💬 NLP

Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs

تقدم الورقة البحثية إطار عمل LATTE، الذي ينسق فرق نماذج اللغات الكبيرة من خلال رسم بياني للمهام مشترك ومتطور لموازنة الاتساق الهيكلي مع القدرة على التكيف ديناميكيًا، مما يقلل من استهلاك الموارد وإخفاقات التنسيق مع الحفاظ على الدقة أو تحسينها مقارنة بالنهج الاستاتيكية أو غير المهيكلة القائمة.

المؤلفون الأصليون: Elizabeth Mieczkowski, Alexander Ku, Tiwalayo Eisape, Dilip Arumugam, John Matters, Katherine M. Collins, Ilia Sucholutsky, Thomas L. Griffiths

نُشر 2026-05-08

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Elizabeth Mieczkowski, Alexander Ku, Tiwalayo Eisape, Dilip Arumugam, John Matters, Katherine M. Collins, Ilia Sucholutsky, Thomas L. Griffiths

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 أن لديك فريقًا من الروبوتات الذكية للغاية، ولكنها فوضوية بعض الشيء، تحاول بناء آلة معقدة معًا. بعض الروبوتات بارعة في التخطيط، والبعض الآخر في البناء، وبعضها في فحص العمل. المشكلة هي: كيف تجعلهم يعملون معًا دون أن يعيقوا بعضهم البعض، أو يهدروا الوقت، أو يبنوا أجزاءً خاطئة؟

تقدم هذه الورقة البحثية طريقة جديدة لتنظيم فرق الروبوتات هذه تسمى LATTE (فرق الوكلاء اللغويين لتطور المهام - Language Agent Teams for Task Evolution).

المشكلة: طرفا نقيضان سيئان

يقول المؤلفون إن الطرق الحالية لتنظيم فرق الذكاء الاصطعي تقع في فخين:

المصنع الجامد: تخيل خط تجميع صارم حيث يكون لكل روبوت وظيفة ثابتة وترتيب ثابت. الروبوت (أ) يجب أن يقوم بالخطوة 1، ثم الروبوت (ب) يجب أن يقوم بالخطوة 2.
- المشكلة: إذا ارتكب الروبوت (أ) خطأً أو إذا تغيرت التعليمات في منتصف الطريق، فإن الخط بأكمله يتعطل. لا يمكن للروبوتات التكيف. إذا كان الروبوت (أ) بطيئًا، ينتظر الجميع.
الغرب المتوحش: تخيل مجموعة من الروبوتات في غرفة بلا قواعد. جميعهم يصرخون بالأفكار ويبدأون في بناء أي شيء يريدونه.
- المشكلة: ينتهي بهم الأمر بالقتال على نفس الأدوات، أو بناء الجزء نفسه مرتين، أو الكتابة فوق عمل بعضهم البعض. هذا أمر فوضوي ويهدر الكثير من الطاقة.

الحل: خريطة حية (الرسم البياني للمهام التكيفي)

يحل LATTE هذه المشكلة من خلال منح الفريق خريطة مشتركة وحية (تسمى "الرسم البياني للتنسيق الديناميكي"). فكر في هذه الخريطة كأنها سبورة بيضاء يمكن للفريق بأكمله رؤيتها وتحديثها في الوقت الفعلي.

إليك كيف يعمل ذلك باستخدام تشبيه بسيط:

الفريق: لديك قائد (مدير المشروع) وعدة عمال (البناؤون).
الخريطة: بدلاً من قائمة مهام ثابتة، تعرض الخريطة المهام كنقاط متصلة بخطوط.
- النقاط (العُقد): هي وظائف صغيرة (مثل "إصلاح الكود"، "تحليل البيانات").
- الخطوط (الحواف): توضح التبعيات (مثل "لا يمكنك طلاء الجدار حتى يتم إصلاح الجدار الجاف").
- الجبهة (The Frontier): هي حافة الخريطة حيث توجد جميع الوظائف "الجاهزة للانطلاق".

