أطر عمل وكلاء الذكاء الاصطناعي: اختيار الأساس المناسب لعملك

وكلاء الذكاء الاصطناعي عبارة عن برامج يمكنها تنفيذ مهمة بشكل مستقل نيابة عن المستخدم. تضع أنظمة الذكاء الاصطناعي هذه أولًا خطة مكونة من سلسلة من الخطوات لإنجاز مهمة معقدة.

بعد ذلك، يستخدمون استدعاء الدالة للاتصال بأدوات خارجية—مثل واجهات برمجة التطبيقات (APIs)، ومصادر البيانات، وعمليات البحث على الويب، وحتى وكلاء الذكاء الاصطناعي الآخرين—والتي يمكن أن تساعد في سد أي فجوات في معرفتهم.

بعد تنفيذ خطة عملهم، يتعلم الوكلاء المستقلون من التعليقات ويخزنون المعلومات المكتسبة في الذاكرة لتحسين الأداء.

يمكن للمؤسسات بناء وكلاء الذكاء الاصطناعي من الصفر باستخدام لغات البرمجة مثل Python أو JavaScript. ومع ذلك، فإن النهج الأسرع والأكثر قابلية للتوسع يتضمن استخدام أطر عمل وكلاء الذكاء الاصطناعي.

أطر عمل الوكيل هي اللبنات الأساسية لتطوير وكلاء الذكاء الاصطناعي ونشرهم وإدارتهم. تحتوي منصات البرامج هذه على ميزات ووظائف مضمنة تساعد على تبسيط العملية وتسريعها، بما في ذلك:

• البنية المحددة المسبقًا التي تحدد هيكل وخصائص وقدرات الذكاء الاصطناعي الفاعل.

• بروتوكولات الاتصال التي تسهل التفاعل بين وكلاء الذكاء الاصطناعي والمستخدمين البشريين أو الوكلاء الآخرين.

• أنظمة إدارة المهام لتنسيق المهام.

• أدوات التكامل لاستدعاء الدالة.

• أدوات المراقبة لتتبع أداء الذكاء الاصطناعي الفاعل.

قبل الغوص في عالم وكلاء الذكاء الاصطناعي، فكر في أهداف مؤسستك وحالة الاستخدام. يحقق إطار العمل المثالي التوازن بين قدراتك ومتطلباتك قصيرة المدى وأهدافك طويلة المدى.

فيما يلي بعض الجوانب التي يجب مراعاتها عند اختيار إطار عمل وكيل الذكاء الاصطناعي:

• التعقيد

• خصوصية وأمن البيانات

• سهولة الاستخدام

• التكامل السلس

• الأداء وقابلية التوسع

حدد المهام التي تريد أن يقوم وكيل الذكاء الاصطناعي بتنفيذها ومدى تعقيد هذه المهام. حدد ما إذا كنت بحاجة إلى تطبيق بسيط بوكيل واحد فقط أو نظام بيئي متعدد الوكلاء.

بالنسبة للبيئات متعددة الوكلاء، حدد تفاعلات الوكيل المطلوبة وأين لا تزال هناك حاجة إلى تدخل بشري.

في مجال دعم العملاء، على سبيل المثال، يمكن لوكيل ذكاء اصطناعي واحد أن يساعد في تصنيف خطورة المشكلات الواردة. ومع ذلك، إذا كنت تهدف إلى سير عمل أكثر قوة، ففكر في إنشاء نظام متعدد الوكلاء مع وكلاء مختلفين لاستكشاف المشكلات واقتراح الإصلاحات وتعيين الحالات المعقدة إلى وكلاء آخرين من الذكاء الاصطناعي أو من البشر.

يجب أن تكون خصوصية البيانات وأمانها في مقدمة الأولويات عند اختيار إطار عمل الوكيل. تحقق من سياسات وإجراءات الأمان لإطار العمل الذي تختاره، بما في ذلك تشفير البيانات الثابتة والمنقولة، وضوابط الوصول، وإزالة أي معلومات حساسة.

