ما LangGraph؟

ماذا تعني كل هذه المعلومات؟ يمكن أن يوفر المثال التالي فهمًا أكثر وضوحًا لإطار LangGraph: فكِّر في هذه البنيات القائمة على الرسم البياني باعتبارها خريطة قوية قابلة للتكوين، أو "خريطة فائقة". يمكن للمستخدمين تصوُّر سير عمل الذكاء الاصطناعي على أنه "المستكشف" ضمن "الخريطة الفائقة" هذه. وأخيرًا، في هذا المثال، المستخدم هو "رسام الخرائط". بهذا المعنى، يرسم المستكشف المسارات المُثلى بين النقاط على "الخريطة الفائقة"، والتي يتم إنشاؤها جميعًا بواسطة "رسام الخرائط".

باختصار، يتم رسم المسارات المُثلى داخل البنيات القائمة على الرسم البياني ("الخريطة الفائقة") واستكشافها باستخدام سير عمل الذكاء الاصطناعي ("المستكشف"). يُعَد هذا التشبيه نقطة انطلاق ممتازة لفهم LangGraph - وإذا كنت من محبي الخرائط، فستسعد بفرصة إضافية لرؤية أحدهم يستخدم كلمة "رسام خرائط".

يسلط LangGraph الضوء على العمليات داخل سير عمل الذكاء الاصطناعي، ما يسمح بالشفافية الكاملة لحالة الوكيل. في LangGraph، تعمل ميزة "الحالة" كبنك للذاكرة يسجِّل ويتتبَّع جميع المعلومات القيّمة التي تتم معالجتها بواسطة نظام الذكاء الاصطناعي. إنه يشبه دفتر الملاحظات الرقمي حيث يقوم النظام بالتقاط البيانات وتحديثها أثناء انتقالها عبر مراحل مختلفة من سير العمل أو تحليل الرسم البياني.

على سبيل المثال، إذا كنت تقوم بتشغيل وكلاء لمراقبة الطقس، يمكن لهذه الميزة تتبُّع عدد المرات التي تساقطت فيها الثلوج وتقديم اقتراحات استنادًا إلى توجهات تساقط الثلوج المتغيرة. تُعَد قابلية الملاحظة هذه لكيفية عمل النظام لإكمال المهام المعقدة مفيدة للمبتدئين لفهم المزيد عن إدارة الحالة. وتُعَد إدارة الحالة مفيدة عند تصحيح الأخطاء، حيث تُتيح توحيد حالة التطبيق، ما يؤدي في كثير من الأحيان إلى تقصير العملية الإجمالية.

يُتيح هذا النهج اتخاذ قرارات أكثر فاعلية، وتحسين قابلية التوسع، وتعزيز الأداء العام. كما يسمح هذا أيضًا بمزيد من التفاعل مع الأفراد الذين قد يكونون جُدُدًا في هذه العمليات أو يفضِّلون صورة أوضح لما يجري خلف الكواليس.

يعتمد LangGraph أيضًا على العديد من التقنيات الرئيسية، بما في ذلك LangChain، وهو إطار عمل Python لبناء تطبيقات الذكاء الاصطناعي. يتضمن LangChain مكتبة لبناء وإدارة نماذج LLM. يستخدم LangGraph أيضًا نهجًا يعتمد على مشاركة الإنسان في العملية. من خلال الجمع بين التقنيات مع مجموعة من واجهات برمجة التطبيقات والأدوات، يوفر LangGraph للمستخدمين منصة متعددة الاستخدامات لتطوير حلول الذكاء الاصطناعي وسير العمل بما في ذلك روبوت المحادثة والرسوم البيانية للحالة والأنظمة الأخرى القائمة على الوكلاء.

تعمَّق أكثر في عالم LangGraph من خلال استكشاف ميزاته الرئيسية وفوائده وحالات الاستخدام الخاصة به. بنهاية هذه المقالة، ستكون لديك المعرفة والموارد اللازمة لاتخاذ الخطوة التالية مع LangGraph.

لنبدأ أولًا بفهم العناصر الرئيسية التي تشكِّل LangGraph. تم تصميم الإطار حول العديد من العناصر الرئيسية التي تعمل معًا لتمكين المستخدمين من إنشاء وإدارة سير عمل الذكاء الاصطناعي المعقد. تشمل هذه العناصر ما يلي:

التدخل البشري في الحلقة: تُشير عملية Human-in-the-loop (HITL) إلى الحاجة إلى تدخل بشري في مرحلة ما من العملية. في مجال التعلم الآلي، تُشير عملية HITL إلى عملية تعاونية حيث يعمل البشر على تعزيز القدرات الحسابية للآلات لاتخاذ قرارات مستنيرة أثناء بناء النموذج. من خلال استخدام نقاط البيانات الأكثر أهمية، تعمل HITL على تعزيز دقة خوارزميات التعلم الآلي، متجاوزة بذلك طرق أخذ العينات العشوائية.

