بازارهای عامل‌محور: جایگزینی مسیریاب‌های ایستا با حراج‌های بلادرنگ

تصور کنید هر پرامپت کاربر، کالایی در یک حراج خانه باشد که عامل‌های مختلف برای تصاحب آن رقابت می‌کنند. این رویکرد، نیاز به قوانین سخت‌افزاری و مسیریاب‌های مرکزی را به‌طور کامل حذف می‌کند و در عوض از بازارهای غیرمتمرکز عامل‌محور استفاده می‌کند.

طبق تحلیل فنی منتشر شده در ۱۵ اکتبر ۲۰۲۶ و بر اساس مقاله arXiv 2610.20587v1، عامل‌ها اکنون در زمان واقعی برای پردازش درخواست‌ها رقابت می‌کنند. آن‌ها بر اساس «ارزش مورد انتظار» قیمت پیشنهادی خود را ارائه می‌دهند. این مقدار به صورت تفاضل پاداش مورد انتظار منهای هزینه استنتاج (Inference Cost) محاسبه می‌شود. این مدل اقتصادی در راستای تحولی است که در شبکه Arc برای حذف قراردادهای سنتی در تبادلات عامل‌ها مشاهده کردیم و تعاملات مالی را به لایه‌های زیرساختی منتقل می‌کند.

اکثر سامانه‌های تولیدی فعلاً از یک مسیریاب مرکزی با قوانین ایستا استفاده می‌کنند تا تصمیم بگیرند کدام مدل وظیفه‌ای را بر عهده بگیرد. این ساختار باعث ایجاد گلوگاه می‌شود و مستلزم آن است که مدیریت مرکزی، دانش کاملی از توانایی‌ها و هزینه‌های لحظه‌ای هر عامل داشته باشد. مدل پیشنهادی، این منطق را به خود عامل‌ها منتقل می‌کند تا توزیع نیروی کار مقیاس‌پذیرتر و حریم خصوصی‌محورتر شود.

مکانیسم حراج‌های قیمت اول

این سامانه از «حراج‌های قیمت اول» (First-Price Auctions یا FPAs) استفاده می‌کند؛ جایی که بالاترین پیشنهاددهنده برنده پرامپت شده و دقیقاً همان مبلغی را که پیشنهاد داده است، پرداخت می‌کند. این مکانیسم شفاف است و در یک دور نهایی شده، بدون اینکه هماهنگ‌کننده نیاز داشته باشد ساختار هزینه‌های خصوصی عامل‌ها را بداند. در این مدل، هر پرامپت کاربر به یک کالای حراجی تبدیل شده و وظیفه به بالاترین پیشنهاددهنده تخصیص می‌یابد.

با این حال، حراج‌های قیمت اول «صادقانه» نیستند. عامل‌ها اغلب به «سایه‌اندازی قیمت» (Bid Shading) روی می‌آورند؛ یعنی برای به حداکثر رساندن سود، مبلغی کمتر از ارزش واقعی خود پیشنهاد می‌دهند. این رفتار استراتژیک منجر به اتلاف رفاه سیستم می‌شود که با مفهوم «بهای آنارشی» (Price of Anarchy یا PoA) سنجیده می‌شود. PoA به عنوان نسبت رفاه بهینه به رفاه تعادلی در بدترین حالت تعریف می‌شود.

در حالت کلی، PoA توسط مقدار ۱ - 1/e (حدود ۰.۶۳) محدود می‌شود؛ به این معنا که تا ۳۷٪ از رفاه بالقوه سیستم ممکن است از دست برود، زیرا پرامپت ممکن است به عاملی برسد که در واقع کمترین ارزش را برای آن قائل بوده است.

تقویت‌کننده‌های کارایی: کف قیمتی و استقلال

به نقل از این مقاله، دو ویژگی ساختاری وجود دارد که می‌تواند کارایی را به بالاتر از مرز ۰.۶۳ برساند:

