باختصار
ينفّذ وكلاء الذكاء الاصطناعي (AI) المهام على خطوات كثيرة، فيستدعون النماذج والأدوات مرة بعد مرة، ولذلك قد يستهلك طلب واحد أضعاف ما تستهلكه محادثة من رموز (tokens). وتضاعف الأنظمة متعددة الوكلاء ذلك، وحين يدور الوكلاء في حلقات أو لا يفهم بعضهم بعضًا تُهدر الرموز. والميزانيات وحدود الخطوات واكتشاف الحلقات والنماذج ذات الحجم المناسب تُبقي الوكلاء مفيدين دون حرق الطاقة بلا طائل.
النقاط الرئيسية
- يجري الوكيل استدعاءات كثيرة للنموذج في كل مهمة، ولذلك قد يبلغ استهلاكه للرموز، وللطاقة، أضعاف ما تستهلكه محادثة واحدة.
- تضاعف الأنظمة متعددة الوكلاء استهلاك الرموز مرة أخرى، ولا يؤتي ذلك ثماره إلا في المهام القيّمة والمعقدة بما يكفي لتتطلبه.
- قد يعلق الوكلاء في حلقات أو يكررون العمل، فيستهلكون الرموز دون إحراز تقدم.
- الحدود الصارمة على عدد الخطوات والرموز والوقت والإنفاق، إلى جانب مراقبة قادرة على إيقاف تشغيل عالق، هي ضوابط أساسية.
- الحجم المناسب يعني استخدام وكيل واحد أو نموذج صغير أو الاستغناء عن الوكيل تمامًا حين تسمح المهمة بذلك.
وكلاء الذكاء الاصطناعي (AI agents) أنظمة تعمل نحو هدف على خطوات عدة، وتختار أي الأدوات تستدعي وماذا تفعل بعد ذلك. يمكنهم الحجز والبحث وكتابة الشيفرة واختبارها والمحاولة من جديد. هذه الاستقلالية مفيدة، لكن كل خطوة استدعاء جديد لنموذج، وتتراكم التكاليف بطرق لا تحدث في محادثة واحدة.
ما الذي يجعل الوكلاء مكلفين؟
يستدعي الوكيل النموذج مرات كثيرة في كل مهمة، وعادةً ما يتضمن كل استدعاء السجل المتنامي للمهمة حتى تلك اللحظة. ويزداد استهلاك الرموز، ومن ثم استهلاك الطاقة، مع كل خطوة واستدعاء أداة وإعادة محاولة.
الرمز (token) قطعة من النص، تعادل تقريبًا جزءًا من كلمة، يقرؤها النموذج أو يكتبها. وكل رمز تجري معالجته يكلّف حوسبة. في المحادثة، يُنتج سؤال واحد إجابة واحدة. أما لدى الوكيل، فقد يطلق طلب واحد عشرات الاستدعاءات للنموذج: التخطيط، والبحث، وقراءة النتائج، والكتابة، والمراجعة، والتنقيح.
وصفت Anthropic ذلك في عرض نشرته عام 2025 عن بناء نظامها البحثي متعدد الوكلاء. وذكرت أن الوكلاء استهلكوا عادةً نحو أربعة أضعاف الرموز التي تستهلكها تفاعلات المحادثة، وأن الأنظمة متعددة الوكلاء استهلكت نحو خمسة عشر ضعفًا. ووجدت أيضًا أن استهلاك الرموز وحده، في مقياس الأداء الخاص بالتصفح لديها، فسّر 80% من التباين في الأداء: أي أن الأنظمة أدّت أداءً أفضل في الغالب لأنها أنفقت أكثر.
هذه مقايضة عادلة في مهمة صعبة وقيّمة، لكنها هدر في مهمة بسيطة.
هل هناك أدلة على استهلاك الوكلاء للطاقة؟
تشير الأبحاث الأولية إلى الاتجاه نفسه. قارن Kim وShin وChung وRhu (2025) سير العمل الوكيلي متعدد الجولات بالاستدلال (inference) أحادي الجولة من منظور البنية التحتية لمراكز البيانات. ووجدوا أن الوكلاء استهلكوا طاقة أكبر بكثير، وأن مكاسب الدقة أظهرت عوائد متناقصة كلما أُنفقت حوسبة أكثر، وأن تكاليف البنية التحتية لتوسيع الوكلاء على هذا النحو قد تصبح غير مستدامة.
ولا تزال الأرقام المُقاسة لعمليات النشر الفعلية نادرة، لأن المزوّدين قلّما ينشرونها. راجعوا القياس هو عنق الزجاجة.
