أنظمة الوكلاء المتعدّدين (Multi-Agent): AutoGen و CrewAI و LangGraph

شرح لأنظمة AI Agents المتعدّدين، كيف يتعاون عدّة LLMs لحلّ مهامّ معقّدة، أشهر الأطر (AutoGen, CrewAI, LangGraph)، حدودها الحقيقية، وتطبيقاتها الفعلية.

فريق مقالات، قسم التقنية ٤ سبتمبر ٢٠٢٦ 6 دقيقة قراءة

هل نموذجان أذكى من نموذج واحد؟ سؤال يُعرَف بأنّه أعمق مما يبدو. Multi-Agent Systems موضة هذا العصر، كل شركة تريد فريق AI. لكن الأدلّة على فائدتها الحقيقية أقلّ إجماعاً مما تعتقد. هذا مقال صريح.

المفهوم

AI Agent الأوّلي

Single Agent: LLM مع أدوات (Tools) + ذاكرة + قدرة على التخطيط.

مثال: Claude يستطيع أن:

يقرأ سؤالك.
يفكّر (chain of thought).
يستدعي أداة (بحث ويب).
يعالج النتائج.
يرد.

Multi-Agent

بدل agent واحد يفعل كل شيء، عدّة agents متخصّصين:

Researcher Agent: يبحث ويجمع.
Writer Agent: يكتب.
Editor Agent: يراجع.
Coordinator Agent: يُنسّق.

النظرية: التخصّص = جودة أعلى.

لماذا الموضة؟

السياق التاريخي

مارس 2023: BabyAGI و AutoGPT انتشرا كوباء، أوّل تطبيقات "agents ذاتية".
2023-2024: LangChain, AutoGen, CrewAI انفجروا.
2024: Devin AI ادّعى "أوّل مهندس برمجيات AI" (جدل واسع لاحقاً).
2024-2025: كل شركة تُطلق "AI Agent Framework".

الوعد

أنظمة تحلّ مهامّ معقّدة بلا تدخّل بشري.
تحاكي كيف تعمل الفرق البشرية.
توزّع حمل الاستدلال.

الواقع

معظم تطبيقات multi-agent لا تُحقّق الوعد.
التعقيد يزيد كلمّا أضفت agent.
الأخطاء تتراكم، agent خاطئ يؤثّر على الجميع.
التكلفة تتضاعف، كل agent = استدعاء LLM.

الأطر الرئيسية

AutoGen (Microsoft)

التأسيس: نُشر أكتوبر 2023 من Microsoft Research.

المفاهيم الأساسية:

AssistantAgent: يستخدم LLM.
UserProxyAgent: يمثّل المستخدم البشري أو ينفّذ الكود.
GroupChat: عدّة agents يتحادثون معاً.

مثال بسيط:

from autogen import AssistantAgent, UserProxyAgent

assistant = AssistantAgent(name="assistant", llm_config={"model": "gpt-4"})
user_proxy = UserProxyAgent(name="user_proxy", human_input_mode="NEVER")

user_proxy.initiate_chat(
    assistant, 
    message="اكتب لعبة snake بـ Python وشغّلها"
)

AutoGen 0.4 (نهاية 2024): إعادة هيكلة كاملة.

Event-driven: كل agent يستمع لأحداث.
قابلية توسّع أفضل.
أسهل للنظم الكبيرة.

الاستخدامات الجيّدة:

التنسيق بين خبراء (طبيب + محلّل + كاتب).
سير عمل معقّد مع نقاط قرار.

CrewAI

التأسيس: 2024. مطوّرها الرئيسي João Moura.

الفلسفة: البساطة. تشبيه بفرق بشرية.

المفاهيم:

Agent: بدور، هدف، خلفية (Backstory).
Task: عمل محدّد لـ agent.
Crew: فريق يُنفّذ tasks.
Process: sequential أو hierarchical.

مثال:

from crewai import Agent, Task, Crew

researcher = Agent(
    role="باحث سوق",
    goal="ابحث في اتّجاهات AI 2026",
    backstory="محلّل خبير في AI",
    tools=[web_search_tool]
)

writer = Agent(
    role="كاتب محتوى",
    goal="اكتب مقالاً واضحاً",
    backstory="كاتب تقني متمرّس"
)

research_task = Task(description="ابحث...", agent=researcher)
write_task = Task(description="اكتب...", agent=writer)

crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task])
result = crew.kickoff()

المزايا:

سهل جداً للبدء.
مجتمع نشط (20k+ GitHub stars).
توثيق ممتاز.

العيوب:

أقلّ مرونة لسير عمل معقّد.
إدارة الذاكرة والحالة محدودة.

