DSPy

DSPy (برامج اللغة التصريحية ذاتية التحسين) هو إطار عمل مفتوح المصدر تم تطويره بواسطة جامعة ستانفورد، ويعمل على تحسين طريقة تفاعل المطورين مع نماذج اللغات الكبيرة (LLMs). وبدلاً من الاعتماد على هندسة الموجّهات (prompt engineering) اليدوية القائمة على التجربة والخطأ، يتيح DSPy للمطورين بناء أنظمة ذكاء اصطناعي معقدة من خلال التعامل مع استدعاءات نموذج اللغة كوحدات قابلة للبرمجة والتحسين. يحول هذا النهج نصوص الموجّهات الهشة إلى خطوط أنابيب للتعلم الآلي (ML) قوية ومتطورة، مما يسد الفجوة بين مهام التوليد الأساسية وسير عمل الوكلاء (agentic workflows) المعقدة.

كيف يعمل إطار العمل DSPy#

يعمل DSPy من خلال فصل المنطق الأساسي للبرنامج عن تعليمات النص المحددة المستخدمة لتوجيه النموذج. وباستخدام المحسنات والمترجمات الخوارزمية، يقوم إطار العمل تلقائياً بتقييم وتحسين الوحدات التصريحية. ومن خلال تحديد توقيع واضح - مثل إدخال سؤال وتوقع إجابة منسقة محددة - يقيس إطار العمل الاستجابات ويقوم بتحديث الموجّهات أو أوزان النموذج بشكل تكراري.

يشبه هذا من الناحية المفاهيمية الضبط الدقيق (fine-tuning)، ولكنه ينطبق رياضياً على طبقة الموجّهات، مما يحسّن بشكل كبير من الدقة والموثوقية مقارنة بالتعديلات اليدوية التقليدية. وتتم تفصيل البنية الأساسية في ورقة بحثية لجامعة ستانفورد على arXiv حول DSPy، والتي تسلط الضوء على قدرتها على تصحيح الأخطاء ذاتياً أثناء مهام معالجة اللغات الطبيعية (NLP) المعقدة.

تطبيقات 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 عمل DSPy لأتمتة استرجاع وتوليف البيانات السياقية. وبدلاً من ترميز التعليمات الثابتة حول كيفية تحليل المستندات المسترجعة، يتعلم النظام بنية الموجّه الأمثل بشكل ديناميكي. غالباً ما تدمج خطوط الأنابيب المؤسسية الحديثة أدوات تتبع مثل Langfuse لمراقبة وتصحيح تطبيقات التوليد المعزز بالاسترجاع (RAG) المحسنة ديناميكياً في بيئة الإنتاج.
• تنسيق الوكلاء المتعددين: في أنظمة الذكاء الاصطناعي التوليدي المعقدة التي تستخدم نماذج أساسية من OpenAI أو Anthropic، يدير DSPy كيفية تواصل الوكلاء المتعددين. يقوم إطار العمل بضبط عملية التسليم بانتظام بين وحدة استخراج البيانات ووحدة التلخيص، وتعمل بشكل مشابه لكيفية استقرار ضبط المعلمات الفائقة (hyperparameter tuning) لشبكات التعلم العميق التقليدية. تتم مناقشة هذه الابتكارات على مستوى المؤسسات بكثافة في الموارد المتقدمة مثل مراكز الفكر التكنولوجي التابعة لشركة IBM.

DSPy مقابل هندسة الأوامر التقليدية#

من الضروري التمييز بين DSPy وممارسات هندسة الموجّهات التقليدية. في حين تعتمد هندسة الموجّهات التقليدية بشكل كبير على الحدس البشري وعمليات إعادة الكتابة اليدوية لتوجيه سلوك النموذج، فإن DSPy ينظم هذه العملية كمسألة تحسين خوارزمية. تماماً مثل الطريقة التي يبني بها الباحثون في Google DeepMind خوارزميات تكتشف مساراتها المثلى الخاصة، يقوم DSPy بترجمة التعليمات بناءً على مقاييس تقييم صارمة، مما يحول دور المطور من صياغة النصوص يدوياً إلى تصميم معايير تقييم قوية.

دمج التحسين البرمجي مع ذكاء الرؤية الاصطناعي#

في حين يركز DSPy بشكل كبير على الأنظمة المستندة إلى النصوص والتي تعمل على خلفيات التعلم الآلي مثل PyTorch، فإن فلسفة البرمجة التصريحية ذات قيمة عالية لتطبيقات رؤية الكمبيوتر (CV). وعند ربط نماذج اللغات الكبيرة بأنظمة الرؤية من أجل اتخاذ قرار متعدد الوسائط، يمكن لـ DSPy ضمان مخرجات JSON منظمة برمجياً واللازمة لتشغيل مهمة اكتشاف الكائنات اللاحقة دون حدوث هلوسات في التنسيق.

يوضح مقطع كود Python التالي كيف يمكن إنشاء وحدة رؤية طرفية، مثل إطار عمل Ultralytics YOLO26، عبر واجهة برمجة تطبيقات Python من Ultralytics 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 المختلطة التي تضم النصوص والرؤية معا، يمكن للفرق الاستفادة من منصة Ultralytics للتعليق التوضيحي الآلي لمجموعات البيانات، والتدريب السحابي، ونشر النماذج بسلاسة. تمكن هذه البيئة المطورين من التركيز على منطق التطبيق عالي المستوى بدلاً من التكوينات اليدوية.