تشهد أنظمة الوكلاء المتعددة (Multi-Agent Systems - MAS) تحولًا جذريًا بفضل تكامل نماذج اللغات الضخمة (Large Language Models - LLMs)، إذ تُستخدم هذه الأنظمة المتخصصة لتحقيق تدفقات عمل معقدة. تتطلب العملية الفعالة في هذه البيئات آليات توجيه قوية لتوزيع المهام على الوكلاء الأكثر كفاءة. ومع ذلك، تعتمد أنظمة التوجيه الحالية على وسطاء غير موثوقين، يبدأون من أوصاف نصية ذاتية إلى تمثيلات ثابتة، مما يؤدي إلى وجود فجوة حرجة بين ملف تعريف الوكيل المتوقع وقدراته التشغيلية الحقيقية. يمكن للوكلاء الخبيثين بسهولة التلاعب بمهاراتهم أو إخفاء ثغرات تسمح لهم بتجاوز التحليلات الخارجية المعتادة وتقنيات تعلم التمثيل الثابت. للتغلب على هذه التحديات، تقدم التكنولوجيا الجديدة المسماة ANTAP (Automatic Non-Textual Agent Picker) بنية توجيه مدفوعة بالتقييم، تتخلى عن وسطاء غير مباشرة لمصلحة اختبار القدرات الفعالة. من خلال الاستفسار الديناميكي عن مهارات الوكلاء لتحديد كفاءاتهم الحقيقية بشكل تجريبي، تضمن ANTAP تقطير الأداء إلى مشغلين سلوكيين ثابتين ضمن مساحة دلالية مشتركة. في وقت الاستدلال، يتم إجراء التوجيه عبر إسقاط جبري غير نصي بالكامل، مما ينشئ "جدار لغوي" يحوّل الهجمات المعتمدة على البيانات الوصفية إلى شيء لا يمكن التعبير عنه. أظهرت التجارب أن ANTAP حققت معدل إنذار منخفض للغاية ضد الهجمات المعتمدة على الوصف، مقارنةً بنظام التوجيه القديم الذي يحقق 67.3% وما فوق. مقارنةً بالهجمات التكيفية، كان أداء ANTAP أفضل بكثير بتقليل 20% من معدل الإنذار حيث كانت مقاومة بشكل مصمم للتلاعب في الأوصاف.