DSPy

DSPy (Declarative Self-Improving Language Programs) هو إطار عمل مفتوح المصدر طورته جامعة ستانفورد لتحسين كيفية تفاعل المطورين مع النماذج اللغوية الكبيرة (LLMs). بدلاً من الاعتماد على هندسة الأوامر (prompt engineering) اليدوية التي تعتمد على التجربة والخطأ، يسمح DSPy للمطورين ببناء أنظمة ذكاء اصطناعي معقدة من خلال التعامل مع استدعاءات النماذج اللغوية كوحدات برمجية قابلة للبرمجة والتحسين. يحول هذا النهج مطالبات النصوص الهشة إلى خطوط أنابيب قوية ومتطورة لـ تعلم الآلة (ML)، مما يسد الفجوة بين مهام التوليد الأساسية وسير العمل المعتمد على الوكلاء (agentic workflows) المعقدة.

Link to this sectionكيف يعمل إطار العمل DSPy#

يعمل DSPy عن طريق فصل المنطق الأساسي للبرنامج عن تعليمات النص المحددة المستخدمة لتوجيه النموذج. باستخدام محسنات ومجمعات خوارزمية، يقوم إطار العمل تلقائياً بتقييم وتنقيح الوحدات التعريفية. من خلال تحديد توقيع واضح - مثل إدخال سؤال وتوقع إجابة بتنسيق محدد - يقوم إطار العمل بقياس الاستجابات وتحديث المطالبات أو أوزان النموذج بشكل تكراري.

يتشابه هذا من الناحية المفاهيمية مع الضبط الدقيق (fine-tuning) ولكنه ينطبق رياضياً على طبقة المطالبة، مما يحسن الدقة والموثوقية بشكل كبير مقارنة بالتعديلات اليدوية التقليدية. تم تفصيل البنية التأسيسية في ورقة بحثية من ستانفورد على arXiv حول DSPy، والتي تسلط الضوء على قدرته على التصحيح الذاتي أثناء مهام معالجة اللغات الطبيعية (NLP) المعقدة.

Link to this sectionتطبيقات العالم الحقيقي في الذكاء الاصطناعي وتعلم الآلة#

يسمح الانتقال من التلقين إلى البرمجة للمؤسسات بنشر نماذج لغوية عالية الموثوقية عبر مجموعة متنوعة من حالات الاستخدام:

• التوليد المعزز بالاسترجاع (RAG): تستخدم الشركات إطار العمل DSPy لأتمتة استرجاع وتوليف البيانات السياقية. بدلاً من ترميز تعليمات ثابتة حول كيفية تحليل المستندات المسترجعة، يتعلم النظام ديناميكياً هيكل المطالبة الأمثل. تدمج خطوط أنابيب المؤسسات الحديثة بشكل متكرر أدوات التتبع مثل Langfuse لمراقبة وتصحيح أخطاء تطبيقات التوليد المعزز بالاسترجاع (RAG) المُحسَّنة ديناميكياً في بيئة الإنتاج.
• تنسيق الوكلاء المتعددين: في أنظمة الذكاء الاصطناعي التوليدي (Generative AI) المعقدة التي تستخدم نماذج أساسية من OpenAI أو Anthropic، يدير DSPy كيفية تواصل الوكلاء المتعددين. يقوم إطار العمل بضبط عملية التسليم بين وحدة استخراج البيانات ووحدة التلخيص بشكل منهجي، مما يعمل بشكل مشابه لكيفية قيام ضبط المعلمات الفائقة (hyperparameter tuning) بتحقيق استقرار في شبكات التعلم العميق التقليدية. تتم مناقشة هذه الابتكارات على مستوى المؤسسات بكثافة في الموارد المتقدمة مثل مراكز الفكر التقني التابعة لـ IBM.

Link to this sectionDSPy مقابل هندسة الأوامر التقليدية#

من الضروري التمييز بين DSPy وممارسات هندسة الأوامر التقليدية. بينما تعتمد هندسة الأوامر التقليدية بشكل كبير على الحدس البشري وإعادة الكتابة اليدوية لتوجيه سلوك النموذج، يقوم DSPy بنظامة هذه العملية كمشكلة تحسين خوارزمية. تماماً كما يبني الباحثون في Google DeepMind خوارزميات تكتشف مساراتها المثلى، يقوم DSPy بتجميع التعليمات بناءً على مقاييس تقييم صارمة، مما ينقل دور المطور من صياغة النصوص يدوياً إلى تصميم معايير تقييم قوية.

Link to this sectionدمج التحسين البرمجي مع ذكاء الرؤية الاصطناعي#

بينما يركز DSPy بشكل كبير على الأنظمة القائمة على النصوص التي تعمل على بيئات تعلم الآلة مثل PyTorch، فإن فلسفة البرمجة التعريفية ذات قيمة عالية لتطبيقات رؤية الكمبيوتر (CV). عند ربط النماذج اللغوية الكبيرة (LLMs) بأنظمة الرؤية لاتخاذ القرارات متعددة الوسائط، يمكن لـ DSPy ضمان مخرجات JSON المهيكلة برمجياً اللازمة لتحفيز مهمة اكتشاف الأجسام (object detection) اللاحقة دون حدوث هلوسة في التنسيق.

يوضح مقتطف Python التالي كيف يمكن إنشاء وحدة رؤية طرفية، مثل إطار العمل Ultralytics YOLO26، عبر Ultralytics Python API بمجرد أن يحدد وكيل DSPy أن معالجة الصور مطلوبة:

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 model for high-speed edge inference
model = YOLO("yolo26n.pt")

# Perform inference on a target image dynamically triggered by an agentic pipeline
results = model("https://ultralytics.com/images/bus.jpg")

# Extract the detected classes to feed back into the language model's context
detected_classes = [model.names[int(box.cls)] for box in results[0].boxes]
print(f"Vision Agent Output: {detected_classes}")

لتوسيع نطاق هذه المشاريع الهجينة التي تجمع بين النص والرؤية، يمكن للفرق الاستفادة من Ultralytics Platform لأتمتة تصنيف مجموعات البيانات، والتدريب السحابي، ونشر النماذج بسلاسة. يعمل هذا النظام البيئي على تمكين المطورين من التركيز على منطق التطبيق عالي المستوى بدلاً من التكوينات اليدوية.