يفتح تشغيل عدة وكلاء في Antigravity الباب أمام سير عمل متوازٍ وسريع في الذكاء الاصطناعي، لكن التنسيق وعزل المهام وضبط التوقيت تتطلب تخطيطًا دقيقًا. يشرح هذا المقال الأنماط الحقيقية التي تعمل، والأخطاء الشائعة التي تضيّع ساعات، وكيفية إقران الوكلاء المتزامنين بأدوات توليد الصور والنصوص بالذكاء الاصطناعي للحصول على مخرجات أغنى وأكثر أتمتة.
يبدو تشغيل عدة وكلاء في Antigravity أمرًا بسيطًا، إلى أن يتعطل الوكيل الثالث بصمت، فتقضي أربعين دقيقة تتساءل عن سبب خروج النتيجة ناقصة. التنفيذ المتوازي من أقوى ميزات Antigravity، لكنه يتطلب نموذجًا ذهنيًا محددًا. يتناول هذا المقال ما يعمل فعليًا في بيئات الإنتاج، وكيف تبني الفرق الحقيقية خطوط معالجة وكلائها، وأين يجب تجنب الفخاخ التي تبدو بريئة للوهلة الأولى.
تُنفّذ معظم أطر عمل الوكلاء المهام بالتسلسل افتراضيًا. تحدد مهمة، فيلتقطها وكيل وينهيها، ولا تبدأ المهمة التالية إلا بعد ذلك. أما Antigravity فتعكس هذا المنطق. فمجدوِل المهام الأساسي مبني على حلقة أحداث متزامنة تعامل مهام الوكلاء كعناصر من الدرجة الأولى، وليس كإضافات تُلحق بمجموعة خيوط.
تشغّل Antigravity في جوهرها حلقة تفاعلية. عندما تسجّل وكيلًا، فأنت لا تُشغّل عملية جديدة، بل تسجّل كوروتين (coroutine) يديره المجدوِل. وهذا يعني أن زمن الاستجابة يتراكم بطريقة مختلفة عما هو عليه في الأنظمة المعتمدة على الخيوط. فعشرة وكلاء يعملون بالتزامن في Antigravity سيتفوقون عادةً على عشرة استدعاءات متسلسلة، لأن زمن انتظار الإدخال والإخراج، وهو الزمن الذي تقضي فيه معظم استدعاءات النماذج اللغوية الكبيرة (LLM) 80% من وقتها، يُشارَك عبر المجموعة.
الفكرة الجوهرية هنا: التزامن لا يعني غياب الضبط. توفر Antigravity اللبنات الأساسية، لكن منطق التنسيق يبقى من مسؤوليتك بالكامل.
قبل إضافة مزيد من الوكلاء، من المفيد أن تعرف سبب وجود الإعداد الافتراضي للوكيل الواحد. الوكيل الواحد قابل للتنبؤ، فهو يقرأ السياق ويتصرف بناءً عليه ويعيد نتيجة. ما إن تُدخل وكيلًا ثانيًا يقرأ السياق نفسه، حتى تصبح احتمالية اختلاف المخرجات قائمة. Antigravity لا توفّق بين هذه المخرجات تلقائيًا، فهذه مهمتك أنت.
💡 ابدأ بوكيل واحد، وراقب أين يقضي وقت انتظاره، ثم قرر بعد ذلك أي فترات الانتظار تستحق التوازي.
يتطلب إعداد عدة وكلاء في Antigravity ثلاثة قرارات مسبقة: كيف يتم إنشاء الوكلاء، وهل يشاركون الحالة، وكيف يعيدون نتائجهم إلى المنسّق.
أبسط طريقة هي الإنشاء الصريح على مستوى تعريف المهمة. فبدلًا من استدعاء الوكلاء بالتسلسل، تعرّف مجموعة من المهام وتترك للمجدوِل إرسالها في الوقت نفسه.
tasks = [
agent.create_task("summarize", doc_a),
agent.create_task("summarize", doc_b),
agent.create_task("summarize", doc_c),
]
results = await asyncio.gather(*tasks)
التفصيلة الحاسمة: asyncio.gather في Antigravity يحترم حجم مجموعة الوكلاء. فإذا ضبطت max_concurrent=3 وأرسلت 10 مهام، فإن الثلاث الأولى تنطلق فورًا، وتنتظر السبع المتبقية في الطابور. وهذا تحكم مقصود في المعدل، وليس خللًا.
