Çarçoveyên Multi-Agent ên 2026: Berhevdana LangGraph, CrewAI, AutoGen û OpenAI Agents SDK ji bo Swîsreyê

Sala 2026 sala wê ye ku tê de Sîstemên Multi-Agent serdestiya bangên LLM yên tenê wek mîmariya AI ya serdest diqedînin. McKinsey bazara Platformên Agentic-AI bi USD 31 mîlyaran dinirxîne — bi mezinbûna 290% li gor 2024-an. Lê dema ku peydakerên çarçoveyên rojane derdixin, biryarderên Swîsreyê li hember pirsekê pratîkî ne: LangGraph, CrewAI, AutoGen an OpenAI Agents SDK? Em li mazdek di 14 mehên dawî de 23 bicîhkirinên Multi-Agent ên hilberîner ji bo pargîdaniyên Swîsreyê qedandine — ji boriyên pêbawerî heya kategorîzekirina sîgorteyê û Compliance-Reviewên RAG-ê yên orkestrekirî. Ev rêbername hînkariyan dahf dike: kîjan çarçove ji bo kîjan barê kar, kîjan kemînên rêvebirinê yên Swîsreyê, kîjan kişandekên lêçûnê. Ajanê me yê PROMETHEUS rêberiya mîmariyê dike, HERACLES amûr û API-yan orkestre dike, ARES Compliance ewle dike, ARGUS çavdêriya 24/7 pêşkêş dike — hemû li gor revDSG, EU-AI-Act û FINMA-yê.

Çima Sîstemên Multi-Agent di 2026-an de dibin standard

Sîstemeke Multi-Agent çend ajanên LLM yên pispor — her yek bi rola xwe, amûrên xwe û bîra xwe — orkestre dike da ku karekî ku ajanekî tenê nikare bi pêbawerî bike çareser bike. Li şûna Promptekî mezin bi bîst karan, sîstem subtaskan li ser Lêkolînvan, Nivîskar, Piştrastker, Rexnegir û Bikarhênerê Amûran belav dike. Sê kişandek vî pateronî di 2026-an de derbas kirine:

• Modelên Reasoning (Claude 4.7, o4, DeepSeek-R2): ji ber ku LLM-an niha bi pêbawerî plan çêdikin û xwe-rexne dikin, orkestrekirina çend ajanan biha ye.
• Model Context Protocol (MCP): girêdana amûran standardîze dike. Ya ku di 2024-an de hîn 8-12 hefte koda Custom-Glue-ê hewce dikir, di 2026-an de du roj dikişîne. Bibînin rêbernameya me ya MCP.
• Bihayên Token di belavbûnê de: Claude Haiku, GPT-5 nano û Llama 4 Mini xelata aborî dikin ku pênc ajanan di lûpekê de bimeşînin, li şûna ku banga GPT-4-ê ya tenê fedakar bikin.

«Saziyeke Single-Agent di 2026-an de ew tişt e ku Single-Service-Backend di 2014-an de bû: nostaljîk, gava-gava têra dike, lê di barên kar ên Pargîdaniyê de bi domdarî kêm dimîne. Em li mazdek heman gavavêtina mîmariyê wek wê demê di derbasbûna ji Monolîtan ber bi Mîkroservisan ve dibînin — tenê niha ajan dibin Servîs û LLM dibe Runtime.»

— PROMETHEUS, Ajanê AI û Machine Learning li mazdek

Peysaja Çarçoveyên Multi-Agent di 2026-an de

Çar çarçoveyên serdest ên 2026-an di fikrê de ne, lê di felsefe, guncavbûna Swîsreyê û rastiya hilberîner de pir cuda ne:

Çarçove	Hilberîner	Lîsans	Mîmarî	Gihiştî (Hilberîn)	Swiss-Fit
LangGraph	LangChain	MIT	Stateful Graph (DAG + Lûp)	Bilind — v1.0 Q4 2025	Pir baş
CrewAI	CrewAI Inc.	MIT (Core)	Crew ya li gor rolê	Navîn-bilind	Baş (self-hosted)
AutoGen 0.4+	Microsoft Research	CC-BY 4.0	Multi-Agent ya bi axaftin	Navîn — Azure-orient	Navîn
OpenAI Agents SDK	OpenAI	MIT	Handoffên sivik (Mîrasa Swarm)	Navîn — pir nû	Bisînor (API ya DYA)
Semantic Kernel	Microsoft	MIT	Plugins + Plans	Bilind (Pargîdaniya .NET)	Baş (Azure CH)
llama-index Workflows	LlamaIndex	MIT	Workflowên bi bûyer	Navîn	Pir baş
Pydantic AI	Pydantic	MIT	Ajanên Type-safe	Navîn-bilind	Pir baş

