LangChain: أسراب وكلاء الذكاء الاصطناعي المبنية على LangGraph تقلّص وقت تصحيح الأخطاء البرمجية بنسبة 93%

نشرت LangChain على مدونتها تحليلًا لبنية الهندسة الوكيلية (agentic engineering)، وهي منظومات من عدة وكلاء ذكاء اصطناعي متخصصين تتوزع أدوارهم كما في فريق هندسي حقيقي، بدلًا من وكيل منفرد يكتفي بتسريع كتابة الشيفرة. وبحسب الشركة، فإن هذا النهج، المبني على إطار عملها LangGraph، يقلّص وقت تصحيح الأخطاء حتى 93% ويُسرّع تسليم الشيفرة بين الفرق المختلفة.

تُعدّ LangChain من أكثر أطر العمل مفتوحة المصدر استخدامًا في بناء التطبيقات القائمة على نماذج اللغة الكبيرة. وإلى جانب LangGraph، تطوّر الشركة LangSmith، وهي منصة لتتبّع تطبيقات LLM واختبارها وتقييمها في بيئة الإنتاج، وكثيرًا ما تُستخدم بيئةً لتصحيح الأخطاء في مثل هذه المنظومات متعددة الوكلاء.

بماذا تختلف الهندسة الوكيلية (agentic engineering) عن الإكمال التلقائي للشيفرة

تعمل مساعدات الذكاء الاصطناعي التقليدية في التطوير، مثل الإكمال التلقائي للشيفرة داخل بيئات التطوير المتكاملة (IDE)، وفق مبدأ «وكيل واحد لمهمة واحدة»: تساعد في إكمال دالة أو شرح مقطع من الشيفرة. أما LangChain فتصف نهجًا مختلفًا، يقوم على توزيع العمل بين عدة وكلاء بأدوار متباينة: أحدهم يخطط لبنية الحل، والثاني يكتب الشيفرة، والثالث يتحقق من مطابقتها للمتطلبات، والرابع يعيد إنتاج الأخطاء ويحدد مواضعها. وتحاكي هذه البنية تنظيم الفرق الهندسية الحقيقية، حيث لا ينجز شخص واحد دورة التطوير كاملة بمفرده.

على ماذا تقوم المنظومة

• تقوم البنية على LangGraph، وهو إطار العمل مفتوح المصدر من LangChain لتنسيق مسارات العمل (workflow) متعددة الوكلاء عبر رسوم بيانية للحالة.
• وفق ما تقوله الشركة، يقلّص توزيع الأدوار بين الوكلاء وقت تصحيح الأخطاء البرمجية حتى 93% مقارنةً بعمل وكيل واحد.
• يستهدف النهج أيضًا ضغط زمن تسليم الشيفرة بين الفرق المختلفة، أي تقليص المدة من صياغة المهمة إلى إقرار تغيير مُراجَع.

لماذا يهمّ ذلك تطوير البرمجيات

يُستخدم LangGraph بالفعل أساسًا لبناء المنظومات متعددة الوكلاء، إلى جانب أطر مثل AutoGen من Microsoft وCrewAI. وتعالج هذه الأطر جميعها المشكلة نفسها: جعل عدة وكلاء LLM يعملون بانسجام نحو هدف مشترك، دون أن يفقدوا السياق أو يكرروا جهود بعضهم بعضًا. ويعكس تنامي الاهتمام بهذه البنى تحوّلًا أوسع في القطاع، من مساعدات الذكاء الاصطناعي المنفردة إلى فرق وكلاء مستقلة تتولى لا كتابة الشيفرة فحسب، بل المراجعة والاختبار والتنسيق فيما بينها. كما تجري مختبرات ذكاء اصطناعي أخرى تجارب مشابهة على توزيع أدوار الوكلاء، لدراسة كيف يمكن لعدة نماذج أن تتعاون في حل مهام معقدة متعددة الخطوات بكفاءة أعلى من وكيل واحد.

والتحدي الهندسي الأبرز في المنظومات متعددة الوكلاء ليس توليد الشيفرة بحد ذاته بقدر ما هو التنسيق: كيف يمرّر الوكلاء السياق بعضهم إلى بعض، ومن يتخذ القرار النهائي عند تضارب الآراء، وكيف نتجنب أن يعيد وكيل ما فحص عمل وكيل آخر إلى ما لا نهاية. ولهذا تركّز LangChain على بنية الرسم البياني للحالة في LangGraph، إذ تحدد صراحةً ترتيب انتقال المهمة بين الوكلاء على امتداد السلسلة والشروط التي يتم بموجبها هذا الانتقال، بدلًا من الاعتماد على تبادل حر للردود بين النماذج.

ماذا يعني ذلك

إذا كانت البنى متعددة الوكلاء قابلة للتوسع فعلًا خارج حالات العرض التوضيحي، فستحصل الفرق الهندسية على أداة تتولى لا البرمجة الروتينية فحسب، بل جزءًا من العمل التنسيقي أيضًا، من توزيع المهام والمراجعة وتصحيح الأخطاء، مع بقاء القرارات النهائية بيد البشر.