Agora: A Drive-Based Framework for Agent Difffferentiation in Multi-Agent LLM Systems

تخيل أنك تدخل مكتبة ضخمة وصاخبة حيث لا يكتب الكتب بشر، بل روبوتات ذكية للغاية تُسمى "نماذج اللغات الكبيرة" (LLMs). هذه الروبوتات تشبه الببغاوات ذات القدرات الفائقة؛ إذ يمكنها قراءة كل ما كُتب تقريبًا، ويمكنها محاكاة أي أسلوب، من الشاعر إلى العالم. لكن هناك عقبة: إذا سألت ثلاثة من هذه الروبوتات نفس السؤال، فغالبًا ما يعطونك الإجابة نفسها تمامًا لأنهم جميعًا مدربون على نفس البيانات ويعملون بنفس الطريقة "الآمنة". ولجعلهم يفكرون بشكل مختلف، يتعين على البشر عادةً كتابة تعليمات خاصة لكل منهم، كأن يخبروا الروبوت (أ) بأن يكون "ناقدًا" والروبوت (ب) بأن يكون "حالمًا". هذا يشبه إعطاء الممثلين نصوصًا تقول لهم: "يجب أن تكون غاضبًا"، بدلًا من تركهم يشعرون بالغضب فعليًا.

لطالًا ما تساءل العلماء عما إذا كان بإمكاننا جعل هذه الروبوتات تشعر بالاختلاف من الداخل بدلًا من مجرد التظاهر بالاختلاف من الخارج. فكر في الأمر كفرق بين ممثل يتظاهر بالحزن لأن المخرج قال له ذلك، وبين شخص حزين حقًا لأنه فقد لعبته المفضلة. هذا البحث الجديد، المسمى "أجورا" (Agora)، يحاول بناء نظام تمنح فيه هذه الروبوتات "أمزجة" أو "دوافع" داخلية خاصة بها — مثل الملل، أو الفضول، أو التوتر. والسؤال الكبير هو: إذا منحنا هذه الروبوتات شخصية عاطفية صغيرة، فهل ستعمل معًا بشكل أفضل لحل المشكلات، أم أنها ستصاب بالارتباك وتبدأ في الجدال؟

---

تجربة "أجورا": منح الروبوتات أمزجة

في هذه الدراسة، قام باحث يدعى زيهان لين ببناء إطار عمل يسمى أجورا (والذي يرمز إلى مجموعة الوكلاء التكيفيين للتفكير - Adaptive Group of Reasoning Agents). بدلًا من إخبار الروبوتات بالأدوار التي يجب أن تلعبها، تمنح "أجورا" هذه الروبوتات ستة "دوافع" غير مرئية تعمل مثل منظم الحرارة (الثرموستات) لأدمغتها. وهذه الدوافع هي: الملل، والفضول، والتوتر، والقلق، والتعاطف، والخدمة.

إليك كيف يعمل ذلك في الواقع:

• الفضول يجعل الروبوت أكثر مغامرة، ومستعدًا لتجربة أفكار جامحة.
• التوتر يجعل الروبوت أكثر حذرًا ودقة، مثل طالب يراجع واجب الرياضيات الخاص به للتأكد من صحته.
• التعاطف يجعل الروبوت أكثر تفاعلاً وشمولية، مثل صديق يستمع حقًا لقصتك.

هذه الأمزجة ليست مجرد تسميات؛ بل إنها تعدل بالفعل الإعدادات الداخلية للروبوت (مثل مدى عشوائية أو جدية إجاباته). ثم يقوم النظام بجمع مجموعة من هذه الروبوتات "المتقلبة المزاج" حول طاولة افتراضية (RoundTable) لمناقشة مشكلة ما. يقومون بصياغة الإجابات، ونقد بعضهم البعض، وتلميع النتيجة النهائية، وكل ذلك بينما تتحول وتتفاعل أمزجتهم الداخلية مثل مجموعة من الأصدقاء الحقيقيين.

ما وجدوه: الأمر يعتمد على المهمة

اختبر الباحث هذا النظام 375 مرة باستخدام روبوت دردشة حقيقي يسمى DeepSeek Chat. وقارن "طاولة الأمزجة المستديرة" (Mood-RoundTable) بطرق أخرى للحصول على الإجابات، مثل سؤال روبوت واحد، أو سؤال ثلاثة روبوتات واختيار الأفضل بينهم، أو استخدام سلسلة "مسودة-نقد-مراجعة" صارمة.