ضع في اعتبارك مستوى مهارة فريق التطوير لديك. على سبيل المثال، إطار عمل للذكاء الاصطناعي سهل للمبتدئين، مثل CrewAI، يمتلك واجهة بدون برمجة للنماذج الأولية السريعة وقوالب جاهزة لوكلاء الذكاء الاصطناعي للنشر الفوري.

قد يلجأ مطورو الذكاء الاصطناعي الأكثر خبرة إلى إطار العمل المتقدم مثل LangGraph الذي يوفر تحكمًا منخفض المستوى وخيارات تعليمات برمجية قابلة للتخصيص.

تقييم إطارات عمل الذكاء الاصطناعي الفاعل بناءً على توافقها مع مجموعتك التقنية الحالية. تحقق من مدى تكامل اختيارك لإطار العمل مع مصادر البيانات والبنية التحتية والأدوات الحالية لديك.

اكتشف كيف سيتم نشر الذكاء الاصطناعي الفاعل في بيئتك—سواء محليًا أو في السحابة—وما إذا كان مطلوبًا نشرًا صغيرًا أم واسع النطاق.

قم بتقييم أداء إطار عمل وكيل الذكاء الاصطناعي الذي اخترته. فكّر في زمن الاستجابة أو زمن الانتقال للتطبيقات في الوقت الفعلي، وقيّم ما إذا كان الأداء يتدهور عند معالجة كميات ضخمة من البيانات أو طلبات متزامنة متعددة. وعلى الرغم من أن التركيز قد يكون على المدى القصير، فكر في كيفية توسيع نطاق إطار العمل مع نمو عملك.

لا يزال الذكاء الاصطناعي الفاعل في مراحله المبكرة. مع تطور التقنية الكامنة وراء وكلاء الذكاء الاصطناعي، ستتطور أيضًا أطر العمل الكامنة وراءها. فيما يلي بعض إطارات العمل لوكلاء الذكاء الاصطناعي الشائعة حاليًا:

AutoGen هو إطار عمل مفتوح المصدر من Microsoft لإنشاء تطبيقات الذكاء الاصطناعي متعددة الوكلاء لأداء مهام معقدة. تتكون بنيته من 3 طبقات:

• Core هو إطار برمجي لتطوير شبكة موزعة وقابلة للتوسع من الوكلاء، مع أدوات لتتبع وتصحيح أخطاء مهام سير عمل الوكلاء. يستخدم المراسلة غير المتزامنة، ويدعم كل من تفاعلات الوكيل المستندة إلى الطلب والاستجابة وتلك القائمة على الأحداث.

• تم بناء AgentChat على Core ويمكن استخدامه لإنشاء مساعدين للذكاء الاصطناعي الحواري. إنه نقطة البداية المقترحة للمبتدئين، حيث يقدم عملاء فرديين افتراضيين وفرق متعددة العملاء بسلوكيات وأنماط تفاعل محددة مسبقًا.

• الامتدادات عبارة عن حزمة تحتوي على تطبيقات لمكونات Core و AgentChat لتوسيع قدراتها وتفاعلها مع المكتبات الخارجية والخدمات الأخرى. يمكنك استخدام الامتدادات المضمنة وتلك التي طورها مجتمع AutoGen، أو حتى إنشاء الامتدادات الخاصة بك.

يوفر AutoGen أيضًا أداتين تطوير مفيدتين: AutoGen Bench لتقييم وقياس أداء الذكاء الاصطناعي الفاعل، و AutoGen Studio لواجهة بدون تعليمات برمجية لتطوير الوكلاء. AutoGen متاح للوصول إليه على GitHub.

CrewAI هو إطار عمل تنسيقي لحلول الذكاء الاصطناعي متعدد الوكلاء. مثل AutoGen، فإن CrewAI مفتوح المصدر.