• کف رقابتی (Competitive Floor): زمانی رخ می‌دهد که چندین عامل، ارزش پرامپت را بالاتر از یک حد پایه از رفاه بهینه بدانند. این وضعیت زمانی رایج است که مدل‌های برتر به جایگزین‌های ارزان‌تر distillation شده باشند، چندین عامل روی انواع پرامپت‌های رایج عملکرد مشابهی داشته باشند، یا ارائه‌دهندگان استنتاج کالایی بر سر قیمت رقابت کنند. وقتی چندین عامل بتوانند ۷۰٪ ارزش بهینه را با هزینه کم ارائه دهند، برنده مجبور است قیمتی نزدیک به ارزش واقعی پیشنهاد دهد تا حذف نشود. با بالا رفتن این کف، اتلاف رفاه به صفر نزدیک می‌شود.
• استقلال تقریبی ارزش‌ها: زمانی اتفاق می‌افتد که قابل‌پیش‌بینی‌ترین تغییر در ارزش مورد انتظار، ناشی از خودِ پرامپت باشد تا ویژگی‌های عامل. اگر همه عامل‌ها توافق کنند که یک پرامپت دشوار است (پاداش بالا اما هزینه استنتاج زیاد)، ارزش‌گذاری‌های آن‌ها مشروط به پرامپت، مستقل از هم می‌شود. در این شرایط، تضمین کارایی به ۱ - 1/e² (حدود ۰.۸۶) بهبود می‌یابد.

همان‌طور که در بحث‌های گذشته ما درباره امنیت مدل‌های بازمتن اشاره کردیم، انتقال کنترل از مرکز به لایه‌های توزیع‌شده همواره چالش‌های نظارتی جدیدی ایجاد می‌کند.

معماری فنی و زیرساخت

حراج در زمان سرویس‌دهی از طریق یک خط لوله خاص عمل می‌کند. کلاس AgenticMarket این فرآیند را هماهنگ می‌کند: ابتدا پرامپت را برای همه عامل‌ها پخش می‌کند؛ سپس عامل‌ها به‌طور موازی پاداش مورد انتظار و هزینه استنتاج را محاسبه می‌کنند تا قیمت پیشنهادی را تعیین کنند. در مرحله بعد، عامل ممکن است قیمت را سایه‌اندازی کند و در نهایت، هماهنگ‌کننده برنده را انتخاب و پرداخت را تسویه می‌کند.

برای جلوگیری از مسدود شدن مسیر سرویس‌دهی، عامل‌ها نمی‌توانند برای تخمین پاداش، استنتاج کامل را اجرا کنند. در عوض، آن‌ها باید از سیگنال‌های سبک استفاده کنند:

• تطبیق بردار معنایی (Embedding) پرامپت با عملکرد تاریخی.
• ویژگی‌های زمینه کاربر مانند دامنه، زبان و نوع وظیفه.
• توزیع‌های مقداری ذخیره‌شده (Cached) برای پرامپت‌های مشابه.
• مدل‌های پروکسی سریع که پاداش را بدون استنتاج کامل پیش‌بینی می‌کنند.

اگر این تخمین‌ها بیش از حد طول بکشد، حراج با خطا (Timeout) مواجه شده و سیستم به یک مسیریاب پیش‌فرض باز می‌گردد.

مدیریت خطا و تسویه حساب

تسویه پرداخت‌ها از طریق حساب‌های امانی (Escrow) انجام می‌شود تا سه حالت شکست اصلی مدیریت شود:

• شکست در میانه استنتاج: اگر برنده در حین پردازش شکست بخورد، پرامپت هدر می‌رود. راهکار این است که پرداخت تا زمان تحویل در امانت بماند و یک عامل رده‌دوم در حالت آماده‌باش (Standby) نگه داشته شود.
• پاسخ‌های کم‌کیفیت: اگر برنده پاسخی ضعیف تولید کند، یک مدل پاداش (Reward Model) خروجی را ارزیابی می‌کند. سیستم می‌تواند بندهای بازپس‌گیری (Clawback) را فعال کند تا اگر کیفیت زیر یک آستانه مشخص بود، پرداخت لغو شود.
• تبانی (Collusion): عامل‌ها ممکن است برای سرکوب قیمت‌ها تبانی کنند. این مورد با تحلیل الگوهای پیشنهاد و جریمه عامل‌هایی با سایه‌اندازی‌های بسیار همبسته نظارت می‌شود.

برای جلوگیری از تبانی میان عامل‌هایی که زیرساخت مشترک دارند (مثلاً چندین عامل مبتنی بر GPT-4)، این چارچوب پیشنهاد می‌کند ممیزی‌های تصادفی اجرا شود؛ یعنی هر از گاهی حراج‌های «قیمت دوم» برای شناسایی سایه‌اندازی‌های سیستماتیک اجرا گردد. همچنین پیشنهاد می‌شود پیشنهادها به‌صورت ناشناس ارسال شوند تا عامل‌ها نتوانند پیشنهاد رقیب را تا زمان بسته شدن حراج ببینند.

