Prompt Chaining

سلسلة التوجيهات هي نمط معماري متقدم في تطوير Artificial Intelligence (AI) يتم فيه تحليل مهمة معقدة إلى تسلسل من المهام الفرعية الأصغر والقابلة للإدارة. في هذا التدفق، يعمل مخرجات خطوة واحدة—التي غالبًا ما يتم إنتاجها بواسطة Large Language Model (LLM) أو نظام رؤية حاسوبية—كمدخل للخطوة اللاحقة. على عكس التوجيه الأحادي الضخم الذي يحاول حل مشكلة متعددة الجوانب دفعة واحدة، تتيح السلسلة للمطورين بناء تطبيقات أكثر موثوقية وقابلية للاختبار وقدرة. هذا النهج المعياري ضروري لإنشاء AI Agents متطورة قادرة على الاستدلال، تصفح الويب، أو التفاعل مع البيئات الفيزيائية.

آليات عمل السلسلة#

في جوهرها، تعالج سلسلة التوجيهات قيود نوافذ السياق وقدرات الاستدلال في Foundation Models. عندما يُطلب من النموذج أداء عدد كبير جداً من العمليات المختلفة في طلب واحد (مثل: "تحليل هذه الصورة، استخراج النص، ترجمته إلى الإسبانية، وتنسيقه كفاتورة بتنسيق JSON"), يزداد احتمال الخطورة أو الخطأ. من خلال تقسيم هذا إلى خط أنابيب، يمكن للمطورين التحقق من accuracy لكل مرحلة.

غالبًا ما تستخدم السلاسل الفعالة "تعليمات الربط" (glue code) المكتوبة بلغة Python أو المدارة بواسطة مكتبات التنسيق مثل LangChain لمعالجة تحويل البيانات بين الخطوات. يتيح ذلك دمج التقنيات المتباينة، مثل الجمع بين حدة البصر لـ Object Detection والطلاقة اللغوية لنماذج النصوص التوليدية.

تطبيقات العالم الحقيقي#

تعتبر سلسلة التوجيهات قوية بشكل خاص عند سد الفجوة بين طرائق البيانات المختلفة، مما يتيح لـ Multi-Modal Models العمل في بيئات صناعية وتجارية ديناميكية.

1. التقارير المرئية الآلية: في Smart Manufacturing، يمكن لنظام مراقبة الجودة ربط نموذج رؤية بـ LLM. أولاً، يقوم نموذج عالي السرعة مثل Ultralytics YOLO26 بمسح المكونات على خط التجميع. يتم تحويل المخرجات المهيكلة (مثل: "Class: Dented_Can, Confidence: 0.92") إلى سلسلة نصية. يتم بعد ذلك تمرير هذا النص إلى نموذج لغة مع توجيه مثل "صياغة طلب صيانة بناءً على هذا العيب"، مما يؤدي إلى إنشاء بريد إلكتروني قابل للقراءة البشرية لمدير الأرضية.

2. دعم العملاء الواعي بالسياق: غالباً ما تستخدم روبوتات المحادثة الذكية التوجيه المتسلسل لتنقل استفسارات المستخدم المعقدة. قد يستخدم الرابط الأول في السلسلة Natural Language Processing (NLP) لتصنيف نية المستخدم. إذا كانت النية تقنية، فإن النظام يطلق تدفق عمل Retrieval-Augmented Generation (RAG): حيث يقوم بإنشاء embeddings للاستعلام، والبحث في قاعدة بيانات متجهة عن الوثائق، وأخيراً توجيه LLM لتجميع المقاطع المسترجعة في إجابة مفيدة.

مثال برمجي للرؤية إلى اللغة#

يوضح المثال التالي "الرابط" الأول في السلسلة: استخدام Computer Vision (CV) لإنشاء بيانات منظمة تعمل كsياق لتوجيه لاحق.

from ultralytics import YOLO

# Load the YOLO26 model (natively end-to-end and highly efficient)
model = YOLO("yolo26n.pt")

# Step 1: Run inference to 'see' the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Format visual detections into a natural language string
det_names = [model.names[int(c)] for c in results[0].boxes.cls]
prompt_context = f"The scene contains: {', '.join(det_names)}. Please describe the likely activity."

# The 'prompt_context' variable is now ready to be sent to an LLM API
print(prompt_context)

التمييز بين المفاهيم ذات الصلة#

لتنفيذ بنيات Machine Learning (ML) الفعالة، من المفيد التفريق بين سلسلة التوجيهات والمصطلحات المشابهة في مشهد الذكاء الاصطناعي:

• مقابل Chain-of-Thought Prompting: سلسلة الفكر (CoT) هي تقنية تستخدم داخل توجيه واحد لتشجيع النموذج على "إظهار عمله" (مثل: "فكر خطوة بخطوة"). تتضمن سلسلة التوجيهات مكالمات API متعددة ومتميزة حيث يعتمد مدخل الخطوة B على مخرج الخطوة A.
• مقابل Prompt Engineering: هندسة التوجيهات هي الانضباط الأوسع لتحسين مدخلات النص لاستخلاص أداء أفضل للنموذج. السلسلة هي نمط هندسي محدد يركز على التدفق التسلسلي للعمليات والتحكم المنطقي.
• مقابل Prompt Tuning: تعديل التوجيهات هو طريقة Model Optimization تقوم بتحديث المعلمات القابلة للتعلم (التوجيهات الناعمة) خلال مرحلة التدريب. تحدث سلسلة التوجيهات بالكامل أثناء Real-time Inference ولا تغير Model Weights للنموذج.

من خلال الاستفادة من سلسلة التوجيهات، يمكن فرق العمل بناء تطبيقات قوية تدمج المنطق واسترجاع البيانات وAction Recognition. لإدارة مجموعات البيانات وتدريب نماذج الرؤية التي تشغل هذه السلاسل، يقدم Ultralytics Platform حلاً مركزياً للترميز، والتدريب، والنشر.