تتعامل بنية CrewAI القائمة على الأدوار الذكاء الاصطناعي الفاعل باعتباره "طاقمًا" من "العاملين". فيما يلي العناصر الأساسية للطاقم:

• يتم تعيين أدوار متخصصة للوكلاء مع الاستمرار في التعاون في مهام سير العمل المعقدة. يمكن للمطورين استخدام اللغة الطبيعية لتحديد دور الوكيل وهدفه وخلفيته.

• تحدد المهام المسؤوليات المحددة لكل وكيل. يمكن للمطورين أيضًا استخدام اللغة الطبيعية لوصف المهمة والمخرجات المتوقعة لكل وكيل.

• تحدد العملية كيفية عمل الوكلاء معًا وكيفية تنفيذ المهام. يمكن أن تكون إما متسلسلة، مع إكمال المهام وفقًا لترتيب محدد مسبقًا أو هرمية، باستخدام وكيل مدير مخصص يشرف على تفويض المهمة وتنفيذها وإكمالها.

تتضمن إحدى مجموعات CrewAI من الأمثلة طاقم تحليل سوق الأوراق المالية. يتعاون هذا الطاقم بطريقة متسلسلة، حيث يتم تكليف وكيل محلل السوق بتحليل البيانات الخاصة بسهم معين، ووكيل باحث مكلف بجمع المعلومات الداعمة التي تتحقق من صحة تحليل البيانات، ووكيل الاستراتيجية المكلف بوضع خطة عمل خطوة بخطوة بناءً على التحليل والبيانات الداعمة.

يدعم CrewAI الاتصالات بالعديد من النماذج اللغوية الكبيرة (LLMs)، بما في ذلك Claude من Anthropic و Gemini من Google ونماذج الذكاء الاصطناعي من Mistral ونماذج GPT من OpenAI ونماذج الأساس في IBM® watsonx.ai™.

يحتوي إطار العمل أيضًا على مجموعة أدوات التوليد المعزز بالاسترجاع (RAG) للبحث في مصادر بيانات مختلفة.

CrewAI متاح للوصول إليه على GitHub.

LangChain هو إطار عمل آخر مفتوح المصدر لبناء تطبيقات مدعومة بالنماذج اللغوية الكبيرة، بما في ذلك روبوتات المحادثة مثل ChatGPT و وكلاء الذكاء الاصطناعي.

يستخدم بنية معيارية، حيث يمثل كل وحدة تجريدات تغلف المفاهيم والخطوات المعقدة اللازمة للعمل مع النماذج اللغوية الكبيرة.

يمكن بعد ذلك ربط هذه المكونات معًا لإنشاء تطبيقات الذكاء الاصطناعي.

يعد LangChain مفيدًا لتطوير وكلاء الذكاء الاصطناعي البسيطين مع مهام سير عمل مباشرة. إنه يوفر الدعم لقواعد البيانات المتجهات والأدوات المساعدة لدمج الذاكرة في التطبيقات، مما يؤدي إلى الاحتفاظ بالسجل والسياق.

تسمح منصة LangSmith الخاصة به بتصحيح الأخطاء والاختبار ومراقبة الأداء.

LangChain متاح للوصول إليه على GitHub.

LangGraph يعيش داخل نظام LangChain البنائي. يتفوق إطار العمل في تنسيق مهام سير العمل المعقدة للأنظمة متعددة الوكلاء.

يطبق بنية رسم بياني، حيث يتم تصوير المهام أو الإجراءات المحددة لوكلاء الذكاء الاصطناعي كعُقد، بينما يتم تمثيل الانتقالات بين تلك الإجراءات كحواف.

يحافظ عنصر الحالة على قائمة المهام عبر جميع التفاعلات. هذا النوع من البنية مناسب لسير العمل الدوري أو الشرطي أو غير الخطي.

