سرب DreamTeam بلا مدير كتب trustcheck بتكلفة $5,68 واجتاز 13 من 13 اختبارًا مخفيًا

DreamTeam إطار عمل مفتوح المصدر بلغة Python (برخصة MIT) لسرب ذاتي التنظيم من وكلاء الذكاء الاصطناعي، وليس فيه وكيل مدير. يُعطى الوكلاء هدفًا واحدًا ولوحة مهام مشتركة ومجلد git مشتركًا، مع إمكانية مراسلة بعضهم بعضًا، ثم يتولون كل شيء بأنفسهم. اختبر المؤلف الإطار على أربع مسائل لها إجابة يمكن التحقق منها بشكل مستقل: ثلاث مسائل رياضية وواحدة هندسية.

وأبرزها المسألة الهندسية: فقد كتب سرب من 8 وكلاء يعمل بنموذج deepseek-v4.1-flash الرخيص أداة trustcheck خلال ثلاث ساعات تقريبًا وبتكلفة $5,68، وهي أداة تجيب عن سؤال «هل يمكن الوثوق بالاختبارات؟». اختبرها معيار مخفي أعدّه Claude: 13 مستودع git فيها فخاخ وإجابة صحيحة معروفة.

يجتاز البديل الفارغ بدل الأداة 1 من 13، بينما اجتازت أداة trustcheck الجاهزة 13 من 13. وقد اتصل Claude بالسرب عبر MCP بصفته مستخدمًا ومدققًا خارجيًا.

لوحة بدل المدير

تبدأ الجلسة بمهمة واحدة هي «التخطيط». يأخذها أول وكيل متاح بعملية ذرّية، فلا يمكن أن يحصل عليها وكيلان معًا. يوزّع المخطِّط العمل: تأتي أولًا المهام المستقلة (الأدبيات والبيئة والبيانات والتجارب الأولية) كي لا يبقى بقية الوكلاء بلا عمل، ثم المهام التابعة. لكل مهمة معيار نجاح ومنفّذ ومراجع وتبعيات. ولا يستطيع المنفّذ اعتماد عمله بنفسه: يراجعه مشارك آخر، وإن لم يوجد مراجع تُحال المهمة إلى إنسان. وإذا لم تكفِ الأيدي العاملة، يستقدم الوكلاء زملاء من دليل الأدوار ضمن حد معيّن.

إذا احتاج الوكيل إلى أداة غير موجودة، كتبها بنفسه على شكل خادم MCP، وينتفع بها السرب كله. والسرب نفسه خادم MCP أيضًا، لذا يستطيع Claude Code مراقبته أو إدارته أو الانضمام إلى الفريق مشاركًا إضافيًا.

أربع تجارب: من المركز الثالث إلى جدول غير مكتمل الحساب

في مسألة إرديش للحد الأدنى للتداخل (كلما صغر تقدير الثابت كان أفضل)، حصل 4 وكلاء خلال 1 ساعة و40 دقيقة وبتكلفة $0,51 على تقدير لا يتجاوز 0,38090966633824946 باستخدام دالة درجية من 800 درجة. هذا أفضل من نتائج Haugland (0,380927) وAlphaEvolve (0,380923)، لكنه أسوأ من Hill Sampling (0,38088232) وTTT-Discover (0,380876). لا يوجد رقم قياسي، بل المركز الثالث.

أما مسألة مُضخِّمات الانتقاء فتتطلب رسمًا بيانيًا تترسخ فيه الطفرة النافعة أكثر مما تترسخ في مجتمع مختلط، وذلك وفق قاعدتَي عملية موران كلتيهما في آن واحد: Birth-death وdeath-Birth. وجد 8 وكلاء خلال 2 ساعة و40 دقيقة وبتكلفة $3,97 مُضخِّمًا متزامنًا صارمًا على 14 رأسًا، في حين كان المثال المعروف سابقًا يضم نحو ألف رأس. والأثر ضئيل جدًا: التضخيم عند r من 1 إلى نحو 1,016، والمكسب لا يزيد على ~10⁻⁵. صادق Claude على النتيجة عند أربع قيم لـ r، وأثبت بالبحث الشامل أنه لا يوجد رسم بياني غير موزون كهذا عند N ≤ 8. ولم يقارن المؤلف الجِدّة إلا بعدد قليل من أبحاث 2024–2026، ولا يصف نفسه بأنه «الأول».

