LDP: An Identity-Aware Protocol for Multi-Agent LLM Systems
تقدم هذه الورقة بروتوكول مفوض النماذج اللغوية الكبيرة (LDP)، وهو إطار عمل للاتصال أصيل في الذكاء الاصطناعي يعزز كفاءة وحوكمة الأنظمة متعددة الوكلاء من خلال عرض هوية النموذج وملفات تعريف الاستدلال كعناصر أولية أساسية، مما أظهر انخفاضات ملحوظة في زمن الاستجابة واستهلاك الرموز (tokens) إلى جانب تحسين قدرات الأمان والاسترداد في التقييمات التجريبية.
تخيل أنك مدير لطاقم بناء عالي التقنية ومزدحم العمل. لديك مشروع معقد لبنائه، وتحتاج إلى توظيف متخصصين مختلفين للقيام بأجزاء مختلفة من المهمة: أحدهم لليّ الطوب، وآخر لتصميم المخططات، وثالث لتركيب السباكة.
في عالم الذكاء الاصطناعي الحالي، تُعد "البروتوكولات" (القواعد التي يستخدمها وكلاء الذكاء الاصطناعي للتحدث مع بعضهم البعض) مثل دليل هاتف بدائي للغاية. فهي تخبرك فقط بـ اسم العامل وقائمة من المهارات التي يدعي امتلاكها (مثل: "سباك"، "مهندس معماري").
المشكلة: إذا كنت بحاجة إلى إنجاز مهمة سريعة وبسيطة، فقد توظف بالخطأ مهندساً معمارياً مشهوراً عالمياً وباهظ الثمن يستغرق ساعات في التفكير في مسمار بسيط. وإذا كنت بحاجة إلى حل مشكلة معقدة، فقد توظف بالخطأ متدرباً سريعاً ورخيصاً لا يمكنه التعامل مع الضغط. النظام الحالي لا يعرف كيف يفكر العمال، أو مدى سرعتهم، أو تكلفة استئجارهم. إنه يشبه توظيف سائق فيراري ليدير جراراً زراعياً، أو سائق جرار ليتسابق في سيارة فورمولا 1.
الحل: LDP (بروتوكول الهوية الرقمية الذكي) يقدم هذا البحث نظاماً جديداً يسمى LDP (بروتوكول تفويض النماذج اللغوية الكبيرة). فكر في LDP كمنح كل وكيل ذكاء اصطناعي بطاقة هوية رقمية غنية تكشف عن شخصيته وقدراته الحقيقية، وليس فقط مسمى وظيفته.
إليك كيف يغير LDP قواعد اللعبة، باستخدام تشبيهات بسيطة:
1. "البطاقة التعريفية الغنية" (الوعي بالهوية)
الطريقة القديمة: البطاقة تقول فقط "أنا سباك".
طريقة LDP: البطاقة تقول: "أنا سباك. أنا سريع ورخيص في حالات التسريب البسيطة، لكني بطيء ومكلف في شبكات الأنابيب المعقدة. أنا بارع في الرياضيات لكنني سيء في الكتابة الإبداعية".
النتيجة: يمكن للمدير (الموجه/Router) مطابقة العامل المناسب للمهمة المناسبة على الفور.
فوز في العالم الحقيقي: بالنسبة للمهام السهلة، وجد LDP عاملاً "خفيف الوزن" وأنهى المهمة أسرع بـ 12 مرة من النظام القديم الذي كان يستمر في توظيف العمال "الثقال" دون داعٍ.
2. "المترجم العالمي" (تفاوض الحمولة)
الطريقة القديمة: يتحدث الجميع بفقرات طويلة ومملة. حتى بالنسبة لسؤال "نعم/لا" بسيط، يكتب الذكاء الاصطناعي مقالاً من ثلاث صفحات. هذا يهدر الوقت والمال (التوكنز/Tokens).
طريقة LDP: يمكن للوكلاء التفاوض على أفضل طريقة للتحدث. إذا اتفقوا، ينتقلون إلى "لغة مختصرة" (مثل نموذج منظم) مما يقلل من الحشو.
النتيجة: لقد قللوا من كمية "الكلام" (التوكنز) بنسبة 37% دون فقدان أي جودة. الأمر يشبه الانتقال من كتابة رواية إلى إرسال رسالة نصية دقيقة.
3. "غرفة الاجتماعات المستمرة" (الجلسات المحكومة)
الطريقة القديمة: في كل مرة تطرح فيها سؤالاً، يتعين على الوكيل إعادة قراءة تاريخ المحادثة بالكامل من البداية. الأمر يشبه دخول غرفة اجتماع، والتعريف بنفسك، ثم قراءة آخر 100 صفحة من الملاحظات بصوت عالٍ قبل أن تتمكن من قول أي شيء جديد.
