سیستمهای Multi Agent را مثل چند همکار باهوش و توانمند تصور کنید که هرکدامشان در یک کار تخصص دارد؛ یکی خیلی خوب دادهها را تحلیل میکند، دیگری روی کار با ابزارهای مختلف مسلط است و آخرین نفر متخصص فروش است.
اجازه دهید در ادامه، جزئیات سیستمهایی با چند عامل هوشمند را بیشتر توضیح دهیم و با مثال و نشان دادن کاربردهای واقعی، آگاهی کافی از این سیستمهای مدرن بهدست بیاوریم.
سیستم چند عاملی Multi Agent چیست؟
در سیستمهای چند عاملی که مبتنی بر هوش مصنوعی هستند، بهجای استفاده از یک مدل واحد برای انجام همهی کارها، وظیفه بین چند عامل تقسیم میشود که هرکدام:
- نقش یا تخصص مشخصی دارند؛
- به ابزارها و دادههای متفاوتی دسترسی دارند؛
- با یکدیگر از طریق یک هماهنگکننده یا orchestrator ارتباط برقرار میکنند.
مثال واقعی از سیستم Multi Agent
فرض کنید قصد داریم برای یک موضوع استراتژی سئو تدوین کنیم. اگر کار را به سیستم Multi Agent بسپاریم، ساختاری مشابه تصویر زیر برای ما میسازد:
هرکدام از عاملهای تصویر، کار خودشان را طبق لیست زیر انجام میدهند:
- Research Agent: موضوع و منابع موجود در سطح وب را بررسی میکند؛
- Keyword Agent: کلمات کلیدی و Search Intent را برای موضوع مشخصشده پیدا میکند؛
- Competitor Agent: رقبایی که در همان موضوع فعالیت دارند را تحلیل میکند؛
- Content Agent: ساختار پیشنهادی و محتوای هر بخش را میسازد؛
- Review Agent: خروجی را بررسی و ایرادها را پیدا میکند؛
- Orchestrator: مشخص میکند هر Agent چه کاری انجام دهد و خروجی هرکدام را میگیرد تا باهم ترکیب کند.
Multi Agent چگونه کار میکند؟
سیستمهای چندعاملی با توزیع وظایف و ارتباطات بین عوامل منفرد کار میکنند که هر کدام برای دستیابی به یک هدف در یک محیط مشترک با هم همکاری میکنند. این فرآیند شامل مراحلی میشود که در ادامه توضیحشان خواهیم داد.
بیشتر بخوانید: تفاوت AI Agent و RPA چیست؟ راهنمای کامل مقایسه با RDA
ادراک
عاملها محیط اطراف خود را مشاهده و دادهها را جمعآوری میکنند. این کار یا با ارسال سیگنالهای مستقیم به عاملهای دیگر انجام میشود، یا توجه به تغییرات در محیط مشترک.
استدلال و تصمیمگیری
در سیستمهای چندعاملی مدرن، این استدلال عمدتا توسط یک مدل زبان بزرگ (LLM) که نقش مغز عامل را دارد انجام میشود. LLM در درک قصد پیچیده کاربر، انجام استدلال چند مرحلهای و ایجاد برنامههایی برای دستیابی به یک هدف عالی است. سیستم Multi Agent براساس دادههای حاصل از ادراک خود و کمک گرفتن از LLM، منطقیترین مسیر اقدام را پیدا میکند.
عمل
عاملها اقدامات برنامهریزی شده خود را در محیط انجام میدهند و نسخه اولیه خروجی را میسازند.
تعامل
Agentها بهصورت جداگانه کار نمیکنند. آنها با یکدیگر ارتباط برقرار میکنند، هماهنگ میشوند، مذاکره و همکاری میکنند. این کارها با ارسال مستقیم پیام، به اشتراکگذاری اطلاعات یا تغییر محیطی انجام میشود که سایر عاملها میتوانند آن را مشاهده کنند.
۲ معماری Multi Agent
سیستمهای Multi Agent بر دو معماری استوار هستند که در ادامه هرکدام را توضیح میدهیم.
مبتنی بر شبکههای متمرکز
سیستمهای چندعاملی روی شبکههای Centralized میتوانند تحت معماریهای مختلفی عمل کنند. در این شبکهها، یک واحد مرکزی که پایگاه دانش جهانی است عاملها را بههم وصل میکند و بر اطلاعات آنها نظارت دارد.
- نقطه قوت این ساختار سهولت ارتباط بین عاملها و دانش یکسان است.
