في عصر التكنولوجيا الحديث، أصبح استخدام أنظمة الذكاء الاصطناعي المتعددة الوكلاء (Multi-Agent AI systems) أمرًا شائعًا في أتمتة مهام هندسة البرمجيات. تتضمن هذه المهام تحليل المتطلبات، تصميم الهيكلة، توليد الاختبارات، وربط تتبع البرمجيات. ومع ذلك، يكمن التحدي الكبير في أن الأخطاء والقرارات ذات الثقة المنخفضة من الوكلاء الأوائل تنتقل إلى المراحل التالية، مما يؤدي إلى متطلبات يتيمة وروابط متناقضة وثغرات في الامتثال، والتي قد تشكل مخاطر جسيمة في المجالات الحساسة للسلامة.

تقدم الورقة البحثية المقترحة إطار عمل للتعاون المستند إلى الثقة (Trust-Aware Coordination Framework) حيث يعمل هيكل بيانات المعرفة المشتركة (Knowledge Graph) كذاكرة دلالية مركزية وسطح تعاون، مما يمكّن الوكلاء من تقييم والإضافة إلى مساهمات بعضهم البعض باستخدام درجات ثقة (Confidence Scores) محسوبة.

يتضمن التصميم المدروس هنا خط تتبع للمقدرات يتكون من مرحلتين، حيث يتم دمج استرجاع بيانات مبني على التضمين (Embedding-based Retrieval) مع تحليل متعدد المعايير مستند إلى نموذج لغوي كبير (LLM-based Multi-Criteria Analysis). كما يتضمن آلية لتأسيس التتبع (Traceability Seeding) تمكن من مقارنة الثقة بين وقت الاستنتاج ووقت التحقق.

علاوة على ذلك، تمثل البروتوكولات المقيدة للتفاعل قواعد تحكم التفاعل بين الأنظمة من خلال حواجز thresholds، واكتشاف انحراف الثقة (Confidence Divergence) وتسوية النزاعات. لقد تم تقييم فعالية هذا النظام من خلال دراسة حالة لهندسة البرمجيات في صناعة السيارات، حيث تم قياس دقة التنبؤ بالرابط، وفاعلية البروتوكول، وحساسية العتبة، وتأثير تأسيس التتبع. ولقد أثبتت الدراسات التجريبية أن ضبط الثقة (Confidence Calibration) يعد ضرورياً لتعزيز التنسيق الفعال في خط الأنابيب.

تفتح هذه التطورات آفاق جديدة للتطبيقات العملية، مما يجعل من الضروري على كل مختص في مجال البرمجيات أن يتطلع على هذه الحلول المستندة إلى الذكاء الاصطناعي لتحقيق أعلى مستويات الكفاءة والدقة في العمل.