🤖 AI

FlowSteer: Towards Agents Designing Agentic Workflows via Reinforced Progressive Canvas Editing

يُعد FlowSteer إطار عمل مبتكر يُمكّن عميلاً واحداً من تصميم سير عمل وكيلِيّ قابل للتنفيذ من البداية إلى النهاية من خلال نموذج تحرير لوحة تقدمي معزز، مستفيداً من التغذية الراجعة اللحظية على مستوى الرسم البياني للتغلب على التحديات المتمثلة في البناء المعتمد على البشر وإصلاح الأخطاء أثناء الحلقة.

المؤلفون الأصليون: Mingda Zhang, Wenjin Liu, Tiesunlong Shen, Qika Lin, Rui Mao, Erik Cambria, Xiaoying Tang, Haoran Luo

نُشر 2026-05-15

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mingda Zhang, Wenjin Liu, Tiesunlong Shen, Qika Lin, Rui Mao, Erik Cambria, Xiaoying Tang, Haoran Luo

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول بناء آلة معقدة، مثل آلة "روب غولدبيرغ"، لحل مشكلة محددة (مثل حساب إجابة رياضية أو كتابة كود برمجي).

في الماضي، كان على البشر الجلس يدويًا لسحب وإفلات كل جزء من أجزاء هذه الآلة، وتوصيل التروس والرافعات واحدًا تلو الآخر. وإذا ارتكبوا خطأً، فغالبًا ما كان عليهم تفكيك الآلة بالكامل والبدء من جديد. كان هذا بطيئًا، ومكلفًا، وصعب التكيف مع المشكلات الجديدة.

FlowSteer هو نظام جديد يغير قواعد اللعبة. فبدلاً من أن يقوم إنسان ببناء الآلة، فإنه يستخدم "وكيل مهندس" ذكي يبني الآلة بنفسه، خطوة بخطوة، بينما يقوم "روبوت بناء" باختبارها في الوقت الفعلي.

إليك كيف يعمل ذلك، باستخدام تشبيهات بسيما:

1. "اللوحة" (منصة العمل التفاعلية)

اعتبر لوحة سير العمل (Workflow Canvas) بمثابة منصة عمل سحرية وحية.

الطريقة القديمة: تكتب خطة على ورقة، ثم تسلمها إلى بنّاء، وتأمل أن يبنيها بشكل صحيح. إذا تعطلت، فلن تعرف ذلك حتى النهاية.
طريقة FlowSteer: يضع "وكيل المهندس" ترسًا صغيرًا واحدًا (عنصر تشغيل) على منصة العمل. فورًا، تقوم منصة العمل بفحصه: "هل هذا الترس بالشكل الصحيح؟ هل يتناسب؟" إنها تقدم ملاحظات فورية. إذا كان الترس خاطئًا، يمكن للوكيل استبداله في تلك اللحظة. يحدث هذا لكل قطعة تُضاف.

2. "المهندس" مقابل "البنّاء" (الفريق)

يقسم النظام العمل إلى دورين متميزين لجعله أكثر ذكاءً:

المهندس (موجه التدفق - Flow-Director): هذا ذكاء اصطناعي أصغر وأخف وزنًا. وظيفته الوحيدة هي تحديد ما هي الأجزاء التي يجب وضعها في الآلة وكيفية توصيلها. هو لا يقوم بالعمل الشاق؛ بل يصمم المخطط فقط.
البنّاء (المنفذ - The Executor): هذا ذكاء اصطناعي قوي وعالي الأداء (مثل GPT-4o أو ما شابه). يأخذ المخطط الذي وضعه المهندس ويقوم بالفعل بالحسابات الرياضية، أو كتابة الكود، أو الإجابة على السؤال.
لماذا هذا مهم: يتعلم المهندس كيف يكون مصممًا بارعًا من خلال مراقبة نجاح أو فشل البنّاء. إذا واجه البنّاء صعوبة، يتعلم المهندس تغيير المخطط للمرة القادمة. لا يشترط أن يكونا بنفس الحجم؛ إذ يمكن لمهندس صغير أن يوجه بنّاءً عملاقًا.

3. "التحرير التدريجي المعزز" (التعلم من خلال الخطأ والصواب)

هذا هو "السر الخفي" لـ FlowSteer.