- نقطه ضعف معماری Centralized وابستگی به واحد مرکزی است. بنابراین اگر این واحد از کار بیفتد، کل سیستمها از کار میافتند.
برپایه شبکههای غیرمتمرکز
در این معماری، عاملها در شبکههای غیرمتمرکز بهجای یک پایگاه دانش جهانی، اطلاعات را با عاملهای همسایه خود بهاشتراک میگذارند.
- مزیت این شبکه پایداری و ماژولار بودن است. به زبان خیلی ساده، از کار افتادن یک عامل باعث از کار افتادن کل سیستم نمیشود؛ چون هیچ واحد مرکزی وجود ندارد.
- چالش عاملهای غیرمتمرکز هماهنگی رفتار آنها برای بهرهمندی سایر عاملهای همکار است.
اجزا Multi Agent چیست و هرکدام چه کاری انجام میدهد؟
سیستمهای چند عاملی از چندین بخش تشکیل میشوند که در ادامه با آنها آشنا خواهید شد.
عامل
عاملها هسته هر سیستم Multi Agent هستند که ویژگیهای زیر را دارند:
- خودمختاری: عاملها بهطور مستقل و بدون دخالت انسان عمل میکنند. آنها تصمیم میگیرند، وضعیت داخلی خود را مدیریت میکنند و به تغییرات در لحظه پاسخ میدهند.
- دیدگاههای محلی: عاملها فقط محیط مربوط به نقش خود را میبینند. بنابراین حجم کمی دارند و بار ناشی از مصرف دادههای نامربوط را به سیستم تحمیل نمیکنند.
- تخصص و نقشها: هر عامل برای یک عملکرد خاص (مثلا برنامهریزی، اجرا یا تجزیهوتحلیل) طراحی شده است که به سیستم ساختار یکپارچه میدهد.
محیط
Environment فضای مشترکی است که عاملها در آن فعالیت میکنند. این محیط، زمینهای که عاملها با آن تعامل دارند – دادهها، وظایف و منابع – را فراهم میکند.
بسته به سیستم چند محیط وجود دارد:
- محیط دیجیتال که APIها و پایگاههای داده را در خود جا داده است؛
- محیط ترکیبی که در آن عاملهای دیجیتال با حسگرهای دنیای واقعی یا دستگاههای اینترنت اشیا تعامل دارند؛
- محیط فیزیکی مثل سیستمهای رباتیک که در آن عاملها روی اشیا و فضاهای فیزیکی عمل میکنند.
حافظه
Memory به عاملها اجازه میدهد تا اطلاعات را از کارها و ارتباطهای گذشته حفظ کرده و به یاد بیاورند. این قابلیت به Agent کمک میکند تا زمینه بسازد، از اقدامات گذشته درس بگیرد و در طول زمان تصمیمهای بهتری بگیرد.
ابزارها
عاملها میتوانند به ابزارهای از پیش ساختهشده یا سفارشی مانند موتور جستجوی وب، APIها، پایگاههای داده یا ابزارهای وظیفهمحور مجهز شوند. ارتباط بین سیستم Multi Agent و ابزارها با پروتکل MCP انجام میشود که زبان مشترک سیستمهای هوش مصنوعی است.
پروتکلهای ارتباطی
عاملها باید برای همکاری با یکدیگر اطلاعات را تبادل کنند. این کار از طریق پروتکلهای ارتباطی انجام میشود که نحوه قالببندی و انتقال پیامها را تعریف میکنند. الگوهای تثبیتشده شامل پروتکلهای عاملبهعامل (A2A) و پروتکل ارتباط عامل (ACP) است.
لایه هماهنگکننده
این لایه درست مثل یک مدیر پروژه عمل میکند و نحوه همکاری عاملهای مختلف را برای انجام یک کار پیچیده هماهنگ میکند. درواقع بهجای اینکه عاملها بهصورت تصادفی عمل کنند، Orchestrator آنها را در یک گردش کار ساختاریافته سازماندهی میکند.
این هماهنگکننده ترتیب فعال شدن عاملها، نحوه انتقال اطلاعات بین آنها و چگونگی مشارکت هر مرحله در رسیدن به هدف نهایی را تعیین میکند. درحالحاضر دو فریمورک LangGraph و CrewAI برای این لایه استفاده میشوند.
