تصور کنید یک تیم از متخصصان مجازی را مدیریت میکنید که بهجای گزارشهای دقیق، یادداشتهای مبهمی برای هم میفرستند و کل پروژه را به هم میریزند. این دقیقاً همان نقطهای است که اکثر سامانههای چندعاملی (Multi-agent system) در دنیای واقعی شکست میخورند.
به نقل از تیم توسعهدهنده، قابلیت اطمینان در این سیستمها زمانی از بین میرود که عاملها رشتههای متنی خام (Raw strings) را با هم رد و بدل کنند. برای حل این مشکل، AgentForge در ۱۷ اوت ۲۰۲۶ چارچوبی را منتشر کرد که «چت کردن» را با قراردادهای تایپشده و سختگیرانه JSON جایگزین میکند. این رویکرد در راستای تلاشهای گستردهتر برای کاهش نرخ خطای سیستمهای خودکار است، مشابه آنچه پروتکل مناظرهٔ TormentNexus برای بهینهسازی عملکرد عاملها به کار گرفت.
همانطور که در تحلیل قبلی ما دربارهی توپولوژیهای ارتباطی در هوش مصنوعی اشاره کردیم، صنعت اکنون از اتصال ساده به سمت حاکمیت ساختاریافته حرکت میکند. در مدلهای فعلی، عامل A صرفاً به عامل B «میگوید» چه کند؛ اما اگر خروجی از حد توکن (Token) — مثل برشهای کوچکی از متن که مدل تکهتکه میخورد — فراتر رود یا مدل یک پارامتر حیاتی را حذف کند، کل زنجیره متوقف میشود.
AgentForge این مشکل را با سیستمی به نام AgentContract حل کرده است که ورودیها و خروجیها را در لحظه اجرا اعتبارسنجی میکند. این سازوکار از سه لایه تشکیل شده است:
- اسکمای ورودی: هر عامل دقیقاً اعلام میکند چه چیزی نیاز دارد (مثلاً یک مقدار اعشاری برای آستانه ریسک).
- اسکمای خروجی: عاملها باید دادههایی را برگردانند که با یک نوع مشخص مطابقت داشته باشد.
- اعتبارسنجی ارکستراتور: اگر خروجی بهجای عدد ۰.۹۲، عبارت متنی «بالا» باشد، ارکستراتور AgentForge بلافاصله خط تولید را متوقف میکند تا خطای زنجیرهای رخ ندهد. این دقت در مدیریت وضعیت، یادآور راهکار Network-AI در استفاده از چرخه تأیید اتمیک برای جلوگیری از تداخل و پاکشدن دادهها در محیطهای چندعاملی است.
طبق مستندات این پروژه، این تغییر باعث میشود گردشکارهای عاملمحور (Agentic) از حالت «تلاش حداکثری احتمالی» به مهندسی نرمافزار قطعی تبدیل شوند. برای توسعهدهندگان، این یعنی بهجای حدس زدن دلیل اشتباهِ مدل، مستقیماً با یک عدمتطابق در اسکیما (Schema) مواجه میشوند که ردیابی آن ساده است.
گام بعدی شما
- مخزن گیتهاب AgentForge را برای بررسی پیادهسازی قراردادها در تحلیل ریسک بررسی کنید.
- در پروژههای خود، خروجیهای متنی مدلها را با لایههای اعتبارسنجی JSON جایگزین کنید.
- ساختار دادههای ورودی عاملهای خود را به صورت صریح (Explicit) تعریف کنید.
اما این نظم ساختاری تنها نیمی از مسیر است؛ چالش بعدی، مدیریت حافظه در این قراردادهای پیچیده است که در گزارشهای آینده بررسی خواهیم کرد. در همین راستا، استفاده از ماشینهای لینوکس اختصاصی توسط Trigger.dev نمونهای از تلاش برای حل بحران حافظه و تایماوت در عاملهای هوش مصنوعی است.
گفتگو