اگر هنوز تصور می‌کنید یک مدل زبانی غول‌پیکر می‌تواند تمام نیازهای پیچیده سازمان شما را برطرف کند، احتمالاً با شکست‌های ناگهانی در مقیاس واقعی روبرو خواهید شد. حقیقت این است که هیچ مدل یکپارچه و تک‌سازه ای نمی‌تواند تنوع وظایف مدرن سازمانی را بدون خطا مدیریت کند.
به همین دلیل در ۱۹ ژوئیه ۲۰۲۶، چارچوب طراحی جدیدی با محوریت ارکستراتور عامل هوش مصنوعی (AI Agent Orchestrator) معرفی شد. طبق گزارش وب‌سایت dev.to، این مرکز فرمانده با توزیع کار بین عامل‌های متخصص، پایداری سیستم را تضمین می‌کند. این ساختار شبیه به یک مدیر پروژه است که به جای اینکه از یک نفر بخواهد تمام کارها را انجام دهد — مثل این است که از یک نفر بخواهید همزمان حسابدار، نویسنده و طراح باشد — هر بخش را به متخصصش می‌سپارد؛ تحلیل داده‌ها به ریاضی‌دان و متون خلاقانه به شاعر می‌رسد.
همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، تمرکز بر تخصص‌های مجزا ریسک توهم را کاهش می‌دهد. این معماری برای اجرا به سه لایه اصلی نیاز دارد. ابتدا لایه برنامه‌ریزی، درخواست کاربر را به زیر-وظایف کوچک‌تر تجزیه می‌کند. سپس ارکستراتور با بررسی فهرست عامل‌ها، مناسب‌ترین گزینه را پیدا می‌کند. در نهایت، لایه اجرا پیشرفت کار را رصد کرده و ارتباط بین عامل‌ها را مدیریت می‌کند.
بر اساس مستندات فنی، سیستم برای انتخاب عامل درست از یک فرآیند امتیازدهی چندعاملی استفاده می‌کند:
- همراستاسازی قابلیت‌ها: تطبیق نیازهای وظیفه با آموزش‌های خاص هر عامل.
- بار فعلی: ارزیابی تأخیر (Latency) برای جلوگیری از ارسال درخواست به عامل‌های overloaded.
- موفقیت‌های پیشین: رتبه‌بندی عامل‌ها بر اساس نرخ خطای تاریخی و سطح اطمینان.
پایداری این سیستم از طریق یک سازوکار بازیابی خطا تضمین شده است. اگر عامل اصلی پاسخ ندهد یا با خطا مواجه شود، ارکستراتور به‌طور خودکار وظیفه را به کاندیدای بعدی در صف پشتیبان می‌سپارد؛ تمام این روند بدون نیاز به دخالت انسان رخ می‌دهد.
این چرخش راهبردی، فرض قدیمی «مدل‌های بزرگ‌تر، بهترند» را به چالش می‌کشد. به نظر تحلیلگران، هوشمندی یک سیستم دیگر در تعداد پارامترهای یک مدل نیست، بلکه در لایه هماهنگی و مدیریت آن نهفته است.
برای توسعه‌دهندگان، این تغییر به معنای گذار از مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن از یک مشاور خبره است — به «مهندسی ارکستراسیون» است. حالا تمرکز از نوشتن یک دستور کامل، به طراحی فهرست‌های دقیق و منطق بازیابی تغییر کرده است تا سیستم در صورت آفلاین شدن یک عامل، به‌طور نرم دچار افت کیفیت شود، نه شکست کامل.
شرکت‌ها اکنون می‌توانند این الگو را در گردش‌کارهای متنوع، حتی در تیم‌های ترکیبی انسان و هوش مصنوعی پیاده کنند. ابزارهایی مانند InfraSketch به طراحان اجازه می‌دهند این نمودارهای معماری را تنها با توصیفات متنی ساده در چند ثانیه خلق کنند.
گام بعدی شما
- بررسی مستندات پیاده‌سازی لایه‌های Planning و Recovery در پروژه‌های متن‌باز.
- ทดลอง جایگزینی یک مدل تک‌سازه با یک سیستم چندعاملی کوچک برای وظایف تکراری.
- تماشای walkthroughهای عملی در لینکدین و یوتیوب برای مشاهده نحوه برخورد ارکستراتور با شکست‌های سیستمی.
این تغییر معماری تنها لایه اول است؛ تأثیر این رویکرد بر کاهش هزینه‌های استنتاج در مقیاس کلان، مشابه آنچه در معماری غیرمتمرکز عامل‌های هوش مصنوعی برای کاهش هزینه‌ها مشاهده شد، در گزارش بعدی بررسی خواهیم کرد.
گفتگو