Em di bicîhkirinên Hilberîner ên Swîsreyê de di 2026-an de çar arşetîpan dibînin — li gor profîla barê kar:

• LangGraph: standarda Pargîdaniyê ya pratîkî. Stateful, deterministîk, debug-bar. Hilbijartina me ya pêşîn ji bo boriyên Compliance, ETL-orkestre, Reasoning bi gelek gavan.
• CrewAI: Standarda Zêrîn dema ku qad bi rolê difikire — Lêkolînvan, Nivîskar, Reviewer, Editor. Boriyên naverokê, Marketing, raporên lêkolînê.
• AutoGen 0.4: ji bo lêkolîn û çêkirina kodê. Di Hilberînê de pir biaxaftin (= biha), lê di Reasoning ya kûr û pateronên Group-Chat de bê hempa.
• OpenAI Agents SDK: Stacka sivik. Heke serweriya daneyên DYA pejirandî ye û warê karanînê tenê handoffên hêsan hewce dike — îdeal ji bo workflowên ChatGPT-merkez.

Berhevdana Mîmariyê: Çar çarçove çawa difikirin

Cudahiya biryarder di Topolojiya Kontrolê de ye: kî biryar dide ka kîjan ajan dê pêşîn bimeşe?

+----------------------+     +----------------------+
|     LangGraph        |     |       CrewAI         |
|                      |     |                      |
|  +--+   cond  +--+   |     |   Manager (Router)   |
|  |A1|-------->|A2|   |     |     /     |         |
|  +--+         +--+   |     |   Lêk.  Nivîs Rexne |
|       cond    |     |     |          |      /   |
|               v     |     |     -- Output --     |
|        +--+  +--+    |     |                      |
|        |A3|->|END|   |     |  hiyerarşîk /        |
|        +--+  +--+    |     |  rêzpeyî             |
|                      |     |                      |
|  Stateful Graph      |     |  Crew ya li gor rolê |
+----------------------+     +----------------------+

+----------------------+     +----------------------+
|       AutoGen        |     |  OpenAI Agents SDK   |
|                      |     |                      |
|  GroupChatManager    |     |  Triage-Agent        |
|        |             |     |       |  handoff     |
|        v             |     |       v              |
|  ( A1 -- A2 -- A3 )  |     |   Sales-Agent        |
|        ^                   |       |  handoff     |
|        | speak_again       |       v              |
|        v                   |   Refund-Agent       |
|     Critic                 |                      |
|                            |  Stateless           |
|  Lûpa axaftinê       |     |  Function-Calls      |
+----------------------+     +----------------------+

Ji vê topolojiyê hema hema her tişt din tê — Debugkirin, Profîla Lêçûnê, Modelên Têkçûnê, Çavdêrî:

• LangGraph (Stateful Graph): her girêk fonksîyonek e, kêlek derbasbûnên şertdar in. State di navbera girêkan de wek persistent tê derbaskirin (Checkpointer di Postgres / Redis de). Dubarekirinbar, hêsan ji bo testkirinê, standarda zêrîn ji bo Workflowên FINMA-pejirandî.
• CrewAI (Crew ya li gor rolê): LLM-eke Manager subtaskan li ajanên pispor belav dike. Lêçûnên Token bilindtir bi Delegasyonê, lê rolên semantîk ên zelal — Stakeholder mîmariyê pêşîn fam dikin.
• AutoGen (GroupChat): Ajan di Channelek hevpar de diaxivin; LLM-eke Selector axaftvanê pêş diyar dike. Bihêz, lê bêyî Cost-Capan axaftin diteqe.
• OpenAI Agents SDK (Handoffs): her ajan lîsteyek ji ajanên din heye, ku ew dikare radestî wan bike. Pir sivik, lê rêvebiriya State karê pêşvebir e.