الرسوم البيانية للحالة: مفهوم حيث تمثِّل كل عقدة في الرسم البياني خطوة في الحساب، ما يؤدي في الأساس إلى تصميم رسم بياني للحالة. يُتيح هذا النهج القائم على الحالة للرسم البياني الاحتفاظ بالمعلومات حول الخطوات السابقة، ما يُتيح المعالجة المستمرة والسياقية للمعلومات أثناء تقدُّم العملية الحسابية. يمكن للمستخدمين إدارة جميع الرسوم البيانية ذات الحالة في LangGraph باستخدام واجهات برمجة التطبيقات الخاصة به.

الرسم البياني الدوري: الرسم البياني الدوري هو أي رسم بياني يحتوي على دورة واحدة على الأقل وهو ضروري لوقت التشغيل. هذا يعني أن هناك مسارًا يبدأ وينتهي عند نفس العقدة، ويشكِّل حلقة داخل الرسم البياني. غالبًا ما تتضمن مهام سير العمل المعقدة تبعيات دورية، حيث تعتمد نتيجة خطوة واحدة على الخطوات السابقة في الحلقة.

العقدة: في LangGraph، تمثِّل العقدة المكونات الفردية أو الوكلاء داخل سير العمل. يمكن اعتبار العُقَد "ممثلين" يتفاعلون مع بعضهم بطريقة معينة. على سبيل المثال، لإضافة عُقَد لاستدعاء الأدوات، يمكنك استخدام ToolNode. مثال آخر: العقدة التالية، تُشير إلى العقدة التي سيتم تنفيذها بعد العقدة الحالية.

الحواف: الحواف هي وظيفة داخل Python تحدِّد العقدة التي سيتم تنفيذها بعد ذلك استنادًا إلى الحالة الحالية. يمكن أن تكون الحافة عبارة عن فروع مشروطة أو انتقالات ثابتة.

RAG: يجمع التوليد المعزز بالاسترجاع (RAG) بين قوة النماذج اللغوية الكبيرة والمعلومات السياقية من المصادر الخارجية عن طريق استرجاع المستندات ذات الصلة، والتي تُستخدم بعد ذلك كمدخلات لتوليد الإجابة.

سير العمل: سير العمل هو تسلسلات تفاعلات العقدة التي تحدِّد سير عمل الذكاء الاصطناعي. من خلال ترتيب العُقَد في سير العمل، يمكن للمستخدمين إنشاء سير عمل أكثر تعقيدًا وديناميكية يستفيد من قوة العناصر.

واجهات برمجة التطبيقات: يوفر LangGraph مجموعة من واجهات برمجة التطبيقات التي تمكِّن المستخدمين من التفاعل مع مكوناتها بطريقة برمجية. يمكن للمستخدمين استخدام مفتاح واجهة برمجة التطبيقات وإضافة عُقَد جديدة وتعديل مهام سير العمل الحالية واسترداد البيانات من سير عمل الذكاء الاصطناعي.

LangSmith: تُعَد LangSmith واجهة برمجة تطبيقات متخصصة لبناء وإدارة برامج LLM داخل LangGraph. وهي توفِّر أدوات لتهيئة LLMs وإضافة حواف مشروطة وتحسين الأداء. من خلال الجمع بين هذه العناصر بطرق مبتكرة، يمكن للمستخدمين إنشاء سير العمل أكثر تطورًا للذكاء الاصطناعي يستفيد من نقاط القوة في كل عنصر على حدة.

من خلال استخدام بنية تعتمد على الرسم البياني، يُتيح LangGraph للمستخدمين توسيع نطاق سير عمل الذكاء الاصطناعي بكفاءة عالية ودون تأخير. يعتمد LangGraph على اتخاذ قرارات محسَّنة من خلال نمذجة العلاقات المعقدة بين العُقد، ما يعني أنه يستخدم وكلاء الذكاء الاصطناعي لتحليل أفعالهم السابقة والتعليقات الواردة. في عالم النماذج اللغوية الكبيرة، يُشار إلى هذه العملية باسم "الانعكاس".

تحسين عملية اتخاذ القرار: من خلال نمذجة العلاقات المعقدة بين العُقد، يوفر LangGraph إطارًا لبناء أنظمة اتخاذ قرار أكثر فاعلية.

المرونة المتزايدة: طبيعة مفتوحة المصدر وتصميم معياري للمطورين لدمج المكونات الجديدة وتكييف سير العمل الحالي.

سير العمل متعدد الوكلاء: يمكن معالجة المهام المعقدة من خلال سير العمل متعدد الوكلاء. يتضمن هذا الأسلوب إنشاء وكلاء LangChain مخصصين لمهام أو مجالات محددة. توجيه المهام إلى وكلاء LangChain المناسبين يسمح بالتنفيذ المتوازي والمعالجة الفعَّالة لأعباء العمل المتنوعة. تجسِّد بنية الشبكة متعددة الوكلاء هذه التنسيق اللامركزي لأتمتة الوكيل.

ومن الأمثلة الرائعة التي ابتكرها Joao Moura: استخدام CrewAI مع LangChain وLangGraph. يتم فحص رسائل البريد الإلكتروني وإنشاء المسودات تلقائيًا بواسطة CrewAI الذي ينسِّق بين وكلاء الذكاء الاصطناعي المستقلين، ما يُتيح لهم التعاون وتنفيذ المهام المعقدة بكفاءة.

