Function Calling (Tool Use)

استدعاء الدوال، والذي يُشار إليه غالباً بـ استخدام الأدوات، هو نموذج قوي في الذكاء الاصطناعي (AI) الحديث الذي يسمح للنماذج بتوسيع قدراتها لتتجاوز مجرد توليد النصوص أو الصور الثابتة. بدلاً من مجرد الإجابة على المطالبات بناءً على بيانات التدريب الداخلية، يمكن للنموذج إخراج أوامر منظمة لتشغيل دوال برمجية خارجية، أو الاستعلام عن قواعد البيانات، أو التفاعل مع REST APIs. يمنح هذا النهج الذكاء الاصطناعي القدرة فعلياً على اتخاذ إجراءات ملموسة في البيئات الرقمية.

عندما يستخدم نظام الذكاء الاصطناعي استدعاء الدوال، يزود المطورون النموذج بقائمة من الأدوات المتاحة الموصوفة باستخدام JSON Schema. إذا كانت مطالبة المستخدم تتطلب بيانات في الوقت الفعلي أو إجراءً محدداً، يوقف النموذج عملية التوليد القياسية الخاصة به ويخرج حمولة JSON format عالية التنظيم تطابق المعاملات المطلوبة للأداة المحددة. لقد ساهمت أطر عمل مثل OpenAI's function calling API و Anthropic's tool use framework في تعميم هذه التقنية، مما حول الوكلاء التخاطبيين إلى أدوات فعالة لحل المشكلات.

Link to this sectionتطبيقات العالم الحقيقي#

يؤدي دمج استخدام الأدوات في مسارات العمل إلى تغيير كيفية تشغيل البرمجيات. وبتقييمها عبر معايير مثل Berkeley Function Calling Leaderboard، فإن هذه القدرات تدفع نحو التحول نحو أنظمة مستقلة للغاية.

• تجزئة التجزئة وخدمة العملاء المؤتمتة: في AI in retail، يمكن لمساعد افتراضي استخدام استدعاء الدوال للبحث عن المخزون المباشر. إذا سأل أحد العملاء "أين طلبي؟"، يقوم النموذج بإنشاء استدعاء دالة إلى REST API لقاعدة البيانات، ويسترجع حالة التتبع، ويعيد استجابة باللغة الطبيعية.
• استخراج البيانات بمساعدة الرؤية: يمكن لـ vision-language model (VLM) استخدام كاشفات الكائنات Ultralytics YOLO كأدوات. إذا طُلب منه التحقق من الامتثال للسلامة في صورة مصنع، يمكن للذكاء الاصطناعي التخاطبي الرئيسي استدعاء برنامج نصي يشغل نموذج Ultralytics YOLO26 لاكتشاف خوذات الأمان، وإعادة نتائج object detection بسلاسة إلى حوار المستخدم.

Link to this sectionدمج رؤية الحاسوب كأداة#

يمكنك كشف نموذج رؤية الحاسوب كأداة وظيفية لـ AI agent شامل. في هذه البنية، تقوم بتعريف طريقة Python تقوم بالاستدلال، والتي يمكن لنموذج التفكير تشغيلها عند الحاجة إلى بيانات مرئية.

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"))

Link to this sectionالتمييز بين المصطلحات ذات الصلة#

لفهم بنى الذكاء الاصطناعي الحديثة تماماً، من المفيد فهم كيفية ارتباط استدعاء الدوال بالمفاهيم المماثلة واختلافها عنها:

• Model Context Protocol (MCP): بينما يعتمد استدعاء الدوال على تعريفات API محددة يتم تمريرها في مطالبة النموذج، فإن MCP هي بنية معيارية شاملة. تنشئ MCP بروتوكولاً عالمياً لربط نماذج الذكاء الاصطناعي بمصادر البيانات، في حين أن استدعاء الدوال هو الآلية الموضعية التي تستخدمها النماذج لاستدعاء تلك الاتصالات فعلياً.
• Retrieval Augmented Generation (RAG): RAG هي منهجية مصممة خصيصاً لجلب النصوص أو المستندات ذات الصلة لتعزيز مطالبة LLM. استدعاء الدوال هو آلية أوسع؛ يمكن للذكاء الاصطناعي استخدام أداة لتنفيذ RAG، ولكن يمكنه أيضاً استخدام أدوات لكتابة ملفات على القرص أو إرسال بريد إلكتروني. يمكنك العثور على تطبيقات شاملة لـ RAG باستخدام الأدوات في PyTorch Documentation وأدلة Google Gemini multimodal guides.
• AI Agent: وكيل الذكاء الاصطناعي هو النظام المستقل الكامل الذي يدرك بيئته ويتخذ إجراءات لتحقيق هدف ما. استدعاء الدوال هو المهارة الأساسية التي تمنح الوكيل القدرة على تنفيذ تلك الإجراءات. عند نشر أنظمة وكلاء واسعة النطاق، غالباً ما تستخدم الفرق Ultralytics Platform لتدريب وخدمة النماذج المرئية الأساسية التي يستدعيها هؤلاء الوكلاء لرؤية العالم بسلاسة. غالباً ما تعتمد المنظمات التي تنتقل من النماذج الثابتة إلى سير عمل الوكلاء على مكتبات التعلم العميق مثل TensorFlow لتحسين نقاط النهاية التي تتواصل معها هذه الدوال.