Mîmariya Referansê: Stacka Multi-Agent ya Swiss-Sovereign

Çi çarçove dibe — her bicîhkirineke hilberîner a mazdek li gor mîmariyeke 8-qatî dimeşe. Ev qat eşkere bê alîgirê çarçoveyê ne, da ku guhertina çarçoveyê bêyî ji nû ve mîmarekirinê mumkin be:

+------------------------------------------------------------+
|  1. UI / Trigger: IRIS · n8n · Slack · Portala Kirrê        |
+-----------------------------+------------------------------+
                              | Brîfa Karî + Kontekst
                              v
+-----------------------------+------------------------------+
|  2. Niyet + Rotting: PROMETHEUS — Single an Multi-Agent    |
|     - hêsan  -> SLM (Phi-4, Gemma 3) bêyî Ajanan          |
|     - workflow-> Multi-Agent (LangGraph / CrewAI)         |
|     - chat    -> AutoGen GroupChat                         |
+-----------------------------+------------------------------+
                              | Hilbijartina Çarçoveyê
                              v
+-----------------------------+------------------------------+
|  3. Qata Ajanan: PROMETHEUS-orkestrekirî                   |
|     - Plansaz · Lêkolînvan · Nivîskar · Piştrastker · Rexne|
|     - Bangên Reasoning li ser Claude 4.7 / DeepSeek-R2     |
+-----------------------------+------------------------------+
                              | Banga Amûran (MCP)
                              v
+-----------------------------+------------------------------+
|  4. Qata Amûran: HERACLES — MCP-Bus                         |
|     - SAP · Salesforce · DB · Vector-DB · Web · Code-Sbx   |
|     - Auth: OAuth 2.1 · mTLS · Service-Tokens              |
+-----------------------------+------------------------------+
                              | Encam + Audit
                              v
+-----------------------------+------------------------------+
|  5. Bîr: ORACLE — Kurt / Dirêj / Episodîk                  |
|     - Postgres (Checkpoints) · pgvector (Episodes)         |
|     - Mem0 / Letta ji bo Cross-Session-Learning            |
+-----------------------------+------------------------------+
                              | State ya pejirandî
                              v
+-----------------------------+------------------------------+
|  6. Guardrails: ARES — PII · Prompt-Injection · Polîtîka  |
|     - Llama Guard 3 · NeMo Guardrails · LlamaFirewall      |
+-----------------------------+------------------------------+
                              | Çalakiya li gor Compliance
                              v
+-----------------------------+------------------------------+
|  7. Çavdêrî: ARGUS — Langfuse + OpenTelemetry              |
|     - Trace-Replay · Cost-Caps · Eval-Regression           |
|     - Arşîva WORM 10 sal ji bo FINMA / EU AI Act           |
+-----------------------------+------------------------------+
                              | Pîvan + Bûyer
                              v
+-----------------------------+------------------------------+
|  8. Binesazî: HEPHAESTUS — Swiss-GPU / Bedrock CH          |
|     K8s · vLLM · ISO-27001 · revDSG · 99.95% SLA           |
+------------------------------------------------------------+

Sê qat balek taybetî hêjayî ne:

• Niyet + Rotting: 65-80% hemû daxwazan ne pêdiviya Sîstemeke Multi-Agent in. Klasîfîkatorek biryar dide, gelo banga Modela Ziman a Biçûk a tenê têra dike an Orkestrekirin pêwîst e. 4-7 caran lêçûnê dixilas dike — bibînin gotara SLM.
• Qata Amûran (HERACLES): kişandeka herî girîng ji bo lez û lêçûnê. MCP API-ya Amûran standardîze dike; her çar çarçove di 2026-an de bi xwemalî MCP-yê piştgirî dikin.
• Guardrails (ARES): di Sîstemên Multi-Agent de rîska Halusînasyonê pirsê dibe. Her ajan dikare bi nezelalî PII derkeve an Prompt-Injection-ê pêşîn berde. Bêyî Llama Guard 3 an NeMo Guardrails ti bicîhkirineke hilberîner a Swîsreyê tune.

Berhevdana Kodê: Heman warê karanînê di çar çarçoveyan de

Karî: ajanekî pêbawerî daxistinekê distîne, ew li gor Koda VAT kategorîze dike, li hember Master-ê Peydaker piştrast dike û di Bexio de tomar dike. Boriya 4-gavî ya klasîk.

LangGraph (Python)

from langgraph.graph import StateGraph, END
from langgraph.checkpoint.postgres import PostgresSaver
from typing import TypedDict
import anthropic

class State(TypedDict):
    invoice: dict
    classification: str
    supplier: dict | None
    booking_id: str | None

def classify(state: State) -> State:
    res = anthropic.messages.create(
        model='claude-opus-4-7',
        max_tokens=512,
        messages=[{'role': 'user', 'content': f"Koda VAT ji bo: {state['invoice']}"}]
    )
    return {**state, 'classification': res.content[0].text}

def lookup_supplier(state: State) -> State:
    sup = bexio.suppliers.find(name=state['invoice']['vendor'])
    return {**state, 'supplier': sup}