طريقة LDP: ينشئ LDP "غرفة مستمرة". بمجرد دخولك، يتذكر الوكيل السياق. يمكنك فقط قول "إليك الخطوة التالية"، وهو سيعرف بالضبط ما تتحدث عنه.
النتيجة: في المحادثات الطويلة (أكثر من 10 جولات)، أضاع النظام القديم 39% من جهده في تكرار نفسه فقط. قضى LDP على هذا الهدر.
4. "شارة الثقة" (الإثبات والتحقق)
الطريقة القديمة: يقول الوكيل: "أنا متأكد بنسبة 99% أن هذا صحيح!" ولكن ليس لديك طريقة للتحقق مما إذا كان يكذب أم أنه مجرد يخمن.
طريقة LDP: تتضمن بطاقة الهوية "شارة ثقة". تقول: "أنا متأكد بنسبة 99%، وقد تحققت من هذه الحقيقة مرتين".
المفاجأة: وجدت الدراسة أنه إذا ادعى الوكيل الثقة ولكنه لم يتحقق فعلياً من الحقائق ("المنشأ المشوش/Noisy Provenance")، فإن ذلك يجعل النتيجة النهائية أسوأ مما لو لم يقل شيئاً على الإطلاق. من الأفضل ألا يكون لديك رأي على أن يكون لديك رأي واثق خاطئ. يجبر LDP الوكلاء على إثبات ثقتهم.
5. "حارس الأمن" (نطاقات الثقة)
الطالطريقة القديمة: الأمن يشبه بطاقة دخول بسيطة. إذا كنت تملك البطاقة، تدخل. هي لا تتحقق مما إذا كنت تحاول التسلل إلى مكتب الرئيس التنفيذي أو إذا كنت جاسوساً.
طريقة LDP: لدى LDP حارس أمن ذكي يتحقق من هويتك، ومستوى تصريحك، ومهمتك المحددة.
النتيجة: في الهجمات المحاكية، كشف LDP عن 96% من الجهات السيئة التي حاولت التسلل أو تصعيد سلطتها، بينما كشف النظام القديم 6% فقط.
6. "شبكة الأمان" (سلاسل التراجع/Fallback)
الطريقة القديمة: إذا حاول الوكيل التحدث بشفرة معقدة ولم يفهمها الوكيل الآخر، تنهار المحادثة وتفشل بالكامل.
طريقة LDP: إذا فشلت الشفرة المعقدة، ينتقل الوكلاء تلقائياً إلى لغة أبسط (مثل النص العادي) ويواصلون العمل.
النتيجة: تعافى LDP من حالات الفشل بنسبة 100% من المرات، بينما فشل النظام القديم بنسبة 65% من المرات.
الخلاصة
يجادل البحث بأننا بحاجة إلى التوقف عن معاملة وكلاء الذكاء الاصطناعي كصناديق سوداء "تقوم بالأشياء" فحسب. بدلاً من ذلك، يجب معاملتهم كـ أدوات متخصصة ذات خصائص معروفة.
هل جعل الإجابات أذكى؟ ليس بالضرورة. في هذا الاختبار الصغير، كانت جودة الإجابات متساوية تقريباً.
هل جعل الأشياء أسرع، أرخص، وأكثر أماناً؟نعم، بالتأكيد. لقد وفر كميات هائلة من الوقت والمال، وقلل الأخطاء، وجعل النظام أصعب بكثير في الاختراق.
باختاًصر: LDP هو الفرق بين توظيف فريق من العمال بناءً على صورة ضبابية ومسماهم الوظيفي، وبين توظيفهم بناءً على سيرة ذاتية مفصلة، وعرض حي لمهاراتهم، وفحص خلفية موثق. إنه يجعل فريق الذكاء الاصطناعي بأكمله يعمل معاً بكفاءة أكبر بكثير.
ملخص تقني لورقة بحثية بعنوان: "LDP: بروتوكول مدرك للهوية لأنظمة النماذج اللغوية الكبيرة متعددة الوكلاء"
1. بيان المشكلة
مع ازدياد تعقيد أنظمة الذكاء الاصطناعي متعددة الوكلاء، أصبحت بروتوكولات الاتصال الحالية (مثل A2A من جوجل وMCP من Anthropic) تقيد قدرات النظام بشكل متزايد. تتعامل هذه البروتوكولات مع الوكلاء كخدمات غامضة، حيث تُعرفهم فقط بالأسماء، والأوصاف، وقوائم المهارات. وهي تفتقر إلى النماذج الأولية الأصلية للذكاء الاصطناński (AI-native primitives) التي تكشف عن خصائص النموذج الجوهرية الضرورية للتفويض الفعال، مثل:
هوية النموذج: العائلة، عدد المعلمات (parameters)، وملفات الاستدلال.