كيف يدير LATTE العرض

يكمن سحر LATTE في كيفية تفاعل الفريق مع هذه الخريطة:

القائد يرسم الخريطة: في البداية، ينظر القائد إلى الهدف الكبير ويرسم الخريطة الأولية.
العمال يستحوذون على الوظائف: بدلاً من انتظار القائد ليعطيهم كل مهمة، إذا أنهى عاملٌ وظيفته ورأى مكانًا "جاهزًا" فارغًا على الخريطة، يمكنه الاستحواذ عليه بنفسه. هذا يشبه قول العامل: "أنا متفرغ، سآخذ تلك الوظيفة التالية"، بدلاً من انتظار المدير ليخبره بما يجب فعله.
اكتشاف وظائف جديدة: بينما يؤدي العمال وظائفهم، قد يدركون: "أوه، أحتاج للقيام بهذا الشيء الآخر أولاً لم نكن قد فكرنا فيه". يمكنهم إضافة نقطة جديدة إلى الخريطة فورًا.
القائد كشبكة أمان: يراقب القائد الخريطة. إذا علق أحد العمال (مثل روبوت يدور حول نفسه دون جدوى)، يمكن للقائد تحرير تلك الوظيفة وإعطائها لشخص آخر. إذا بدت وظيفة ما محفوفة بالمخاطر، يمكن للقائد إضافة خطوة "تحقق" لمراجعة العمل.

لماذا هذا أفضل (النتائج)

اختبر المؤلفون LATTE مقابل أسلوبي "المصنع الجامد" و"الغرب المتوحش" في مهام مثل تصحيح الأخطاء البرمجية (debugging)، وتحليل البيانات، وبناء مكتبات البرمجيات.

هدر أقل: لأن الخريطة تمنع اثنين من العمال من محاولة إصلاح نفس الملف في نفس الوقت، فقد أهدروا وقتًا وطاقة حوسبة (tokens) أقل بكثير.
أسرع: من خلال السماح للعمال بالاستحواذ على الوظائف بمجرد جاهزيتها (بدلاً من الانتظار حتى يأمرهم المدير)، أنهى الفريق المهام بشكل أسرع بكثير.
أذكى: استطاع الفريق التكيف عندما تسوء الأمور. إذا فشلت خطة ما، يمكنهم إعادة رسم الخريطة على الطاير.
جودة أفضل: حقق الفريق أخطاء أقل وأنتج نتائج أكثر دقة مقارنة بالطرق الأخرى.

الخلاصة الكبرى

تجادل الورقة البحثية بأنك لست بحاجة إلى رئيس صارم يتحكم في كل حركة، ولا تحتاج إلى ترك الجميع يعملون بعشوائية. النقطة المثالية هي خطة مشتركة ومتطورة يبنيها الفريق معًا.

فكر في الأمر كمجموعة من المتنزهين الذين يتنقلون في جبل.

الأسلوب الجامد: شخص واحد يحمل خريطة ويقول: "خطوة لليسار، ثم يمين، ثم يسار". إذا اصطدموا بصخرة، يتوقف الجميع.
الأسلوب العشوائي: الجميع يركض في اتجاهات مختلفة، يصرخون، وفي النهاية يفقدون بعضهم البعض.
أسلوب LATTE: لديهم خريطة GPS مشتركة. يحدّث القائد المسار، ولكن إذا رأى أحد المتنزهين مسارًا أفضل أو طريقًا مسدودًا، يمكنه تحديث الخريطة للجميع. إذا علق شخص ما، يمكن للمجموعة تغيير مسارها بسرعة. الجميع يعرف إلى أين يتجهون، لكن يمكنهم التكيف مع التضاريس أثناء تقدمهم.

النتيجة هي فريق فعال، لا يهدر الموارد، ويمكنه التعامل مع المشكلات المعقدة والمتغيرة بشكل أفضل بكثير من ذي قبل.