def book(state: State) -> State:
    if not state['supplier']:
        return state  # rawestandina şertî
    res = bexio.invoices.create(
        supplier_id=state['supplier']['id'],
        vat_code=state['classification'],
        amount=state['invoice']['amount']
    )
    return {**state, 'booking_id': res['id']}

g = StateGraph(State)
g.add_node('classify', classify)
g.add_node('lookup', lookup_supplier)
g.add_node('book', book)
g.set_entry_point('classify')
g.add_edge('classify', 'lookup')
g.add_conditional_edges(
    'lookup',
    lambda s: 'book' if s['supplier'] else END,
)
g.add_edge('book', END)

checkpointer = PostgresSaver.from_conn_string(os.environ['DATABASE_URL'])
app = g.compile(checkpointer=checkpointer)
result = app.invoke({'invoice': payload}, config={'configurable': {'thread_id': inv_id}})

Taybetmendî: her qonax fonksîyonek paqij e, State eşkere tê derbaskirin. Piştî teqînê dikare were vegerandin, FINMA-pejirandî, bi Postgres-Checkpointer her run dijiya Restart-a Pod.

CrewAI (Python)

from crewai import Agent, Task, Crew, Process

classifier = Agent(
    role='Pisporê VAT-ê yê Swîsreyê',
    goal='Klasîfîkasyona VAT ya rast ji bo her daxistinê',
    backstory='15 sal ezmûn bi qanûna VAT ya Swîsreyê û muhasebeya Bexio re',
    llm='claude-opus-4-7',
    tools=[bexio_search_tool, vat_lookup_tool]
)

booker = Agent(
    role='Ajanê Tomarkirina Bexio',
    goal='Daxistinên pejirandî bi paqijî di Bexio de tomar bike',
    llm='claude-haiku-4',
    tools=[bexio_book_tool]
)

t1 = Task(description='{invoice} kategorîze bike û Peydaker bibîne', agent=classifier)
t2 = Task(description='Bi Koda VAT & Peydakerê dîtî tomar bike', agent=booker, context=[t1])

crew = Crew(agents=[classifier, booker], tasks=[t1, t2], process=Process.sequential, memory=True)
result = crew.kickoff(inputs={'invoice': payload})

Taybetmendî: Metafora rolê li şûna Grafê. Stakeholder kodê bi sezgîn fam dikin. Aliyê din: State zimanveşartî ye, debugkirin dijwartir e, xerckirina Tokenan bi ~15% bilindtir bi sedema Promptên Rol-Backstory.

AutoGen 0.4 (Python)

from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.anthropic import AnthropicChatCompletionClient

client = AnthropicChatCompletionClient(model='claude-opus-4-7')

classifier = AssistantAgent('classifier', model_client=client,
    system_message='Tu Kodên VAT yên Swîsreyê kategorîze dikî')
booker = AssistantAgent('booker', model_client=client,
    system_message='Tu di Bexio de bi rêya Tool-Calls tomar dikî', tools=[bexio_book])
critic = AssistantAgent('critic', model_client=client,
    system_message='Tu tomarê dipiştrast dikî û APPROVE an REJECT dibêjî')

team = RoundRobinGroupChat([classifier, booker, critic], max_turns=6)
async for msg in team.run_stream(task=f'Daxistinê pêvajo bike: {payload}'):
    print(msg)

Taybetmendî: Axaftin wek mekanîzma kontrolê. Bihêz dema ku karî nîqaş û xwe-rexnegirî hewce dike. Lê Round-Robin di pîvana me de 2.3-3.1 caran Tokenên zêdetir ji LangGraph ji bo heman Output-ê dixwe — bêyî max_turns ya hişk ev zû dibe biha.

OpenAI Agents SDK (Python)

from agents import Agent, Runner, function_tool

@function_tool
def lookup_supplier(name: str) -> dict: ...

@function_tool
def book_invoice(supplier_id: str, vat_code: str, amount: float) -> str: ...

classifier = Agent(
    name='Classifier',
    instructions='Koda VAT kategorîze bike, dûv re handoff ji bo Booker',
    tools=[lookup_supplier],
    model='gpt-5-mini',
)

booker = Agent(
    name='Booker',
    instructions='Daxistinê bi Koda VAT ya hatî radestkirin tomar bike',
    tools=[book_invoice],
    model='gpt-5-mini',
)

classifier.handoffs = [booker]

result = Runner.run_sync(classifier, input=f'Daxistin: {payload}')

Taybetmendî: Boilerplate ya kêmtirîn. Lê: stateless (bê Postgres-Checkpoint), modelên Reasoning bi rêya OpenAI-API bi Routing-a daneyên DYA — ji bo barên kar ên FINMA li Swîsreyê problematîk.

