كيفية بناء pipeline مستقر على مجموعة بيانات Fable 5 Traces في Google Colab

ظهرت مجموعة بيانات Fable 5 Traces على Hugging Face وجذبت بالفعل انتباه الباحثين: فهي تخزن آثار جلسات الوكلاء الحقيقية من Claude Fable 5 — نموذج Anthropic المصمم للعمل مع الأدوات. نشرت MarkTechPost دليلاً تفصيلياً حول كيفية بناء خط أنابيب مستقر حوله في Google Colab.

ما هو Fable 5 Traces

Fable 5 هو أحد أحدث النماذج في عائلة Claude، متخصص في مهام الوكلاء. تلتقط مجموعة بيانات الآثار كيفية تفكير النموذج عند استدعاء الدوال: طلبات الأدوات وحججها والنتائج المرجعة وسلاسل الأفكار (chain-of-thought). يمثل كل سجل في ملف JSONL جلسة كاملة: من موجه النظام إلى الإجابة النهائية. البنية متداخلة وغير متجانسة — قد تحتوي الآثار المختلفة على حقول مختلفة، مما يخلق التعقيد التقني الرئيسي عند العمل مع مجموعة البيانات.

• موجه النظام وطلب المستخدم
• قائمة استدعاءات الأدوات مع الحجج والنتائج
• استدلال CoT للنموذج (إن كان مفعلاً)
• الإجابة النهائية للمستخدم

كيفية عمل خط الأنابيب في Colab

تجنب مؤلفو الدليل بشكل متعمد المكتبات عالية المستوى — خاصة `datasets` من Hugging Face — لصالح التحليل اليدوي باستخدام وحدة `json` القياسية من Python. المنطق بسيط: يقوم Colab بتحديث إصدارات المكتبات بشكل منتظم، والكود الذي يعتمد على إصدارات معينة من `datasets` أو `transformers` ينكسر بسهولة بدون تحذير. التحليل اليدوي لـ JSONL مرن في مواجهة مثل هذه المفاجآت.

يمر خط الأنابيب بعدة مراحل. أولاً، الفحص: مراجعة بنية ملفات المستودع، التحقق من عدد السجلات، تحديد الشذوذ. ثم التطبيع — إحضار استدعاءات الأدوات من آثار مختلفة إلى مخطط موحد حتى يمكن معالجتها برمجياً. الخطوة المنفصلة هي تدقيق البيانات بحثاً عن الأسرار. غالباً ما تحتوي آثار جلسات الوكلاء على مفاتيح API أو tokens أو بيانات حساسة أخرى تسربت إلى السياق عبر الأدوات. يوضح الدليل كيفية اكتشاف وتحرير مثل هذه الأجزاء تلقائياً قبل استخدام مجموعة البيانات للتدريب.

بعد التنظيف، ينشئ خط الأنابيب تصورات: توزيع أنواع استدعاءات الأدوات وأطوال الجلسات وتكرار الدوال المحددة. تساعد هذه المخططات على تقييم جودة البيانات وتوازنها بسرعة.

مصنف أساسي بدلاً من الشبكة العصبية

يغطي الجزء النهائي من الدليل التصدير والتدريب. يعد المؤلفون نسختين من مجموعة البيانات: النسخة الكاملة (مع استدلال CoT) والنسخة المقطوعة no-CoT (الطلبات والإجابات فقط، بدون سلاسل أفكار). الخيار الثاني أكثر أماناً للضبط الدقيق: قد يحتوي استدلال CoT على تجميعات داخلية غير مناسبة لتدريب النماذج الخارجية.

يتم تدريب مصنف Naive Bayes على البيانات المحضرة، مكتوبة بلغة Python نقية — بدون PyTorch أو TensorFlow أو أطر عمل ثقيلة أخرى. يحل مثل هذا الأساس عدة مهام:

• التحقق السريع مما إذا كانت البيانات تحتوي على أنماط ذات دلالة إحصائية
• توفير خط أساس لمقارنة نماذج الشبكات العصبية
• تشغيل التجارب بدون GPU وأوقات انتظار طويلة
• تحديد عدم التوازن في الفئات في مرحلة التحقق من الفرضيات

"نحلل ملف JSONL المدمج يدويًا لإبقاء

Colab موثوقًا وقابلًا للتنبؤ" — من دليل MarkTechPost.

ماذا يعني هذا

مجموعات البيانات العامة التي تحتوي على آثار حقيقية للوكلاء نادرة. تحتوي معظم مجموعات التدريب للنماذج اللغوية على بيانات اصطناعية أو نصوص ويب، لكن ليس على سجلات استدلال حقيقي للوكيل أثناء استدعاء الأدوات. يملأ Fable 5 Traces هذه الفجوة ويفتح فرصاً لدراسة سلوك الوكيل في نماذج Claude.

يقلل الدليل من حاجز الدخول: يعمل كل الكود في متصفح في بضع دقائق بدون إعداد بيئة معقد. بالنسبة للمطورين الذين يريدون ضبط نماذجهم الخاصة على مهام الوكلاء أو دراسة أنماط استخدام الأدوات، إنها نقطة انطلاق جاهزة.