Prompt Chaining

يُعدّ تسلسل المحفزات نمطًا معماريًا متقدمًا في تطوير الذكاء الاصطناعي (AI)، حيث تُجزّأ المهمة المعقدة إلى سلسلة من المهام الفرعية الأصغر والقابلة للإدارة. في سير العمل هذا، يكون ناتج إحدى الخطوات—والذي ينشئه غالبًا نموذج لغوي كبير (LLM) أو نظام للرؤية الحاسوبية—بمثابة مُدخل للخطوة التالية. وعلى خلاف المحفز الأحادي الشامل الذي يحاول حل مشكلة متعددة الجوانب دفعة واحدة، يتيح التسلسل للمطورين إنشاء تطبيقات أكثر موثوقية وقابلية للاختبار وقدرة. ويُعدّ هذا النهج المعياري ضروريًا لإنشاء وكلاء AI متطورين قادرين على الاستدلال أو تصفح الويب أو التفاعل مع البيئات المادية.

آلية التسلسل#

في جوهره، يعالج تسلسل المحفزات قيود نوافذ السياق وقدرات الاستدلال في النماذج الأساسية. عندما يُطلب من نموذج تنفيذ عدد كبير جدًا من العمليات المتميزة في طلب واحد (مثل: "حلّل هذه الصورة، واستخرج النص، وترجمه إلى الإسبانية، ونسّقه على هيئة فاتورة JSON")، يزداد احتمال الخطأ. ومن خلال تقسيم ذلك إلى خط أنابيب، يستطيع المطورون التحقق من دقة كل مرحلة.

غالبًا ما تستخدم سلاسل التسلسل الفعّالة «شفرة ربط» مكتوبة بلغة Python أو تديرها مكتبات تنسيق مثل LangChain للتعامل مع تحويل البيانات بين الخطوات. ويسمح ذلك بدمج تقنيات متباينة، مثل الجمع بين حدة الرؤية في اكتشاف الأجسام والطلاقة اللغوية لنماذج النص التوليدية.

التطبيقات الواقعية#

يكون تسلسل المحفزات قويًا بوجه خاص عند سد الفجوة بين أنماط البيانات المختلفة، مما يتيح لـالنماذج متعددة الوسائط العمل في البيئات الصناعية والتجارية الديناميكية.

1. إعداد التقارير المرئية المؤتمت: في التصنيع الذكي، يمكن لنظام مراقبة الجودة أن يربط بين نموذج للرؤية ونموذج LLM. أولًا، يفحص نموذج عالي السرعة مثل Ultralytics YOLO26 المكونات الموجودة على خط التجميع. ويُحوَّل الناتج المنظم (مثل: "Class: Dented_Can, Confidence: 0.92") إلى سلسلة نصية. ثم يُمرَّر هذا النص إلى نموذج لغوي مع محفز مثل "صِغ طلب صيانة استنادًا إلى هذا العيب"، لتوليد رسالة بريد إلكتروني مفهومة للمدير المسؤول عن أرضية المصنع.

2. دعم العملاء الواعي بالسياق: غالبًا ما تستخدم روبوتات الدردشة الذكية التسلسل للتعامل مع استفسارات المستخدمين المعقدة. قد تستخدم الحلقة الأولى في السلسلة معالجة اللغة الطبيعية (NLP) لتصنيف نية المستخدم. وإذا كانت النية تقنية، يشغّل النظام سير عمل التوليد المعزَّز بالاسترجاع (RAG): إذ ينشئ تضمينات للاستعلام، ويبحث في قاعدة بيانات متجهية عن الوثائق، ثم يطلب من نموذج LLM تركيب المقاطع المسترجعة في إجابة مفيدة.

مثال على شفرة تحويل الرؤية إلى لغة#

يوضح المثال التالي «الحلقة» الأولى في سلسلة: استخدام الرؤية الحاسوبية (CV) لإنشاء بيانات منظمة تؤدي دور السياق لمحفز 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 التعلم الآلي (ML) الفعّالة، من المفيد التمييز بين تسلسل المحفزات والمصطلحات المشابهة في مجال الذكاء الاصطناعي:

• مقابل التحفيز بسلسلة الأفكار: تُعدّ سلسلة الأفكار (CoT) تقنية تُستخدم داخل محفز واحد لتشجيع النموذج على «إظهار خطوات عمله» (مثل: «فكّر خطوةً بخطوة»). أما تسلسل المحفزات فيتضمن عدة استدعاءات متميزة لواجهة API، حيث يعتمد مُدخل الخطوة B على ناتج الخطوة A.
• مقابل هندسة المحفزات: هندسة المحفزات هي المجال الأوسع لتحسين المدخلات النصية بغية الحصول على أداء أفضل للنموذج. أما التسلسل فهو نمط هندسي محدد يركز على التدفق المتتابع للعمليات والتحكم في المنطق.
• مقابل ضبط المحفزات: ضبط المحفزات هو أسلوب من أساليب تحسين النماذج يحدّث المعلمات القابلة للتعلم (المحفزات اللينة) أثناء مرحلة التدريب. ويحدث تسلسل المحفزات بالكامل أثناء الاستدلال في الوقت الفعلي، ولا يغيّر أوزان النموذج.

من خلال الاستفادة من تسلسل المحفزات، تستطيع الفرق بناء تطبيقات متينة تدمج المنطق واسترجاع البيانات والتعرّف على الأفعال. ولإدارة مجموعات البيانات وتدريب نماذج الرؤية التي تشغّل هذه السلاسل، توفر منصة Ultralytics حلًا مركزيًا للوسم والتدريب والنشر.