# سامانه SHIFT برای هر پرسش، تیمی از عامل‌های هوش مصنوعی می‌چیند

> روش تازه SHIFT با کمک یک مدل محلی، ترکیب چندعاملی مناسب را همان لحظه طراحی می‌کند تا دقت را افزایش دهد و هزینهٔ پردازش را کاهش دهد.

Oossa · 2026-10-06 · https://oossa.com/fa/shift-system-builds-custom-ai-agent-teams-per-query

پژوهشگران در مقاله‌ای که 6 اکتبر 2026 منتشر شد، SHIFT را معرفی کردند؛ سامانه‌ای که برای هر پرسش به‌طور خودکار ترکیب مناسبی از عامل‌های هوش مصنوعی می‌سازد. SHIFT به‌جای آزمودن ترکیب‌های متعدد هنگام اجرا، یک مدل زبانی کوچک را آموزش می‌دهد تا بهترین طراحی را پیش‌بینی کند و سپس با جست‌وجوی درختی مونت‌کارلو عامل‌ها را کنار هم می‌چیند. این روش روی 9,193 کار در شش معیار سنجش، از مسائل ریاضی گرفته تا پردازش اسناد و کارهای دستیار عمومی، آزمایش شد.

## SHIFT چه عملکردی دارد؟

SHIFT با استفاده از Gemini 3.5 Flash به‌عنوان موتور اجرا، به میانگین دقت حدود 80% رسید و از 17 روش رقیب پیشی گرفت؛ روش‌هایی شامل پرامپت‌دهی ساده، ترفندهای بهینه‌سازی پرامپت و جست‌وجو در گردش‌کارهای دیگر. بهترین رقیب 7.2 واحد درصد عقب‌تر بود. نسخهٔ کم‌هزینه‌تر SHIFT هم با مصرف 32% توکن کمتر، از همهٔ روش‌های پایه بهتر عمل کرد؛ یعنی به توان پردازشی کمتری نیاز داشت.

## چرا طراحی یکپارچه اهمیت دارد؟

نویسندگان نشان می‌دهند که انتخاب هم‌زمان ساختار ارتباطی، دستورالعمل‌ها و ابزارها، از انتخاب هرکدام به‌تنهایی بهتر عمل می‌کند. این انتخاب یکپارچه در مقایسه با استفاده از فقط دستورالعمل‌ها یا فقط ابزارها، نتایج را تا 9.1 واحد بهبود داد. تابع ارزشِ آموزش‌دیدهٔ آن‌ها نیز به انتخاب چارچوب‌های اجرایی دقیق‌تر و کم‌هزینه‌تر از میان گزینه‌های موجود کمک کرد.

## حقایق

- SHIFT در مقاله‌ای که 6 اکتبر 2026 در arXiv منتشر شد، معرفی شد.
- این روش روی 9,193 کار در شش معیار سنجش ارزیابی شد.
- SHIFT با Gemini 3.5 Flash به میانگین دقت حدود 80% رسید؛ 7.2 واحد بیشتر از بهترین روش پایه.
- حالت کم‌هزینه‌تر SHIFT، درحالی‌که از همهٔ روش‌های پایه بهتر عمل کرد، 32% توکن اجرایی کمتری از قوی‌ترین روش پایه مصرف کرد.
- انتخاب هم‌زمان ساختار، دستورالعمل‌ها و ابزارها، در مقایسه با انتخاب فقط یکی از این مؤلفه‌ها، دقت را تا 9.1 واحد بهبود داد.

## چرا مهم است

برای توسعه‌دهندگانی که دستیارهای هوش مصنوعی می‌سازند، SHIFT نوید عملکرد بهتر را می‌دهد، بی‌آنکه لازم باشد برای هر درخواست تازه ترکیب عامل‌ها را دستی طراحی کنند. این روش هزینهٔ پردازش را هم کاهش می‌دهد؛ در نتیجه می‌تواند هزینه‌های ابری را پایین بیاورد و ارائهٔ خدمات چندعاملی پیشرفته‌تر را برای کاربران مقرون‌به‌صرفه‌تر کند.

## منابع و ارجاع‌ها

1. [Dynamic Harness Search: Building Multi-Agent Systems Per-Query via Prediction](https://arxiv.org/abs/2610.04137) – arXiv cs.LG, 2026-10-06

آخرین به‌روزرسانی: 2026-10-06