في عالم الذكاء الاصطناعي، تلعب أنظمة الوكلاء المتعددة (Multi-Agent Systems) دورًا حيويًا في إنجاز المهام المعقدة. ومع ذلك، تواجه هذه الأنظمة تحديات في التنسيق، مثل انحراف الأهداف وسلاسل الأخطاء. في دراسة جديدة، تم تقديم مفهوم يُسمى استنتاج السمات الصريح (Explicit Trait Inference) والذي يعتمد على أسس نفسية لتحسين هذه التنسيقات.

يتيح منهج ETI للوكلاء القدرة على استنتاج وتتبع خصائص شركائهم عبر بعدين نفسيين معتمدين: الدفء (مثل الثقة) والكفاءة (مثل المهارة). يتم استخدام تاريخ التفاعلات بين الوكلاء كأداة توجيه للقرارات، مما يؤدي إلى تحسين كبير في التنسيق.

تم تقييم فعالية ETI في بيئات خاضعة للتحكم (مثل الألعاب الاقتصادية)، حيث تمكن من تقليل خسائر الأرباح بين 45-77%. كما أظهرت النتائج في سياقات متعددة الوكلاء المعقدة (MultiAgentBench) تحسنًا يتراوح بين 3-29% اعتمادًا على السيناريو والطراز مقارنة بأسلوب التنسيق التقليدي (CoT).

تكشف التحليلات الإضافية أن التحسينات ترتبط بشدة باستنتاج السمات: حيث تتنبأ ملفات تعريف ETI بتصرفات الوكلاء ويعزز دعم الملفات التعريفية المعلوماتية الأداء. تُبرز هذه النتائج ETI كآلية خفيفة وفعالة لتحسين التنسيق في مجموعة متنوعة من البيئات متعددة الوكلاء، مما يوفر دليلاً منهجيًا على قدرة نماذج اللغات الكبيرة (Large Language Models) على استنتاج خصائص الآخرين من تاريخ التفاعلات والاستفادة من هذا الوعي المنظم لتحقيق تنسيق أفضل.