تسلسل الموجه

إن تسلسل المطالبات هو أسلوب قوي يستخدم لإدارة المهام المعقدة عن طريق تقسيمها إلى سلسلة من المطالبات الصغيرة المترابطة لنموذج الذكاء الاصطناعي (AI). بدلاً من الاعتماد على مطالبة واحدة ضخمة لحل مشكلة متعددة الخطوات، يتم إنشاء سلسلة يصبح فيها الناتج من مطالبة ما هو إدخال للمطالبة التالية. يحسن هذا النهج المعياري الموثوقية والشفافية والأداء العام لأنظمة الذكاء الاصطناعي، وخاصة النماذج اللغوية الكبيرة (LLMs). فهو يتيح بناء مهام سير عمل متطورة يمكن أن تتضمن المنطق والأدوات الخارجية وحتى نماذج الذكاء الاصطناعي المختلفة المتعددة.

كيف يعمل تسلسل المطالبات (Prompt Chaining)

في جوهرها، تنظم سلسلة المطالبات سلسلة من المكالمات إلى نموذج ذكاء اصطناعي واحد أو أكثر. تتبع العملية تدفقًا منطقيًا: يتم إرسال مطالبة أولية إلى النموذج، وتتم معالجة استجابته، ويتم استخراج المعلومات الرئيسية من تلك الاستجابة واستخدامها لإنشاء المطالبة التالية في التسلسل. تستمر هذه الدورة حتى يتم تحقيق الهدف النهائي. هذه المنهجية ضرورية لبناء وكلاء الذكاء الاصطناعي الذين يمكنهم التفكير والتصرف.

يسمح هذا النهج بتقسيم المهام، حيث يتم تحسين كل خطوة في السلسلة لمهمة فرعية محددة. على سبيل المثال، يمكن تصميم مطالبة لاستخراج المعلومات، والأخرى لتلخيص البيانات، والأخيرة لإنشاء نص إبداعي. تم تصميم أطر عمل مثل LangChain خصيصًا لتبسيط تطوير هذه السلاسل من خلال إدارة الحالة والمطالبات وتكامل الأدوات الخارجية.

تطبيقات واقعية

إن تسلسل المطالبات متعدد الاستخدامات وله العديد من التطبيقات العملية في تعلم الآلة (ML) و أتمتة سير العمل.

1. وكيل دعم العملاء الآلي: يقدم المستخدم تذكرة دعم معقدة.

   • الموجه 1 (تصنيف): يحلل نموذج اللغة الكبير (LLM) رسالة المستخدم لتصنيف المشكلة (مثل "الفواتير" أو "المشاكل التقنية" أو "الوصول إلى الحساب").
   • الموجه 2 (استرجاع البيانات): بناءً على تصنيف "المشاكل التقنية"، ينفذ النظام خطوة الجيل المعزز بالاسترجاع (RAG). يطلب موجه جديد من الذكاء الاصطناعي البحث في قاعدة معرفة تقنية عن المستندات ذات الصلة.
   • الموجه 3 (إنشاء إجابة): يتم تغذية المستندات المسترجعة في موجه نهائي يأمر نموذج اللغة الكبير (LLM) بتجميع المعلومات وإنشاء حل واضح ومفصل خطوة بخطوة للمستخدم. تعرف على المزيد حول آليات أنظمة RAG.

2. إنشاء محتوى متعدد الوسائط: يريد المسوق إنشاء حملة على وسائل التواصل الاجتماعي لمنتج جديد.

   • الموجه 1 (إنشاء نص): يقدم المسوق تفاصيل المنتج، ويطلب موجه من نموذج اللغة الكبير (LLM) إنشاء خمسة شعارات تسويقية جذابة.
   • الموجه 2 (إنشاء صورة): يتم بعد ذلك استخدام الشعار المختار كبذرة لموجه جديد موجه إلى نموذج تحويل النص إلى صورة مثل Stable Diffusion لإنشاء صورة مرئية مقابلة.
   • الموجه 3 (تحليل الرؤية): يمكن بعد ذلك استخدام نموذج رؤية الكمبيوتر، مثل نموذج Ultralytics YOLO المدرب خصيصًا، في خطوة لاحقة لضمان أن الصورة التي تم إنشاؤها تفي بإرشادات العلامة التجارية (على سبيل المثال، التأكد من وجود الشعار الصحيح). يمكن إدارة هذه النماذج ونشرها عبر منصات مثل Ultralytics HUB.

تسلسل المطالبات مقابل المفاهيم ذات الصلة

من المفيد التمييز بين تسلسل المطالبات والتقنيات المماثلة:

• هندسة المطالبات (Prompt Engineering): هذه هي الممارسة الواسعة لتصميم مطالبات فعالة. تسلسل المطالبات هو إحدى التقنيات المحددة ضمن هندسة المطالبات التي تركز على هيكلة مطالبات متعددة بالتتابع.

• مطالبة سلسلة التفكير (CoT): تهدف CoT إلى تحسين منطق نموذج اللغة الكبير (LLM) داخل مطالبة واحدة من خلال مطالبته "بالتفكير خطوة بخطوة". في المقابل، تقسم سلسلة المطالبات المهمة إلى خطوات مطالبة متميزة متعددة، والتي قد تتضمن نماذج مختلفة أو أدوات في كل خطوة.

• الجيل المعزز بالاسترجاع (RAG): RAG هي تقنية حيث يسترجع الذكاء الاصطناعي المعلومات من مصدر خارجي قبل إنشاء استجابة. غالبًا ما يستخدم RAG كـ خطوة محددة واحدة داخل سلسلة مطالبات أكبر، وليس كآلية التسلسل نفسها.

• إثراء المطالبات (Prompt Enrichment): يتضمن هذا إضافة سياق تلقائيًا إلى مطالبة المستخدم الأولية قبل إرسالها إلى الذكاء الاصطناعي. إنه يعزز مطالبة واحدة بدلاً من تنسيق المعالجة المتسلسلة لمطالبات متعددة مترابطة.

• ضبط الموجهات (Prompt Tuning): طريقة ضبط دقيق فعال للمعلمات (PEFT) تتعلم "موجهات لينة" (تضمينات (embeddings)) أثناء تدريب النموذج. إنها تقنية لتخصيص النموذج، وتختلف عن هيكل تنفيذ سلسلة الموجهات في وقت التشغيل.

إن تسلسل المطالبات هو طريقة قوية لتنظيم التفاعلات مع نماذج الذكاء الاصطناعي المتقدمة مثل النماذج اللغوية الكبيرة (LLMs) وحتى دمجها مع أنظمة الذكاء الاصطناعي الأخرى، بما في ذلك تلك المستخدمة في تصنيف الصور أو تقسيم الحالات. وهذا يجعل المهام المعقدة أكثر قابلية للإدارة ويحسن موثوقية النتائج في مختلف تطبيقات تعلم الآلة، من تحليلات البيانات الأساسية إلى أنظمة الذكاء الاصطناعي متعددة الوسائط المتطورة. يتم تسهيل نشر النماذج المتخصصة التي يمكن أن تشكل مكونات من هذه السلاسل بواسطة منصات شاملة. يمكنك استكشاف مجموعة متنوعة من مهام رؤية الكمبيوتر التي يمكن دمجها في مهام سير العمل المتقدمة هذه.