الأنظمة متعدّدة الوكلاء، AutoGen و CrewAI و LangGraph

Multi-Agent Systems أحدث اتّجاهات AI. فرق من الوكلاء يعملون معاً، تقليد فرق البشر. من مساعد واحد إلى شركة كاملة من AI Agents. هذا الدليل شامل.

المفهوم

الفكرة

وكيل واحد (Single Agent):

• LLM + Tools + Memory
• يحلّ مهمّة كاملة

وكلاء متعدّدون (Multi-Agent):

• كل واحد متخصّص
• يتعاونون
• كل واحد يفعل ما يجيده

الأدوار الشائعة

فريق تقرير:

• باحث: يبحث المعلومات
• كاتب: يصيغ المسوّدة
• مراجع: يفحص ويدقّق
• ناشر: يُقدّم النهائي

فريق برمجة:

• Product Manager: يفهم المتطلّبات
• Architect: يصمّم
• Developer: يكتب الكود
• QA: يختبر
• DevOps: ينشر

فريق تسويق:

• باحث سوق
• كاتب محتوى
• مصمّم
• مسوّق

Microsoft AutoGen

الخلفية

• Microsoft Research (2023)
• مفتوح المصدر
• الأشهر أكاديمياً
• التعاون بين Microsoft + جامعات

الفكرة

Conversational Agents:

• الوكلاء يتحدّثون مع بعضهم
• كل رسالة تُخصّب المشكلة

مثال بسيط

from autogen import AssistantAgent, UserProxyAgent

# وكيل مساعد
assistant = AssistantAgent(
    name="assistant",
    llm_config={"model": "gpt-5"}
)

# وكيل يمثّل المستخدم
user_proxy = UserProxyAgent(
    name="user_proxy",
    code_execution_config={"work_dir": "coding"}
)

# محادثة
user_proxy.initiate_chat(
    assistant,
    message="اكتب لي برنامج Python يحلّل بيانات مبيعاتي في sales.csv"
)

النتيجة: المساعد يقترح كود، user_proxy ينفّذه، يعطي نتائج، المساعد يعدّل حتى النجاح.

AutoGen Studio

واجهة رسومية:

• تصميم الوكلاء
• بناء Workflows بلا كود
• تجريب

رابط: microsoft.github.io/autogen

الأنماط

Two-Agent Chat:

• محادثة بين وكيلَين

Group Chat:

• عدّة وكلاء
• مدير المحادثة يوجّه

Sequential Chat:

• خطوات متتالية

Nested Chats:

• محادثات داخل محادثات (Recursive)

الأنسب لـ

• الأبحاث
• مشاريع معقّدة
• من يريد قوّة تكرارية

CrewAI

الخلفية

• CrewAI (2024)
• مفتوح المصدر
• الأسرع نموّاً كأداة Multi-Agent
• الأسهل بين الأدوات

الفكرة

Role-Based Agents:

• كل وكيل له دور واضح
• Goal، Backstory، Tools

مثال

from crewai import Agent, Task, Crew

# الوكيل 1: باحث
researcher = Agent(
    role="باحث سوق",
    goal="جمع أحدث اتّجاهات AI في السعودية",
    backstory="خبير 10 سنوات في أبحاث السوق",
    tools=[search_tool]
)

# الوكيل 2: كاتب
writer = Agent(
    role="كاتب تقارير",
    goal="كتابة تقارير احترافية بناءً على البحث",
    backstory="كاتب صحفي بخبرة 15 سنة"
)

# المهمّة 1: البحث
research_task = Task(
    description="ابحث آخر تطوّرات AI السعودية 2026",
    agent=researcher,
    expected_output="ملخّص شامل بالمصادر"
)

# المهمّة 2: الكتابة
writing_task = Task(
    description="اكتب تقرير 1000 كلمة",
    agent=writer,
    expected_output="تقرير احترافي"
)

# الفريق
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    process="sequential" # أو hierarchical
)

result = crew.kickoff()
print(result)

بساطة مذهلة، 30 سطر لفريق كامل.

الميّزات

• Sequential أو Hierarchical processes
• Memory مشتركة بين الوكلاء
• Tools مخصّصة لكل وكيل
• Delegation، وكيل يفوّض لآخر

الأنسب لـ

• المبتدئين في Multi-Agent
• Prototypes سريعة
• الأدوار الواضحة

رابط: crewai.com

LangGraph (LangChain)

فصّلناها في مقال LangChain، لكن باختصار:

الفكرة

Graph-based:

• عقد (Nodes) = خطوات
• حواف (Edges) = المسار
• State مشترك

الميّزة

• تحكّم دقيق
• Workflows معقّدة
• Conditional Logic
• Human-in-the-Loop

مثال

from langgraph.graph import StateGraph
from typing import TypedDict

class State(TypedDict):
    research: str
    draft: str
    final: str

def research(state):
    # وكيل بحث
    state["research"] = do_research()
    return state

def write(state):
    # وكيل كتابة
    state["draft"] = write_draft(state["research"])
    return state

def review(state):
    # وكيل مراجعة
    state["final"] = review_draft(state["draft"])
    return state

workflow = StateGraph(State)
workflow.add_node("research", research)
workflow.add_node("write", write)
workflow.add_node("review", review)

workflow.set_entry_point("research")
workflow.add_edge("research", "write")
workflow.add_edge("write", "review")

app = workflow.compile()

الأنسب لـ

• Workflows معقّدة
• الإنتاج الجادّ
• من يحتاج تحكّماً كاملاً

أدوات أخرى

Swarm (OpenAI)

• OpenAI أطلقته 2024
• تجريبي
• بسيط جدّاً
• الفكرة: Handoffs بين وكلاء

MetaGPT

• يحاكي شركة كاملة
• CEO، Product Manager، Engineer، QA
• الأنسب: تطوير برامج كاملة

