ملخص تقني: A-MapReduce: تنفيذ البحث الواسع عبر MapReduce الوكيل (Agentic MapReduce)

1. بيان المشكلة

أظهرت الأنظمة متعددة الوكلاء (MAS) القائمة على النماذج اللغوية الكبيرة (LLM) المعاصرة نجاحاً كبيراً في مهام "البحث العميق" (deep search)، والتي تعتمد على الاستنتاج التكراري ذو الهيكل الرأسي. ومع ذلك، تواجه هذه الأنظمة صعوبة في مهام "البحث الواسع" (wide search)—وهي السيناريوهات التي تتميز باسترجاع واسع النطاق موجه نحو الاتساع، حيث يكون الهدف هو تغطية مجموعة ضخمة من الكيانات ضعيفة الترابط وتجميعها في مخرجات مهيكلة.

تواجه الأطر الوكيلية الحالية، المصممة حول الاستنتاج المتسلسل والرأسي، عقبتين رئيسيتين عند تطبيقها على البحث الواسع:

1. معضلة إدارة الأهداف: تعتمد معظم الأنظمة متعددة الوكلاء على سجل الحوار الضمني أو الخطط حرة الشكل لإدارة أهداف الاسترجاع. وفي عمليات التنفيذ طويلة المدى، يؤدي هذا إلى فقدان المدخلات، وتكرار الاسترجاع، وعدم توافق الأهداف.
2. معضلة نمط التنفيذ: تقوم الأنظمة الحالية عادةً بإعادة تخطيط مسارات التنفيذ لكل استعلام دون تجريد أو إعادة استخدام الأنماط الهيكلية المشتركة عبر الاستعلامات المتشابهة. وهذا يمنع تراكم الخبرة وتطور قرارات التنفيذ.

يجادل المؤلفون بأن البحث الواسع لا ينبغي نمذجته كمشكلة استنتاج عميق، بل كمشكلة استرجاع مهيكلة أفقياً تتطلب تنظيم وتخصيص وتتبع وتجميع أهداف استرجاع واسعة النطاق.

2. المنهجية: A-MapReduce

لمعالجة هذه التحديات، يقترح المؤلفون A-MapReduce، وهو إطار عمل للتنفيذ متعدد الوكلاء مستوحى من نموذج MapReduce من أنظمة قواعد البيانات. يعيد الإطار صياغة البحث الواسع كعملية حسابية موزعة للاسترجاع المهيكل، وتتكون من ثلاثة مكونات أساسية:

أ. تنفيذ MapReduce الوكيلي (Agentic MapReduce Execution)

يهيكل الإطار قرارات التنفيذ صراحةً كـثلاثية $\Theta_q = (M_q, P_q, B_q)$:

• مصفوفة المهام ($M_q$): تشفر $N$ من الكيانات المستهدفة ذات السمات المعروفة، وتعمل كنموذج (schema) صريح لنطاق الاسترجاع.
• القالب ($P_q$): سلسلة نصية خاصة بالاستعلام تحتوي على عناصر نائبة (placeholders) متوافقة مع أعمدة $M_q$.
• استراتيجية الدفعات ($B_q$): استراتيجية منفصلة (مثل: لكل ذرة، أو حسب السمة، أو تكيفية) تقوم بتقسيم المهام الذرية إلى دفعات منفصلة.

يتبع التنفيذ مساراً يتكون من مرحلتين:

1. مرحلة التعيين (Mapping Stage): يقوم وكيل مدير ($A_{manage}$) بتحليل الاستعلام والملاحظات المتراكمة لأخذ عينة من قرار رفيع المستوى $\Theta_q$. يقوم بإنشاء مهام استرجاع ذرية عن طريق ملء القالب $P_q$ بصفوف من $M_q$. ثم يتم تقسيم هذه المهام إلى دفعات بناءً على $B_q$.
2. مرحلة الاختزال (Reducing Stage): تقوم وكلاء بحث مستقلة ($A_{search}$) بتنفيذ الدفعات بالتوازي. يقوم الوكيل المدير بتجميع النتائج الجزئية في جدول موحد، والتحقق من صحتها مقابل النموذج (schema)، وإطلاق جولة "رقعة دلتا" (delta-patch) خفيفة إذا تم انتهاك الاكتمال.

ب. التطور القائم على الخبرة (Experience-Based Evolution)

يقدم A-MAPREDUCE آلية ذاكرة خبراتية لدفع التطور المستمر لقرارات التنفيذ. تخزن الذاكرة $\mathcal{M}$:

• مجموعة السجلات ($D$): معلومات تاريخية على مستوى المهمة تشمل الاستعلامات، والقرارات المحققة، وآثار التنفيذ، وتغذية الاستخدام (utility feedback).
• مجمع التلميحات ($H$): تلميحات هيكلية قابلة لإعادة الاستخدام ومستخلصة (مثل استراتيجيات الدفعات المثلى أو قيود القوالب) مشتقة من النجاحات السابقة.
• مشغل التقطير ($F_\psi$): يعمل على دمج السجلات في تلميحات ممثلة على مستوى العنقود (cluster-level) لمنع التكرار والانحراف الدلالي.