تخيل أنك تتعلم طبخ طبق معقد. بدلاً من تخمين الوصفة بأكملها دفعة واحدة، تضيف مكونًا واحدًا، ثم تتذوقه، ثم تعدله.
يقوم FlowSteer بذلك مع المنطق. يضيف المهندس خطوة واحدة (مثل "احسب هذا الرقم")، ثم تقوم اللوحة باختبارها، وتخبر المهندس: "هذه الخطوة تفتقر إلى عملية تحقق". فيقوم المهندس بإضافة خطوة "التحقق".
يستمر في فعل ذلك، بتعديل واحد صغير في كل مرة، باستخدام التعلم المعزز (Reinforcement Learning). فكر في الأمر كأنك تلعب لعبة فيديو حيث يحصل المهندس على "درجة" فقط عندما تعمل الآلة النهائية بشكل مثالي. عبر آلاف المحاولات، يتعلم المهندس بالضبط أي تسلسل من الخطوات يؤدي إلى درجة عالية.

4. النتائج (ما وجدته الورقة البحثية)

اختبر الباحثون هذا النظام على 12 "تحديًا" مختلفًا، تراوحت بين المسائل الرياضية الصعبة (مثل تلك الموجودة في مجموعة بيانات MATH) وكتابة كود برمجي والإجابة على أسئلة معقدة.

أفضل من المنافسين: تفوق FlowSteer على الطرق الأخرى التي تحاول بناء هذه الآلات دفعة واحدة أو تعتمد على البشر لإعدادها.
إصلاح الأخطاء أثناء العمل: نظرًا لأنه يفحص كل خطوة، فإنه يمكنه رصد الأخطاء مبكرًا. إذا كانت المسألة الرياضية تتطلب خطوة تحقق محددة، يتعلم FlowSteer إضافتها تلقائيًا.
المرونة: يعمل مع "بنائين" مختلفين (نماذج ذكاء اصطناعي مختلفة). يمكنك استبدال البنّاء القوي ببنّاء آخر، وسيظل المهندس يعرف كيفية تصميم الآلة له دون الحاجة إلى إعادة تدريبه.

ملخص

FlowSteer يشبه تعليم مهندس خبير تصميم آلات معقدة من خلال السماال ببنائها قطعة قطعة على منصة عمل ذكية تصرخ "خطأ!" أو "جيد!" بعد كل حركة. بدلاً من تخمين الخطة بأكملها دفعة واحدة، فإنه يتعلم من خلال سلسلة طويلة من الخطوات الصغيرة القابلة للتصحيح، مما ينتج عنه نظامًا أفضل بكثير في حل المشكلات المعقدة متعددة الخطوات مقارنة بالطرق السابقة.

ملخص تقني: FlowSteer

بيان المشكلة

تواجه عملية بناء سير العمل الوكيل (agentic workflows) — وهي عبارة عن رسوم بيانية قابلة للتنفيذ تنسق بين المشغلين لحل المهام البشرية المعقدة — ثلاثة قيود حرجة حاليًا:

البناء المعتمد على العنصر البشري: تعتمد سير العمل الحالية بشكل كبير على السحب والإفلات اليدوي، أو القوالب القائمة على القواعد، أو التلقين (prompting) لمرة واحدة لنماذج اللغات الكبيرة (LLMs). هذا النهج مكلف من حيث الصيانة ويفتقر إلى القابلية للتوسع عند الانتقال إلى مهام جديدة، أو مكتبات مشغلين، أو خلفيات نماذج مختلفة.
الافتقار إلى التغذية الراجعة لتنفيذ الرسم البياني: تعمل بيئات الوكيل الحالية عادةً على مستوى توليد النصوص أو استدعاء الأدوات الخارجية. إنها تفتقر إلى تجريد قابل للتنفيذ يوفر تغذية راجعة مهيكلة ومحققة لغويًا للرسم البياني لسير العمل نفسه، مما يمنع الوكلاء من تشخيص أو إصلاح الأخطاء الهيكلية أثناء عملية البناء.
عدم القدرة على إصلاح الأخطاء أثناء الحلقة (In-Loop): لا يمكن لطرق التوليد لمرة واحدة أو طرق البحث الخارجية إصلاح الأخطاء بشكل تكراري مع ظهورها عبر خطوات تحرير متعددة. يؤدي هذا إلى إشارات تعلم متفرقة، وسلوكيات مختصرة (مثل الإنهاء المبكر)، وتخصيص غير مستقر للمسؤولية (credit assignment) في المدى الطويل.

