در مقاله‌ای با عنوان «Compound AI Systems Optimization: A Survey of Methods, Challenges, and Future Directions» که در اکتبر ۲۰۲۵ منتشر شده، محققان به بررسی جامع روش‌های نوین بهینه‌سازی سامانه‌های ترکیبی پرداخته‌اند.
این سیستم‌ها با تکیه بر همکاری میان چند مؤلفهٔ هوشمند مانند LLMها، ابزارهای تحلیل کد و ماژول‌های RAG، عملکردی فراتر از مدل‌های منفرد از خود نشان می‌دهند.

پژوهشگران در این مقاله چارچوبی چهاربُعدی برای تحلیل روش‌های بهینه‌سازی ارائه کرده‌اند که شامل:

1. انعطاف ساختاری – میزان امکان تغییر توپولوژی سیستم؛

2. سیگنال‌های یادگیری – شامل بازخورد زبانی (Natural Language Feedback) و سیگنال‌های عددی (Numerical Signals)؛

3. نوع مؤلفه‌ها – مانند مدل‌های زبانی، مفسر کد، یا ابزارهای جست‌وجو؛

4. نمایش سیستم – استفاده از گراف یا کد پایتون به عنوان قالب اجرایی.

در بخشی از این پژوهش، روش‌های نوینی چون TextGrad و Trace معرفی شده‌اند که با استفاده از بازخورد زبانی مدل‌ها، به جای گرادیان‌های عددی، فرآیند یادگیری را شبیه‌سازی می‌کنند. همچنین، مدل‌هایی مانند DSPy، MAPoRL و SysDPO از سیگنال‌های عددی نظیر پاداش RL و زیان DPO برای خودبهینه‌سازی استفاده کرده‌اند.
نسل جدیدی از سیستم‌ها مانند ADAS و AutoFlow نیز با بهره‌گیری از زبان پایتون به عنوان ابزار طراحی خودکار، مسیر توسعه سیستم‌های چندعاملی را متحول کرده‌اند.

با وجود پیشرفت‌ها، مقاله به چند چالش کلیدی اشاره می‌کند:

• هزینه محاسباتی بسیار بالا برای پردازش بازخوردهای متنی،
• وابستگی شدید به مدل‌های اختصاصی و APIهای گران‌قیمت،
• نبود چارچوب و کتابخانه استاندارد برای توسعه این سیستم‌ها،
• و فقدان مبانی نظری برای اثبات همگرایی روش‌های مبتنی بر بازخورد زبانی.

پژوهشگران هشدار داده‌اند که توسعه سریع این سامانه‌ها بدون در نظر گرفتن مسائل ایمنی و هم‌ترازی (Alignment) می‌تواند خطرات جدیدی ایجاد کند. آن‌ها بر لزوم طراحی الگوریتم‌هایی تأکید دارند که ضمن بهبود عملکرد، امنیت داده‌ها و پایداری رفتاری سیستم را تضمین کنند.

جمع‌بندی

این تحقیق، که در پایگاه arXiv (7 اکتبر ۲۰۲۵) منتشر شده، به‌عنوان یکی از جامع‌ترین مرورها در زمینه‌ی هوش مصنوعی ترکیبی شناخته می‌شود.
به گفته‌ی نویسندگان، آینده‌ی نزدیک شاهد تولد نسلی از سامانه‌های هوشمند خواهد بود که خود را بهینه می‌کنند، خود تصمیم می‌گیرند و ساختارشان را بر اساس بازخورد انسانی یا عددی تغییر می‌دهند — گامی مهم به سوی هوش مصنوعی خودآگاه و مقیاس‌پذیر.