معايرة الجودة: درجات الثقة وحالة التحقق.
خصائص التكلفة: زمن الاستجابة (latency) وأنماط استهلاك الرموز (tokens).
الحوكمة: استمرارية الجلسة، حدود الثقة، وتتبع المصدر (provenance).
هذا "الغموض" يجبر الموجهات (routers) على اتخاذ قرارات التفويض بناءً على معلومات غير كاملة، مما يؤدي إلى توجيه غير مثالي (على سبيل المثال: استخدام نماذج ثقيلة ومكلفة لمهام بسيطة)، واتصالات غير فعالة (استهلاك مفرط للرموز)، ونقص في الأمان أو القابلية للتدقيق في التفاعلات متعددة الجولات.
2. المنهجية
يقترح المؤلفون ويقيمون بروتوكول تفويض النماذج اللغوية الكبيرة (LDP)، وهو بروتوكول اتصال أصيل للذكاء الاصطناعي مصمم لإظهار خصائص النماذج كعناصر أولية أساسية.
أ. تصميم البروتوكول (LDP) يقدم LDP خمس آليات أساسية:
أنماط الحمولة التدريجية: يحدد ستة أنماط للحمولة تتراوح من النص الخام (النمط 0) إلى الأطر الدلالية المضغوطة (النمط 1) والكبسولات الكامنة (النمط 4-5). ويتضمن آليات للتفاوض التلقائي والرجوع للحالة السابقة (مثل الرجوع من JSON المهيكل إلى النص في حال فشل التحقق).
الجلسات المحكومة: يستبدل طلب/استجابة عديم الحالة (stateless) بجلسات مستمرة ومتفاوض عليها تحافظ على السياق في جانب الخادم، مما يلغي الحاجة لإعادة إرسال تاريخ المحادثة.
المصدر المهيكل: تتضمن كل نتيجة مهمة بيانات وصفية تتعلق بالنموذذ المصدر، ودرجات الثقة، وحالة التحقق.
نطاقات الثقة: تفرض حدودًا أمنية على مستوى البروتوكول، وتتحقق من تصعيد القدرات، وهجمات إعادة التشغيل (replay attacks)، والامتثال للولاية القضائية.
ب. التنفيذ
وقت التشغيل: تم تنفيذه كإضافة (plugin adapter) لبيئة تشغيل الوكلاء JAMJET (المبنية بلغة Rust).
التوافق التشغيلي: يتم تسجيله جنبًا إلى جنب مع بروتوكولات A2A وMCP دون تعديل النواة الأساسية للنظام المضيف.
النماذج: يستخدم نماذج Ollama محلية (Qwen, Llama, Gemma) للوكلاء، ونموذج Google Gemini 2.5 Flash كنموذج ذكاء اصطناعي للتقييم (LLM-as-Judge).
ج. الإعداد التجريبي تدرس الدراسة بروتوكول LDP مقابل A2A (الذي يعتمد على مطابقة المهارات فقط) ومع خط أساس عشوائي (Random) عبر ستة أسئلة بحثية (RQs):
RQ1: جودة التوجيه مقابل مطابقة المهارات.
RQ2: كفاءة الحمولة (الأطر الدلالية مقابل النص).
RQ3: قيمة المصدر المهيكل في عملية التركيب (synthesis).
RQ4: كفاءة الجلسة (المحكومة مقابل عديمة الحالة).
RQ5 وRQ6: فرض حدود الأمان المحاكات وكفاءة الرجوع للحالة السابقة (fallback).
3. المساهمات الرئيسية
مواصفات البروتوكول: تصميم شامل لبطاقات الهوية الأصلية للذكاء الاصطناعي، والتفاوض التدريجي للحمولة، والجلسات المحكومة، ونطاقات الثقة.
التنفيذ المرجعي: إضافة عاملة لبيئة تشغيل JAMJET توضح التكامل دون الحاجة لتعديل النظام.
الأدلة التجريبية: بيانات أولية تظهر أنه بينما قد لا تتحسن الجودة الإجمالية دائمًا، إلا أن كفاءة زمن الاستجابة وتكاليف الاتصال تنخفض بشكل كبير من خلال التوجيه المدرك للبيانات الوصفية والحمولات المهيكلة.
