تصور کنید یک تیم برنامه‌نویسی دارید که هر عضو آن در یک تخصص پیشرو است، اما هیچ‌کدام نمی‌توانند با هم به توافق برسند. اگر همین وضعیت در یک سامانهٔ عامل‌محور (Agentic) رخ دهد، نتیجه یا بن‌بست مطلق است یا یک کد ناقص که در محیط عملیاتی فرو می‌پاشد.
به نقل از TormentNexus، نرخ نقص در راهکارهای خودکار از ۴۰٪ به زیر ۸٪ کاهش یافته است. این کاهش شدید در نرخ خطا، حاصل پیاده‌سازی یک چارچوب برای اجماع خودکار میان عامل‌های هوش مصنوعی است که در ۱۴ اوت ۲۰۲۶ منتشر شد.
بسیاری از سامانه‌های چندعاملی (Multi-agent system) — شبیه به یک جلسهٔ اداری که در آن هر کس فقط می‌خواهد حرف خود را بزند — دچار «بن‌بست تک‌رشته‌ای» (single-thread stalemate) می‌شوند. این چالش‌های هماهنگی در سیستم‌های توزیع‌شده پیش‌تر نیز مورد توجه قرار گرفته بود؛ برای مثال، Network-AI با معرفی چرخهٔ تأیید اتمیک تلاش کرد تا از تداخلات مخرب و پاک‌شدن داده‌ها در محیط‌های چندعاملی جلوگیری کند. این اتفاق زمانی رخ می‌دهد که یک برنامه‌ریز، یک اجراکننده و یک منتقد، هر سه دیدگاه‌های درست اما متضادی درباره‌ی یک مسیر فنی داشته باشند. در این حالت، بدون وجود یک مکانیزم حل اختلاف، این دسته‌های عامل یا به بن‌بست می‌رسند یا یک مصالحه شکننده تولید می‌کنند که در محیط تولید (Production) شکست می‌خورد.
برای درک بهتر، بهینه‌سازی یک خط لوله (Pipeline) قدیمی پردازش داده را تصور کنید. برنامه‌ریز یک بازطراحی رادیکال با استفاده از یک کتابخانه جدید ناهمگام (Asynchronous) پیشنهاد می‌دهد. اجراکننده با تحلیل کد، یک ناسازگاری بحرانی با یکی از ماژول‌های اصلی را شناسایی می‌کند. آزمون‌گر بنچمارک‌ها را اجرا کرده و متوجه می‌شود که کتابخانه جدید، یک پس‌رفت (Regression) در تأخیر به میزان ۱۵ میلی‌ثانیه در داده‌های خاص (Edge-case payloads) ایجاد می‌کند. هم‌زمان، منتقد اشاره می‌کند که راهکار پیشنهادی، سه اصل معماری تثبیت‌شده را نقض می‌کند.
در ساختارهای سنتی، این تضاد یا نیازمند مداخله انسان است — که جریان کاری خودکار را می‌شکند — یا بر یک سلسله‌مراتب سخت‌گیرانه تکیه دارد که در آن نظر یک عامل به‌سادگی بر دیگران اولویت می‌یابد. این رویکرد منجر به ایجاد سیستم‌های شکننده و بررسی‌نشده می‌شود. چالش اصلی، طراحی مکانیزمی است که صرفاً نظرات را جمع‌آوری نکند، بلکه فعالانه اختلافات فنی اساسی را حل کند.
شورای نقش‌های تخصصی
شرکت TormentNexus برای حل این مشکل، دستهٔ عامل‌ها را به‌جای یک گروه مساوی از همتایان، به شکل یک «شورای پویا» سازماندهی کرده است. این طراحی، دیدگاه‌های خاصی را برای تولید تضاد تعریف می‌کند تا اطمینان حاصل شود که اختلافات اصولی هستند و از تنش ذاتی میان سرعت، امکان‌پذیری، اعتبارسنجی و یکپارچگی نشأت می‌گیرند.