روبوت المحادثة: يمكن للمستخدمين إنشاء تطبيق وكيلي لتخطيط العطلات، مع سير عمل قائم على العُقد ورسوم بيانية غير دورية موجَّهة (DAGs). يتعلم روبوت المحادثة كيفية الاستجابة للحد الأدنى من مدخلات المستخدم وتقديم التوصيات المخصصة. في الوقت الحالي، تستخدم خدمات مثل Duplex من Google لغة LangGraph بطريقة مماثلة لمحاكاة المحادثات التي تشبه المحادثات البشرية.

أنظمة الوكيل: يوفر LangGraph إطار عمل لبناء أنظمة تعتمد على الوكيل، والتي يمكن استخدامها في تطبيقات مثل الروبوتات أو المركبات ذاتية القيادة أو ألعاب الفيديو.

تطبيقات LLM: باستخدام قدرات LangGraph، يمكن للمطورين إنشاء نماذج ذكاء اصطناعي أكثر تطورًا تتعلم وتتحسن بمرور الوقت. تستخدم شركة Norwegian Cruise Line برنامج LangGraph لتجميع وإنشاء وتحسين حلول الذكاء الاصطناعي الموجَّهة للضيوف. وتُتيح هذه القدرات تحسين تجربة الضيوف وتخصيصها.

يعتمد وكلاء LangGraph على سلسلة OpenAI من نماذج GPT (المحول التوليدي المدرب مسبقًا) GPT-3.5 وGPT-4. ومع ذلك، ساهم LangGraph ومجتمعه مفتوح المصدر في إضافة العديد من النماذج الأخرى التي تتم تهيئتها من خلال تكوين واجهة برمجة تطبيقات LLM، بما في ذلك نماذج Anthropic وAzureChatOpenAI. تُشبه الحلقة الصغيرة نسبيًا مشاريع مثل Auto-GPT.

يقدِّم LangGraph برنامجًا تعليميًا على YouTube يسهِّل استكشاف كيفية التكامل مع برامج LLM مفتوحة المصدر على موقع GitHub docs الخاص به. الخطوة الأولى لدمج برنامج LLM هي إعداد مستودع استدلال (repo) مثل LLaMA-Factory وFastChat وOllama. يُتيح هذا المستودع نشر نموذج LLM المقابل الذي تم تكوينه من خلال بيانات اعتماد واجهة برمجة التطبيقات الخاصة به.

CrewAI وMetaGPT وAutoGen ليست سوى عدد قليل من إطارات العمل متعددة العوامل التي يمكنها التعامل مع سير العمل المعقد. تتيح هذه العملية اتباع نهج أكثر مرونة ودقة في معالجة التحديات الحسابية المتنوعة. من خلال توفير القدرات الشاملة لتصحيح الأخطاء، تتيح هذه الإطار العمل للمطورين تحديد المشكلات وحلها بسرعة، مما يؤدي إلى زيادة كفاءة عمليات التطوير والتحسين.

يقدِّم LangGraph أيضًا LangGraph Studio، وهي واجهة مرئية لتطوير سير العمل. باستخدام LangGraph Studio، يمكن للمستخدمين تصميم وبناء مهام سير العمل باستخدام واجهة رسومية، دون الحاجة إلى كتابة التعليمات البرمجية. يجعل تطبيق سطح المكتب القابل للتنزيل LangGraph Studio أكثر قابلية للاستخدام للمبتدئين. كما توفِّر LangGraph Studio أيضًا الميزات الإضافية التالية:

منحنى التعلم السهل: لا يلزم وجود LangGraph Studio للوصول إلى LangGraph. ومع ذلك، باستخدام واجهة LangGraph Studio المرئية، يمكن للمستخدمين التركيز على تصميم سير العمل دون التورط في التعليمات البرمجية.

تحسين التعاون: تُتيح LangGraph Studio مشاركة سير العمل مع الآخرين، سواء أكان ذلك فريق من المطورين أم عميل.

تصحيح الأخطاء: لا تقتصر القدرات على إنشاء الرسم البياني، بل تشمل أيضًا ميزة تصحيح الأخطاء لضمان دقة الرسم البياني وموثوقيته. تساعد LangGraph Studio، بفضل بيئة التطوير المتكاملة (IDE) المتطورة، على تصوُّر وتصحيح تطبيقات LangGraph.

تحسين معالجة اللغة الطبيعية(NLP): يتمتع LangGraph بقدرات أكثر تقدمًا لتحسين معالجة اللغة الطبيعية، ما يسمح له بفهم اللغة الطبيعية بشكل أفضل وتوفير استجابات أكثر دقة.

تحسين التعلم الآلي: سيتم تحسين قدرات التعلم الآلي في LangGraph، ما يُتيح له التعلم والتحسين بمرور الوقت.

دعم المنصات الجديدة: سيدعم LangGraph المنصات الجديدة، مثل الأجهزة المحمولة وحوسبة الحافة، لتسهيل الوصول إلى التقنية.