كيف تدمج الذكاء الاصطناعي مع T-FLEX: التخلي عن روبوتات الدردشة والانتقال إلى وكلاء خاضعين للرقابة

تنتهي محاولات دمج نماذج اللغة الكبيرة في البرمجيات الهندسية مثل T-FLEX CAD عادةً بالنتيجة نفسها: تنهار العملية، وتتجمد الرخصة، ويُتراجع عن المشروع. وقد بحث مهندسون على موقع Habr في أسباب ذلك، وعرضوا طريقة عملية لمعالجته.

لماذا تهلوس نماذج LLM في أنظمة CAD

T-FLEX ليس تطبيق ويب. إنه نظام مغلق يعمل عبر مكتبات DLL، ويتطلب ضبطًا صارمًا للجلسة، ودقة في أسماء دوال API، وتطابقًا في أنواع البيانات. خطأ واحد يكفي لانهيار النظام.

أما نماذج LLM فهي بطبيعتها تُنتج إجابات احتمالية. فقد يولّد النموذج شيفرة تبدو معقولة: البنية اللغوية سليمة، والمنطق يبدو منطقيًا. لكن التفصيل مهم: قد يكون نوع المعامل خاطئًا، وقد يكون هناك خطأ مطبعي في اسم الدالة، وقد تشير الشيفرة إلى حقل في بنية بيانات غير موجود أصلًا. في تطبيق الويب يظهر الخطأ ببساطة على الصفحة. أما في نظام CAD فيعني ذلك انهيار العملية.

يسمّي المهندسون هذا «هلوسة»: النموذج يقدّم إجابة خاطئة بثقة. وحين تفشل عشرات المحاولات المتتالية، يفقد النهج المعتاد جدواه.

كيف يعمل tflex_harness

بدلًا من ربط نموذج LLM بالنظام مباشرة، أنشأ المهندسون إطار العمل tflex_harness. وهو ليس روبوت دردشة، بل نظام رقابة متعدد الطبقات:

• الطبقة 1: نموذج اللغة — يولّد وصفًا نصيًا للمهمة بناءً على طلب المستخدم
• الطبقة 2: حلقة التحكم — تحلّل مخرجات LLM وتتحقق من الأوامر قبل إرسالها إلى نظام CAD
• الطبقة 3: بحث محلي في وثائق API — يزوّد النظام النموذج بأسماء الدوال الصحيحة وأنواع المعاملات
• الطبقة 4: توليد شيفرة C# وتجميعها — يكتب LLM الشيفرة، ويفحصها المترجم (compiler) قبل أي محاولة تنفيذ
• الطبقة 5: التنفيذ المعزول — تعمل الشيفرة في جلسة T-FLEX منفصلة، فلا تؤدي الأخطاء إلى انهيار العملية الرئيسية

والنتيجة: إذا فشل التجميع، يرى النموذج الخطأ المحدد ويحاول من جديد. فالوكيل يتعلّم. والأهم أن ما يصل إلى نظام CAD هو شيفرة مُدقَّقة ومُجمَّعة فقط.

التخلي عن التجريدات

هنا يكمن الفارق الجوهري عن حلول الذكاء الاصطناعي المعتادة. فإطار tflex_harness لا يقدّم وعودًا براقة، وإنما يعمل بصورة أكثر تحديدًا: لا يستطيع النموذج اختلاق دوال، إذ هو مضطر لاستخدام الدوال المسجّلة في API فقط. والشيفرة لا توجد في «ذهن» الشبكة العصبية وحده، بل تُجمَّع فعليًا. وتُفحص الأخطاء ميكانيكيًا لا إحصائيًا.

قد يبدو هذا قيدًا، لكنه عمليًا الطريقة الوحيدة للوثوق بالنتيجة.

ماذا يعني ذلك

دمج LLM في البرمجيات المتخصصة لا يتطلب أكبر نموذج ولا أنيق واجهة، بل يتطلب قابلية للتنبؤ وسيطرة في كل خطوة. وبالنسبة لأنظمة CAD وCAM والبرمجيات الهندسية عمومًا، يفتح هذا النهج سيناريو جديدًا: أتمتة آمنة للمهام الهندسية دون خطر فقدان البيانات أو انهيار الرخصة.