هر عامل یک نقش مشخص دارد تا تضادها نه بر اساس سلیقه، بلکه بر اساس معیارهای فنی باشد:
- برنامه‌ریز (Planner): بر اهداف کلان، جدول زمانی و تخصیص منابع تمرکز دارد. او می‌پرسد: «بهینه‌ترین مسیر برای رسیدن به هدف چیست؟»
- اجراکننده (Implementer): بر واقعیت‌های کد و بدهی‌های فنی نظارت می‌کند. او با تحلیل امکان‌پذیری و وابستگی‌ها می‌پرسد: «با این کد، چه چیزی عملاً امکان‌پذیر است؟»
- آزمون‌گر (Tester): بر اعتبارسنجی و متریک‌ها متمرکز است. او بنچمارک‌ها را اجرا کرده، موارد تست می‌نویسد و نتایج را می‌سنجد و می‌پرسد: «آیا این تغییر کار می‌کند و چگونه می‌توانیم آن را ثابت کنیم؟»
- منتقد (Critic): پاسدار استانداردهای امنیتی و اصول طراحی است. او بر اساس پروتکل‌های امنیتی و بهترین تجربیات ارزیابی می‌کند و می‌پرسد: «آیا این درست‌ترین چیزی است که باید ساخته شود، حتی اگر ساختنش ممکن باشد؟»
پروتکل مناظره در سه مرحله
طبق مستندات این شرکت، هرگاه یک پیشنهاد باعث ایجاد تضاد شود — که به صورت احساس منفی یا پرچم هشدار از سوی دو یا چند عامل تخصصی تعریف می‌شود — یک فرآیند مناظرهٔ مدیریت‌شده آغاز می‌شود تا از چت‌های بی‌هدف و پراکنده (free-for-all) که در ارکستراسیون‌های ساده LLM رایج است، جلوگیری شود.
مرحله اول: ادعا و شواهد
عامل‌های مخالف باید ابتدا پیشنهاد اصلی را بازگو کنند و سپس اعتراض خود را به صورت یک ادعای شفاف و قابل ابطال (Falsifiable) بیان کنند. آن‌ها موظف‌اند شواهد بیاورند؛ مثلاً اجراکننده باید به خط خاصی از کد، آزمون‌گر به خروجی یک بنچمارک و منتقد به یک اصل نقض‌شده در مستندات اشاره کند.
مرحله دوم: پیشنهاد جایگزین
عامل‌ها اجازه ندارند فقط نقد کنند؛ آن‌ها باید بحث را به سمت حل مسئله به صورت مشارکتی سوق دهند. برای مثال، اعتراضی مانند «استفاده از کتابخانه X به دلیل ماژول Y غیرممکن است» باید تبدیل شود به: «من پیشنهاد می‌کنم از کتابخانه Z که سازگار است استفاده کنیم یا ماژول Y را بازنویسی کنیم».
مرحله سوم: ترکیب و رای‌گیری
یک عامل ناظر (Moderator) که یک مدل زبانی بزرگ (LLM) با پرامپت تخصصی است — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — نقاط مشترک و توازن‌های کلیدی (Trade-offs) را استخراج می‌کند. سپس رای‌گیری وزنی انجام می‌شود که در آن وزن هر رای بر اساس حوزه مسئله به‌طور پویا تغییر می‌کند:
- در مسائل مربوط به عملکرد: رای آزمون‌گر وزن بیشتری دارد.
- در مسائل یکپارچگی معماری: رای منتقد اولویت مطلق دارد.
نتیجه این فرآیند یک اجماع است که می‌تواند همان طرح اصلی با افزودن تدابیر حفاظتی، یک پیشنهاد جایگزین یا یک راهکار ترکیبی جدید باشد. کل این فرآیند ثبت می‌شود تا یک ردپای حسابرسی (Audit trail) از تصمیم‌گیری‌های فنی ایجاد شود.
