لانجتشين

LangChain هو إطار عمل مفتوح المصدر مصمم لتبسيط إنشاء التطبيقات باستخدام نماذج اللغات الكبيرة (LLMs). وهو يوفر واجهة قياسية "للسلاسل"، وهي عبارة عن سلاسل من المكالمات التي يمكن أن تتضمن مطالبات LLM أو سلاسل أخرى أو أدوات خارجية. تتمثل الفكرة الأساسية في تمكين المطورين من بناء تطبيقات أكثر قوة وإدراكًا للسياق وقائمة على البيانات من خلال ربط نماذج LLM مثل GPT-4 بمصادر البيانات الخارجية والوحدات الحسابية. يسمح ذلك للنماذج بتجاوز معرفتها المدربة مسبقاً والتفاعل مع العالم بطريقة أكثر ديناميكية. يمكنك استكشاف قدراتها بشكل أكبر من خلال وثائق LangChain الرسمية ومستودع LangChain GitHub.

كيف تعمل سلسلة اللغات: السلاسل والوكلاء

تتمحور بنية LangChain المعيارية حول مفهومين رئيسيين: السلاسل والوكلاء. تساعد هذه البنية على إدارة تعقيدات التفاعلات بين سلاسل اللغات ومصادر البيانات والأدوات الأخرى.

• السلاسل: هذه هي لبنات البناء الأساسية في LangChain. تمثل السلسلة تسلسلًا من العمليات، حيث تصبح مخرجات إحدى الخطوات مدخلات للخطوة التالية. قد تأخذ السلسلة البسيطة مدخلات المستخدم، وتقوم بتنسيقها باستخدام قالب موجه، ثم ترسلها إلى LLM. أما السلاسل الأكثر تعقيدًا فيمكنها ربط العديد من الآلات ذات التسلسل السريع أو أدوات أخرى معًا لأداء مهام معقدة مثل تلخيص المستند متبوعًا بتحليل المشاعر. يسهّل إطار العمل التسلسل الفوري لسير العمل متعدد الخطوات هذا.
• الوكلاء: الوكلاء هم نوع أكثر تقدمًا من السلسلة التي تستخدم LLM كمحرك للتفكير. يمكن للوكيل تحديد الأدوات التي يجب استخدامها وبأي ترتيب لتحقيق هدف ما. على سبيل المثال، إذا طُرح سؤال "ما هو الطقس في باريس بالأمس وما هي عاصمة فرنسا"، يمكن للوكيل أولاً استخدام أداة بحث للعثور على الطقس ثم الوصول إلى معرفته الداخلية للإجابة على الجزء الثاني من السؤال. يسمح ذلك بحل المشكلات بشكل ديناميكي ومرن، مما يجعل الوكلاء مكونًا أساسيًا في الذكاء الاصطناعي العميل.

التطبيقات الواقعية

تمكّن LangChain من تطوير مجموعة واسعة من تطبيقات الذكاء الاصطناعي المتطورة من خلال سد الفجوة بين أنظمة LLM والأنظمة الخارجية.

1. الإجابة عن الأسئلة على المستندات الخاصة: تتمثل إحدى حالات الاستخدام الأكثر شيوعًا في بناء نظام يمكنه الإجابة عن الأسئلة استنادًا إلى مجموعة محددة من المستندات، مثل قاعدة المعرفة الداخلية للشركة أو مجموعة من الأوراق البحثية. يقوم LangChain بتنفيذ ذلك باستخدام تقنية تسمى الاسترجاع-التوليد المعزز (RAG). فهي تقوم أولاً باسترداد أجزاء النص ذات الصلة من قاعدة بيانات متجهة ثم تغذي هذا السياق إلى جهاز التوليد المعزز للاسترجاع، الذي يولد إجابة دقيقة بناءً على المعلومات المقدمة. يتغلب هذا على قيود بيانات التدريب الثابتة الخاصة بـ LLM.
2. وكلاء الذكاء الاصطناعي المستقل: تُستخدم LangChain لإنشاء وكلاء مستقلين يمكنهم أداء المهام من خلال التفاعل مع أدوات برمجية وواجهات برمجة تطبيقات مختلفة. على سبيل المثال، يمكن إنشاء وكيل مساعد شخصي لإدارة التقويم وحجز المواعيد وإرسال رسائل البريد الإلكتروني باستخدام أدوات مثل واجهة برمجة تطبيقات تقويم Google وعميل البريد. تُظهر هذه الوكلاء شكلاً من أشكال الذكاء الاصطناعي الضيق (ANI) الذي يركز على مهام محددة ومفوضة.

سلسلة اللغات والمفاهيم ذات الصلة

من المفيد التمييز بين سلسلة اللغات والمصطلحات ذات الصلة في منظومة الذكاء الاصطناعي:

• LLMs مقابل LangChain: نماذج LLMs (مثل Gemini من Google وLlama من Meta) هي النماذج الأساسية التي تفهم النص وتولده. LangChain هو إطار عمل يستخدم هذه النماذج LLMs كمكونات لبناء التطبيقات. وهو ينسق التفاعل بين LLMs والأدوات أو مصادر البيانات الأخرى.
• هندسة الموجهات مقابل هندسة اللغة هندسة الموجهات هي فن صياغة المدخلات الفعّالة للغة الإشارة. توفر LangChain أدوات مثل قوالب الموجهات لجعل هندسة الموجهات أكثر منهجية وقابلية للتطوير داخل التطبيق، لكن نطاقها أوسع بكثير، بما في ذلك إدارة الحالة وتكامل الأدوات والذاكرة.
• محولات تعانق الوجوه مقابل لانغتشين: توفر مكتبة Hugging Face Transformers إمكانية الوصول إلى الآلاف من النماذج والأدوات المدربة مسبقًا لضبطها وتشغيلها. غالبًا ما تتكامل LangChain مع نماذج Hugging Face ولكنها تركز على المهمة الأعلى مستوى لتجميع هذه النماذج في تطبيقات معقدة بدلاً من تنفيذ النموذج نفسه.

الملاءمة في الرؤية الحاسوبية

بينما ترتبط سلسلة اللغات (LangChain) في المقام الأول بمعالجة اللغات الطبيعية (NLP)، فإن قدرتها على تنسيق أدوات مختلفة تجعلها وثيقة الصلة بالنماذج متعددة الوسائط التي تجمع بين النص وأنواع البيانات الأخرى، مثل الصور. في سياق الرؤية الحاسوبية (CV)، يمكن استخدام LangChain لإنشاء تدفقات عمل متطورة.

على سبيل المثال، يمكن لأحد التطبيقات استخدام نموذج Ultralytics YOLO للكشف عن الكائنات في الوقت الفعلي ثم تمرير تسميات الكائنات المكتشفة إلى وكيل LangChain. يمكن لهذا الوكيل بعد ذلك استخدام LLM لتوليد وصف غني للمشهد، أو إجراء بحث دلالي عن صور مماثلة، أو حتى تشغيل إجراء آخر بناءً على المدخلات المرئية. مع انتشار نماذج لغة الرؤية بشكل أكبر، ستكون أطر العمل مثل LangChain ضرورية لبناء تطبيقات يمكنها رؤية العالم والاستدلال عليه. يمكن لدمج نماذج الرؤية المدربة على منصات مثل Ultralytics HUB في هذه السلاسل أن يفتح إمكانيات جديدة في مجالات من الروبوتات إلى المراقبة الذكية.