تفاوت سیستم Multi Agent با Single Agent
| ویژگی | Single Agent | Multi Agent |
| تعداد Agent | ۱ | چند Agent |
| تقسیم وظایف | توسط همان Agent | بین چندین Agent متخصص |
| تخصص | عمومیتر | هر Agent تخصص خودش را دارد |
| همکاری بین Agent | ❌ | ✅ |
| مناسب برای | کارهای ساده تا متوسط | کارهای پیچیده و چندمرحلهای |
| نحوه کار با آن | این صفحه را SEO کن | تحقیق → Keyword Research → تحلیل رقبا → تولید → بررسی |
| توسعه و نگهداری | سادهتر و هزینههای نگهداری کمتر در برابر Multi Agent | هزینهبرتر از Single Agent |
| نمونههای واقعی | – موتور توصیهگر (مثل ویدیوهای پیشنهادی یوتیوب و اینستاگرام)- پیشبینی علایق کاربر (مثل سرویس Spotify و کالاهای پیشنهادی دیجیکالا) – سیستمهای تشخیص تقلب در بانکها | Workflowهای هوشمند |
۵ نوع سیستم Multi Agent
سیستمهای چندعاملی به انواع زیر تقسیم میشوند.
مشارکتی
ویژگیها:
- داشتن اهداف مشترک و گره خوردن موفقیت آنها به تلاشهای مشترک همه عاملهای شرکتکننده
- بهاشتراکگذاری اطلاعات و منابع در کنار برنامهریزی مشترک برای استفاده بهجا از آنها
- ارتباط موثر و همگامسازی با استفاده از پروتکلها یا استراتژیهای از پیش تعریفشده
مکانیزمهای اجرای کار:
- کار تیمی: تشکیل تیمهایی از اعضای متخصص و مکمل
- اشتراکگذاری منابع: بهاشتراکگذاری منابعی مانند داده، انرژی یا قدرت محاسباتی برای دستیابی به هدف مشترک
مثال واقعی:
چندین عامل برای رسیدگی به درخواستهای پیچیده کاربر در یک سیستم چتبات خدمات مشتری با استفاده از مدلهای زبان بزرگ (LLM) همکاری میکنند. یک عامل در درک درخواستهای کاربر تخصص دارد، دیگری اطلاعات مرتبط را از پایگاههای داده میگیرد و سومی پاسخها را ترکیب میکند. آنها بینشها و زمینه را از طریق یک سیستم مرکزی بهاشتراک میگذارند تا همکاری منسجم و دقیقی داشته باشند و تعاملات مشتری را در پلتفرمهای مختلف ساده کنند.
متخاصم
ویژگیها:
- داشتن اهداف متضاد و جلوگیری یا پیشی گرفتن از سایر عوامل
- رقابت بر سر منابع محدود
مکانیزمهای اجرای کار:
- برنامهریزی استراتژیک: مشارکت عاملهای یک گروه در تصمیمگیری استراتژیک، پیشبینی و پاسخ به اقدامات عاملهای مقابل
- نظریه بازی: تصمیمگیری عاملها براساس اقدامهای مورد انتظار دیگران
مثال واقعی:
در یک سیستم شبیهسازی مناظره، دو عامل مبتنی بر LLM دیدگاههای متضادی را در مورد یک موضوع واحد مطرح میکنند. هر عامل استدلالهای دیگری را تجزیهوتحلیل میکند، نقاط ضعف را شناسایی میکند و استدلالهای متقابل را برای تقویت موضع خود و درعینحال تضعیف موضع حریف تدوین میکند.
مختلط
ویژگیها:
- ماهیت دوگانه (همکار و درعینحال رقیب)
مکانیزمهای اجرای کار:
- مذاکره و تشکیل ائتلاف: دستیابی به اهداف خاص با تشکیل جامعه متحدان داخلی یا ائتلافهای موقت، درعین رقابت با عاملهای خارج از ائتلاف
- حل تعارض: نیاز به مکانیزمهایی برای مدیریت و حل تعارضات بین اهداف مشارکتی و رقابتی
مثال واقعی:
در یک پلتفرم نویسندگی مشارکتی، سیستم Multi Agent یک داستان منسجم میسازد و همزمان برای کسب تاثیرگذارترین مشارکت، رقابت میکند.
سلسله مراتبی
ویژگیها:
- سازماندهی ساختاریافته عاملها در یک سیستم سلسله مراتبی، با سطوح مختلف اختیار و مسئولیت
- مدیریت و هماهنگی عاملهای سطح پایین توسط Agentهای سطح بالاتر
مکانیزمهای اجرای کار:
- تفویض اختیار از عوامل سطح بالاتر به عوامل سطح پایینتر
- هماهنگی براساس ساختار سلسله مراتبی
مثال واقعی:
یک عامل LLM سطح بالا بر کل فرآیند یک تیم تولید محتوا نظارت میکند و وظایف خاص را به عوامل سطح پایینتر متخصص واگذار میکند. این عوامل تابع، مسئولیتها را برعهده میگیرند. بنابراین یک عامل کارهای جستوجو، نوشتن و ویرایش را انجام میدهد، دیگری نظارت، ارتباط بین اجزای محتوا و همسویی با استراتژی کلی را انجام میدهد.
