← العودة إلى المدونة
Aiحوالي 1 دقيقة قراءة

ستة عشر وكيلًا، واحد لكل شخص، خسروا أمام منسّق واحد في الاختبارات الأربعة

نُشر في 15 نوفمبر 2026
ستة عشر وكيلًا، واحد لكل شخص، خسروا أمام منسّق واحد في الاختبارات الأربعة

هذا هو الإعداد الذي يطلقه الجميع الآن. عدة أشخاص، لكل منهم مساعده الخاص، يتشاركون شيئًا واحدًا. ميزانية واحدة. تقويم واحد. سلة واحدة. طابور دمج واحد.

نشر زملاء Anthropic Fellows في 11 نوفمبر دراسة بعنوان Worse Together، والنتيجة قاطعة: في البيئات الأربع التي بنوها، كان أداء المجموعة أسوأ عندما يفوّض كل شخص العمل إلى وكيله الخاص، مقارنة بالحال عندما يخدم وكيل واحد الجميع.

الفارق ليس هامشيًا. مع Claude Opus 5 وSonnet 5، تغلّب منسّق واحد على فريق من وكلاء فردية قادرة على تراسل بعضها، بفارق يقارب 10 إلى 45 نقطة مئوية، محسوبًا في المتوسط عبر سيناريوهات كل بيئة على حدة.

أصبحت ثلاث من البيئات الأربع منشورة باسم MAMUBench، مع الشيفرة على GitHub والورقة على arXiv، ونُشرت أول مرة في أواخر سبتمبر.

الغرف الأربع

البيئات عادية إلى حد الملل عن قصد، ولهذا بالضبط هي مقنعة.

في الأولى، تتشارك مجموعة من الباحثين ميزانية رموز API وموعدًا نهائيًا. للمهام قيم مختلفة وتكاليف مختلفة. ولا بد أن يقرر أحدهم ما الذي يعمل قبل أن ينفد المال.

في الثانية، يتشارك مرضى بحالات عاجلة تقويم عيادة واحدة. في الثالثة، يستخدم عدة أشخاص مساعداتهم الشخصية لتجميع طلب طعام جماعي أو رحلة. في الرابعة، تصطف عدة طلبات دمج أمام موعد إصدار. أي أن الأربع جميعًا مواقف يعرفها من عمل في فريق.

جُرّبت خمسة نماذج متقدمة: Claude Opus 5 وClaude Sonnet 5 وGPT-5.6-sol وGPT-5.6-terra وQwen3.8-max. وكل مستخدم داخل الحلقة محاكى.

تُعرض الدرجات كنسبة من أفضل نتيجة يمكن بلوغها في كل بيئة، لا كأرقام خام. Opus 5، المنسّق مقابل الفريق:

البيئةالمنسّقالفريق
مفتاح API مشترك6430
تقويم العيادة8471
المساعد الشخصي8844
طابور الدمج9281

وSonnet 5 يروي القصة نفسها بهامش أقل: 32 مقابل 12 في مفتاح API، و74 مقابل 65 في العيادة، و75 مقابل 37 في المساعد، و93 مقابل 78 في الطابور.

بيئة الميزانية المشتركة هي الأكثر اختلالًا، وهي أيضًا التي يسهل فيها تسمية نمط الفشل. فريق من الوكلاء يتنافس على ميزانية رموز لا يوزّع شيئًا. بل يستهلك فقط، وبالترتيب الذي تصل به الطلبات.

نمط الفشل الأول: معظم الوكلاء لا تتحرك أبدًا

هذا هو الرقم الذي أدهشني في الورقة. مع نمو الفرق من أربعة وكلاء إلى ستة عشر وكيلًا، انهارت نسبة الوكلاء التي قامت بأي فعل على الإطلاق.

مع Sonnet 5، من 66 في المئة إلى 10 في المئة. ومع GPT-5.6-sol، من 82 في المئة إلى 25 في المئة.

اقرأ هذا كجملة عن المنتج. أضف وكلاء إلى مجموعة، يصبح الوكيل الوسيط متفرجًا. والذين يتحركون يتحركون متأخرين، وينفقون ما تبقى من الميزانية على مهام قليلة القيمة، ويتركون العمل عالي القيمة دون أن يبدأ. حجم الفريق يتوقف هنا عن قياس الطاقة، ويبدأ في قياس كلفة التنسيق. وهذا يعني أن زيادة العدد لم تعد تعني قدرة أكبر.