المنهجية: FlowSteer

يقترح FlowSteer نموذجًا جديدًا: الوكيل الذي يصمم سير عمل الوكيل (Agent Designing Agentic Workflows)، حيث يقوم وكيل واحد بتصميم سير العمل بالكامل من البداية إلى النهاية ليقوم منفذ لاحق بتشغيله. يتكون الإطار من ثلاثة مكونات أساسية:

1. لوحة سير العمل (Workflow Canvas)

بيئة حالة رسم بياني قابلة للتنفيذ ومبتكرة تحافظ على الرسم البياني لسير العمل ( $G_t$ ) وتوفر تغذية راجعة لتنفيذ التحقق من الصيغة لكل تعديل ذري.

فضاء الحالة: يتفاعل الوكيل مع لوحة تحتوي على الرسم البياني الحالي، ومكتبة مشغلين ( $O$ )، وخلفية نموذج لغة قابلة للاستبدال ( $M_{exec}$ )، وأوصاف المشغلين.
حلقة التفاعل: يصدر الوكيل تأملًا ( $a^{think}_t$ ) متبوعًا بإجراء تحرير ذري ( $a_t$ ). تقوم اللوحة بتنفيذ التعديل، وإجراء تحليل للصيغة والتحقق من القيود، ثم تعيد تغذية راجعة ( $o^{exec}_t$ ) تحتوي على حالة النجاح، وأسباب الفشل، واقتراحات الإصلاح.
المشغلون والإجراءات: يدعم النظام 12 مشغلًا وظيفيًا (مثل: التخطيط، التفكيك، المبرمج، التحقق، التنسيق) و8 أنواع من الإجراءات (إضافة، حذف، تعديل، ضبط المطالبة، التوازي، الشرط، الحلقة، الإنهاء). ومن الأهمية بمكان أن التفاعل يتبع آلية من خطوتين: فصل القرارات الهيكلية (إضافة مشغل) عن قرارات المحتوى (ضبط المطالبة)، مما يقلل من العبء المعرفي.

2. الفصل بين المصمم والمنفذ (Designer–Executor Decoupling)

يفصل FlowSteer صراحةً بين تصميم سير العمل وتنفيذه:

موجه التدفق (Flow-Director - المصمم): نموذج سياسة خفيف الوزن ( $\pi_\theta$ ) مسؤول فقط عن تصميم مسار سير العمل ( $\tau$ ). يتعلم استراتيجيات التنسيق (تكوين المشغلين والتحكم في التدفق) بدلاً من حل المهمة مباشرة.
المنفذ (Executor - الخلفية): نموذج لغة منفصل وقابل للاستبدال ( $M_{exec}$ ) ينفذ الرسم البياني النهائي لسير العمل ( $G_\tau$ ) لإنتاج الإجابة ( $y_q$ ).
القابلية للنقل: نظرًا لأن السياسة تحسن توزيع المسار $P(\tau|q)$ بدلاً من التنفيذ نفسه، فيمكنها التعميم عبر مختلف مكتبات المشغلين وخلفيات نماذج اللغات دون الحاجة لإعادة التدريب.

3. التحرير التدريجي المعزز للوحة (Reinforced Progressive Canvas Editing)

يستخدم الإطار التعلم المعزز (RL) لتدريب "موجه التدفق" من خلال حلقة تفاعل متعددة الخطوات:

البناء التدريجي: يتم بناء سير العمل بشكل تراكمي، مع إجراء تعديل ذري واحد في كل دورة. يؤدي هذا إلى تفكيك بناء المدى الطويل إلى قرارات محلية قابلة للتحقق والإصلاح.
تصميم المكافأة: تجمع مكافأة المسار $R(\tau)$ $R (τ)$ بين مكافأة هيكلية ومكافأة إجابة.
- المكافأة الهيكلية: تتحقق من التنوع (وجود التحقق، التنسيق، وهياكل التحكم).
- التحرير المشروط: لا يتم تحرير مكافأة الإجابة إلا إذا وصلت المكافأة الهيكلية إلى عتبة (1.0). يمنع هذا سلوكيات الاختصار حيث يتخطى الوكيل بناء سير العمل لإخراج الإجابة مباشرة.
التحسين: يتم تدريب السياسة من البداية إلى النهاية باستخدام هدف محسن (GRPO) معدل. والتعديل الرئيسي هو قناع مستوى الرمز (token-level mask) الذي يقيد تحديثات التدرج بالرموز التي تم توليدها بواسطة "موجه التدفق"، مستبعدًا رموز التغذية الراجعة للبيئة لتقليل التباين والانحياز.

