في عالم الذكاء الاصطناعي، يبدو أن التفكير المتسلسل (Chain-of-thought) أصبح شائعًا بشكل متزايد، خاصة في نماذج اللغة الكبيرة (Large Language Models). ولكن مع تطور تعقيد المشكلات وطول السياقات، يواجه الأداء نماذج متزايدة من التدهور. في محاولة لمعالجة هذه القضايا، تظهر أنظمة الوكلاء المتعددين (Multi-Agent Systems) كحل فعال ومبشر.

لكن كيف نفهم فعالية هذه الأنظمة؟ في هذا السياق، تم اقتراح إطار نظري جديد لتحليل قدرات التعبير في أنظمة الوكلاء المتعددين. يتناول هذا الإطار ثلاث عائلات خوارزمية: تتبع الحالة (State Tracking)، الاستدعاء (Recall)، والتنظيم المباشر (k-hop reasoning).

من خلال هذا التحليل، استطعنا تحديد حدود عدد الوكلاء المطلوبة لحل المهام بدقة، وفهم كمية وهيكل التواصل بين الوكلاء، وأيضًا التسريع الذي يمكن تحقيقه عندما تتوسع المشكلة وسياقها. نتائجنا تشير بوضوح إلى السيناريوهات التي يكون فيها التواصل مفيدًا، وتوضح التوازنات بين عدد الوكلاء وسعة الاتصال، كما تكشف عن القيود المتأصلة عند ضغط أي من الموارد.

وعلاوة على ذلك، قمنا بإجراء مجموعة من التجارب على نماذج اللغة الكبيرة المدرّبة مسبقًا باستخدام معايير تجريبية مدروسة. النتائج التجريبية تؤكد التوازنات بين الكميات الأساسية المتوقعة بموجب نظرية لرؤية عملية وعملية.

بشكل جماعي، يوفر تحليلنا توجيهات جادة لتصميم أنظمة التفكير المتعدد الوكلاء القابلة للتوسع، مما يفتح آفاق جديدة في مجال الذكاء الاصطناعي.