LangChain

LangChain هو إطار عمل مفتوح المصدر مصمم لتبسيط إنشاء التطبيقات باستخدام نماذج اللغة الكبيرة (LLMs). يوفر واجهة قياسية "للسلاسل"، وهي عبارة عن تسلسلات من الاستدعاءات التي يمكن أن تتضمن مطالبات LLM أو سلاسل أخرى أو أدوات خارجية. الفكرة الأساسية هي تمكين المطورين من إنشاء تطبيقات أكثر قوة ووعيًا بالسياق ومدفوعة بالبيانات من خلال ربط LLMs مثل GPT-4 بمصادر البيانات الخارجية ووحدات الحوسبة. يتيح ذلك للنماذج تجاوز معرفتها المدربة مسبقًا والتفاعل مع العالم بطريقة أكثر ديناميكية. يمكنك استكشاف قدراته بشكل أكبر من خلال وثائق LangChain الرسمية و مستودع LangChain GitHub.

كيف تعمل LangChain: السلاسل والوكلاء

تم بناء بنية LangChain المعيارية حول مفهومين رئيسيين: السلاسل والوكلاء. يساعد هذا الهيكل في إدارة تعقيد التفاعلات بين LLMs ومصادر البيانات والأدوات الأخرى.

• السلاسل: هذه هي اللبنات الأساسية في LangChain. تمثل السلسلة سلسلة من العمليات، حيث يصبح خرج إحدى الخطوات هو الإدخال للخطوة التالية. قد تأخذ السلسلة البسيطة مدخلات المستخدم، وتنسيقها باستخدام قالب مطالبة، ثم ترسلها إلى نموذج لغوي كبير LLM. يمكن للسلاسل الأكثر تعقيدًا ربط نماذج لغوية كبيرة متعددة أو أدوات أخرى معًا لتنفيذ مهام معقدة مثل تلخيص المستندات متبوعًا بـ تحليل المشاعر. يسهل الإطار تسلسل المطالبات لسير العمل متعدد الخطوات هذا.
• العملاء (Agents): العملاء هم نوع أكثر تقدمًا من السلاسل التي تستخدم نموذج لغة كبير (LLM) كمحرك للاستدلال. يمكن للعميل أن يقرر الأدوات التي سيستخدمها وبأي ترتيب لإنجاز هدف ما. على سبيل المثال، إذا سئل "ما هو الطقس في باريس بالأمس وما هي عاصمة فرنسا؟"، فيمكن للعميل أولاً استخدام أداة بحث للعثور على الطقس ثم الوصول إلى معرفته الداخلية للإجابة على الجزء الثاني من السؤال. يتيح ذلك حل المشكلات بشكل ديناميكي ومرن، مما يجعل العملاء مكونًا أساسيًا من الذكاء الاصطناعي الموجه (Agentic AI).

تطبيقات واقعية

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

1. الإجابة على الأسئلة حول المستندات الخاصة: أحد أكثر حالات الاستخدام شيوعًا هو بناء نظام يمكنه الإجابة على الأسئلة بناءً على مجموعة معينة من المستندات، مثل قاعدة المعرفة الداخلية للشركة أو مجموعة من الأوراق البحثية. تنفذ LangChain ذلك باستخدام تقنية تسمى الجيل المعزز بالاسترجاع (RAG). يقوم أولاً باسترجاع أجزاء نصية ذات صلة من قاعدة بيانات متجهية ثم يغذي هذا السياق إلى نموذج لغوي كبير (LLM)، والذي يولد إجابة دقيقة بناءً على المعلومات المقدمة. هذا يتغلب على قيود بيانات التدريب الثابتة لنموذج لغوي كبير.
2. وكلاء الذكاء الاصطناعي المستقلون: يتم استخدام LangChain لإنشاء وكلاء مستقلين يمكنهم أداء المهام عن طريق التفاعل مع أدوات وبرامج واجهات برمجة التطبيقات المختلفة. على سبيل المثال، يمكن إنشاء وكيل مساعد شخصي لإدارة التقويم وحجز المواعيد وإرسال رسائل البريد الإلكتروني باستخدام أدوات مثل Google Calendar API وعميل بريد. توضح هذه الوكلاء شكلاً من أشكال الذكاء الاصطناعي الضيق (ANI) الذي يركز على مهام محددة ومفوضة.

LangChain والمفاهيم ذات الصلة

من المفيد تمييز LangChain عن المصطلحات ذات الصلة في النظام البيئي للذكاء الاصطناعي:

• LLMs مقابل LangChain: LLMs (مثل Gemini من Google، و Llama من Meta) هي النماذج الأساسية التي تفهم وتولد النص. LangChain هو إطار عمل يستخدم LLMs هذه كمكونات لبناء التطبيقات. إنه ينسق التفاعل بين LLMs والأدوات أو مصادر البيانات الأخرى.
• هندسة المطالبات (Prompt Engineering) مقابل LangChain: هندسة المطالبات هي فن صياغة مدخلات فعالة لنماذج اللغات الكبيرة (LLMs). توفر LangChain أدوات مثل قوالب المطالبات لجعل هندسة المطالبات أكثر منهجية وقابلية للتطوير داخل التطبيق، ولكن نطاقها أوسع بكثير، بما في ذلك إدارة الحالة وتكامل الأدوات والذاكرة.
• Hugging Face Transformers مقابل LangChain: توفر مكتبة Hugging Face Transformers الوصول إلى آلاف النماذج والأدوات المدربة مسبقًا لـ الضبط الدقيق وتشغيلها. غالبًا ما تتكامل LangChain مع نماذج Hugging Face ولكنها تركز على المهمة ذات المستوى الأعلى المتمثلة في تجميع هذه النماذج في تطبيقات معقدة بدلاً من تنفيذ النموذج نفسه.

الأهمية في رؤية الكمبيوتر

في حين أن LangChain مرتبطة في المقام الأول بمعالجة اللغة الطبيعية (NLP)، فإن قدرتها على تنسيق الأدوات المختلفة تجعلها ذات صلة كبيرة بالنماذج متعددة الوسائط التي تجمع بين النص وأنواع البيانات الأخرى، مثل الصور. في سياق الرؤية الحاسوبية (CV)، يمكن استخدام LangChain لإنشاء مهام سير عمل متطورة.

على سبيل المثال، يمكن لتطبيق استخدام نموذج Ultralytics YOLO لاكتشاف الكائنات في الوقت الفعلي ثم تمرير تسميات الكائنات المكتشفة إلى وكيل LangChain. يمكن لهذا الوكيل بعد ذلك استخدام LLM لإنشاء وصف غني للمشهد، أو إجراء بحث دلالي عن صور مماثلة، أو حتى تشغيل إجراء آخر بناءً على الإدخال المرئي. مع تزايد انتشار نماذج لغة الرؤية، ستكون أطر العمل مثل LangChain ضرورية لبناء تطبيقات يمكنها رؤية العالم والتفكير فيه. يمكن أن يؤدي دمج نماذج الرؤية المدربة على منصات مثل Ultralytics HUB في هذه السلاسل إلى إطلاق إمكانيات جديدة في مجالات من الروبوتات إلى المراقبة الذكية.