هذا عكس الحدس الذي جعل أنظمة الوكلاء المتعددين جاذبة. أنت تضيف وكلاء للتوازي. وفي سياق موارد مشتركة بلا قاعدة توزيع، تضيف وكلاء للتنافس.

نمط الفشل الثاني: الوكلاء تقطع عمل الآخرين

ألغت وكلاء GPT وQwen مهام مستخدمين آخرين أو قلّصتها بلا موافقة، بين 3.9 و7.1 مرة في كل جلسة. أما Sonnet 5 ففعلها 0.59 مرة. وOpus 5 لم يفعلها ولا مرة واحدة.

المؤلفون حذرون هنا، والحذر في محله: في بيئة الميزانية كانت المهمة تتطلب قطعًا، لذلك لم تنخفض الدرجة. المشكلة أن أحدًا من أولئك المستخدمين لم يوافق على هذه القطوع. النموذج الذي يقصّ من مهمة زميلك حمايةً للموعد النهائي يتصرف بشكل معقول وفق مقياس، وبشكل غير مقبول وفق مقياس آخر، والمقياس الثاني لم يكن يومًا داخل المكافأة.

نمط الفشل الثالث: سباق الدفع

بيئة المساعد الشخصي تعطي أكثر الأرقام حدة في الورقة، لأنها تعزل خللًا صادفه كل من بنى طلبًا جماعيًا.

طلب خاص، لنقل طبقًا خاليًا من الغلوتين، وصل إلى الوكيل الذي سينفّذ الطلب في 94 إلى 99 في المئة من الجلسات. لكنه كان موجودًا فعلًا داخل سياق ذلك الوكيل لحظة التأكيد في 47 إلى 67 في المئة فقط. ونسبة الجلسات التي احتُرم فيها الطلب هبطت من 56 إلى 68 في المئة إلى 19 إلى 36 في المئة.

أي أن المعلومة كانت تصل دائمًا تقريبًا، وتُستخدم في أقل من ثلثي المرات، وتتدنى النتيجة بمعامل اثنين إلى ثلاثة. الوكلاء كانت تدفع قبل أن تقرأ رسائلها. والتسليم ليس قراءة، وغير المقروء ليس مثل المرفوض.

على منصة داكنة ظرف ما زال مغلقًا بجانب آلة تسجيل نحاسية وقد سُحب درجها.

إن بدا النمط مألوفًا، فمن حقه أن يبدو كذلك. كل نظام فيه ناقل رسائل وخطوة تأكيد يحمل هذه الثغرة نفسها، سواء كان الفاعلون وكلاء أم خدمات مصغّرة.

نمط الفشل الرابع: زملاء مختلقون

في بيئة المساعد الشخصي، احتوت 58 في المئة من جلسات فريق Opus 5 و53 في المئة من جلسات فريق Sonnet 5 على ادعاء واحد على الأقل بلا سند عن مستخدم آخر. أما وكيل واحد يؤدّي المهمة نفسها فأنتج ادعاءات كهذه في 17 إلى 20 في المئة من الجلسات.

الآلية سهلة الإعادة على الورق. كل وكيل يحمل رؤية جزئية خاصة به عن المجموعة. وبدلًا من أن يقول إنه لا يعرف ما يريده الآخرون، يملأ الفراغ. يُملأ الفراغ بتفضيل معقول، ثم يصبح ذلك التفضيل المعقول قيدًا في طلب شخص آخر.

الفريق يزيد عدد الرؤى الجزئية وعدد الوصلات بينها. والاختلاق هو ما يحدث عند وصلة.

الإصلاحات رخيصة، وهي إصلاحات مختلفة

جُرّب تدخلان فقط، والمثير أن أحدهما لا يغني عن الآخر بحال.

في بيئة ميزانية API، أدّى تعيين وكيل قائدًا للفريق، مع تعليمات بترتيب المهام حسب القيمة وإطلاق الميزانية في وقتها، إلى إغلاق الفارق مع المنسّق. مشكلة بنيوية حُلّت ببنية.

وفي بيئة المساعد الشخصي، لم يفد القائد إلا قليلًا. الذي نجح كان قاعدة على مستوى المنصة: منع الدفع حتى يقرأ الوكيل المؤكِّد كل الرسائل المعلّقة. وهذا استعاد 73 في المئة من جلسات Opus 5 الفاشلة و62 في المئة من جلسات Sonnet 5 الفاشلة.