ناهمگن
ویژگیها:
- عاملهای متنوع با مهارتها، نقشها و قابلیتهای متفاوت
- اعطای مسئولیت به هر عامل با توجه به ویژگیهای منحصربهفرد و میزان تسلط آن
مکانیرمهای اجرای کار:
- ادغام مهارتها: همکاری عاملهایی با تخصص یا کارکردهای مختلف، برای دستیابی به اهداف پیچیده
- سازگاری: سازگاری سیستم با الزامات و شرایط پویا، با اتکا به قابلیتهای متنوع عاملهای خود
مثال واقعی:
در یک سیستم پشتیبانی جامع مشتری، عاملهای مختلف با دانش تخصصی در حوزههای گوناگون محصول، با هم کار میکنند. یک عامل به سوالات فنی پاسخ میدهد، دیگری مسائل مربوط به صورتحساب را مدیریت میکند و سومی در توصیههای محصول تخصص دارد.
۷ کاربرد سیستم Multi Agent در دنیای واقعی
سیستمهای Multi Agent کاربردهای متنوعی در صنایع مختلف دارند و از ماهیت غیرمتمرکز و مشارکتی خود برای حل مشکلات پیچیده بهره میبرند. در ادامه به تعدادی از کاربردهای کلیدی آنها اشاره میکنیم.
مدیریت زنجیره تامین
چند عامل هوشمند میتوانند وضعیت موجودی، تولید، حملونقل و تقاضا را همزمان بررسی کنند و برای کاهش هزینه و جلوگیری از کمبود کالا با هم تصمیم بگیرند.
بیشتر بخوانید: هزینه ساخت ایجنت هوش مصنوعی
بهداشت و درمان
سیستمهای Multi Agent میتوانند اطلاعات بیمار را بررسی کنند، وضعیت او را زیر نظر بگیرند و در برنامهریزی درمان یا مدیریت منابع به پزشکان کمک کنند.
امور مالی
عاملهای مختلف قادرند تراکنشها را بررسی کنند، فعالیتهای مشکوک را تشخیص دهند، ریسکهای مالی را ارزیابی کنند و به اعضای تیم اجازه دهند سرمایه مشتریان را بهتر مدیریت کنند.
بازی و شبیهسازی
در بازیها، هر شخصیت میتواند یک عامل هوشمند باشد که هدف و رفتار خاص خودش را دارد. همکاری این عاملها باعث ایجاد محیطهای پویا و واقعگرایانه میشود.
تجارت الکترونیک
با استفاده از سیستم Multi Agent در فروشگاههای آنلاین، عاملها رفتار و سلیقه مشتری را تحلیل میکنند و براساس آن محصولات، پیشنهادها و تبلیغات شخصیسازیشده ارائه میدهند.
تولید و کارخانه
بررسی وضعیت ماشینآلات، موجودی و روند تولید بهصورت مداوم کاری ساده برای سیستم Multi Agent است. اگر از سیستم چندعاملی در کارخانه استفاده شود، در صورت خرابی یا تغییر تقاضا، برنامه تولید خطوط بهطور خودکار تنظیم میشود.
فناوری اطلاعات
اگر سیستم Multi Agent در واحد IT بهکار گرفته شود، عاملهای مختلف شبکه و سرورها را زیر نظر میگیرند، مشکلات را شناسایی میکنند و برای رفع سریعتر خطاها با یکدیگر همکار میشوند.
۹ مزیت سیستم Multi Agent
- حل بهتر مسئله با کمک گرفتن از مهارتها و دیدگاههای منحصربهفرد هر عامل
- مقیاسپذیری و اضافه کردن چند عامل دیگر، بدون کند شدن سیستم
- مدیریت کارآمدتر فرآیندها و دادههای زیاد
- تابآوری بالاتر زیرساخت با تحمل خطا و پشتیبانی عاملهای سالم از عاملهای ازکارافتاده
- انعطافپذیر و سازگاری با اطلاعات جدید یا مشکلات غیرمنتظره
- سریعتر و کارآمدتر از سیستمهای Single Agent
- مناسب سیستمهای AI با نیاز مبرم به بهبود روشها و حل مسائل پیچیده روز
- پردازش موازی یک وظیفه و کار روی بخشهای مختلف آن بهطور همزمان
- توسعه داده، آزمایش و استقرار هر عامل بهصورت جداگانه
۷ محدودیت سیستمهای چند عاملی
سیستمهای چند عامل در کنار مزایای خود، یکسری چالش هم دارند که در ادامه آنها را معرفی کردیم.