Berhevdana Lêçûnê: Sîstemeke Multi-Agent çiqas dixwe

Ji 23 bicîhkirinên hilberîner em lêçûnên realîst ji bo 1000 karan ji bo workflowekî tîpîk yê 4-gavî (Klasîfîkasyon, Lookup, Verîfîkasyon, Çalakî) berhev dikin:

Çarçove	Tokenên Navîn/Karî	Latensiya Navîn	CHF / 1k Karî	Rêjeya Têkçûnê
LangGraph + Claude 4.7	4'200	5.1 ç	CHF 38	1.4%
LangGraph + DeepSeek-R2 (self-hosted)	4'600	6.8 ç	CHF 6	2.1%
CrewAI + Claude 4.7	5'500	7.3 ç	CHF 51	1.8%
AutoGen 0.4 + Claude 4.7	9'800	11.2 ç	CHF 91	2.4%
OpenAI Agents SDK + GPT-5	3'400	3.8 ç	CHF 32	2.2%
OpenAI Agents SDK + GPT-5 mini	3'600	3.4 ç	CHF 9	3.5%

Sê hînkarî ji daneyan:

1. AutoGen 2.4 caran ji LangGraph bihatir e di karekî berhevdankirî de. Round-Robin bêyî max_turns ya hişk sedema sereke ye. Cost-Capan ji bo her Tenant bidanin.
2. DeepSeek-R2 ya self-hosted di LangGraph de 6 caran ji Cloud-a Frontier erzantir e — bi rêjeya têkçûnê ya pejirandî bilindtir (bi Eval-Gating tê gorîn).
3. OpenAI Agents SDK + GPT-5 mini Padîşahê biha-bandorê ye ji bo handoffên hêsan — heya ku serweriya daneyên DYA ne pîvanek KO ye.

5 Warên Pratîkî bi ROI-ya Pîvandî

Ji 23 bicîhkirinên Multi-Agent ên mazdek-ê yên hilberîner pênc pateronên ji nû ve dubarebar:

1. Boriya Pêbaweriyê (LangGraph)

Pêbaweriyeke Zûrîhê bi 480 wezareta KMU LangGraph + Claude 4.7 bikar tîne ji bo ku 18'000 daxistinên ketinê di mehê de kategorîze bike, li hember Bexio tomar bike û Anomaliyan tehlîl bike. Boriya 7-girêkî (OCR, Klasîfîkasyon, Hevberê Peydaker, Kontrolkirina VAT, Tomarkirin, Tehlîla Anomaliyê, Eskalasyon) bi Postgres-Checkpointer FINMA-pejirandî ye. Encam piştî 6 mehan: 84% kêmtir tomarkirina destî, 1.2% rêjeya eskalasyona Anomaliyê (berê 7.4%), CHF 480'000 xilaskirin di salê de, Payback 4.8 meh.

2. Klasîfîkasyona Zererên Sîgorteyê (CrewAI)

Sîgorteyeke malê ya Swîsreyê bi CHF 950 mîlyon prîman çar ajanan orkestre dike — Xwendekarê Dosyê, Klasîfîkatorê Zererê, Tehlîlkerê Sextekarî û Pêşniyarê Compromîsê — bi CrewAI. Encam: Wext-Rêveçûna Zerer -62%, Tehlîla Sextekariyê 2.1 caran çêtir, NPS +14 xal, Payback 7.2 meh.

3. Compliance-Review (Hibrîda LangGraph + AutoGen)

Bankayeke taybet a Cenevreyê LangGraph (boriya deterministîk) bi AutoGen-GroupChat (nîqaşa qanûnî ya dosyên tevlihev) re hev dike. Sê ajanên Compliance ên ji aliyê ARES ve hatine orkestrekirin Pêragihandinên FINMA li hember pêvajoyên hundirîn dipiştrast dikin. Encam: 79% review-ên zûtir, 0% îtîrazên FINMA-yê ji Go-Live, CHF 3.1 mîlyon xilaskirin di salê de.

4. Boriya Naverokê (CrewAI)

Beşeke Marketinga B2B ya Bernê bi Lêkolînvan, Pisporê SEO, Nivîskar û Reviewer her hefte 28 gotarên Long-Form di çar zimanan de hildiberîne. Encam: Output 4.2 caran, Time-to-Publish -71%, di Top-10 Google de ji bo 142 keywordên nû, CHF 285'000 xilaskirin di budceya ajansê de.