حلقة التطور:

1. استرجاع الذاكرة: بالنسبة لاستعلام جديد، يسترجع النظام سجلات تاريخية مشابهة دلالياً، سواء كانت إيجابية (عالية المنفعة) أو سلبية (منخفضة المنفعة).
2. أخذ عينة القرار المشروط: يبني النظام أولوية خبراتية $\Delta_q$ من خلال الجمع بين التلميحات المسترجعة وسجلات الأمثلة. تعمل هذه الأولوية كمرساة للقرار، مما يوجه عملية أخذ عينات قرار التنفيذ $\Theta_q$ نحو المناطق ذات المنفعة العالية تاريخياً في فضاء القرار.
3. تحديث التغذية الراجعة: بعد التنفيذ، يقوم النظام بتحديث الذاكرة بالسجل الجديد ويقوم بتحسين درجات التلميحات بناءً على تغذية الاستخدام الراجعة، مما يتيح تحسناً تدريجياً في كفاءة التنفيذ ومتانته.

3. المساهمات الرئيسية

يحدد البحث ثلاث مساهمات رئيسية:

1. إعادة صياغة النموذج: تقديم A-MapReduce، وهو إطار عمل مفتوح المصدر يعيد صياغة البحث الواسع كعملية تنفيذ قابلة للتحكم بأسلوب MapReduce. يتيح ذلك تتبع التغطية المستمر، والتعيين المتوازي، والاختزال المبدئي في جداول متسقة مع النموذج.
2. التطور العملي: تطوير آلية تطور قائمة على الخبرة تربط تنفيذ MapReduce بالذاكرة الخبراتية. يسمح هذا للنظام بتحسين توزيعات القرارات المشروطة بالاستعلام تدريجياً، مما يؤدي إلى تنفيذ أكثر تكيفاً وكفاءة في التكلفة.
3. التقييم التجريبي: تقييم شامل عبر خمسة معايضات (benchmarks) وكيلية تظهر أن A-MapReduce يحقق أداءً هو الأفضل حالياً (state-of-the-art) مع تحسين كفاءة التكلفة بشكل كبير.

4. النتائج التجريبية

قيم المؤلفون A-MapReduce على WideSearch و DeepWideSearch و Agentic-Wide Subset مُنشأ من xBench و WebWalkerQA و TaskCraft.

• الأداء: حقق A-MapReduce نتائج هي الأفضل حالياً في WideSearch و DeepWideSearch.
  • في WideSearch، حسن متوسط Item F1 بنسبة تتراوح بين 5.64% إلى 27.62% مقارنة بالنماذج القوية (بما في ذلك النماذج الأساسية OpenAI o3 و Gemini 2.5 Pro).
  • في DeepWideSearch، حقق مكاسب مطلقة تتراوح بين 3.52% إلى 19.09% في دقة الكيان الجوهري (Core Entity Accuracy) و 9.71% إلى 30.18% في Column-F1 مقارنة بالأطر متعددة الوكلاء مفتوحة المصدر.
  • حقق معدل نجاح قدره 4.43% في DeepWideSearch، متفوقاً بشكل كبير على النماذج المرجعية التي كانت تحوم حول 0–2%.
• الكفاءة والتكلفة:
  • قلل A-MapReduce وقت التشغيل بنسبة 45.8% مقارنة بالنماذج المرجعية الممثلة متعددة الوكلاء.
  • حقق مقايضات متفوقة بين الأداء والتكلفة، حيث وفر في المتوسط 1.10 دولار لكل مهمة وقلل تكاليف واجهة برمجة التطبيقات (API) بنسبة تصل إلى 47.5% مع تقديم مخرجات أعلى جودة.
• دراسات الاستئصال (Ablation Studies): أدى إزالة الذاكرة الخبراتية إلى انخفاض بنسبة 5.15% في Item F1 وانخفاض بنسبة 5.73% في Row F1، مع زيادة التكال ت. كما أدى إزالة القرارات الهيكلية (مصفوفة المهام أو استراتيجية الدفعات) إلى انخفاضات أكثر حدة في الأداء، مما يؤكد ضرورة النهج المهيكل.

5. الأهمية والادعاءات

يدعي البحث أن A-MapReduce يعالج فجوة حرجة في الأنظمة متعددة الوكلاء من خلال نقل التركيز من الاستنتاج الرأسي العميق إلى الاسترجاع الأفقي المهيكل. وتكمن أهميته في:

• الإدارة الصريحة للحالة: من خلال إخراج أهداف الاسترجاع إلى مصفوفة مهام متوافقة مع النموذج، يجعل الإطار حالات التنفيذ قابلة للملاحظة والتصحيح، مما يخفف من أوضاع الفشل الشائعة مثل فقدان التغطية وتجزؤ الأدلة في المهام طويلة المدى.
• التحسين القائم على الخبرة: يثبت الإطار أن الأنظمة متعددة الوكلاء يمكنها "تعلم كيفية التخطيط" من خلال استخلاص أنماط التنفيذ من التاريخ، بدلاً من مجرد استرجاع المزيد من المحتوى. يؤدي هذا إلى تحسينات تدريجية في الكفاءة والمتانة دون الحاجة إلى إعادة تدريب النماذج اللغوية الكبيرة الأساسية.
• القابلية للتوسع: يسمح التصميم المستوحى من MapReduce بالمعالجة المتوازية لأهداف استرجاع ضخمة، مما يوفر حلاً قابلاً للتوسع للبحث واسع النطاق الذي لا تستطيع الأطر التسلسلية الحالية التعامل معه بكفاءة.

يخلص المؤلفون إلى أن A-MapReduce يوفر نموذجاً فعالاً من حيث الموارد وموثوقاً للاسترجاع واسع النطاق، مما قد يخفض الحاجز أمام نشر الأنظمة الوكيلية على نطاق واسع للمهام المعقدة والكثيفة بالبيانات.