- مدیریت دشوار سیستمهای پیچیده
- اضافه بار ارتباطی و کاهش سرعت سیستم در صورت اضافه شدن عاملهای جدید
- بروز نتایج غیرمنتظره در صورت عدم برنامهریزی صحیح هر عامل و آزمایش نتایج آنها
- نقض حریم خصوصی و ایمنی دادهها در مواجه با اطلاعات حساس
- نیاز به برنامهریزی دقیق و درک کافی از پروتکلهای ارتباطی
- اتکای شدید به LLMهای قدرتمند، ضرورت استفاده از API و بالا رفتن هزینه اجرا
- اشکالزدایی و ارزیابی پیچیده
چگونه سیستم Multi Agent بسازیم؟
پیادهسازی یک سیستم چندعاملی شامل چندین مرحله کلیدی زیر میشود که از طراحی شروع شده و به استقرار ختم میشود.
۱. تعریف مشکل و اهداف
بهطور واضح مشکلی را که سیستم باید حل کند و آنچه را که میخواهید کل سیستم و هر عامل به آن دست یابند، بیان کنید.
۲. تصمیمگیری در مورد طراحی عامل
در این مرحله باید وظایف خاص هر نوع عامل را مشخص کنید. سپس قابلیتهای آن را تعریف کنید. مثلا آنچه هر عامل میتواند حس کند، چه کاری میتواند انجام دهد و چگونه تصمیمگیری میکند. در نهایت، باید میزان آزادی هر عامل برای انتخابهای خودش را تعیین کنید.
۳. استفاده از محیط
یکی از دردسترسترین محیطهای اجرای سیستم Multi Agent، پلتفرم n8n است که در آموزش «هوش مصنوعی n8n چیست و چگونه یک ایجنت با آن بسازیم»، بهطور کامل نحوه کار با آن را توضیح دادیم.
۴. ادغام ابزارها
اگر پروژهتان بزرگ و چندوجهی است، به عاملها دسترسی به ابزارها یا برنامههای خارجی را بدهید. با اینکار هر عامل به پایگاههای داده، سایر سرویسها یا مدلهای هوش مصنوعی دسترسی دارد و میتواند کارش را بهدرستی انجام دهد.
۵. آزمایش و اعتبارسنجی
سیستم نهایی را بهطور کامل آزمایش کنید و نحوه عملکرد عاملها و فرآیند اجرای وظایفشان را ارزیابی کنید. مراحل باید طبق انتظار شما و در جهت رسیدن به هدف انجام شوند.
جمعبندی؛ آیا سیستم Multi Agent در هر شرایطی مناسب است؟
خیر. اگر مسئله یا پروژه ساده باشد، استفاده از چند Agent فقط سیستم را پیچیدهتر، کندتر و گرانتر میکند؛ اما وقتی پروژه فرآیند طولانی دارد و به چند تخصص، چند مسیر موازی یا کنترل و بررسی متقابل نیاز دارد، معماری Multi-Agent راهحل بهتری برای آن است.
سوالات متداولی که شما میپرسید
یک عامل واحد وظایف را بهصورت متوالی انجام میدهد و برای مدیریت همهچیز، از استدلال گرفته تا اجرا، به یک مدل متکی است. سیستمهای چندعاملی این کار را بین عاملهای متخصص توزیع میکنند.
سیستم تکعاملی وقتی کارآمد است که یک عامل بتواند بهتنهایی و با وظایف مشخص، مسئله را حل کند. سیستم چندعاملی زمانی انتخاب بهتری نسبت به سیستم Single Agent است که مسئله پیچیده باشد و به چند عامل با وظایف و تخصصهای متفاوت نیاز باشد.
یک سیستم چند عاملی با ارائه مزایایی مثل انعطافپذیر و سازگاری، مدیریت کارآمدتر فرآیندها و دادههای زیاد، حل بهتر مسئله و مقیاسپذیری، برای کارهای سنگین و سخت عالی است.
اضافه بار اطلاعاتی و هزینه، بروز نتایج غیرعادی، نقض حریم خصوصی و امنیت دادهها، بخشی از محدودیتهای این سیستمها هستند.
عامل، محیط، حافظه، ابزارها، پروتکلهای ارتباطی و لایه هماهنگکننده عاملها.