5. Bersivdana Bûyera DevOps (LangGraph + MCP)

Fintech-ek Baselê Bersivderekî Bûyerê yê Multi-Agent bi cih dike: Detector → Diagnoser → Remediator → Documenter. Bi rêya MCP ajan digihîjin Datadog, GitHub, Kubernetes û PagerDuty. Encam: MTTR -68%, Bûyerên P0 -41% piştî 3 mehan, raporên ARGUS pêdiviya audit-ê ya ISO-27001 bê îtîraz peyda dikin. Bibînin gotara Self-Repairing-AI.

Matrîsa Biryarê: Kîjan Çarçove ji bo We?

Profîla Barê Kar	Pêşniyar	Çima
Compliance / FINMA / Audit	LangGraph	Stateful, deterministîk, Postgres-Checkpoint
Naverok / Marketing / Lêkolîn	CrewAI	Metafora rolê bi qadê re tê
R&D / Çêkirina Kodê / Matematîk	AutoGen 0.4	GroupChat ji bo nîqaş + xwe-rexnegirî
ChatGPT-merkez / handoffên hêsan	OpenAI Agents SDK	Sivik, API-ya xwemalî
Stacka Microsoft / Pargîdaniya .NET	Semantic Kernel	Entegrasyona kûr a Azure, Modela Plugin
Type-safe / cîhana Pydantic	Pydantic AI	Validasyona Schema ji destpêkê
RAG-merkez / Index-giran	llama-index Workflows	Primitive yên Index û Retrieval ên çêtirîn

Hilbijartina pêşîn a PROMETHEUS ji bo Mid-Market-Pargîdaniyên Swîsreyê: LangGraph + Claude 4.7 (eskalekirî) + DeepSeek-R2 (Standard) + Amûrên MCP bi rêya HERACLES. Ev hevbendî di 80% wezaretên me de xala xirca optîmal a lêçûn, audit-bûnê û lezê peyda dike.

Rêvebirin: Sîstemên Multi-Agent li gor EU AI Act, revDSG û FINMA

Sîstemên Multi-Agent çar pirsên zêde yên Compliance peyda dikin ku bangên LLM yên tenê tune bûn:

• EU AI Act Mad. 50 (Pêdiviya Zelalbûnê): heke Sîstemeke Multi-Agent bi kirrên dawî re hevkar bibe, divê eşkere be ku çend ajanên AI tev de ne — ne tenê yek. Pratîka çêtirîn: Notek UI «Ev pêvajo ji aliyê komeke ajanên AI yên pispor ve tê meşandin.»
• EU AI Act Mad. 12 (Tomarkirin): her banga ajanê, her bangkirina amûrê, her handoff ji ketin/derketin tê hesibandin û divê di tevahiya runtime-ya sîstemê de were tomar kirin. Workflowekî 7-gavî 7 caran trace-volumeyê zêdetir ji yek bangê tenê peyda dike.
• revDSG Mad. 21 (biryara endam ya otomatîk): heke Sîstema Multi-Agent bandoreke qanûnî heye (Klasîfîkasyona Sîgorteyê, Biryara HR, Rîska Krediyê), divê kesê endamê bikare review-eke mirovî bixwaze — û Trace-ya Multi-Agent ya tam beşek ji rastnîşandanê ye.
• FINMA RS 2023/1 (Rîskên Operasyonel): Sîstemên Multi-Agent rîskên kaskadkirî peyda dikin — ajanekî halusînekirî dikare boriyê pîs bike. Erk: Rejîma Eval, Testên Red-Team, Cost-Caps û arşîva Trace ya tamper-evident ji bo 10 salan.

Rêbernameya me ya EU-AI-Act Şablonên Multi-Agent ji bo her çar pirsan dihewîne. Sê erkên hişk ku her bicîhkirineke Multi-Agent ya Swîsreyê divê pêk bîne:

1. Tewavbûna Trace: her State-a ajanê, her Tool-Call, her biryara handoff bi OpenTelemetry plus Langfuse digirin. Arşîva WORM ji bo wezareta sazkirî.
2. PII-Redaction di navbera Ajanan de: daneyên hestiyar nayên derbaskirin, ji bilî heke eşkere pêwîst be. ARES-Llama-Guard di navbera Ajanan de wek Bus-Filter rûdine.
3. Cost & Loop Caps: sînorên hişk ên Token ji bo her Ajan û sînorên Iterasyona hişk (max. 10-15 lûp). Lûpên bê dawî #1 rîska di bicîhkirinên AutoGen de ne.