AgentGPT

• بسيط في المتصفّح
• تدخل هدفاً، وكلاء ينفّذون
• للتجربة

BabyAGI

• الأصل (2023)
• بسيط
• قديم لكن تاريخي

AutoGPT

• الأول الذي انتشر (2023)
• الآن أقلّ استخداماً لصالح الأدوات الحديثة

الأنماط (Patterns)

1) Sequential

A → B → C

• A ينهي، B يبدأ
• بسيط

2) Parallel

A + B + C معاً

• أسرع
• مستقلّون

3) Hierarchical

Manager → Workers

• Manager يوزّع
• Workers ينفّذون
• Manager يجمع

4) Peer-to-Peer

• كل الوكلاء متساوون
• يتحدّثون بحرّية
• مناسب للعصف الذهني

5) Debate

• وكلاء يتناقشون
• كل واحد يحاول إقناع الآخر
• نتيجة أعمق

6) Reflection

• الوكيل يراجع نفسه
• يحسّن مخرجه

استخدامات عملية

1) بحث + تقرير

الفريق:

• باحث: Perplexity، Google
• محلّل: يفهم البيانات
• كاتب: يصوغ التقرير
• مراجع: يدقّق

الأثر: تقرير احترافي في ساعات بدل أيّام.

2) تطوير برمجي

الفريق:

• PM: يحدّد المتطلّبات
• Architect: يصمّم
• Coder: يكتب
• Tester: يختبر
• Reviewer: يراجع

الأثر: MetaGPT يبني تطبيقات كاملة.

3) خدمة العملاء

الفريق:

• Router: يفرز الاستفسار
• Specialist: يجيب (مالي، تقني، عام)
• Escalation: إذا معقّد

4) حملة تسويقية

الفريق:

• Market Researcher
• Copywriter
• Designer (مع Midjourney)
• Optimizer (A/B testing)

5) القرارات المالية

الفريق:

• Data Collector
• Analyst
• Risk Assessor
• Decision Maker

تحذير YMYL: للاستثمار الحقيقي، مستشار CMA-مرخّص.

المخاطر

1) الكلفة

LLM calls تتضاعف:

• 1 وكيل = 1-3 استدعاءات
• 5 وكلاء = 15-50 استدعاء

التحسين:

• استخدم نماذج أرخص للمهام البسيطة
• Cache المخرجات
• Prompt Engineering

2) البطء

كل خطوة تأخذ ثوانٍ:

• 5 وكلاء = 30 ثانية-3 دقائق
• غير مناسب للـReal-time

الحلّ:

• Parallel processing
• نماذج أسرع (Haiku، Flash)

3) التصحيح

أيّ وكيل أخطأ؟:

• صعب تتبّع
• الحلّ: LangSmith، Helicone

4) الاعتماد الزائد

• نظام معقّد = فرص أخطاء
• KISS Principle: Keep It Simple

قاعدة: ابدأ بـSingle Agent، انتقل إذا لزم.

5) الأمان

• كل وكيل نقطة هجوم
• Prompt Injection قد ينتشر
• الحلّ: Guardrails، Least Privilege

Best Practices

1) Clear Roles

• كل وكيل دور محدّد
• backstory غنيّ
• tools مناسبة

2) Structured Communication

• JSON بين الوكلاء
• format واضح
• تجنّب الطول

3) Human-in-the-Loop

• خطوة تأكيد قبل التنفيذ
• خصوصاً للأفعال الخطيرة

4) Monitoring

• LangSmith، Helicone
• كل خطوة مسجّلة

5) Fallbacks

• إذا وكيل فشل، آخر بديل
• Graceful degradation

6) Cost Awareness

• راقب التكلفة
• حدود لكل وكيل

7) Testing

• اختبار كل وكيل منفرداً
• اختبار النظام كاملاً
• Edge cases

متى تستخدم Multi-Agent

استخدمها إذا

• مهمّة متعدّدة الخطوات معقّدة
• تحتاج تخصّصات مختلفة
• الوقت متاح (ليس Real-time حرج)
• الميزانية كافية

لا تستخدمها إذا

• مهمّة بسيطة (وكيل واحد يكفي)
• Real-time (بطيء)
• ميزانية ضيّقة
• لا فريق تقنيّ

المستقبل

الاتّجاهات (2027-2030)

1) وكلاء أذكى:

• AGI-adjacent capabilities
• تعلّم من التجربة

2) شركات AI بالكامل:

• CEO Agent + PM + Devs + Sales
• لكن بلا بشر؟
• نقاش أخلاقي

3) Standards:

• MCP يوسّع
• Agent-to-Agent protocols

4) الحوكمة:

• من مسؤول إذا فشل نظام Multi-Agent؟
• تشريعات

5) للسعودية:

• HUMAIN ستستخدم Multi-Agent
• الشركات السعودية تتبنّى
• الفرص المهنية كبيرة

للسعودي

التعلّم

المسار:

1. CrewAI أوّلاً (سهل)
2. LangGraph (قوة)
3. AutoGen (إذا للأبحاث)

الفرص

HUMAIN، G42، الشركات الكبرى:

• Multi-Agent Engineers = طلب متزايد
• رواتب: 25-60K ريال/شهر

الاستخدام العملي

Startup سعودي:

• CrewAI لأتمتة داخلية
• بحث + تسويق + دعم
• مسار الشركة كلها بـ5-10 وكلاء

المصادر الرسمية

• Microsoft AutoGen
• CrewAI
• LangGraph
• OpenAI Swarm
• MetaGPT

اقرأ أيضاً: LangChain، بناء تطبيقات AI · MCP، بروتوكول سياق النموذج · MLOps · Cursor، محرّر الكود الذكيّ