بيئة واحدة احتاجت هيكلًا تنظيميًا، والبيئة الأخرى احتاجت قفلًا بسيطًا. وهذا فرق مهم في التصميم. إن كنت تصمم منتجًا متعدد الوكلاء، فهذه هي الخلاصة العملية، وهي ليست الخلاصة التي يريدها التسويق، لأن القفل ليس ميزة يعرضها أحد في عرض تجريبي.

ما لا تثبته الدراسة

هذا بحث لزملاء Fellows، أُجري في محاكاة، بمستخدمين محاكين. وبعض السلوكيات حكمت عليها نماذج Claude. والورقة لا تقدّم أي ادعاء عن المنتج، والبيئات نسخ مبسطة من مواقف أكثر فوضى في التشغيل الفعلي.

النتيجة الرئيسية أضيق أيضًا من عبارة «الوكلاء المتعددون سيئون». المقارنة بين منسّق يخدم مجموعة، وفريق من الأنداد لكل مستخدم فيه وكيل. ولا تقول شيئًا عن فريق من الوكلاء يعمل على مشكلة مستخدم واحد، وهو الإعداد الذي تستخدمه معظم أدوات البرمجة. فلتلك حكايتها الخاصة في الكلفة وملفها الخاص في الفشل.

الذي تقوله بوضوح غير معتاد هو أن نمط «وكيل لكل مستخدم» فيه مجموعة محددة وقابلة للتوقع من الثغرات: الخمول مع نمو المجموعة، والقطوع الأحادية، والتأكيد قبل القراءة، والاختلاق لتغطية السياق الناقص. الأربعة كلها قابلة للقياس، والأربعة كلها رخيصة الحجب، ولا يزول أي منها مهما جعلت النموذج الفردي أذكى.

ثلاثة فحوص تسرقها

إن كنت تبني شيئًا تلمس فيه وكلاء عدة أشخاص موردًا واحدًا، فالدراسة تعطيك ثلاثة فحوص يمكنك تشغيلها هذا الأسبوع. هل تنتج مجموعتك أفعالًا أقل لكل وكيل مع نموها؟ وهل يملك أي وكيل سلطة تغيير عمل مستخدم آخر، ومن وافق على ذلك؟ وهل يستطيع وكيل إتمام معاملة دون أن يقرأ الرسائل الموجّهة إليه؟ وهي أسئلة يمكن الإجابة عنها بالكود، لا بالنقاش.

MAMUBench مفتوح لثلاث من البيئات الأربع، فيمكنك تشغيله ومعرفة موقعك. الورقة على arXiv، والمستودع على GitHub، ومنشور المدونة عنوانه، بدقة، Worse Together.

مقالات ذات صلة

خادم واحد ومذيعة ذكاء اصطناعي واحدة: داخل الكود الذي يُشغّل بثًا ليليًا

open-yoki هو الكود الإنتاجي لمذيعة ذكاء اصطناعي تبث كل ليلة على Binance Square، بعد نزع الشخصية والصوت وكل ما يمس المال. متصفح Chrome يرسم الإطار، وffmpeg يدفع RTMP، ومجلد Markdown يحدد مزاجها وما تنشره.

Pinky يدع الـ agent يقود هاتفك، ويُبقي زر الإرسال مضغوطًا حتى تنقر على «السماح»

يوصّل Pinky أي agent يعمل بـ MCP بهاتف iPhone أو Android حقيقي، ويفرض الموافقة في بوابته هو لا في prompt. تطبيقات البنوك غير مرئية، وحقول كلمة المرور ممنوعة، وعلى Android 13 يحصل الـ agent على شاشة ثانية مخفية.

SeedRealtime من ByteDance يلتقط إطارين في الثانية ويقرر بنفسه متى يتكلم

يجمع Doubao-Seed-Realtime-1.0 إطارات الكاميرا وإطارات الشاشة والصوت في جلسة واحدة ثنائية الاتجاه، بإطارين في الثانية كحد أقصى. القرارات المثيرة هي معدل الإطارات، والكلام التلقائي، وردّ التدقيق الذي يأتي مفعّلاً من المصنع.

أحدهم وضع قوانين العالم في git، فصار بالإمكان عمل blame لمادة قانونية

يحفظ global-law نصوص القوانين في كل بلد داخل مستودع git يمثّل فيه كل commit قانونًا يدخل حيّز التنفيذ في تاريخ معروف. يمكنك تشغيل log وblame وshow وdiff على مادة ما، والسؤال عمّا كان ساريًا في كل بلد في يوم معيّن، وتسليم المدوّنة كاملة إلى مساعد عبر MCP.