من يوجّه مَن؟ الإنسان أم الذكاء الاصطناعي؟

نظرة عامة على RAG هندسة الأوامر وتقنيات وكلاء الذكاء الاصطناعي

المقدمة

في عصرنا الرقمي الحالي، لم تعد التكنولوجيا مجرد أدوات نستخدمها، بل أصبحت كيانات تتفاعل معنا وتفهم لغتنا. في قلب هذا التطور، تكمن نماذج الذكاء الاصطناعي الحديثة، التي أتقنت فن المحادثة البشرية. لكن كيف تطورت لتصل إلى هذه المرحلة؟ وما هي التحديات التي واجهتها في الطريق، مثل “الهلوسة” (Hallucination)؟

و للحديث أكثر عن هذا الموضوع تم التطرق اه في جلسة استضافتها مؤسسة سند الشباب التنموية، قدّمت المهندسة مروة الداية عرضاً شيقاً حول التحولات التي أحدثتها نماذج اللغة الكبيرة (LLMs) في الذكاء الاصطناعي. أوضحت كيف تطورت هذه النماذج من التنبؤ بالكلمات إلى فهم السياق، والإجابة الدقيقة، وتنفيذ مهام معقدة تشبه التفكير البشري

جدول المحتويات

نماذج اللغة الكبيرة (LLMs) وتحدياتها
مفهوم RAG (Retrieval-Augmented Generation)
بنية أنظمة RAG
أدوات وفوائد RAG
أساسيات هندسة الأوامر (Prompt Engineering)
أنماط صياغة الأوامر
مفاهيم الوكلاء الذكيين (AI Agents)
قدرات الأدوات الخاصة بالوكلاء
مستقبل الوكلاء الذكيين

1. ما هو LLMs وما أبرز التحديات التي تواجهه؟

نماذج اللغة الكبيرة (Large Language Models – LLMs) هي نماذج ذكاء اصطناعي قادرة على فهم اللغات الطبيعية. أطلق عليها “كبيرة” لأنها تدربت على كميات ضخمة من البيانات والمعلومات.

التحدي الأكبر: “الهلوسة” (Hallucination)

هي حالة تحدث عندما يُطلب من النموذج الإجابة على أسئلة لم يتدرب عليها مسبقًا، مما يؤدي إلى نتائج مزيفة أو غير دقيقة لا علاقة لها بالموضوع المطروح. يمكن تشبيهها بحالة “الهلوسة” حيث يبدأ النموذج في تقديم معلومات خاطئة أو عشوائية.

بارمترات التحكم في أداء LLMs

درجة الحرارة (Temperature):

منخفضة: إجابات دقيقة وواقعية

عالية: إجابات إبداعية ومتنوعة

آلية الاختيار (Top-K/P):

تحدد عدد أو نسبة الكلمات المحتملة للاختيار منها، حيث تقليلها يزيد من التركيز والدقة، وزيادتها تزيد التنوع.

الحد الأقصى للطول (Max Length):

يحدد الحد الأقصى لطول النص المولد لضمان الإيجاز وتقليل التكلفة.

2. ما هو RAG (Retrieval-Augmented Generation)؟

RAG هو آلية تربط نماذج اللغة الكبيرة (LLMs) بمصادر بيانات خارجية (External Data) لتجنب مشكلة الهلوسة. إذ تُزوّد هذه النماذج بالمعلومات الصحيحة التي تحتاجها للإجابة على الأسئلة، ما يزيد من دقة المخرجات وثقة المستخدم بالمعلومة.