على سبيل المثال، قد ترغب شركة طيران في بناء وكيل ذكاء اصطناعي مساعد للسفر يساعد المستخدمين في العثور على الرحلات الجوية وحجزها. باستخدام LangGraph، سيتم تمثيل كل من هذه الإجراءات على شكل عُقد، ويمكن أن تحتوي هذه العُقد على عدة وكلاء يؤدون مهام معينة.

يمكن إضافة خطوة "وجود عنصر بشري في العملية" ليتمكن المستخدمون من اختيار رحلة من قائمة البحث، وإذا لم يناسب أي شيء تفضيلاتهم، يمكن لوكيل مساعد السفر العودة بسهولة إلى عقدة "البحث عن الرحلات" وإعادة البحث.

LangGraph متاح للوصول إليه على GitHub.

LlamaIndex هو إطار عمل مفتوح المصدر لتنسيق البيانات لبناء حلول الذكاء الاصطناعي التوليدي (gen AI) والذكاء الاصطناعي الفاعل. إنه يقدم وكلاء وأدوات مُعَدّة مسبقًا، وقدّم مؤخرًا مهام سير العمل، وهي آلية لتطوير أنظمة متعددة الوكلاء.

فيما يلي العناصر الرئيسية التي تشكّل سير العمل في LLAmaIndex:

• الخطوات هي الإجراءات المحددة للوكيل. هذه هي العناصر الأساسية لسير العمل.

• تؤدي الأحداث إلى الخطوات وهي الوسيلة التي تتواصل بها الخطوات.

• تتم مشاركة السياق عبر سير العمل بحيث يمكن للخطوات تخزين البيانات واسترجاعها وتمريرها والحفاظ على الحالة طوال فترة تشغيلها.

تتيح هذه البنية المستندة إلى الأحداث إنجاز خطوات سير العمل بشكل غير متزامن. هذا يعني أنه على عكس بنية الرسم البياني، لا يلزم تحديد المسارات بين الخطوات، مما يؤدي إلى انتقالات أكثر مرونة بين إجراءات الوكيل.

وعلى هذا النحو، فإن تدفقات عمل LlamaIndex مناسبة تمامًا لتطبيقات وكلاء الذكاء الاصطناعي الأكثر ديناميكية التي تحتاج إلى العودة إلى الخطوات السابقة أو التفرع إلى عدة خطوات.

LlamaIndex متاح للوصول إليه على GitHub.

Semantic Kernel هي مجموعة تطوير مفتوحة المصدر من Microsoft لبناء تطبيقات الذكاء الاصطناعي التوليدية على مستوى المؤسسات. يوفر إطار عمل الوكيل الخاص بها، والذي تم تصنيفه حاليًا على أنه تجريبي، تجريدات أساسية لإنشاء الوكلاء.

يحتوي على تطبيقين مدمجين للوكيل: وكيل إكمال المحادثة ووكيل مساعد أكثر تقدمًا.

يمكن تنسيق عدة وكلاء من خلال محادثات جماعية أو باستخدام إطار عمل Semantic Kernel (المُصنَّف أيضًا كتجريبي) لمهام سير عمل أكثر تعقيدًا.

تتكون العملية من خطوات، تمثل المهام الموكلة لوكلاء الذكاء الاصطناعي، وتوضح كيفية تدفق البيانات بين الخطوات.

Semantic Kernel متاح للوصول إليه على GitHub.

لاتخاذ قرارات أكثر استنارة، فكر في تجربة أطر العمل المفضلة لديك. ابدأ على نطاق صغير باستخدام تطبيق بسيط أحادي الوكيل لاختبار كيفية عمل كل إطار عمل ومقارنته بالآخرين.

إطار عمل الوكيل الصحيح يتوافق مع احتياجات مؤسستك ويمكن أن يساعد في تصميم وكلاء ذكاء اصطناعي يقومون بأتمتة سير العمل، مما يؤدي إلى عمليات تجارية أكثر كفاءة.