ملخص تقني: تحسين كفاءة فرق الوكلاء اللغويين باستخدام مخططات المهام التكيفية

بيان المشكلة

يتم نشر فرق النماذج اللغوية الكبيرة (LLM) بشكل متزايد لحل مهام تعاونية معقدة، ومع ذلك تواجه بنيات التنسيق الحالية توتراً جوهرياً بين الهيكلية والقدرة على التكيف. تعتمد النهج الحالية عادةً على أحد طرفي النقيض:

الأنظمة عالية الهيكلية: تعتمد أطر العمل مثل MetaGPT أو تسلسلات القائد-العامل (Leader-Worker) على أدوار ثابتة، أو مسارات عمل محددة مسبقاً، أو تقسيمات مهام ثابتة يتم تعيينها مسبقاً. وبينما تضمن هذه الأنظمة الاتساق، إلا أنها تفتقر إلى المرونة اللاحة للتكيف عندما تظهر تبعيات جديدة، أو تتغير أعباء العمل، أو تفشل الوكلاء. وغالباً ما تعاني من الاختناقات، ونقاط الفشل المركزية (مثل هلوسات القائد)، وعدم الكفاءة عندما تكون الخطة الأولية غير مثالية.
الأنظمة غير الهيكلية/اللامركزية بالكامل: تسمح هذه الأنظمة للوكلاء بالعمل باستقلالية، مما يعزز القدرة على التكيف. ومع ذلك، فإنها غالباً ما تعاني من انتشار الأخطاء، والنزاعات بين الوكلاء (مثل الكتابة فوق الملفات)، والمخرجات المكررة، وتكاليف التواصل التي تزداد بشكل فائق الخطية. وبدون وجود هيكل تنسيقي، قد يقوم الوكلاء بالكتابة فوق أعمال بعضهم البعض أو يفشلون في اكتشاف متى تم انتهاك التبعيات التسلسلية.

التحدي الجوهري يكمن في تصميم آلية تنسيق تحافظ على الاتساق العالمي والكفاءة مع الحفاظ على القدرة على التكيف الديناميكي والحساس للسياق المتأصل في النماذج اللغوية الكبيرة.

المنهجية: إطار عمل LATTE

يقترح المؤلفون LATTE (فرق الوكلاء اللغويين لتطور المهام)، وهو إطار عمل تنسيقي رسمي مستوحى من بروتوكولات الأنظمة الموزعة. يُمكّن LATTE فريقاً من الوكلاء من بناء وصيانة وتكييف مخطط تنسيق ديناميكي مشترك بشكل تعاوني أثناء التنفيذ.

البنية الأساسية

أدوار الوكلاء: يتكون الفريق من قائد ( $\ell$ $ℓ$ ) ومجموعة من العمال ( $W$ $W$ ).
- القائد يحافظ على الرؤية الشاملة لمخطط التنسيق ويتحكم في العمليات ذات العواقب على مستوى المخطط بأكمله (مثل تعيين المهام، والتحقق من المخرجات، وتحرير المهام المتوقفة).
- العمال ينفذون المهام الفرعية المعينة ويمتلكون رؤية محلية. يمكنهم اقتراح تغييرات هيكلية (مثل اكتشاف مهام فرعية جديدة) والمطالبة بالعمل المتاح.
مخطط التنسيق الدينámico ( $G_t$ ): هو رسم بياني موجه غير حلقي (DAG) حيث:
- العقد تمثل المهام الفرعية.
- الحواف تشفر قيود التبعية (لا يمكن بدء عقدة حتى تكتمل العقد السابقة لها).
- الحالة ( $\lambda_t$ ): يتم تخصيص وكيل وحالة لكل عقدة من المجموعة $\{pending, assigned, in\_progress, done, verified\}$ (قيد الانتظار، مُعين، قيد التنفيذ، مكتمل، تم التحقق منه).
- الجبهة ( $F_t$ ): هي مجموعة العقد قيد الانتظار التي ليس لها تبعيات غير مستوفاة. وتمثل هذه المهام المتاحة للتنفيذ المتوازي الفوري.