فوائد RAG

توفير حقائق موثوقة لبناء الإجابات عليها

تقليل فرص الهلوسة

لكن قد تكون مكلفة من حيث الموارد عند الحاجة إلى تدريب النموذج ليتوافق مع البيانات الجديدة

المكونات الأساسية لأنظمة RAG

قواعد المعرفة (Knowledge Bases): ملفات PDF، مستندات، قواعد بيانات، وصفحات ويب
نماذج التضمين (Embedding Models): تحويل النصوص إلى متجهات رقمية باستخدام تقنيات مثل DPR وSentence-Transformers
قاعدة البيانات المتجهة (Vector Database): تخزين وفهرسة المتجهات للبحث السريع باستخدام أدوات مثل FAISS وPinecone
وحدة الاستخراج (Retriever Module): تحويل الاستفسارات إلى متجهات واستخراج المحتوى ذي الصلة
نموذج اللغة المولد (LLM Generator): إنتاج الإجابة النهائية بناءً على السياق المستخرج والسؤال الأصلي

كيف يعمل RAG؟

يقوم النظام بتقسيم المستندات إلى قطع صغيرة، ثم يحولها إلى متجهات رقمية تُخزن في قاعدة بيانات متجهة. عند وصول سؤال، يتم تحويله إلى متجه والبحث عن أكثر القطع الصلة في قاعدة البيانات. تُدمج هذه المعلومات مع السؤال الأصلي وتُرسل إلى نموذج اللغة الكبير لإنتاج إجابة دقيقة ومدعومة بالمصادر

التحديات التي تواجه أنظمة RAG

تقسيم البيانات إلى قطع مناسبة بحيث لا تتجاوز حدود التوكن ولا تفقد السياق
تحسين سرعة الاستجابة عبر التخزين المؤقت (caching) للطلبات المتكررة

أفضل الممارسات

قطع البيانات بذكاء وليس عشوائياً
اختيار الأجزاء الأهم فقط
صياغة الأسئلة بشكل مضبوط
تأمين وحماية البيانات
استخدام أدوات سريعة وتجهيز البيانات مسبقاً

تقنيات وأدوات RAG

أطر العمل: LangChain، LlamaIndex
قواعد البيانات المتجهة: Pinecone، FAISS، Weaviate، ChromaDB، Milvus
نماذج التضمين: Sentence-Transformers، OpenAI Embeddings، Cohere Embed
نماذج التوليد: GPT، Claude، Gemini، Mistral، LLaMA

3. هندسة الأوامر (Prompt Engineering)

هي عملية توجيه وضبط مدخلات نماذج اللغة الكبيرة (LLMs) للحصول على مخرجات صحيحة ومناسبة.

عناصر هندسة الأوامر

Instruction: التعليمة الواضحة (مثل: “لخص” أو “حلل”)

Context:السياق الذي ينتمي له الموضوع (مالي، تقني، … )

Input :البيانات المُرسلة للنموذج (نص، ملف، … )

Output: شكل المخرجات المطلوبة (ملف، JSON، قائمة ..)

أهمية هندسة الأوامر

تحسين دقة المخرجات
تقليل الهدر في التوكن وبالتالي تقليل التكلفة

أنواع الأوامر (Prompts)

النوع	متى يُستخدم	الإيجابيات	السلبيات
بدون أمثلة (Zero-Shot)	المهام البسيطة، المعرفة العامة، التجارب الأولية	سريع، لا يحتاج إلى إعداد	دقة منخفضة، تحكم أقل في التنسيق أو المخرجات
مثال واحد (One-Shot)	عندما تعرف تنسيق المخرجات وتريد توجيه النموذج بشكل بسيط	يضيف وضوحاً	قد لا يكون مثال واحد كافياً
أمثلة متعددة (Few-Shot)	المهام المعقدة، الحاجة لنبرة/هيكل محدد، أو دقة عالية مطلوبة	تحكم عالي، نتائج متسقة	يتطلب أمثلة مجهزة بشكل جيد

Role Prompting توجيه الدور

إعطاء دور محدد لنموذج اللغة ليعمل على أساسه، ليصبح له لهجته وأسلوبه الخاص ويستهدف جمهوراً معيناً.

مثال:

أنت مدرب لياقة بدنية متعاون ومشجع، هدفك مساعدة الناس على تحسين صحتهم البدنية. نبرتك إيجابية ومحفزة، تستخدم كلمات بسيطة ومفهومة، وتراعي مستوى اللياقة للمبتدئين.

