في عالم الذكاء الاصطناعي، تعتبر الأنظمة متعددة الوكلاء (Multi-Agent Systems - MAS) واحدة من التطورات الرائدة التي تعزز الأداء عبر توزيع المهام على وكالات متخصصة. ومع ذلك، يعتمد الأداء الفعلي لتلك الأنظمة على كيفية تصميم المحفزات (Prompts) لكل وكيل.

ظهرت طرق جديدة لتحسين المحفزات باستخدام الأساليب النصية الهرمية التي تستفيد من تغذية راجعة باللغة الطبيعية. في هذا السياق، تم تقديم نظام _AgentGrad_ الذي يعد بتحسين الأداء وتقليل الوقت المستغرق في التحسين بشكل ملحوظ.

يتناول الباحثون القيود الموجودة في مرحلتين من الأساليب الحالية: استخلاص التدرجات (Gradient Extraction) وتجميع التدرجات (Gradient Aggregation). في مرحلة الاستخلاص، تختار هذه الأساليب عادةً محفزًا بدون التأكد مما إذا كان التعديل عليه سيحل مشكلة الفشل، وتعمل على استخلاص التدرجات دون إشراف على المخرجات الوسيطة للوكيل. وفي مرحلة التجميع، يتم تجميع التدرجات بشكل عشوائي مما يؤدي إلى خلط أنماط الفشل غير المرتبطة.

لتجاوز هذه القيود، يقدم _AgentGrad_ إطارًا مبتكرًا يعتمد على التدخل المتسلسل (Sequential Intervention) وتجريد التدرجات النصية الدلالية (Semantic Textual Gradient Abstraction). يتم تعديل سلوك الوكيل الفردي بشكل متتابع لتحديد الوكيل المستهدف الذي يجب تعديله لحل المشكلة. وبهذه الطريقة، تصبح النتائج المعدلة للوكيل المستهدف مصدر إشراف قوي لاستخراج تدرج دقيق.

تظهر النتائج التجريبية أن _AgentGrad_'s تحقق أداءً متفوقًا عبر خمس معايير قياسية للأنظمة متعددة الوكلاء، مع تقليل وقت تحسين الجدار الزمني بمعدل 2.5 مرة مقارنة بأسرع الأساليب البديلة. بهذا الشكل، يبدو أن هذه التقنية قد تكون واحدة من الابتكارات الأكثر تأثيرًا في مجال الذكاء الاصطناعي.