هذا هو القرار الذي يُفسد معظم إعدادات الوكلاء المتعددين. هناك ثلاثة أنماط صالحة:
| النمط | متى يُستخدم | المخاطرة |
|---|---|---|
| معزول | كل وكيل يحتاج إلى بيانات مختلفة | منخفضة: لا تعارضات |
| قراءة مشتركة | الوكلاء يحتاجون السياق الأساسي نفسه | متوسطة: تضخم الذاكرة |
| كتابة مشتركة | الوكلاء يحدّثون كائنًا مشتركًا | عالية: حالات التسابق |
المهام المعزولة هي الخيار الافتراضي الصحيح في معظم الأحوال. فإذا احتاج وكيلان إلى القطعة نفسها من البيانات، مرّر نسخة إلى كل منهما. تكلفة الذاكرة مبرّرة لأنها تضمن القابلية للتنبؤ.
ينبغي التعامل مع الحالة المشتركة للكتابة كملجأ أخير، لا كوسيلة مريحة. وإذا كنت بحاجة إليها فعلًا، فاستخدم StateManager المدمج في Antigravity مع قفل صريح، بدلًا من قاموس Python عادي.
عندما يغذّي مخرجُ الوكيل A الوكيلَ B، فأنت أمام تبعية. وفي Antigravity، التبعيات تكسر التوازي بحكم تعريفها. فالوكيلان اللذان يعتمد أحدهما على الآخر لا يمكن أن يعملا في الوقت نفسه.
النمط الأنظف هو التسليم الصريح:
summary = await agent_a.run(document)
analysis = await agent_b.run(summary)
بالنسبة إلى خطوط المعالجة الكبيرة ذات التبعيات المختلطة، استخدم نهج الرسم البياني للتبعيات. حدّد المهام المستقلة (التي تعمل بالتوازي) والمهام المتسلسلة (التي تعمل بالترتيب)، ودع مجدوِل Antigravity يتولى الباقي.
ثلاثة أنماط تغطي نحو 90% من حالات استخدام الوكلاء المتعددين في Antigravity. ليست هذه الأنماط غريبة أو معقدة، بل هي بسيطة بأفضل معنى ممكن.
نمط التفريع المتوازي هو الأكثر شيوعًا في أعمال الذكاء الاصطناعي الدفعية. مدخل واحد، وكثير من الوكلاء المتوازين، ونقطة تجميع واحدة.
كيف يعمل:
يتألق هذا النمط عندما تكون المهام متوازية بشكل بديهي: لا يحتاج أي وكيل إلى معرفة ما يفعله الآخرون. توليد الصور، وتلخيص المستندات، ومهام التصنيف، والترجمة، كلها تتناسب مع هذا الشكل تمامًا.
💡 في الدفعات الكبيرة جدًا، أضف سيمافور (semaphore) للتحكم في الحد الأقصى للتزامن: يضمن
asyncio.Semaphore(10)ألا تُنشئ أكثر من 10 وكلاء في وقت واحد، مما يحمي حدود معدل الطلبات في واجهات API اللاحقة.
سلسلة خطوط المعالجة هي النظير المقابل للتفريع: تدفق متسلسل صارم يبني فيه كل وكيل على مخرج الوكيل السابق.
Agent 1 (Research) → Agent 2 (Draft) → Agent 3 (Edit) → Agent 4 (Format)
الأنسب للمهام: التي تعتمد جودتها على التحسين التدريجي. الكتابة، وتوليد الشيفرة، والاستدلال متعدد الخطوات تستفيد من سلاسل خطوط المعالجة، لأن الوكلاء اللاحقين يمكنهم تصحيح أخطاء الوكلاء السابقين.
الخطر في سلاسل خطوط المعالجة هو انتشار الأخطاء. إذا أعاد الوكيل 1 مخرجًا معيبًا، فإن الوكلاء من 2 إلى 4 سيبنون عليه بثقة. أضف تحققًا بين المراحل، ولو كان مجرد فحص بسيط للطول أو للمخطط (schema).
نموذج المشرف هو الأكثر تطورًا بين الأنماط الثلاثة. وكيل واحد، هو المشرف، ينسّق مجموعة من وكلاء العمال. ولا يقوم المشرف بالعمل الفعلي، بل يخطط ويفوّض ويراجع ويقرر ما إذا كان سيعيد المحاولة.