Mînaka Pratîkî: Boriya Pêbaweriyê bi LangGraph di 9 hefteyan de hilberîner

Pêbaweriyeke Zûrîhê (CHF 14 mîlyon dahat, 62 karmend, 480 wezaret) berî 2026-an daxistinên xwe yên ketinê bi destî pêvajo dike — 4'200 saetên kar di salê de tenê ji bo tomarkirinê.

Rewşa Destpêkê

• 18'000 daxistinên ketinê/meh ji PDF, sêwirana e-nameyê, daxistina QR
• Tomarkirina destî di Bexio de ji aliyê 6 piştgiran ve
• Rêjeya çewtiyê: 4.1% (bi piranî Kodên VAT yên çewt an Mismatch-ên Peydaker)
• Lûtkeyên demsalî Q1 û Q4 dibûn sedema paşmayîyên heya 21 rojan

Çareseriya Multi-Agent ya mazdek-ê di 9 hefteyan de

Me boriyeke LangGraph bi heft girêkan û MCP-Tool-Bus çêkir:

• Girêka 1 (OCR): Mistral-OCR + Tesseract-Fallback, qadên struktûrî derdixe.
• Girêka 2 (Klasîfîkasyon): Ajanê PROMETHEUS bi Claude 4.7 ji bo dosyayên VAT yên tevlihev, DeepSeek-R2 ji bo Standardê.
• Girêka 3 (Hevberê Peydaker): HERACLES bi MCP-Bridge ji bo Bexio Suppliers + Fuzzy-Matching.
• Girêka 4 (Verîfîkasyon): ORACLE RAG li hember qanûna VAT û notên wezaretê.
• Girêka 5 (Tomarkirin): Bexio API bi Idempotency-Keys.
• Girêka 6 (Anomalî): Tehlîlkerê statîstîk Outlier-an ji bo kontrola mirovî nîşan dike.
• Girêka 7 (Eskalasyon): Slack-/E-Nameya Hişyariyê plus Karta Portala Kirrê.

Encam piştî 6 mehan operasyonê

Pîvan	Berê	Piştre	Delta
Hewldana Destî	4'200 s/Sal	670 s/Sal	-84%
Rêjeya Çewtiya Tomarkirinê	4.1%	0.6%	-85%
Rêjeya Eskalasyona Anomaliyê	7.4%	1.2%	-84%
Wexta Rêveçûnê ji bo her daxistinê	~6 deqîqe	~22 ç	-94%
Lêçûna LLM ji bo her daxistinê	—	CHF 0.038	—
Xilaskirina salî	—	CHF 480'000	—
Payback	—	4.8 meh	—

Girîng: tu kêmkirineke karî nîne. Şeş piştgir bûn pisporên Anomaliyê û şêwirmendên wezaretê — bi tevkariya nirxê bilindtir û meaşê çêtir. Lûtkeyên demsalî ji aliyê sîstemê ve têne kişandin, ne ji aliyê tîmê ve.

Rêbernameya Bicihkirinê: Di 10 hefteyan de hilberîner

Qonaxa 1: Discovery & Hilbijartina Çarçoveyê (Hefteya 1-2)

• Workshop: kîjan workflowê îro > 4 gav heye û > 1'000 saet/sal dixwe?
• Matrîsa Çarçoveyê: Determînîzm × Audit × Lêçûn × Skil-Tîm
• Top-2 Workflowan hilbijêre, Eval-Set bi 200-500 dosyayan ava bike

Qonaxa 2: PoC bi çarçoveya hilbijartî (Hefteya 3-5)

• PROMETHEUS Graph di LangGraph (an Crew, AutoGen) de ava dike
• Eval li hember Gold-Set, profîla Lêçûnê pîvandin
• MCP-Tool-Bridge ji bo sîstemên hewce (Bexio, SAP, Bitrix24, hwd.)

Qonaxa 3: Guardrails, Bîr & Çavdêrî (Hefteya 6-7)

• ARES Llama Guard 3 Bus-Filter, PII-Redaction, Loop-Caps bi cih dike
• ORACLE Postgres-Checkpointer + pgvector-Episodic-Memory ava dike
• ARGUS Langfuse + OpenTelemetry, arşîva WORM bi alavê

Qonaxa 4: Binesazî & Compliance (Hefteya 8-9)

• HEPHAESTUS li ser Swiss-K8s / Bedrock eu-central-2 Zurich bi cih dike
• Pêkanîna Compliance ya EU-AI-Act û FINMA bi rêya ARES
• Testên Red-Team li hember Prompt-Injection û Halusînasyonên kaskadkirî