معاملات تعديل المخطط

يحدد LATTE مجموعة من المعاملات الصريحة مع شروط مسبقة وشروط لاحقة لتعديل المخطط، مما يضمن الحفاظ على ثبات الرسم البيال موجه غير الحلقي (DAG):

الاكتشاف (DISCOVER): يضيف عقدة جديدة قيد الانتظار (مهمة فرعية) مع تبعيات محددة. يمكن استدعاؤه من قبل القائد أو العمال.
التعيين (ASSIGN): يقوم القائد بتعيين عقدة قيد الانتظار لعامل محدد.
المطالبة (CLAIM): يقوم العامل بالمطالبة بنود من الجبهة ( $F_t$ ) بشكل استباقي إذا كان في حالة خمول، محاكياً بذلك آلية "سرقة العمل" (work-stealing) لتقليل الأعباء.
الإكمال (COMPLETE): يقوم العامل بتحديد المهمة المعينة له كمنتهية.
التحرير (RELEASE): يقوم القائد بإعادة تعيين مهمة متوقفة (تم اكتشافها عبر مراقبة نبضات القلب) إلى حالة الانتظار.
الإغلاق (CLOSE): يجبر القائد عقدة على الاكتمال دون انتظار إشارة العامل (يُستخدم عندما تجتاز الاختبارات ولكن الوكيل عالق).
التحقق (VERIFY): يقوم القائد بإنشاء عقدة تحقق للمخرجات عالية المخاطر، مما يستوجب المراجعة قبل تقدم المهام اللاحقة.

بروتوكول التنفيذ

يسير التنفيذ في جولات:

التخطيط: يقوم القائد بتهيئة $G_0$ عبر تقسيم المهمة.
المراقبة: تحدد فحوصات نبضات القلب (Heartbeat) الوكلاء المتأخرين (الوكلاء غير النشطين لعدد $H$ من الجولات).
التوزيع: يطالب العمال الخاملون بالمهام من $F_t$ ؛ ويقوم القائد بتعيين المهام المتبقية.
التنفيذ المتوازي: ينفذ الوكلاء المختارون مهامهم الفرعية.
تحديث المخطط: يقترح الوكلاء تعديلات (DISCOVER, COMPLETE, CLAIM)، والتي يتم تسلسلها ودمجها بواسطة القائد لتحديث $G_t$ .

يوازن هذا النموذج الهجين بين الاتساق (عبر تسلسل التحديثات بواسطة القائد) والقدرة على التكيف (عبر قدرة العمال على اكتشاف المهام والمطالبة بالعمل).

المساهمات الرئيسية

إطار عمل تنسيقي رسمي: يقدم LATTE بروتوكول تنفيذ صارم باستخدام مخططات مهام ديناميكية مع معاملات تعديل صريحة للمخطط. هذا الهيكل يستحث خصائص مرغوبة وقت التشغيل، مثل التوازي الأقصى عبر عقد الجبهة.
نموذج هجين مركزي-لامركزي: يستخدم إطار العمل نموذجاً من مستويين حيث يقترح العمال تعديلات هيكلية ويقوم القائد بتقييمها. هذا النموذج يستند إلى حساب احتمالي لتقسيم المهام (مشابه لأخذ عينات Metropolis-Hastings)، مما يوازن بين التكيف المحلي والاتساق العالمي.
القابلية للتفسير والتدقيق: من خلال إخراج قرارات التنسيق إلى مخطط متطور، يجعل LATTE سلوك الفريق قابلاً للملاحظة. قدم المؤلفون مجموعة من مقاييس التنسيق (معدل الكتابة فوق البيانات، النزاعات المتزامنة، الحروف الضائعة، جولات الخمول، زمن وصول المتأخرين) لتقييم أنظمة الوكلاء المتعددين بما يتجاوز مجرد الدقة.
التحقق التجريبي: تُظهر التجارب المكثفة تفوق LATTE على الأطر الحالية في الكفاءة والدقة مقارنة بـ (MetaGPT، وLeader-Worker، والأنظمة اللامركزية، ونسخة الاستئصال للمخطط الثابت).