مسؤوليات المشرف:
في هذا النمط، يُعدّ Kimi K2.6 و GPT 5.1 نموذجين ممتازين للمشرف. كلاهما مصمم خصيصًا لمهام تنسيق الوكلاء، مع أن GPT 5.1 مصمم بشكل خاص لبناء وكلاء الذكاء الاصطناعي. أما كوكلاء عمال، فإن النماذج الأخف مثل Claude 4.5 Haiku أو GPT 4.1 Mini تخفض التكاليف بدرجة كبيرة دون التضحية بالجودة في المهام محددة النطاق.
| الدور | النموذج الموصى به | السبب |
|---|---|---|
| المشرف | Kimi K2.6 | استدلال قوي، مصمم للوكلاء |
| المشرف | GPT 5.1 | قدرات أصلية لبناء الوكلاء |
| العامل | Claude 4.5 Haiku | سريع وفعّال من حيث التكلفة |
| العامل | GPT 4.1 Mini | زمن استجابة منخفض ومخرجات موثوقة |
| المستدل | Deepseek R1 | استدلال عميق للمهام الفرعية المعقدة |
تقع معظم إخفاقات الوكلاء المتعددين في Antigravity ضمن فئتين. وكلتاهما يمكن تجنبها متى عرفت ما ينبغي مراقبته.
تحدث حالة التسابق عندما يكتب وكيلان إلى المورد نفسه في الوقت نفسه، ولا يعلم أي منهما بوجود الآخر. في Antigravity، يظهر هذا عادةً على النحو التالي:
الحل هو عدم الكتابة أبدًا إلى مورد مشترك دون قفل. عمليًا، يعني هذا:
lock = asyncio.Lock()
async def safe_write(lock, data, destination):
async with lock:
destination.append(data)
بالنسبة إلى الموارد الخارجية مثل الملفات أو API، نفّذ عمليات الكتابة بالتسلسل عبر وكيل كاتب واحد مخصص. يمرّر الوكلاء الآخرون مخرجاتهم إلى الكاتب، والكاتب هو الوحيد الذي يتعامل مع المورد.
هذا النوع أقل وضوحًا. عندما تشغّل عدة وكلاء في الوقت نفسه، يطلب كل وكيل توكنات من نقطة النهاية نفسها للنموذج. وإذا لم تكن تدير إجمالي إنفاق التوكنات المتزامن، فستصطدم بحدود المعدل في فترات غير متوقعة.
النمط هنا هو ضبط ميزانية التوكنات على مستوى المنسّق. قبل إنشاء الوكلاء، قدّر إجمالي متطلبات التوكنات للدفعة. فإذا تجاوز التقدير نافذة حد المعدل، أضف تأخيرًا أو قلّص حجم الدفعة.
💡 بالنسبة إلى أحمال العمل المتوازية الثقيلة، يوفّر Llama 4 Maverick Instruct و Deepseek v3.1 خيارات عالية الإنتاجية بحدود معدل سخية، مما يجعلهما خيارين عمليين لخطوط معالجة الوكلاء كثيفة الحجم.
الأعراض الشائعة لتصادمات ميزانية التوكنات:
إذا لاحظت أيًا من هذه الأعراض، فتحقق من استهلاك التوكنات المتزامن قبل أن تفترض وجود خطأ في منطق الوكيل.
تصبح إعدادات الوكلاء المتعددين مثيرة للاهتمام بشكل خاص عندما تمزج بين مهام توليد النص والصور. حالة استخدام شائعة في الواقع: توليد دفعة من المقالات، ثم إنشاء الصور لكل مقال تلقائيًا بالتوازي.
أنظف طريقة هي تخصيص وكلاء منفصلين لأنواع الوسائط المختلفة. وكيل واحد يتولى كل توليد النصوص، ومجموعة وكلاء منفصلة تتولى كل طلبات توليد الصور. تعمل المجموعتان بالتزامن دون أن تتفاعلا مباشرة.
البنية المعتادة:
هذا الفصل مهم لسبب عملي: لتوليد النص وتوليد الصور زمن استجابة مختلف جدًا. قد يستغرق النص لمقال من 1000 كلمة نحو 8 ثوانٍ، بينما قد يستغرق توليد الصورة من 15 إلى 25 ثانية. إذا خلطتهما في مجموعة الوكلاء نفسها، فإن المهام النصية السريعة ستنتظر خلف مهام الصور البطيئة. أما إبقاؤهما منفصلين فيزيد الإنتاجية لكليهما.
في سير العمل الذي يشمل الكتابة والإنتاج البصري معًا، يُعدّ استخدام نموذج لغوي كبير كمنسّق، ونماذج صور مخصصة كعمال، بنية فعّالة للغاية. يتولى النموذج اللغوي تفكيك المهام، وتحسين الأوامر النصية، ومراجعة الجودة. أما نماذج الصور فتتولى التوليد الفعلي.