پیاده‌سازی فنی و نتایج
بر اساس مستندات فنی TormentNexus، این سامانه از یک SwarmOrchestrator برای شناسایی سیگنال‌های تضاد استفاده می‌کند. این ارکستراتور کانال‌های ارتباطی را برای کلمات کلیدی خاص و محرک‌های نقش-آگاه (Role-aware triggers) رصد می‌کند.
در کد، متد process_proposal به عنوان تریاژ اولیه عمل می‌کند. این متد پاسخ‌ها را از تمام عامل‌ها جمع‌آوری کرده و از تشخیص تضاد مبتنی بر اکتشافی (Heuristic) استفاده می‌کند. اگر آستانه تضاد رد شود (دو یا چند نقش تخصصی مخالف باشند)، ارکستراتور یک DebateChannel باز می‌کند.
این کانال، پرامپت‌های خاصی را تزریق می‌کند که عامل‌ها را مجبور می‌کند پاسخ خود را در سه بخش (اعتراض دقیق، شواهد و پیشنهاد جایگزین) قالب‌بندی کنند. این کار باعث می‌شود مناظره بر پایه شواهد باشد، نه گمانه‌زنی.
در بنچمارک‌های داخلی برای شبیه‌سازی یک پروژه مهاجرت میکروسرویس‌ها، نتایج خیره‌کننده بود. در حالت رای‌گیری ساده بر اساس اکثریت و بدون مناظره، ۴۰٪ راهکارهای انتخاب‌شده توسط عامل‌ها منجر به ایجاد باگ‌های جدید یا مشکلات عملکردی در چرخه‌های تست بعدی شدند.
اما با پیاده‌سازی پروتکل مناظره ساختاریافته، نرخ معرفی نقص به زیر ۸٪ رسید. همچنین، زمان مورد نیاز برای رسیدن به یک راهکار پایدار به‌طور متوسط ۳۵٪ کاهش یافت، زیرا مرحله مناظره به‌طور پیش‌دستانه تضادهای یکپارچه‌سازی و طراحی را حل کرد که در غیر این صورت باعث بازنویسی‌های costly در مراحل بعدی می‌شد.
اگرچه این فرآیند تعداد فراخوانی‌های LLM و هزینه استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی نه دوره آموزش آشپز — را در ابتدا افزایش می‌دهد، اما چارچوب استدلال می‌کند که این هزینه «پیش‌پرداخت» شده است. این رویکرد هزینه‌های بسیار بالاترِ عیب‌یابی، بازنویسی و وصله کردن پیاده‌سازی‌های ناقصی را که بدون بررسی دقیق اجرا شده‌اند، حذف می‌کند.
این تغییر، فرض بنیادی ارکستراسیون عامل‌ها را دگرگون می‌کند و صنعت را از دسته‌های «بله‌قربان‌گو» به سمت تیم‌های تاب‌آور متشکل از همکاران و «وکلای شیطان» (Devil's advocates) سوق می‌دهد.
گام بعدی شما
- مستندات فنی را در tormentnexus.site بررسی کنید تا با ساختار
SwarmOrchestratorآشنا شوید و برای دسترسی زودهنگام به ابزارهای ارکستراسیون درخواست دهید. - اگر از سامانه‌های چندعاملی استفاده می‌کنید، نقش «منتقد» را با دسترسی به مستندات معماری به زنجیره استدلال خود اضافه کنید.
- برای کاهش نرخ خطا، به‌جای رای‌گیری اکثریت، مکانیزم «پیشنهاد جایگزین» را در پرامپت‌های خود پیاده کنید.
اما هزینه پردازشی این مناظره‌ها می‌تواند گلوگاه جدیدی باشد؛ برای بهینه‌سازی این هزینه‌ها، تحلیل ما درباره‌ی تکنیک‌های Distillation را بخوانید.
گفتگو