النتائج التجريبية

قيم المؤلفون LATTE مقابل أربعة نماذج أساسية (MetaGPT، وLeader-Worker، واللامركزي، ونسخة الاستئصال للمخطط الثابت) عبر ثلاث مهام: تحليل البيانات الاستكشافي، وتصحيح الأخطاء (Debugging)، وتوسيع المكتبات، باستخدام Claude Sonnet 4-6 وGPT-5.2.

الكفاءة: حقق LATTE متوسط تكلفة رموز (Tokens) بنسبة 47.5% مقارنة بأفضل طريقة تالية (المخطط الثابت)، مما قلل استخدام الرموز بمقدار النصف تقريباً. كما قلل من وقت التنفيذ الفعلي بشكل كبير مقارنة بنماذج Leader-Worker وMetaGPT.
الدقة: حقق LATTE أعلى دقة إجمالية للمهام (79.7%)، متفوقاً على المخططات الثابتة (57.6%)، والمسارات الثابتة (33.9%)، والفرق اللامركزية (73.9%).
جودة التنسيق:
- النزاعات: قلل LATTE من عمليات الكتابة فوق البيانات من قبل الوكلاء بمقدار 5.3 ضعف مقارنة بـ Leader-Worker و8.2 ضعف مقارنة بالفرق اللامركزية.
- المخرجات الضائعة: انخفضت الحروف المستبعدة من ~45 ألف (في Leader-Worker) إلى ~5 آلاف لكل تجربة.
- التواصل: أرسل وكلاء LATE رسائل أقل (20.4 مقابل 31.4–34.8) وتبادلوا محتوى أكثر إيجازاً.
- المتأخرون (Stragglers): سمحت آلية نبضات القلب لـ LATTE بالتعافي من الوكلاء المتوقفين، مما قلل من زمن إكمال العقد في المئوية الـ 95 بمقدار 2.3 ضعف مقارنة بالأنظمة الثابتة.
التكيف الدينماكي: أظهر التحليل أن فرق LATTE استخدمت بنشاط كامل نطاق معاملات المخطط، حيث كان "الاكتشاف" (Discover) هو الأكثر تكراراً، مما يؤكد أن الفرق وسعت مخططات التنسيق الخاصة بها مع ظهور متطلبات جديدة أثناء التنفيذ.

الأهمية والادعاءات

يجادل البحث بأن هياكل التنسيق الصريحة التي يديرها الوكلاء أنفسهم هي مسار قابل للتطبيق نحو فرق LLM تكون في الوقت نفسه أكثر كفاءة، وقابلية للتفسير، وقدرة على التكيف.

تحول في النموذج: يتحدى LATTE الافتراض بأن هياكل التنسيق يجب أن تفرضها بنية النظام مسبقاً. بدلاً من ذلك، يثبت أنه السماح للوكلاء بصيانة ومراجعة هيكل التنسيق الخاص بهم عبر الإنترنت يُمكّن الفرق من التكيف مع الأدلة المتراكمة أثناء التنفيذ.
خفض التكاليف: من خلال تقليل استهلاك الرموز، ووقت التنفيذ، والتواصل غير الضروري، يقلل LATE مباشرة من التكاليف الحسابية والمالية المرتبطة بفرق LLM.
المتانة: يوفر إطار العمل آليات للتعامل مع الأخطاء (التعافي من المتأخرين) وضبط الجودة (التحقق الانتقائي) التي تظهر بشكل طبيعي من بروتوكول التنسيق بدلاً من كونها مبرمجة مسبقاً.

يشير المؤلفون إلى وجود قيود، بما في ذلك عبء التخطيط للمهام البسيطة، والتركيز الحالي على المجالات ذات حدود المهام الطبيعية (مثل البرمجة)، وحجم الفريق الثابت المستخدم في الاختبارات. ويقترحون أن العمل المستقبلي يمكن أن يستكشف توسيع المعاملات لتشمل مهام الاستدلال الأقل هيكلية وتطبيق التعلم المعزز لتحسين بناء المخطط وبروتوكولات التنسيق.