Prompt Chaining

تعد سلسلة الأوامر نمطاً معمارياً متقدماً في تطوير الذكاء الاصطناعي (AI)، حيث يتم تفكيك المهمة المعقدة إلى سلسلة من المهام الفرعية الأصغر والقابلة للإدارة. في سير العمل هذا، تعمل مخرجات خطوة واحدة—التي يتم إنشاؤها غالباً بواسطة نموذج لغوي كبير (LLM) أو نظام رؤية حاسوبية—كمدخلات للخطوة التالية. وعلى عكس الأمر الأحادي الذي يحاول حل مشكلة متعددة الأوجه دفعة واحدة، تتيح هذه السلسلة للمطورين بناء تطبيقات أكثر موثوقية وقابلية للاختبار وأعلى كفاءة. يُعد هذا النهج المعياري ضرورياً لإنشاء وكلاء ذكاء اصطناعي (AI Agents) متطورين قادرين على التفكير، أو تصفح الويب، أو التفاعل مع البيئات المادية.

Link to this sectionآليات عمل السلسلة#

في جوهرها، تعالج سلسلة الأوامر قيود نوافذ السياق وقدرات التفكير في النماذج الأساسية (Foundation Models). عندما يُطلب من النموذج تنفيذ العديد من العمليات المتميزة في طلب واحد (على سبيل المثال: "حلل هذه الصورة، واستخرج النص، وترجمه إلى الإسبانية، ونسقه كفاتورة JSON")، يزداد احتمال حدوث خطأ. ومن خلال تقسيم هذا إلى خط أنابيب (pipeline)، يمكن للمطورين التحقق من دقة (accuracy) كل مرحلة.

غالباً ما تستخدم السلاسل الفعالة "كود ربط" مكتوباً بلغة Python أو يُدار بواسطة مكتبات تنسيق مثل LangChain للتعامل مع تحويل البيانات بين الخطوات. وهذا يسمح بدمج تقنيات متباينة، مثل الجمع بين حدة الرؤية في اكتشاف الأشياء (Object Detection) والطلاقة اللغوية لنماذج النصوص التوليدية.

Link to this sectionتطبيقات العالم الحقيقي#

تعد سلسلة الأوامر قوية بشكل خاص عند سد الفجوة بين طرائق البيانات المختلفة، مما يمكن النماذج متعددة الوسائط (Multi-Modal Models) من العمل في البيئات الصناعية والتجارية الديناميكية.

1. التقارير المرئية الآلية: في التصنيع الذكي (Smart Manufacturing)، يمكن لنظام مراقبة الجودة ربط نموذج رؤية مع نموذج لغوي كبير. أولاً، يقوم نموذج عالي السرعة مثل Ultralytics YOLO26 بمسح المكونات على خط التجميع. يتم تحويل المخرجات المهيكلة (على سبيل المثال: "الفئة: Dented_Can، الثقة: 0.92") إلى سلسلة نصية. بعد ذلك، يتم تمرير هذا النص إلى نموذج لغوي مع أمر مثل "صُغ طلب صيانة بناءً على هذا العيب"، مما يولد بريداً إلكترونياً قابلاً للقراءة من قبل مدير الموقع.

2. دعم العملاء الواعي بالسياق: غالباً ما تستخدم روبوتات الدردشة الذكية السلسلة للتنقل في استفسارات المستخدمين المعقدة. قد تستخدم الحلقة الأولى في السلسلة معالجة اللغات الطبيعية (NLP) لتصنيف نية المستخدم. إذا كانت النية تقنية، يقوم النظام بتشغيل سير عمل التوليد المعزز بالاسترجاع (RAG): حيث يقوم بإنشاء تضمينات (embeddings) للاستعلام، ويبحث في قاعدة بيانات ناقلة عن الوثائق، وأخيراً يطالب نموذجاً لغوياً كبيراً بتجميع الأجزاء المسترجعة في إجابة مفيدة.

Link to this sectionمثال برمجي للرؤية إلى اللغة#

يوضح المثال التالي "الحلقة" الأولى في سلسلة: استخدام الرؤية الحاسوبية (CV) لإنشاء بيانات مهيكلة تعمل كسياق لأمر 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)

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

لتنفيذ بنيات تعلم الآلة (ML) فعالة، من المفيد التمييز بين سلسلة الأوامر والمصطلحات المشابهة في مشهد الذكاء الاصطناعي:

• مقابل سلسلة الأفكار (Chain-of-Thought Prompting): تعد سلسلة الأفكار (CoT) تقنية مستخدمة داخل أمر واحد لتشجيع النموذج على "إظهار خطوات عمله" (على سبيل المثال: "فكر خطوة بخطوة"). تتضمن سلسلة الأوامر استدعاءات API متميزة متعددة حيث تعتمد المدخلات للخطوة (ب) على مخرجات الخطوة (أ).
• مقابل هندسة الأوامر (Prompt Engineering): هندسة الأوامر هي التخصص الأوسع لتحسين مدخلات النصوص للحصول على أداء أفضل للنموذج. أما السلسلة فهي نمط هندسي محدد يركز على التدفق المتسلسل للعمليات والتحكم في المنطق.
• مقابل ضبط الأوامر (Prompt Tuning): ضبط الأوامر هو طريقة لـ تحسين النموذج (Model Optimization) تقوم بتحديث المعلمات القابلة للتعلم (soft prompts) أثناء مرحلة التدريب. بينما تحدث سلسلة الأوامر بالكامل أثناء الاستدلال في الوقت الفعلي (Real-time Inference) ولا تغير أوزان النموذج (Model Weights).

من خلال الاستفادة من سلسلة الأوامر، يمكن للفرق بناء تطبيقات قوية تدمج المنطق، واسترجاع البيانات، والتعرف على الإجراءات (Action Recognition). ولإدارة مجموعات البيانات وتدريب نماذج الرؤية التي تشغل هذه السلاسل، توفر منصة Ultralytics (Ultralytics Platform) حلاً مركزياً للتعليق التوضيحي، والتدريب، والنشر.