TCP-MCP: Landscape-Guided Co-Evolution of Prompts and Communication Topologies for Multi-Agent Systems
تقدم الورقة البحثية TCP-MCP، وهو إطار عمل للتطور المشترك يعمل على تحسين مطالبات الوكلاء وطوبولوجيا الاتصال بشكل مشترك لتحقيق دقة عالية في الاختبارات المعيارية المعقدة مع تقليل تكاليف الرموز (tokens) بشكل كبير مقارنة بالأنظمة متعددة الوكلاء الحالية.
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 حل لغز صعب للغاية، مثل مسألة رياضية معقدة أو أحجية مخادعة. لديك فريق من "الوكلاء" الذكيين (برامج كمبيوتر ذكية) لمساعدتك.
في الماضي، حاول الباحثون حل مشكلتين بشكل منفصل:
- التعليمات (المطالبات - Prompts): كتابة كتاب قواعد مثالي لكل وكيل حول كيفية التفكير.
- هيكل الفريق (الطوبولوجيا - Topology): تحديد من يتحدث إلى من، وبالترظر الذي يتم به ذلك.
أدرك مؤلفو هذه الورقة البحثية، TCP-MCP، أن القيام بهذين الأمرين بشكل منفصل يشبه محاولة تصميم محرك سيارة دون معرفة شكل الهيكل، أو العكس. إذا أعطيت تعليمات بارعة لوكيل ما، ولكن هذا الوكيل عالق في هيكل فريق لا يحصل فيه أبداً على المعلومات الصحيحة، فسوف يفشل. وعلى العكس، فإن هيكل الفريق المثالي سيكون بلا فائدة إذا لم تكن الوكلاء يعرفون ماذا يفعلون بالمعلومات التي يتلقونها.
الفكرة الكبيرة: "الجينوم الموحد"
يقترح المؤلفون طريقة جديدة لبناء هذه الفرق. بدلاً من تصميم التعليمات وهيكل الفريق بشكل منفصل، فهم يعاملونهما كحزمة واحدة — "جينوم موحد".
فكر في الأمر مثل تربية الكلاب. أنت لا تختار فقط لون الفراء الأفضل ثم تختار الحجم الأفضل بشكل منفصل. أنت تُرَبّي الكلب بالكامل، لأن الفراء والحجم يعملان معاً. يقوم TCP-MCP بنفس الشيء لفرق الذكاء الاصطناعي؛ فهو يطور التعليمات وهيكل الفريق في وقت واحد.
كيف يعمل: "المشهد الطبيعي" و"الخريطة"
تصف الورقة عملية تسمى التطور المشترك (Co-Evolution). إليك كيف يقومون بذلك، باستخدام تشبيهات بسيطة:
1. الاستقصاء الأولي (مسح المشهد الطبيعي)
قبل البدء بالعمل الشاق، يقوم النظام بإجراء "اختبار شم" سريع للمشكلة. إنه ينظر إلى بعض إعدادات الفرق العشوائية ليرى مدى "وعورة" التضاريس. هل الحل سهل العثور عليه، أم أنه مخفي في وادٍ سحيق؟ يساعد هذا في اتخاذ القرار بشأن كيفية بدء البحث حتى لا يعلقوا فوراً.
2. التطور (تربية فرق أفضل)
ينشئ النظام مجموعة من الفرق المختلفة للذكاء الاصطناعي. ثم يلعب لعبة "البقاء للأقوى" مع ثلاثة أهداف في الاعتبار:
- الدقة: هل حلوا اللغز بشكل صحيح؟
- التكلفة: هل استهلكوا الكثير من "الرموز" (Tokens) الحاسوبية (الكلمات/الطاقة)؟
- التعقيد: هل هيكل الفريق فوضوي ومعقد للغاية؟
3. عملية "التزاوج" (العبور والطفرة)
هنا يحدث السحر. يأخذ النظام فريقين جيدين ويمزجهما معاً:
- العبور الهيكلي (Structural Crossover): تخيل أخذ "قسم التخطيط" من الفريق (أ) و"قسم التدقيق" من الفريق (ب) ولصقهما معاً.
- وراثة المطالبات (Prompt Inheritance): عندما ينتقل قسم إلى فريق جديد، فإنه يحتفظ بدليل تعليماته الأصلي. ومع ذلك، نظرًا لأنه يتحدث الآن مع أشخاص مختلفين، فإن سلوكه يتغير طبيعياً ليتناسب مع السياق الجديد.
- الطفرة (Mutation): أحياناً، يقوم النظام بتغييرات عشوائية، مثل إضافة شخص جديد إلى الفريق، أو طرد شخص ما، أو إعادة كتابة دليل التعليمات ليرى ما إذا كان ذلك سيساعد.
4. جبهة باريتو (منطقة "غولدي لوكس" - المنطقة المثالية)
النظام لا يبحث فقط عن الفريق "الأفضل" الوحيد. بل يبحث عن جبهة باريتو (Pareto Front).
- تشبيه: تخيل أنك تشتري سيارة. أنت تريدها أن تكون سريعة، ورخيصة، وآمنة. عادةً، لا يمكنك الحصول على الثلاثة معاً. "جبهة باريتو" هي قائمة السيارات التي لا يمكنك فيها الحصول على سرعة أفضل دون دفع المزيد من المال، أو لا يمكنك الحصول على سعر أرخص دون التضحية بالأمان.
- يجد TCP-MCP قائمة كاملة من هذه الفرق "المثالية"، مما يمنحك خيارات توازن بين السرعة، والتكلفة، والتعقيد.
ماذا وجدوا (النتائج)
اختبر الباحثون هذا على ثلاث مجموعات بيانات شهيرة لـ "الألغاز" (MMLU، MMLU-Pro، و GSM8K)، والتي تختبر المعرفة العامة، والأسئلة متعددة الخيارات المخادعة، والمسائل الرياضية.
- هزيمة المنافسين: تفوق TCP-MCP على الطرق المؤتمتة الأخرى التي تحاول فقط تصميم هيكل الفريق (مثل G-Designer).
- توفير المال: مقارنة بالأنظمة عالية الأداء الأخرى التي تستخدم قدرات حاسوبية هائلة (مثل LLM-Debate، حيث يتجادل الوكلاء بلا نهاية)، حقق TCP-MCP دقة مماثلة أو أفضل مع استخدام رموز (tokens) أقل بمقدار يصل إلى 5.69 مرة. إنه يشبه الحصول على أداء سيارة فيراري باقتصاد وقود سيارة هوندا.
- التكيف مع المهام: تعلم النظام بناء أنواع مختلفة من الفرق لمشاكل مختلفة.
- بالنسبة للرياضيات، بنى سلسلة مكونة من شخصين فقط: شخص يحلل، وشخص يحسب.
- بالنسبة للمعرفة العامة، بنى سلسلة تدقيق مكونة من 3 أشخاص: شخص يدقق الحقائق، وشخص يدقق الخيارات، وشخص يحل المسألة.
الخلاصة
تدعي الورقة أن الأنظمة متعددة الوكلاء ليست مجرد كتابة مطالبات جيدة أو رسم مخططات جيدة. إنها نظام مترابط. من خلال تطوير التعليمات وهيكل الفريق معاً، يخلق TCP-MCP فرق ذكاء اصطناعي أذكى، وأرخص، وأكثر كفاءة، وتتكيف خصيصاً مع المهمة المطلوبة.
الأمر لا يتعلق بإيجاد الإجابة "المثالية" الوحيدة؛ بل يتعلق بإيجاد التوازن المثالي بين إنجاز المهمة، وتوفير المال، والحفاظ على بساطة الفريق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.