اندازه‌گیری عملکرد در محیط عملیاتی

برای نظارت بر «بهای آنارشی» در محیط زنده، اپراتورها باید شکاف بین رفاه تحقق‌یافته و یک خط پایه بهینه را ردیابی کنند. این کار مستلزم ابزارهایی است که نسبت رفاه واقعی حاصل از نتایج حراج را در برابر رفاهی که در صورت تخصیص همیشگی به عاملی با بالاترین ارزش واقعی رخ می‌داد، محاسبه کنند.

اگر PoA به زیر ۰.۸ سقوط کند، معمولاً نشان‌دهنده تخریب کف رقابتی یا تبانی عامل‌هاست. وقتی کف رقابتی از بین می‌رود — که اغلب به دلیل تسلط یک عامل در یک حوزه تخصصی (مثل استدلال پزشکی) یا کیفیت پایین Distillation رخ می‌دهد — عامل غالب می‌تواند قیمتی بسیار پایین‌تر از ارزش واقعی پیشنهاد دهد و همچنان برنده شود. مقاله پیشنهاد می‌کند قیمت‌های رزرو (حداقل پیشنهاد) بر اساس دشواری تاریخی پرامپت‌ها تعریف شوند؛ اگر هیچ پیشنهادی از قیمت رزرو فراتر نرود، سیستم به یک عامل پیش‌فرض با قابلیت بالا باز می‌گردد.

شکل استقرار و موازنه

یک بازار عامل‌محور بین API کاربر و مجموعه عامل‌ها قرار می‌گیرد. این معماری شامل یک درگاه API، هماهنگ‌کننده حراج (که برای دسترسی بالا ممکن است از انتخاب لیدر یا Leader Election استفاده کند)، لایه تسویه امانی، مجموعه عامل‌ها و لایه مشاهده‌پذیری برای اندازه‌گیری PoA است.

در مقایسه با مسیریابی مرکزی، بازارهای عامل‌محور مقیاس‌پذیری بالاتر و حریم خصوصی بهتری برای عامل‌ها دارند (چون هزینه‌ها خصوصی می‌مانند). اما پیچیدگی عملیاتی را افزایش داده و ممکن است ۱۰ تا ۲۰ درصد از کارایی را به دلیل رفتارهای استراتژیک از دست بدهند. در این میان، مدیریت هزینه‌های استقرار به یک چالش حیاتی تبدیل شده است، چرا که پیش‌بینی می‌شود هزینه استقرار عامل‌های سازمانی در سال ۲۰۲۷ به ۲۰۰ هزار دلار برسد و این امر فشار بر بهینه‌سازی بازارهای حراج را دوچندان می‌کند.

مسیریابی مرکزی برای مجموعه‌های کوچک (زیر ۵ عامل) که توانایی‌هایشان کاملاً شناخته شده است و اعتماد مطلق وجود دارد، برتری دارد. اما برای پلتفرم‌های چندمستاجری (Multi-tenant) که عامل‌ها متعلق به طرف‌های مختلف هستند و قابلیت‌هایشان خصوصی است، بازارهای عامل‌محور گزینه بهتری‌اند.

این تغییر در منطق مسیریابی، فرض بنیادی ارکستراسیون هوش مصنوعی را از یک مسئله مدیریتی به یک مسئله اقتصادی تبدیل می‌کند. صنعت از «انتخاب بهترین مدل» به سمت «ایجاد بازاری که بهترین مدل را به پیروزی تشویق کند» حرکت می‌کند.

توسعه‌دهندگان باید تکامل مدل‌های پاداش را زیر نظر بگیرند، زیرا موفقیت این بازارها کاملاً به دقت تخمین «پاداش مورد انتظار» پیش از پردازش پرامپت وابسته است. برای کاهش این هزینه‌های استنتاجی، راهکارهای نوآورانه‌ای مانند هرس حافظه در Gemini برای کنترل توکن‌ها در حال ظهور هستند تا سودآوری عامل‌ها در حراج‌ها افزایش یابد.

گام بعدی شما

• بررسی معماری‌های AgenticMarket برای جایگزینی منطق‌های if/else در مسیریاب‌های فعلی.
• پیاده‌سازی لایه‌های امانی (Escrow) برای مدیریت پرداخت‌ها در سامانه‌های چندعاملی.
• تحلیل نرخ PoA در محیط تست برای شناسایی نقاط ضعف در رقابت مدل‌ها.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.