تصميم أنظمة متعددة الوكلاء: ما بعد التوجيه البسيط

الهندسة المعمارية: الوكلاء مقابل سير العمل الخطي

في عام ٢٠٢٦، انتقلت الصناعة من السلاسل (الخطوة أ -> الخطوة ب) إلى الوكلاء. يستخدم الوكلاء حلقة التفكير (ReAct) لتحديد الأداة التي يجب استدعاؤها. من خلال تجميع هؤلاء الوكلاء في طاقم، ننشئ نظامًا معرفيًا موزعًا حيث يكون لكل كيان “خلفية” محددة تعمل كقيد توجيهي على مستوى النظام، مما يقلل من الفوضى والهلوسة.

الخطوة ١: تعزيز البيئة

قم بتثبيت محرك التنسيق الأساسي والأدوات البحثية المطلوبة لاسترجاع البيانات في الوقت الحقيقي.

pip install crewai langchain_openai duckduckgo-search python-dotenv

قم بتهيئة بيئتك باستخدام بنية .env ذات نوع محدد بدقة:

# .env configuration
OPENAI_API_KEY=sk-proj-....
OPENAI_MODEL_NAME=gpt-4o
OTEL_SDK_DISABLED=true # Disable telemetry for production privacy

الخطوة ٢: هندسة الوكلاء القائمة على الأدوار

تتطلب الوكلاء المتقدمين تحكمًا دقيقًا. سنقوم بتعريف باحث تقني رئيسي مزود بأدوات البحث ورئيس تحرير لضمان الجودة.

from crewai import Agent
from langchain_openai import ChatOpenAI
from langchain_community.tools import DuckDuckGoSearchRun

# Initialize LLM with optimized temperature for reasoning
llm = ChatOpenAI(model="gpt-4o", temperature=0.2)
search_tool = DuckDuckGoSearchRun()

researcher = Agent(
    role='Lead Emerging Tech Researcher',
    goal='Identify and analyze 2026 AI market disruptions in the GCC region.',
    backstory='Former McKinsey analyst with a PhD in Computer Science. You prioritize data-driven insights over hype.',
    tools=[search_tool],
    llm=llm,
    allow_delegation=True, # Allows the agent to ask other agents for help
    memory=True, # Persists state across tasks
    verbose=True
)

strategist = Agent(
    role='Chief Technical Strategist',
    goal='Synthesize research into actionable technical roadmaps.',
    backstory='Expert in bridging the gap between R&D and commercial viability. You evaluate technical feasibility.',
    llm=llm,
    verbose=True
)

الخطوة ٣: تعريف المهام المهيكلة

يجب أن توفر المهام “السياق” و”تعريف المخرجات”. بالنسبة لسير العمل المتقدم، نستخدم expected_output لتوجيه الوكيل نحو مخططات محددة (Markdown، JSON، إلخ).

from crewai import Task

analysis_task = Task(
    description='Perform a deep-dive analysis into Agentic Frameworks (CrewAI, LangGraph) in 2026.',
    expected_output='A comparative technical matrix in Markdown format including Latency, Scalability, and Ease of Integration.',
    agent=researcher
)

roadmap_task = Task(
    description='Draft a 12-month implementation roadmap for an AI-First startup.',
    expected_output='A structured technical roadmap with quarterly milestones and risk assessment.',
    agent=strategist,
    context=[analysis_task] # Explicitly pass output from analysis_task as input
)

الخطوة ٤: التنسيق الهرمي

بينما تعتبر عملية sequential معيارية، تقدم عملية hierarchical وكيل مدير. يشرف هذا المدير على سير العمل، ويفوض المهام ويستعرض النتائج تلقائيًا.

from crewai import Crew, Process

aio_engineering_crew = Crew(
    agents=[researcher, strategist],
    tasks=[analysis_task, roadmap_task],
    process=Process.hierarchical,
    manager_llm=ChatOpenAI(model="gpt-4o", temperature=0), # High precision manager
    memory=True,
    cache=True
)

# Execution phase
print("Initiating Multi-Agent Workflow...")
final_output = ai_engineering_crew.kickoff()
print(f"Final Technical Strategy:n{final_output}")

النشر والمراقبة

في بيئة الإنتاج (مثل app.gateofai.com)، نغلف هذه المنطق في نقطة نهاية FastAPI غير متزامنة. يتيح ذلك التنفيذ غير المحظور بينما يقوم “الطاقم” بمهامه الذاتية.

# Production Tip:
# Use CrewAI's 'output_json' or 'output_pydantic' features 
# to ensure the LLM returns data that your database can digest directly.