كانت النتائج مزيجًا من "واو!" و"مهلًا قليلًا"، وقد اعتمدت تمامًا على نوع المهمة التي تقوم بها الروبوتات:

1. التفوق التحليلي (منطقة "الرياضيات والمنطق")
عندما كانت المهمة تتطلب تفكيرًا عميقًا، أو منطقًا، أو تحليلًا للمزايا والعيوب المعقدة، كان "الروندتيبل" (الطاولة المستديرة) ذو الأمزجة نجمًا متألقًا. فقد أنتج إجابات أفضل بكثير من الطرق الأخرى.

• السر السحري: الروبوتات ذات "التوتر" أصبحت دقيقة، بينما استكشفت الروبوتات ذات "الفضول" زوايا جديدة. ومعًا، وازنوا بعضهم البعض بشكل مثالي.
• النتيـجة: وجد الباحثون فرقًا هائلًا في الجودة (حجم تأثير إحصائي قدره 2.26)، مما يعني أن الفريق القائم على المزاج كان متفوقًا بوضوح في هذه الوظائف التي تتطلب تفكيرًا ثقيلًا.

2. الخسارة الإبداعية (منطقة "الفن والقصة")
ومع ذلك، عندما كانت المهمة إبداعية — مثل كتابة قصة أو ابتكار أفكار — كان فريق الأمزجة يؤدي أداءً أسوأ من طريقة أبسط تسمى MajorityVoting (تصويت الأغلبية).

• لماذا؟ بالنسبة للإبداع، وجد الباحثون أنك لا تحتاج إلى فريق مهيكل بأمزجة معقدة. أنت فقط بحاجة إلى مجموعة من الروبوتات المستقلة التي تطرح أفكارًا عشوائية وتختار الأفضل منها. نظام "المزاج" المعقد أعاق الاستكشاف الحر والجامح.

3. الخسارة في المهام القصيرة (منطقة "الهايكو والبرمجة")
بالنسبة للمهام القصيرة والدقيقة جدًا مثل كتابة قصيدة أو مقطع برمجي، فازت طريقة مختلفة تسمى AutoGenStyle (التي تستخدم عملية مراجعة صارمة خطوة بخلول خطوة).

• لماذا؟ هذه المهام تحتاج إلى مسار تفكير واحد يتم صقله مرارًا وتكرارًا، وليس إلى مجموعة من الروبوتات تتجادل. نهج "الطاولة المستديرة" كان فوضويًا جدًا لهذه الوظائف الضيقة والقصيرة.

4. سر "التعاطف"
اختبر الباحثون أيضًا ما يحدث إذا تمت إزالة أحد الأمزجة. عندما أزالوا التعاطف، انخفضت جودة الإجابات بأكبر قدر ممكن. وهذا يشير إلى أنه لكي تؤدي الروبوتات أفضل عمل تحليلي لها، فإنها تحتاج إلى ذلك الدافع "الرعوي" للحفاظ على تفاعلها وشموليتها.

الخلاصة

تشير هذه الورقة البحثية إلى أنه لا توجد طريقة واحدة "مثلى" لجعل وكلاء الذكاء الاصطناعي يعملون معًا.

• إذا كنت بحاجة إلى المنطق والتحليل، فإن منح الوكلاء أمزجة داخلية (مثل التوتر والفضول) يساعدهم على التفكير بعمق وبشكل أفضل من الطرق القياسية.
• إذا كنت بحاجة إلى الإبداع، فمن الأفضل تركهم ينطلقون بحرية واستقلالية دون أنظمة مزاج معقدة.
• إذا كنت بحاجة إلى نصوص قصيرة ودقيقة، فإن عملية مراجعة بسيطة خطوة بخطوة هي الأفضل.

كما أظهرت الدراسة أن النظام مستقر؛ إذ يمكنه الاستمرار في العمل لمدة 20 خطوة متتالية دون الانهيار أو التدهور. ومع ذلك، يوضح الباحثون بحذر أن طريقتهم في قياس "الجودة" (باستخدام درجات حاسوبية بدلاً من الحكام البشر) ليست مثالية وقد تغفل بعض التفاصيل الدقيقة. ويقترحون أنه بينما يعد هذا النهج القائم على "الدوافع" طريقة واعدة لجعل وكلاء الذكاء الاصطناعي يبدون أكثر إنسانية وتميزًا، إلا أنه ليس حلًا سحريًا لكل المشكلات. إنه أداة تعمل بشكل أفضل لمهام محددة، تمامًا مثل المطرقة التي تعد رائعة للمسامير ولكنها سيئة جدًا في ربط المصباح الكهربائي.