كيف يهدر الوكلاء الرموز؟
بأداء عمل لا يدفع المهمة إلى الأمام. ومن الأنماط الشائعة:
- الحلقات. يكرر الوكيل الإجراء نفسه، أو يظل وكيلان يتقاذفان مشكلة بينهما.
- المراجعة المفرطة. تُراجَع كل خطوة باستدعاء آخر للنموذج، حتى حيث يكفي اختبار بسيط.
- تضخّم السياق. تُحمل مستندات أو سجلات أو مخرجات أدوات كاملة عبر كل خطوة لاحقة.
- عواصف إعادة المحاولة. يؤدي فشلٌ ما إلى محاولات متكررة، أحيانًا على نماذج أكبر فأكبر.
- الإفراط في التفويض. تُقسَّم مهمة على وكلاء كثيرين حين كان وكيل واحد سيكفي.
حلّل Cemri وزملاؤه (2025) أكثر من 1,600 أثر تنفيذ مُعلَّق عليه من سبعة أُطر متعددة الوكلاء، وحدّدوا 14 طريقة مختلفة تفشل بها هذه الأنظمة، مجمّعة في ثلاث فئات: مشكلات في طريقة تحديد النظام والمهمة، وعدم التوافق بين الوكلاء، والإخفاق في التحقق من المهمة. وكل نمط من أنماط الفشل هذه هو أيضًا طريقة لإنفاق الرموز دون الحصول على نتيجة.
ناقشت ورشة عمل مكثفة (sandpit) بريطانية عن الذكاء الاصطناعي الأخضر عام 2026، ضمّت علماء رياضيات وعلماء حاسوب وممثلين عن الصناعة، المشكلة نفسها: يمكن لأسراب الوكلاء أن تحبس نفسها، فترسل إلى بعضها مخرجات بلا معنى وتحرق مئات الآلاف من الرموز. والسؤال البحثي المفتوح الذي طرحته هو كيف نكتشف رياضيًا، ومبكرًا، أن مجموعة من الوكلاء عالقة، ليتمكن شخص ما أو شيء ما من إيقافها.
هل لهذا أهمية تجارية إلى جانب أهميته البيئية؟
نعم؛ فالتكلفة والطاقة ترتفعان معًا. توقعت Gartner في يونيو 2025 أن يُلغى أكثر من 40% من مشاريع الذكاء الاصطناعي الوكيلي بحلول نهاية 2027، بسبب تصاعد التكاليف أو غموض القيمة التجارية أو قصور ضوابط المخاطر. وهدر الرموز يسهم مباشرة في أول هذه الأسباب.
ما الضوابط التي تُبقي الوكلاء تحت السيطرة؟
حدود صارمة، ومراقبة، ووسيلة للإيقاف. هذه ضوابط هندسية أساسية، وتدعم معظم أُطر الوكلاء بعضًا منها.
| الضابط | ما يفعله |
|---|---|
| حد الخطوات | يضع سقفًا لعدد استدعاءات النموذج في التشغيل الواحد. فمثلًا، في OpenAI Agents SDK إعداد max_turns يوقف التشغيل عند تجاوزه. |
| ميزانية الرموز أو الإنفاق | توقف التشغيل أو تُصعّده عند تجاوز تكلفة محددة. |
| الحد الزمني | ينهي عمليات التشغيل التي تستغرق وقتًا أطول بكثير من المتوقع. |
| اكتشاف الحلقات | ينبّه إلى الإجراءات المتكررة أو الرسائل شبه المتطابقة بين الوكلاء. |
| مراقب خارجي | عملية منفصلة زهيدة التكلفة أو شخص يتابع التقدم ويستطيع إيقاف التشغيل: "الزر الأحمر". |
| تقليص السياق | يلخّص السجل القديم أو يحذفه ليقرأ كل استدعاء رموزًا أقل. |
ينبغي أن تفشل الحدود بأمان: حين تنفد الميزانية، يجب أن يتوقف الوكيل ويبلّغ بما توصّل إليه، لا أن يعيد المحاولة بصمت.
ماذا يعني اختيار الحجم المناسب للوكيل؟
استخدام أبسط نظام يؤدي المهمة. قبل بناء نظام متعدد الوكلاء، انتقلوا عبر هذه القائمة من أعلاها:
- بلا وكيل. هل يمكن لبرنامج نصي ثابت أو بحث أو استدعاء واحد للنموذج أن يؤدي المهمة؟
- استدعاء واحد مع أدوات. كثيرًا ما يكفي استدعاء واحد لنموذج، بتعليمات جيدة، يستطيع استخدام أداة.
- وكيل واحد. وكيل واحد مع حد للخطوات.
- وكلاء متعددون، فقط للمهام الواسعة والقيّمة والقابلة فعلًا للتنفيذ المتوازي.