على PicassoIA، ينقسم هذا بشكل طبيعي على النحو التالي:
💡 عند بناء خطوط معالجة الوكلاء متعددة الوسائط، تعامل مع هندسة الأوامر كمهمة من الدرجة الأولى. خصص وكيل نموذج لغوي واحدًا لتحسين أوامر الصور من المحتوى الخام للمقال قبل تمريرها إلى نماذج الصور. تتحسن جودة المخرجات بشكل ملحوظ مع هذه الخطوة.
الحالة هي القاتل الصامت لأنظمة الوكلاء المتعددين. الوكلاء الذين يحملون حالة زائدة يصبحون غير قابلين للتنبؤ، والوكلاء الذين لا يحملون أي حالة يصبحون عديمي الفائدة. النقطة المثالية هي وكلاء عديمو الحالة مع حقن سياق صريح.
ماذا يعني هذا عمليًا:
هذا النمط، الذي يُسمّى أحيانًا أسلوب تمرير الرسائل، يجعل الوكلاء أسهل بكثير في الاختبار والتصحيح والتوسع. يمكنك استبدال أي وكيل دون تحديث الآخرين، لأن لا وكيل يحتفظ بحالة يعتمد عليها الآخرون.
أنماط مضادة يجب تجنبها:
| النمط المضاد | ما الذي يحدث بشكل خاطئ |
|---|---|
| قاموس مشترك عام | تعارضات كتابة، وفقدان بيانات صامت |
| "ذاكرة" الوكيل بين التشغيلات | انحراف الحالة، ومخرجات غير متوقعة |
| سجل المحادثة الكامل لكل وكيل | تضخم التوكنات، واستجابات أبطأ |
| أسماء النماذج مكتوبة داخل الوكلاء | جمود، وصعوبة في استبدال النماذج |
اللحظة التي تجد فيها نفسك تتساءل لماذا تغيّر مخرج وكيل دون أن تغيّر شيفرته، فانحراف الحالة هو المتهم في الغالب.
تفشل أنظمة الوكلاء المتعددة في بيئة الإنتاج. تنتهي مهلة استدعاءات الشبكة، وتعيد واجهات النماذج أخطاءً في API، وأحيانًا ينتج وكيل مخرجات لا تجتاز قواعد التحقق لديك. بناء منطق إعادة المحاولة داخل المنسّق من اليوم الأول، بدلًا من إضافته لاحقًا، هو الفرق بين مسار معالجة موثوق وآخر هش.
استراتيجية عملية لإعادة المحاولة:
بالنسبة إلى المهام كثيفة الاستدلال، حيث ينتج الوكيل إجابة خاطئة منطقيًا لا خطأ تقنيًا، يُستحسن استخدام Deepseek R1 كمدقق احتياطي. فاستدلاله خطوة بخطوة يجعله مناسبًا جدًا لالتقاط الأخطاء المنطقية التي تفوتها نماذج أخرى.
إعادة المحاولة مقابل الاحتياط:
ليس كل عطل يستدعي إعادة المحاولة بالنموذج نفسه. فكّر في مجموعة احتياطية تُعاد فيها إسناد المهام الفاشلة إلى نموذج مختلف. قد تكتمل مهمة انتهت مهلتها على GPT 5 Pro بنجاح على Claude 4.5 Sonnet، خاصة إذا كانت المهلة سببها عمق الاستدلال لا مشكلة في الاتصال.
تشغيل عدة وكلاء في Antigravity لا يتعلق بإضافة مزيد من النماذج إلى سكربت. بل يتعلق بالتفكير في خطوط المعالجة، حيث تملك كل مرحلة مدخلًا واضحًا ومخرجًا واضحًا وطريقة فشل واضحة.
الفرق التي تستفيد أكثر من إعدادات Antigravity للوكلاء المتعددين تتبع تسلسلًا بسيطًا:
تمنحك مجموعة النماذج اللغوية الكبيرة في PicassoIA كل ما تحتاجه من نماذج لكل دور في هذه البنية: عمال سريعون، ومشرفون أكفاء، ومستدلون عميقون. سواء كنت تبني خط إنتاج للمحتوى، أو أداة بحث آلية، أو سير عمل إبداعي متعدد الوسائط، فاللبنات الأساسية كلها متاحة.
جرّب تكوين أول خط معالجة تفريعي لك على PicassoIA اليوم. اختر مهمة دفعية تنجزها يدويًا الآن، وأسندها إلى ثلاثة وكلاء متوازين باستخدام Kimi K2.6 أو GPT 5.1، ثم قِس الفرق في الوقت. النتيجة الأولى غالبًا ما تغيّر طريقة تفكيرك في الأتمتة إلى الأبد.
اختر لغتك
