في عالم الذكاء الاصطناعي، تعتبر أنظمة تنسيق المهام بين الوكلاء المتعدديين (Multi-Agent Orchestration) أمرًا حيويًا لنجاح الأعمال. ومع ذلك، فقد كان التحدي الأكبر هو التحكم في القيود الميدانية التي تعتمد عليها إجراءات الأعمال الحقيقية. هنا يأتي دور SDOF - إطار عمل ثوري يعيد تعريف كيفية تنفيذ المهام بين الوكلاء من خلال معالجة ذلك كمجموعة من الآلات ذات الحالة المقيّدة.

يستخدم SDOF طبقات دفاعية رئيسية تعمل عبر مكونين أساسيين: الأول هو **الـ Intent Router المتخصص المدعوم بتعلم تعزيز عبر الشبكة (RLHF)**، والذي يتم تدريبه باستخدام **نموذج المكافآت التوليدية (GRPO)**. أما المكون الثاني، فهو **الموزع المدرك للحالة (StateAwareDispatcher)** الذي يتضمن عمليات فحص آلية نهائية لضمان دقة التنفيذ.

عبر نظام توظيف مدعوم من منصة **Beisen iTalent**، قام النظام بتنفيذ 1671 استدعاء API حي من خلال 185 سيناريو تم تطويره بواسطة خبراء. وأظهر الموزع نجاحًا باهراً، حيث بلغ تحقيق الدقة المشتركة 80.9% عند مقارنة نتائج SDOF بالنموذج الشهير **GPT-4o** الذي حقق 48.9%.

عند تقييم الأداء الشامل، وصل SDOF إلى نسبة 86.5% في إكمال المهام، مما يعكس قدرة النظام على حجب 22 عملية في مجموعة الموارد البشرية غير المشروعة بشكل كامل. كما حقق سDOF دقة 100% في عملية مراجعة مستوى الرسائل.

كذلك، تم إجراء تقييم منفصل على 960 حوار قد تم تطويره عبر 8 مجالات خدمة مختلفة، مما أظهر 201 صراع في ترتيب المراحل، مما يؤكد على فعالية SDOF في إدارة العمليات المعقدة. هذه النسخة من **arXiv** تعرض نطاق العمل الحالي، مع خطط لإطلاق دراسة أعمق مقارنة بالتدريبات متعددة البذور في تحديثات لاحقة.

ودعونا نتساءل: ما هي التطبيقات التي تتوقعون أن تعزز من خلالها هذه التقنيات الجديدة في مجال الأعمال؟ شاركونا في التعليقات!