LangGraph

التأسيس: 2024 من فريق LangChain.

الفلسفة: تمثيل workflow كـ رسم بياني (graph)، عقد وحواف.

المفاهيم:

Nodes: agents أو أدوات.
Edges: الانتقالات بينها.
State: البيانات المشتركة تتدفّق عبر الرسم.
Loops: العودة لعقدة سابقة (للتكرار حتى نهاية شرط).

الميّزات:

الأكثر مرونة.
يدعم الحلقات المعقّدة.
إدارة حالة قوية.
تكامل مع LangSmith للتصحيح.

العيوب:

الأكثر تعقيداً للبدء.
منحنى تعلّم أعلى.
يحتاج فهم LangChain.

متى تختاره: workflows بحاجة لتكرار، حالة معقّدة، دقّة عالية.

أطر أخرى

swarm من OpenAI (2024): بسيط جداً، تعليمي أكثر منه إنتاجي.
AGiXT: منصّة شاملة.
MetaGPT: مصمّم لمحاكاة فريق برمجيات كامل.
XAgent: من ChatGLM.
Camel-AI: للأبحاث في تفاعل الـ agents.

أنماط Multi-Agent

1. Sequential (تسلسلي)

Agent 1 → Agent 2 → Agent 3 → النتيجة.

مثال: باحث → كاتب → مراجع.

2. Hierarchical (هرمي)

Manager Agent يوزّع المهامّ.
Worker Agents ينفّذون.
Manager يجمع ويُنسّق.

3. Parallel (متوازٍ)

عدّة agents يعملون على المهمّة نفسها بأساليب مختلفة، ثمّ نُختار الأفضل أو نُدمج.

مثال: 3 مطوّرين يكتبون نفس الوظيفة، مراجع يختار.

4. Debate

Agents يتناقشون، كل واحد يدافع عن وجهة نظر.

نتيجة: تكشف أخطاء، تُحسّن الجودة (نظرياً).

5. Reflection

Agent يُنتج → Agent آخر (أو نفسه) يُراجع → تحسين → إعادة.

Devin AI، القصّة المُثيرة

مارس 2024: Cognition AI أطلقت Devin، "أوّل مهندس برمجيات AI بالكامل".

العرض التوضيحي: Devin يتلقّى مهمّة على Upwork، يبحث، يبرمج، يختبر، يسلّم.

الضجيج: هائل. تقييم Cognition قفز لـ 2 مليار خلال أشهر.

الواقع (تحقيق مايو 2024): الفيديوهات كانت مُنتقاة بشدّة. Devin في الاختبار الحقيقي:

ينجح في 15-30% من مهامّ Upwork.
يفشل غالباً في المهامّ المعقّدة.
يُخطئ بثقة.

الدرس: multi-agent لا يحلّ الأخطاء الجوهرية للنماذج.

هل multi-agent فعّالة حقاً؟

الأدلّة المؤيّدة

مقالات علمية 2023-2024: أنظمة multi-agent تفوّقت في بعض benchmarks (SWE-bench, HumanEval).
الاستخدامات المتخصّصة: البحث المعمّق، تحليل الوثائق الطويلة.

الأدلّة المعارضة

دراسة Andrew Ng (2024): "أحياناً agent واحد قوي مع أدوات جيّدة يتفوّق على فرق multi-agent".

تحقيقات أخرى:

التكلفة تضاعفت، الجودة لم تتضاعف.
الأخطاء تنتشر بين agents.
التعقيد يجعل التصحيح كابوساً.

القاعدة الذهبية

ابدأ بـ single agent قوي. أضف agents إضافيّين فقط عندما تُثبت جدواهم بالأرقام.

تطبيقات ناجحة فعلاً

1. Deep Research

OpenAI Deep Research (فبراير 2025)، Google Deep Research، Perplexity Deep Research:

Agent 1: يخطّط البحث.
Agents متوازية: كل واحد يبحث موضوعاً فرعياً.
Agent 2: يُجمع ويكتب.

النتيجة: تقارير معمّقة (10-30 صفحة) بجودة عالية.

2. الترجمة عالية الجودة

Agent 1: ترجمة أولية.
Agent 2: مراجعة سياقية.
Agent 3: تحسين أسلوب.

3. Voyager (Minecraft)

بحث NVIDIA + Caltech 2023: Agent يلعب Minecraft ويتعلّم قدرات جديدة.

Agent 1: يخطّط.
Agent 2: يكتب كود Python.
Agent 3: يُصحّح الأخطاء.
Agent 4: يخزّن المهارات المكتسبة.