Qonaxa 5: Rollout & Fêrbûn (Hefteya 10+)

• Şêwaza Şêw: Sîstem paralel bêyî bandora zindî dimeşe
• Bi nezaret: 10% Trafîk bi pejirandina mirovî
• Hilberîna Tam: 100% bi Human-in-the-Loop ji bo dosyayên Confidence-kêm
• Eval-Regression a mehane, nûjenkirina Çarçoveyê ya 3-mehî

Pêşeroj: A2A, Modelên Council û Berhevên Bê dawî

Çarçoveyên Multi-Agent ên 2026-an tenê nifşê duyemîn in. Ya ku 2027-2028 di nêzîk de ye:

• Protokola Agent-bo-Agent (A2A): Google, Anthropic û LangChain li ser hempayê MCP ji bo Têkiliya ajan-bo-ajan li ser sînorên hilberîner kar dikin. Ajanê LangGraph dê bikaribe Ajanê CrewAI rasterast bang bike — bêyî koda Adapter.
• Modelên Council: Anthropic Council, OpenAI Swarm 2.0 û DeepMind Concurrent 8-15 xalan ji rastiyê zêde dikin dema ku 3-5 modelên Reasoning paralel nîqaş dikin û bi hev re digihîjin. Wezaretên Swîsreyê yên yekem vê ji bo Raporên Due-Diligence test dikin.
• Berhevên Hiyerarşîk: Manager-Agent li ser Manager-Agent li ser Worker. Ji bo bi hezaran karên hev demî tê bikar anîn (Marketing, Piştgirî, RPA-Replacement).
• Marketên Pisporan: Cursor Agent Hub, Anthropic Agent Store û HuggingFace Spaces-Agents pisporên pêş-perwerdekirî, îmzekirî tînin — Vendor-Lock-in ya pîşesaziya AI?
• Stacên Multi-Agent ên Domain-Fine-Tuned: Stacka Multi-Agent ya Pêbaweriyê ya bi DPO-perwerdekirî wek Hilberekî Out-of-the-Box. mazdek yekem ji vî awayî ji bo pîşesaziya pêbaweriyê ya Swîsreyê ji bo Q4 2026 ava dike.
• Ajanên Long-Horizon: ajanên ku rojan û hefteyan otonom dimeşin — Sweep-ên Compliance, tehlîlên Bazarê, testên berdewam. Pêwîstiya Bîra bê dawî heye (Mem0, Letta) û rêvebirina Lêçûna hişk.

Encam: Multi-Agent mîmariya AI ya 2026 ye

• Gavavêtina Mîmariyê: Bangên LLM yên Single-Agent di 2026-an de dibin hempayê Mîkroservisan — fonksiyonel, lê kêm caran optîmal. Multi-Agent standarda nû ya Workflowên bi zêdeyî 3 gavan e.
• LangGraph wek Standard a Swîsreyê: stateful, audit-bar, Postgres-checkpointed. Pêşniyara me di 80% wezaretên Pargîdaniyên Swîsreyê de.
• CrewAI ji bo qadên li gor rolê: Naverok, Marketing, Lêkolîn, pêvajoyên qanûnî.
• AutoGen ji bo Barên kar ên Reasoning-giran: bi Cost-Caps. Bêyî Caps çarçove dibe xefika lêçûnê.
• OpenAI Agents SDK ji bo Handoffên sivik: heke serweriya daneyên DYA ne pîvanek KO ye.
• ROI di binê 8 mehan de: 23 wezaretên hilberîner ên mazdek-ê, 5.9 mehên payback-a navîn.
• Compliance pêkdar e: EU AI Act, revDSG û FINMA bi ARES-Guardrails, ARGUS-Çavdêrî û arşîvkirina WORM bi paqijî tê pêşkêş kirin — Swiss-sovereign ji roja yekem.

Li mazdek 19 ajanên AI yên pispor tevahiya jiyana Multi-Agent orkestre dikin: PROMETHEUS ji bo mîmarî, Routing û Reasoning; HERACLES ji bo entegrasyona MCP-Tool; ORACLE ji bo RAG û Bîr; ARES ji bo Guardrails û Compliance; ARGUS ji bo Çavdêriya 24/7 û WORM-Audit; HEPHAESTUS ji bo Binesaziya Swiss-K8s; IRIS ji bo Human-in-the-Loop; NANNA ji bo Eval-Regression. 23 bicîhkirinên Multi-Agent ên hilberîner ji 2024 ve — DSG-, DSGVO-, EU-AI-Act-, FINMA- û OR-pejirandî ji roja yekem.