استدعاء الوظائف (استخدام الأدوات)

يُعد استدعاء الوظائف، الذي يُشار إليه غالبًا باسم استخدام الأدوات، نموذجًا قويًا في مجال الذكاء الاصطناعي الحديث (AI) الذي يسمح للنماذج بتوسيع قدراتها إلى ما هو أبعد من إنشاء النصوص أو الصور الثابتة. بدلاً من مجرد الرد على موجه بناءً على بيانات التدريب الداخلية، يمكن للنموذج إخراج أوامر منظمة لتشغيل وظائف البرمجة الخارجية، أو الاستعلام عن قواعد البيانات، أو التفاعل مع واجهات برمجة التطبيقات REST. يمنح هذا النهج الذكاء الاصطناعي القدرة على اتخاذ إجراءات ملموسة في البيئات الرقمية.

عندما يستخدم نظام الذكاء الاصطناعي استدعاء الوظائف، يزود المطورون النموذج بقائمة بالأدوات المتاحة الموصوفة باستخدام مخطط JSON. إذا كانت مطالبة المستخدم تتطلب بيانات في الوقت الفعلي أو إجراءً معينًا ، فإن النموذج يوقف عملية الإنشاء القياسية ويقوم بإخراج حمولة بتنسيق JSON عالية التنظيم تتطابق مع المعلمات المطلوبة للأداة المحددة. أطر عمل مثل واجهة برمجة تطبيقات استدعاء الوظائف من OpenAI و إطار عمل استخدام الأدواتAnthropic قد شجعت هذه التقنية، وحولت وكلاء المحادثة إلى حلّالين أكفاء للمشاكل.

تطبيقات واقعية

يؤدي دمج استخدام الأدوات في سير العمل إلى تغيير طريقة عمل البرامج. تم تقييم هذه القدرات من خلال معايير مثل Berkeley Function Calling Leaderboard، وهي تقود التحول نحو أنظمة عالية الاستقلالية.

• البيع بالتجزئة الآلي وخدمة العملاء: في الذكاء الاصطناعي في مجال البيع بالتجزئة، يمكن للمساعد الافتراضي استخدام وظيفة الاتصال للبحث عن المخزون المباشر. إذا سأل العميل "أين طلبي؟"، يقوم النموذج بإنشاء اتصال بوظيفة إلى واجهة برمجة تطبيقات قاعدة البيانات، ويسترد حالة التتبع، ويعيد استجابة باللغة الطبيعية.
• استخراج البيانات بمساعدة الرؤية: يمكن أن يستخدم نموذج اللغة البصرية (VLM) Ultralytics YOLO كأدوات. إذا طُلب منه التحقق من الامتثال لمعايير السلامة في صورة مصنع، يمكن للذكاء الاصطناعي التخاطبي الرئيسي استدعاء برنامج نصي يشغل نموذج Ultralytics detect وإرجاع نتائج الكشف عن الكائنات بسلاسة إلى حوار المستخدم.

دمج الرؤية الحاسوبية كأداة

يمكنك عرض نموذج الرؤية الحاسوبية كأداة وظيفية لوكيل ذكاء اصطناعي شامل . في هذه البنية، تقوم بتعريف Python تقوم بالاستدلال، والتي يمكن أن يقوم نموذج الاستدلال بتشغيلها عند الحاجة إلى بيانات بصرية.

from ultralytics import YOLO


# Define a specific tool function for an AI agent to call
def count_objects_in_scene(image_url: str) -> str:
    # Load the highly efficient YOLO26 model
    model = YOLO("yolo26n.pt")

    # Perform inference to analyze the visual data
    results = model(image_url)
    object_count = len(results[0].boxes)

    # Return structured context back to the calling AI system
    return f"Vision Analysis: Detected {object_count} objects in the scene."


# Simulated function call executed by an AI system
print(count_objects_in_scene("https://ultralytics.com/images/bus.jpg"))

التفريق بين المصطلحات ذات الصلة

لفهم بنى الذكاء الاصطناعي الحديثة بشكل كامل، من المفيد فهم كيفية ارتباط استدعاء الوظائف بمفاهيم مشابهة واختلافها عنها :

• بروتوكول سياق النموذج (MCP): بينما تعتمد استدعاءات الوظائف على تعريفات API محددة يتم تمريرها في موجه النموذج، فإن MCP هو بنية شاملة وموحدة. يُنشئ MCP بروتوكولًا عالميًا لربط نماذج الذكاء الاصطناعي بمصادر البيانات، في حين أن استدعاء الوظائف هو الآلية المحلية التي تستخدمها النماذج لاستدعاء تلك الاتصالات فعليًا.
• الاسترجاع المعزز بالتوليد (RAG): RAG هي منهجية مصممة خصيصًا لجلب النصوص أو المستندات ذات الصلة لتعزيز موجه LLM. وظيفة الاستدعاء هي آلية أوسع نطاقًا؛ يمكن للذكاء الاصطناعي استخدام أداة لأداء RAG، ولكن يمكنه أيضًا استخدام أدوات لكتابة الملفات على القرص أو إرسال بريد إلكتروني. يمكنك العثور على تطبيقات شاملة لـ RAG باستخدام الأدوات في PyTorch ودليل Google متعدد الوسائط.
• وكيل الذكاء الاصطناعي: وكيل الذكاء الاصطناعي هو نظام مستقل تمامًا يدرك بيئته ويتخذ إجراءات لتحقيق هدف ما. استدعاء الوظائف هو المهارة الأساسية التي تمنح الوكيل القدرة على تنفيذ تلك الإجراءات. عند نشر أنظمة وكيلة واسعة النطاق ، غالبًا ما تستخدم الفرق Ultralytics لتدريب وتقديم النماذج المرئية الأساسية التي يستدعيها هؤلاء الوكلاء لرؤية العالم. غالبًا ما تعتمد المؤسسات التي تنتقل من النماذج الثابتة إلى سير العمل الوكيلة على مكتبات التعلم العميق مثل TensorFlow لتحسين نقاط النهاية التي تتواصل معها هذه الوظائف.