4. هندسة الأوامر المتقدمة

تساعد هذه الأساليب النماذج على التفكير المنطقي والتخطيط والتفاعل بكفاءة أعلى، خاصة في المهام متعددة الخطوات والمعقدة.

النوع	الهدف	مثال عملي
Chain-of-Thought (CoT)سلسلة التفكير	التفكير خطوة بخطوة	توجيه النموذج لحل المسألة أو المشكلة بتفصيل كل خطوة. مثال: “ما هو حاصل ضرب 18 × 27؟ دعنا نفكر خطوة بخطوة…”ثم يبدأ النموذج بالتفكيك: 18 × 20 = 360، 18 × 7 = 126، ثم يجمع = 486
Tree-of-Thought (ToT)شجرة الأفكار	استكشاف مسارات متعددة للتفكير	يقوم النموذج باقتراح عدة حلول أو أفكار في وقت واحد، ويقيّم كل واحدة للوصول لأفضل خيار. مثال: لحل لغز ذكاء، يبدأ بعدة مسارات، ويقارن بين نتائج كل مسار لاختيار الأفضل
ReAct (Reasoning + Acting)تفكير + تنفيذ	التفكير أولاً، ثم استخدام أدوات	يشرح النموذج تفكيره، ثم ينفذ إجراءً باستخدام أداة مثل البحث أو حاسبة أو API مثال: “ما هو أرخص لابتوب بمواصفات معينة؟” يفكر، ثم يبحث على الإنترنت، ثم يعرض النتائج
Self-Consistencyالاتساق الذاتي	تكرار نفس التلقين واختيار الإجابة الشائعة	يعيد النموذج حل نفس السؤال عدة مرات بتنوع بسيط، ثم يختار الإجابة التي تتكرر أكثر. مثال: يُطلب منه حل لغز منطقي 5 مرات، ثم تُختار الإجابة الأكثر تكراراً باعتبارها الأكثر موثوقية

الفرق بين القيود والتعليمات التي توضع في ال prompt

هل يجب علينا اكثر ان نخبر ال LLMS ماذا يفعل او نخبره الا يفعل ذلك ؟

اي اننا هل نكثر من المنع او نكثؤ من التغليمات التي يجب فعلها
الحل الوحيد هو الموازنة وفقا ل نوعية البيانات المعطاة وتجنبا لعدم انحياز الموديل باتجاه معين .

النوع	ما هو؟	مثال	الفائدة
Instructions (التوجيهات)	تخبر النموذج بما يجب عليه فعله	“اذكر 3 مزايا في نقاط.”	توجيه مباشر لإنتاج محتوى منظم وذو هدف
Constraints (القيود / التلقين السلبي)	تخبر النموذج بما يجب عليه تجنبه	“لا تذكر أسماء المنتجات.”	تمنع النتائج غير المرغوبة أو المخالفة للسياسة

5. الوكلاء الذكيون (AI Agents)

ما هو وكيل الذكاء الاصطناعي؟

هو نظام ذكي قادر على اتخاذ قرارات والعمل بشكل مستقل لتحقيق أهداف محددة، وليس مجرد توليد نصوص أو التعرف على الأنماط.

الخصائص الأساسية

الاستقلالية: العمل بدون تدخل بشري مستمر
الهدفية: وجود هدف واضح
التفاعل: التكيف مع البيئة والتعلم منها
التنفيذ: القدرة على تنفيذ إجراءات محددة (مثل إرسال بريد إلكتروني، حجز موعد)

تطور AI Agents

الوكلاء التقليديون: يعتمدون على قواعد محددة أو تعليمات مبرمجة مسبقاً، جيدون في المهام البسيطة والواضحة، لكنهم يواجهون صعوبة في فهم اللغة أو التعامل مع مواقف غير واضحة أو غامضة.
الوكلاء المدعومون بنماذج اللغة الكبيرة: يستخدمون ذكاء اصطناعي متطور (نماذج كبيرة مثل ChatGPT) للتفكير والتعامل مع مواقف معقدة، يمكنهم التكيف والتفكير في مجالات مختلفة.