رؤية نقدية حول المصدر (Provenance): اكتشاف أن بيانات الثقة غير المتحقق منها قد تكون ضارة، مما يستلزم وجود حقول تحقق مهيكلة.
4. النتائج الرئيسية
التوجيه وزمن الاستجابة (RQ1)
الجودة: في مجموعة صغيرة (3 وكلاء)، لم يحقق LDP تحسنًا ملحوظًا في جودة المخرجات الإجمالية مقارنة بـ A2A أو الاختيار العشوائي (LDP: 6.80 مقابل A2A: 7.43؛ p > 0.05).
زمن الاستجابة: حقق LDP انخفاضًا بنسبة ~12 ضعفًا في زمن الاستجابة للمهام السهلة (2.9 ثانية مقابل 34.8 ثانية) عن طريق توجيهها إلى نماذج خفيفة (3 مليار معلمة) بدلاً من النماذج الثقيلة. وهذا يوضح قيمة التوجيه المدرك للتخصص.
كفاءة الحمولة (RQ2)
تقليل الرموز (Tokens): أدى استخدام الأطر الدلالية (النمط 1) إلى تقليل عدد الرموز بنسبة 37% مقارنة بالنص الخام وبنسبة 32% مقارنة بـ A2A JSON.
الجودة: لم يتم ملاحظة أي فقدان في الجودة (p=0.96)، مما يشير إلى أن المطالبات (prompts) المهيكلة تساعد النماذج على التركيز دون فقدان المعلومات.
زمن الاستجابة: كان زمن الاستجداء أسرع بنسبة 42% بسبب تقليل نقل الرموز.
كفاءة الجلسة (RQ4)
العبء الإضافي (Overhead): في المحادثات متعددة الجولات (10 جولات)، تسبب استدعاء A2A عديم الحالة المتكرر في عبء إضافي بنسبة 39% في الرموز (إعادة إرسال السياق). أما جلسات LDP المحكومة فقد ألغت هذا العبء تمامًا.
المصدر والثقة (RQ3, RQ5, RQ6)
مفارقة المصدر (The Provenance Paradox): قدم المصدر الدقيق مكاسب طفيفة فقط في الجودة، لكن المصدر المشوش (غير المتحقق منه) أدى إلى تدهور كبير في جودة القرار (6.85 مقابل 7.85 للخط الأساسي). وهذا يجادل بأن بيانات الثقة تكون ضارة بدون تحقق.
الأمان: أظهر التحليل المحاكى أن نطاقات ثقة LDP اكتشفت 96% من محاولات التفويض غير المصرح بها (مقابل 6% لـ A2A).
الموثوقية: حققت سلسلة الرجوع للحالة السابقة (fallback chain) في LDP نسبة إكمال مهام بنسبة 100% في ظروف الفشل، بينما أكمل A2B (الذي لا يملك خاصية الرجوع) 35% فقط.
5. الأهمية والآثار المترتبة
التحول نحو البروتوكولات الأصلية للذكاء الاصطناński: تجادل الورقة بأن البروتوكولات يجب أن تتطور من واجهات خدمات عامة إلى أنظمة تفهم الطبيعة غير المتجانسة لنماذج الذكاء الاصطناعي (التكلفة، القدرة، الهوية).
الكفاءة عند التوسع: بينما كانت مكاسب الجودة متواضعة في المجموعات الصغيرة، فإن تقليل الرموز بنسبة 37% وتوفير زمن الاستجابة يتضاعفان بشكل كبير في الأنظمة الضخمة للإنتاج، مما يوفر فوائد مباشرة في التكلفة والسرعة.
الحوكمة بالتصميم: يثبت LDP أن الأمان (نطاقات الثقة) والموثوقية (سلاسل الرجوع للحالة السابقة) لا يمكن إضافتهما لاحقًا بفعالية للبروتوكولات عديمة الحالة؛ بل يجب بناؤهما داخل طبقة البروتوكول.
الحذر بشأن البيانات الوصفية: توفر نتيجة أن "المصدر المشوش أسوأ من عدم وجود مصدر" درسًا تصميميًا حاسمًا: أي بروتوكول يكشف عن مقاييس الثقة أو الجودة يجب أن يتضمن آليات تحقق صارمة لمنع الهلوسة أو التضليل.
ختامًا، يمثل LDP خطوة تأسيسية نحو التعامل مع وكلاء الذكاء الاصطناعي ككيانات قابلة للقياس وغير متجانسة بدلاً من كونهم خدمات غامضة، مما يتيح أنظمة متعددة الوكلاء أكثر كفاءة وأمانًا وقابلية للحوكمة.