4. خدمة العملاء الطبقيّة

Agent 1: يفهم المشكلة.
Agent 2 (متخصّص): يقترح حلاًّ.
Agent 3: يتحقّق من الحلّ.
Agent 4 (بشري إذا لزم): يتدخّل.

التحدّيات الحقيقية

1. التكلفة

كل agent = استدعاء LLM. Multi-agent = تكاليف مضاعفة.

مثال: مهمّة تكلّف $0.05 بـ single agent → $0.30 بـ 5-agent system.

2. Latency

Agents متسلسلين = وقت انتظار طويل. 10-60 ثانية للاستجابة الشائع.

3. Debug

عندما يفشل، أيّ agent هو السبب؟ التصحيح كابوس بلا أدوات جيّدة.

4. Non-determinism

LLMs عشوائية. Multi-agents = عشوائية أضعافها. النتائج غير قابلة للتكرار.

5. Prompt injection

Agent مخترق يستطيع خداع الآخرين. أمن معقّد.

نصائح عملية

1. ابدأ بمهمّة محدّدة جداً.

2. جرّب single agent بأدوات قوية أوّلاً. غالباً كافٍ.

3. إذا احتجت multi-agent:

ابدأ بـ 2 agents (باحث + كاتب).
قِس الجودة والتكلفة.
زد فقط إذا التحسّن يستحقّ.

4. سجّل كل خطوة. LangSmith, LangFuse مفيدة.

5. اضبط timeouts وحدود recursion. Agents يمكن أن تدخل حلقات لا نهائية.

6. اختبر بشدّة. كل تغيير في prompt agent قد يكسر كل شيء.

المستقبل

2025-2026

أطر أنضج: أدوات debugging، monitoring.
معايير قياس: كيف نقيس فعالية multi-agent موضوعياً؟
تخصّص أكبر: agents مخصّصون لصناعات معيّنة.

2026-2028

مليون agent يعملون معاً؟ (يبدو خيالياً الآن).
Agent Marketplace: agents جاهزة تشتريها كخدمات.
Interoperability: agents من شركات مختلفة تتحدّث بمعايير مشتركة (MCP يفتح الباب).

اقرأ أيضاً:

هل أفادك هذا المقال؟

كن أول من يقيّم

الأسئلة الشائعة

أنظمة تُستخدم فيها عدّة نماذج LLM (أو نُسخ من نفس النموذج) بأدوار مختلفة تتعاون لحلّ مهمّة. مثال: مدير مشروع + مطوّر + مختبر + مراجع، كلهم AI. كل منهم يقوم بدوره ويتواصل مع الآخرين.

Agent واحد يُنفّذ مهامّ متعدّدة تسلسلياً. Multi-Agent يُوزّع المهام بين متخصّصين، كل واحد أفضل في مجاله. النظرية: تقسيم العمل يُحسّن الجودة. الواقع: يُضاعف التعقيد والتكلفة، والفائدة ليست دائماً واضحة.

إطار عمل من Microsoft Research (2023) لبناء أنظمة multi-agent. يُتيح تعريف عدّة agents (Assistant, UserProxy, GroupChat) وتنسيق حواراتهم. أُعيدت هيكلته 2024 لـ AutoGen 0.4 بمعمارية event-driven أفضل.

إطار Python (2024) مصمّم لبساطة إعداد فرق AI. تعرّف Agents بأدوار (Researcher, Writer, Editor)، ثمّ Tasks، ثمّ Crew تنسّق التنفيذ. أسهل من AutoGen لكن أقلّ مرونة. 20k+ نجوم على GitHub.

إطار من LangChain (2024) لبناء workflows بشكل رسم بياني (graph). كل عقدة = agent أو أداة، الحواف تحدّد التدفّق. يدعم الحلقات (loops) وحالات معقّدة. الأكثر مرونة لكن الأكثر تعقيداً.

الأدلّة مختلطة. بعض المهام (كتابة برمجية معقّدة، بحث معمّق) تستفيد. بعضها لا. الدراسات الحديثة (2024) تُظهر أن agent واحد قوي مع أدوات جيّدة يتفوّق أحياناً على فرق multi-agent. القاعدة: ابدأ بسيطاً، أضف تعقيداً عند الحاجة فقط.

1) البحث المعمّق (Deep Research من OpenAI, Perplexity). 2) كتابة كود معقّدة (Devin AI - جدلي). 3) خدمة عملاء متعدّدة الطبقات. 4) تحليل بيانات مع مراحل متعدّدة. 5) توليد محتوى (باحث → كاتب → محرّر). 6) الألعاب (Voyager في Minecraft).