في عالم الذكاء الاصطناعي الذي يتطور بسرعة، تُعتبر أنظمة العملاء المتعددة (Multi-Agent Systems) جزءًا أساسيًا من الحلول الذكية، لكن ما يحدث عند إنتاج هذه الأنظمة لإجابات خاطئة أو غير دقيقة؟ ليس كل فشل في تقديم الإجابات متساويًا. فبعض الإجابات قد تكون مُستندة إلى معلومات صحيحة لكنها غير مكتملة، بينما الأخرى قد تكون غير مُستندة تمامًا ويجب إيقافها.

لذا، رأت مجموعة من الباحثين ضرورة تطوير استراتيجيات جديدة للتعامل مع هذا التحدي. وهنا يأتي دور بروتوكول الإشارة الأرجنتينية (Argent Signaling Protocol - ASP)، الذي يضيف عنوانًا محمولاً يمكن قراءته آليًا مع كل إجابة ناتجة عن الذكاء الاصطناعي، يتضمن إشارات جودة مرتبة تشمل اليقين (@C)، والأسس (Grounding) (@G)، والعشوائية (@S)، بالإضافة إلى مؤشر الافتراضات الذي يصنف أساس الأدلة لكل ادعاء.

تساعد هذه الإشارات المراقب في تمييز الأخطاء القابلة للإصلاح عن الأخطاء التي تتطلب الإيقاف، مما يتيح توجيه كل حالة بشكل مختلف.

تم تقييم بروتوكول ASP في وضعين؛ في الوضع المستقل، تم مقارنة البيانات المرتبطة بالأسئلة من خلال نموذجين مختلفين تم تزويدهما بالإشارات. على سبيل المثال، في نموذج Qwen (0.8B)، ارتفعت نسبة النجاح من 11.1% إلى 33.3% بفضل تطبيق البروتوكول. بينما في نموذج SmolLM3 (3B)، أثبتت البيانات قفزات ملحوظة في إدارة الأسئلة.

أما في وضع العملاء المتعددين، ساعد بروتوكول ASP في حجب جميع المخرجات غير المُستندة من الوكالة العليا، مما يعني أن 24 من أصل 27 حالة تم حجبها بنجاح.

باختصار، يعكس هذا التطور خطوة هامة نحو تعزيز موثوقية الأنظمة الذكية وتقديم معلومات دقيقة، مما يجعل النماذج اللغوية الضخمة (Large Language Models) أكثر فائدة وفعالية.