في عالم الذكاء الاصطناعي المتطور، تتطلب الأنظمة متعددة الوكلاء (Multi-Agent Systems) نهجًا متكاملًا لتصميم الأداء الفعال. الحديث هنا يدور حول TCP-MCP (Topology-Coupled Prompting for Multi-Agent Collaborative Problem-Solving)، وهو إطار ابتكاري يدمج بين تطوير المطالبات (Prompts) وتكوينات الاتصال (Communication Topologies).

تعتمد فعالية سلوك الوكلاء على المعلومات التي يتلقونها، كما أن فائدة الاتصال تعتمد على كيفية تفسير الوكيل لهذه المعلومات واستخدامها. ولذا، يسعى TCP-MCP إلى تحقيق توازن بين العوامل المختلفة من خلال عملية تطور مشتركة تعيد تشكيل كل من المطالبات وهيكل الاتصال، مما ينشئ جينومًا موحدًا.

ويبدأ النظام برصد المشهد (Landscape Probe) في وقت التهيئة لضبط سلوك البحث مبكرًا، ويستخدم بعد ذلك تقنيات تحليل Pareto لتكييف عملية الاستكشاف تحت ثلاث أهداف رئيسية: أداء المهمة، تكلفة الرموز، والتعقيد الهيكلي.

تم استخدام نفس قاعدة البيانات DeepSeek-V3.2 في جميع الطرق، حيث حقق TCP-MCP دقة بلغت 82.66%، 89.96%، و96.61% في اختبارات MMLU-Pro، MMLU، وGSM8K على التوالي. كما أظهر هذا النظام أداءً متفوقًا باستمرار مقارنة مع أساليب توليد الرسوم البيانية الآلية، محققًا دقة تنافسية مقارنة بالأنظمة التي تعتمد على النقاش، في حين استخدم حتى 5.69 مرة أقل من الرموز.

تظهر النتائج أن التطور المشترك للمطالبات وهيكل الاتصال يمثل مسارًا عمليًا نحو تصميم أنظمة متعددة الوكلاء تكون مدركة للتكاليف وقابلة للتكيف مع المهام داخل تقييمات محكومة.

ما رأيكم في هذا الابتكار؟ هل تعتقدون أنه سيكون له تأثير كبير على تطوير الأنظمة الذكية في المستقبل؟ شاركونا آرائكم في التعليقات!