المساهمات الرئيسية

لوحة سير العمل (Workflow Canvas): بيئة حالة رسم بياني قابلة للتنفيذ تنقل تفاعل الوكيل مع البيئة من إعادة كتابة المطالبات إلى عمليات على مستوى الرسم البياني، مما يوفر تغذية راجعة مهيكلة في الوقت الفعلي.
التحرير التدريجي المعزز للوحة: نموذج تدريب يُمكّن الوكيل من تصميم وإصلاح سير العمل بشكل تكراري داخل الحلقة، مما يعالج تحديات تخصيص المسؤولية في المدى الطويل واستعادة الأخطاء.
إطار عمل قابل للتشغيل والتبديل (Plug-and-Play): نظام يدعم مكتبات مشغلين متنوعة وخلفيات نماذج لغة قابلة للتبديل، مما يثبت أن استراتيجيات التنسيق يمكن تعلمها بشكل مستقل عن محركات التنفيذ المحددة.

النتائج التجريبية

تم تقييم FlowSteer على اثنتي عشرة مجموعة بيانات تغطي الاستدلال الرياضي (GSM8K, MATH, AIME)، والإجابة على الأسئلة (HotPotQA, SQuAD, TriviaQA)، وتوليد الكود (MBPP, HumanEval, APPS, DS-1000)، باستخدام ست خلفيات حديثة لنماذج اللغات الكبيرة.

الأداء: يتفوق FlowSte% بشكل كبير على النماذج المرجعية، بما في ذلك اختيار سير العمل الثابت، والتوليد غير المتصل (SFT, GRPO)، والطرق القائمة على البحث (AFlow)، وغيرها من نهج RL للوكلاء. يحقق مكاسب ثابتة في دقة المهام (على سبيل المثال، +22.65% في متوسط EM في اختبارات التوزيع الداخلي) وكفاءة التنسيق (استهلاك الرموز وعدد دورات التفاعل).
التعميم: أظهرت الطريقة قدرة قوية على التعميم خارج التوزيع (OOD)، حيث حافظت على تفوقها في عائلات المهام غير المرئية (مثل AIME 2025, DS-1000) دون ضبط دقيق للخلفية.
القابلية للنقل: نجحت سياسة "موجه التدفق" في الانتقال عبر خلفيات مختلفة لنماذج اللغات (من Qwen3-8B إلى GPT-4o-mini وغيرها)، مما يؤكد فصل استراتيجية التنسيق عن قدرة التنفيذ.
دراسات الاستئصال (Ablation Studies): يؤدي إزالة أي مكون أساسي (الوكيل، التفاعل متعدد الخطوات، اللوحة، أو RL) إلى تدهور الأداء. وتحديدًا، تعتبر تغذية اللوحة الراجعة أمرًا بالغ الأهمية لمهام الأسئلة والأجوبة، بينما يعد RL ضروريًا لمهام الرياضيات والكود. كما ثبت أن قناع مستوى الرمز وتحرير المكافأة المشروط حيويان لاستقرار التدريب ومنع الاختصارات.

الأهمية والادعاءات

يزعم البحث أن FlowSteer يضع حجر الأساس للجيل القادم من أنظمة "الوكيل الذي يصمم الوكيل". من خلال استبدال حلقات التصميم اليدوي بنموذج متعلم من البداية إلى النهاية، يتيح FlowSteer ما يلي:

بناء سير العمل المستقل: أنظمة يمكنها التكيف مع المهام والمجالات الجديدة دون تدخل بشري.
المتانة: القدرة على تشخيص وإصلاح الأخطاء الهيكلية أثناء البناء، مما يؤدي إلى موثوقية أعلى في المهام طويلة المدى.
القابلية للتوسع: بنية معيارية حيث يمكن تدريب سياسات التنسيق مرة واحدة ونشرها عبر مكتبات مشغلين وخلفيات نماذج متنوعة.

يضع المؤلفون هذا العمل كخطوة نحو أنظمة وكيلة ذاتية التشغيل قادرة على بناء خطوط تنفيذ خاصة بها، متجاوزةً القوالب الثابتة والتوليد لمرة واحدة نحو تنسيق ديناميكي مدفوع بالتغذية الراجعة.