Compound AI Systems — Berkeley AI Research
• Introducing Microsoft Agent Framework — Microsoft Azure Blog