وفي أي من هذه الخيارات، استخدموا نماذج صغيرة للمهام الفرعية البسيطة مثل التصنيف والاستخراج والتنسيق، واحتفظوا بالنماذج الكبيرة للاستدلال الصعب. لكن ثمة محذورًا: فالنموذج الأصغر مما ينبغي قد يفشل ويفرض إعادة التشغيل على نموذج أكبر، وفي سلسلة طويلة قد يُخرج فشلٌ واحد الخطوات اللاحقة عن مسارها. وتحديد العتبة قرار تصميمي يستحق الاختبار. راجعوا اختيار النموذج المناسب و التنسيق بدلًا من التوليد.
ماذا تفعلون بعد ذلك
- سجّلوا عدد الرموز لكل مهمة مكتملة، بما في ذلك إعادة المحاولات وعمليات التشغيل الفاشلة، لكل وكيل تشغّلونه.
- ضعوا حدودًا للخطوات والرموز والوقت والإنفاق على كل وكيل قبل دخوله مرحلة الإنتاج.
- أضيفوا اكتشاف الحلقات ووسيلة تتيح لشخص ما إيقاف التشغيل.
- ابدؤوا بأبسط تصميم ينجح، ولا تضيفوا وكلاء إلا حين تحتاج المهمة إليهم.
- وجّهوا المهام الفرعية البسيطة إلى نماذج صغيرة. راجعوا استخدام الذكاء الاصطناعي بكفاءة.
- إذا كنتم تشترون أدوات وكيلية، فاسألوا المورّدين كيف يحدّون من استهلاك الرموز ويبلّغون عنه: راجعوا الشراء المستدام للذكاء الاصطناعي.
الأسئلة المتكررة
ما الذكاء الاصطناعي الوكيلي؟
أنظمة ذكاء اصطناعي تسعى إلى هدف عبر خطوات عدة، وتقرر بنفسها أي الأدوات تستدعي وماذا تفعل بعد ذلك، بدلًا من الإجابة عن طلب واحد. وكثيرًا ما تستدعي نموذجًا لغويًا مرات عديدة في كل مهمة.
لماذا يستهلك وكلاء الذكاء الاصطناعي هذا العدد الكبير من الرموز؟
في كل خطوة يُعاد إرسال سجل المهمة المتنامي إلى النموذج، وقد يستدعي الوكلاء أدوات ويراجعون عملهم ويعيدون المحاولة. كما تتبادل الأنظمة متعددة الوكلاء الرسائل بين الوكلاء، وكل رسالة منها تكلّف رموزًا.
كيف أمنع وكيل ذكاء اصطناعي من هدر الرموز؟
ضعوا حدودًا لعدد الخطوات والرموز والوقت والإنفاق، واكتشفوا الحلقات والإجراءات المتكررة، واستخدموا نماذج صغيرة للمهام الفرعية البسيطة، واحرصوا على أن يبقى بوسع شخص ما إيقاف التشغيل.
المصادر
- How we built our multi-agent research system, Anthropic (2025)
- Why do multi-agent LLM systems fail?, Cemri et al. (2025)
- The cost of dynamic reasoning: demystifying AI agents and test-time scaling from an AI infrastructure perspective, Kim, Shin, Chung and Rhu, HPCA 2026 (2025)
- Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027, Gartner (2025)
- Running agents (max_turns), OpenAI Agents SDK documentation (2025)
ذو صلة
التنسيق بدل التوليد
لماذا يمكن لإعادة استخدام مكوّنات مُراجَعة وتوجيه الطلبات إلى أصغر نموذج قادر أن يخفّضا استهلاك الذكاء الاصطناعي للطاقة، وماذا تقول الأدلة حتى الآن.
استخدموا الذكاء الاصطناعي بكفاءة: عادات يومية
عادات يومية تخفض طاقة استخدام الذكاء الاصطناعي: طلبات واضحة، وإعادة توليد أقل، وحذر مع الصور والفيديو، وتخزين مؤقت، وتعطيل الإعدادات الافتراضية.
اختاروا النموذج المناسب للمهمة
كيف تختارون ذكاءً اصطناعيًا بالحجم المناسب: متى تستخدمون نماذج صغيرة أو متخصصة، ومتى يستحق نموذج متقدم كلفته، وكيف يعمل التوجيه، ومتى لا تستخدمون الذكاء الاصطناعي.
القياس هو عنق الزجاجة في الذكاء الاصطناعي الأخضر
لماذا يصعب الوثوق بأرقام طاقة الذكاء الاصطناعي أو مقارنتها: أرقام يعلنها أصحابها، وتقديرات لا قياسات، وحدود مختلفة، وكيف يبدو القياس الجيد.