وأكثر التجارب إفادة كانت مسألة طومسون في القرص: توزيع N شحنة متماثلة بحيث تكون طاقة التنافر أدنى ما يمكن. خلال أكثر من أربع ساعات بقليل وبتكلفة $3,98، قدّم السرب تشكيلات لجميع قيم N البالغ عددها 131 من 20 إلى 150، وأعاد إنتاج أربعة أرقام قياسية حديثة بثلاث طرق مستقلة. وعلى 57 قيمة لـ N جاءت طاقته أدنى من جدول Amore-Zarate بمقدار 10⁻⁹…

10⁻⁶. لكن Claude صقل التشكيلات الأصلية بطريقة نيوتن وحصل على الطاقات نفسها، أي أن النقاط المنشورة لم تكن مكتملة الحساب ببساطة. وفي النتيجة، على 128 من 131 قيمة لـ N تطابق الحد الأدنى مع الجدول، وعند N = 131–133 كانت طاقة السرب أعلى بمقدار 0,07–0,08، ولم تكن أي قيمة أدنى من الجدول.

خلاصة المؤلف: يعلن السرب النجاح بسهولة بناءً على فرق خام بين رقمين، والمراجعة داخله تتحقق من إنجاز المهمة لا من صحة النتيجة. ولا يحمي من ذلك إلا تحقق خارجي.

في التجربة الهندسية، تجري trustcheck اختبار طفرات ضمن حدود الفرق (diff)، وتصدر أحكامًا على كل اختبار على حدة، وتبحث عن التزوير في تاريخ الـ commits. تضم الحزمة النهائية 231 اختبارًا ناجحًا. وأُضيفت مجموعتا الفخاخ v2 وv3 أثناء العمل: ففي إحدى المرات تسبب تعديل مناسب للمجموعة القديمة في تراجع (regression)، ولم تلتقطه إلا المجموعة الجديدة. وبعد الجولة الثانية ($4,15)، حصل البديل الفارغ على 2/12 في المجموعة الجديدة v4، وحصلت الأداة على 12/12.

ما بقي دون حل

على نحو 1400 اختبار من اختبارات DreamTeam نفسه، تعمل trustcheck من 13 إلى 25 دقيقة، وتقييمها لهذا الكود 0,60 مقابل هدف 0,7. وفي اختبار A/B على ثلاثة أخطاء تاريخية في cookiecutter، لم تفد مهارة trustcheck: اجتازت الاختبارات المخفية 29/29 في الذراعين كليهما، والتُقطت الإصلاحات الخاطئة 13/13 دون المهارة و12/13 معها، بتكلفة $1,00 مقابل $0,81. وبلغت المجموعتان السقف. وتبيّن في الأثناء أن وكيلًا متصلًا بالشبكة يمكنه تنزيل إصدار من مكتبة تم فيه إصلاح الخطأ مسبقًا، ولذلك أُضيف وضع جلسة بلا إنترنت.

كشفت التجارب أيضًا مشكلات أخرى حوّلها المؤلف إلى تعديلات: جعل المخطِّط التقرير النهائي معتمدًا على مهام اختيارية، وعجز المهندس المعماري 30 دقيقة عن الخروج من استدلال قطعه حد الإخراج، وعند طلب «أنهوا العمل» شغّل الوكلاء حسابًا «سريعًا» آخر على 16 عملية. والآن يوجد وضع إنهاء دون عمليات خلفية جديدة، ويتضاعف حد الإخراج بعد القطع. والخلاصة العملية لمن يبني وكلاءه: تظهر الملاحظات المفيدة في التجارب الطويلة على مهام حقيقية لا في العروض القصيرة، ويلزم دائمًا مدقق مستقل.