LangChain تطلق Promptim: مكتبة للتحسين الآلي للموجّهات النصية

أطلقت LangChain مكتبة Promptim، وهي مكتبة تجريبية مفتوحة المصدر للتحسين الآلي للموجّهات النصية (prompts). تستهدف الأداة مطوّري تطبيقات الذكاء الاصطناعي الذين يريدون قضاء وقت أقل في اختيار التعليمات الموجّهة إلى النماذج اللغوية يدويًا.

ما هي Promptim

تستغرق هندسة الموجّهات النصية، أي كتابة تعليمات دقيقة للنماذج اللغوية، جزءًا كبيرًا من وقت مطوّري الذكاء الاصطناعي. فالموجّه الذي يعمل بكفاءة مع GPT-4 قد يعطي نتائج غير مستقرة مع Claude أو Llama 3. وعند تغيير النموذج أو تعديل المهمة، يضطر الفريق إلى البدء من جديد: ضبط يدوي، واختبار للفرضيات، وتكرار للمحاولات.

تعالج Promptim هذه المشكلة بطريقة منهجية. يحدّد المطوّر معايير الجودة، وتولّد المكتبة تلقائيًا صيغًا بديلة للموجّهات، وتختبرها على أمثلة حقيقية، ثم تختار الأفضل. تشبه العملية اختبار A/B، مع فارق أن خوارزمية تتولى التحسين بدلًا من المسوّق.

صدرت المكتبة بوصفها تجريبية: فقد تتغير واجهة API، وبعض الوظائف ما زالت قيد التطوير. لكن يمكن بالفعل ربطها بمشاريع LangChain والبدء في توفير الوقت المبذول في الضبط اليدوي.

كيف تعمل عملية التحسين

تقوم دورة Promptim على عدة خطوات رئيسية:

• تحديد المقاييس — يكتب المطوّر دالة تقييم: دقة الإجابة، أو الالتزام بالصيغة المطلوبة، أو الطول، أو وجود عناصر محددة
• توليد المرشّحين — يقترح النظام صيغًا للموجّه بالاستناد إلى الموجّه الحالي وإلى سجل التحسين المتراكم
• الاختبار المتوازي — تُفحص جميع الصيغ المرشّحة على مجموعة من الأمثلة الاختبارية في وقت واحد
• اختيار الفائز — يصبح الموجّه الحاصل على أفضل تقييم أساسًا للتكرار التالي
• التكرار — تستمر الدورة حتى بلوغ مستوى الجودة المطلوب أو الوصول إلى حد التكرارات

تتكامل العملية بأكملها مع LangSmith، منصة مراقبة أنظمة الذكاء الاصطناعي التي يطوّرها فريق LangChain نفسه. وهذا يتيح الاطلاع لا على الموجّه النهائي فحسب، بل على سجل التحسين كاملًا: الصيغ التي جرى فحصها، والمواضع التي سُجّلت فيها قفزات في الجودة، وأسباب اختيار الخوارزمية لصيغة بعينها.

ثلاثة سيناريوهات عملية

الانتقال السريع بين النماذج. عند صدور إصدار جديد من GPT أو Claude، تقضي الفرق أيامًا في إعادة ضبط الصياغات يدويًا لتلائم خصائص النموذج الجديد. مع Promptim يمكن أتمتة هذه العملية: إذ تختار المكتبة بنفسها التعليمات الفعّالة مع ذلك النموذج تحديدًا.

التوسّع. إذا كان منتج الذكاء الاصطناعي يعالج مئات أنواع الطلبات، لكل منها موجّه خاص، فمن غير الواقعي تحسين كل موجّه يدويًا. تتيح Promptim تشغيل التحسين بالتوازي على المجموعة كاملة، ومتابعة التقدم عبر واجهة LangSmith الموحّدة.

اختبار الانحدار للموجّهات. عند تحديث صياغة ما، قد تُفسد الحالات الجديدة حالات كانت تعمل أصلًا. تساعد Promptim على الحفاظ على الجودة عبر مجموعة الأمثلة الاختبارية كلها في آن واحد، لا على الأمثلة التي يُحسَّن من أجلها السلوك الجديد وحدها.

ماذا يعني ذلك

تتحول أتمتة هندسة الموجّهات إلى طبقة مستقلة في حزمة الذكاء الاصطناعي، إلى جانب التنسيق (orchestration) والمراقبة وتقييم الجودة. ويشير ظهور Promptim إلى اتجاه واضح: الاختيار اليدوي لتعليمات النماذج اللغوية يتراجع، كما تراجع من قبل الضبط اليدوي للمعاملات الفائقة (hyperparameters) في تعلّم الآلة الكلاسيكي.

وبالنسبة إلى الفرق التي تبني منتجات الذكاء الاصطناعي بنشاط، يعني ذلك توفيرًا حقيقيًا في الوقت وتكيّفًا أسرع مع النماذج التي تتجدد باستمرار.