القدرات الأساسية للوكلاء الذكيين

الإدراك: يستطيع الوكيل فهم ما يراه أو يسمعه أو يقرأه، مثل النصوص أو الصور أو الصوت.
التفكير والتخطيط: يضع خطة منطقية لتحقيق هدف معين.
الذاكرة: يتذكر المعلومات والتجارب السابقة لتحسين أدائه.
استخدام الأدوات: يتفاعل مع قواعد بيانات، تطبيقات، وأجهزة مختلفة لإنجاز المهام.
التعلم والتكيف: يغير سلوكه حسب تفاعل المستخدم وتجارب سابقة.

لماذا نستخدم وكلاء الذكاء الاصطناعي؟

لزيادة الإنتاجية بتوفير الوقت والجهد في المهام المتكررة أو المعقدة.
لاتخاذ قرارات أفضل بالتعاون مع وكلاء آخرين.
لحل مشاكل معقدة عن طريق التخطيط واستخدام أدوات مختلفة.
لتقديم دعم شخصي يتكيف مع احتياجات المستخدم، أحيانًا حتى قبل أن يطلب المساعدة.

كيف يعمل وكيل الذكاء الاصطناعي المدعوم بنموذج لغة كبير؟

الإدراك: يستقبل هدفًا أو طلبًا.
التفكير: يقسم الهدف إلى خطوات صغيرة.
التنفيذ: يستخدم أدوات مختلفة لتنفيذ خطوة.
الملاحظة: يراقب نتائج التنفيذ.
التكرار: يكرر هذه الخطوات حتى ينجز الهدف..

دور التوجيهات (Prompts)

التوجيهات هي التعليمات التي تحدد شخصية الوكيل، أهدافه، القواعد التي يتبعها، وكيف يستخدم الأدوات، مثل تحديد أنه مساعد ذكي يساعد في البحث عن أفضل عروض السفر.

أمثلة على وكلاء الذكاء الاصطناعي في تطبيقات الهواتف

Hopper :يتوقع أسعار الطيران والفنادق.
Google Gemini Assistant : مساعد ذكي متكامل مع التطبيقات المختلفة.
Bixby وGoogle Assistant : أتمتة ذكية مثل التذكير التلقائي.
Talk2Care : مساعد صوتي في المجال الصحي.
Google Lens ,Apple Live Text : يبحثون ويترجمون ويعرفون الأشياء من الصور.

التحديات في تطوير الوكلاء

هناك أدوات برمجية متقدمة تسمح للمطورين بالتحكم الكامل في الوكلاء.
وهناك منصات تسهل الربط بين الخدمات دون الحاجة لكتابة أكواد كثيرة.

سوق الوكلاء الذكيين

السوق يتوسع بسرعة كبيرة من 5.4 مليار دولار في 2024 إلى أكثر من 50 مليار دولار بحلول 2030.
الوكلاء يستخدمون في مجالات كثيرة مثل الصحة، المالية، التسويق، وخدمات الشركات

خاتمة

نشهد اليوم لحظة فارقة في تاريخ الذكاء الاصطناعي؛ حيث تتحول النماذج اللغوية الكبيرة من مجرد مولّدات نصوص إلى وكلاء ذكيين قادرين على التفكير واتخاذ القرار والعمل المستقل. مع التقنيات الحديثة مثل RAG وهندسة الأوامر المتقدمة، ونموذج الوكلاء، يُفتح الباب أمام ثورة حقيقية في كيفية تفاعلنا مع الآلات.

يبقى السؤال: من يوجّه من؟ هل الإنسان هو من يتحكم بهذه الوكلاء الذكية، أم أن هذه الوكلاء ستصبح شريكة حقيقية لنا في صنع المستقبل؟