أظهرت التطورات الحديثة في النماذج اللغوية الكبيرة، مثل GPT-4، قدرات ملحوظة في معالجة الاستفسارات القياسية. وعلى الرغم من هذه التطورات، تُظهر أداءها انخفاضًا كبيرًا في المشاكل الرياضية المتقدمة التي تتطلب استنتاجًا منطقيًا معقدًا ومتعدد الخطوات. ولتعزيز قدرات الاستنتاج لدى هذه النماذج، اتجهت الأبحاث الحالية نحو هندسة النص المُدخل (prompting engineering)، ممثلةً بمنهجيات مثل "شجرة التفكير" (Tree of Thought) و"رسم الخرائط الذهنية" (Graph of Thought). ومع ذلك، تواجه هذه المناهج الحالية قيودًا كبيرة، تتمثل في الحد الأول في فعاليتها في حل المسائل الرياضية المعقدة، والثاني في الحاجة إلى تصميم نصوص مُدخلة مختلفة لكل مشكلة على حدة، مما يُضعف قدرتها على التعميم. لمعالجة هذه القيود، تقدم هذه الورقة منهجية جديدة تُسمى نظام الوكالات المتعددة للتعدين الشرطي (Multi-Agent System for Conditional Mining - MACM). ويُظهر هذا المنهج قدرة فعّالة على حل المسائل الرياضية المعقدة، إلى جانب قدرة قوية على التعميم عبر سياقات رياضية متنوعة. وباستخدام MACM، ارتفع دقة نموذج GPT-4 Turbo في حل أصعب المسائل من المستوى الخامس ضمن مجموعة بيانات MATH من 54.68% إلى 76.73%. يُمكن الاطلاع على الكود المصدر في: \url{https://github.com/bin123apple/MACM}.