LangChain: أسراب وكلاء الذكاء الاصطناعي باستخدام LangGraph تقلل وقت تصحيح البرنامج بنسبة 93%

نشرت LangChain تحليلاً على مدونتها لعمارة agentic engineering—أنظمة عدة وكلاء ذكاء اصطناعي متخصصين موزعين حسب الأدوار، مثل فريق هندسة حقيقي، بدلاً من تسريع كتابة الأكواد بعزلة. وفقاً للشركة، فإن النهج المبني على إطار عملها LangGraph يقلل وقت التصحيح بنسبة 93% ويسرع تسليم الكود بين الفريق المختلفة.

LangChain هو أحد أكثر أطر عمل مفتوحة المصدر استخداماً على نطاق واسع لبناء تطبيقات على نماذج لغة كبيرة. بالإضافة إلى LangGraph، تطور الشركة LangSmith—منصة للتتبع والاختبار وتقييم تطبيقات LLM في الإنتاج، والتي غالباً ما تُستخدم كبيئة لتصحيح مثل هذه الأنظمة متعددة الوكلاء.

كيف يختلف agentic engineering عن إكمال الأكواد التلقائي

مساعدو الذكاء الاصطناعي العاديون للتطوير، مثل إكمال الأكواد في بيئات التطوير المتكاملة، يعملون وفقاً لمبدأ "وكيل واحد—مهمة واحدة": يساعدون في إكمال دالة أو شرح مقطع كود. تصف LangChain منهجاً مختلفاً—توزيع العمل بين عدة وكلاء بأدوار مختلفة: أحدهما يخطط لعمارة الحل والثاني يكتب الأكواد والثالث يتحقق منها وفقاً للمتطلبات والرابع يعيد إنتاج وتحديد الأخطاء. تعكس هذه البنية كيفية تنظيم فريق الهندسة الحقيقي، حيث لا يمر أي شخص واحد بدورة التطوير الكاملة وحده.

ما يُبنى عليه النظام

• تُبنى العمارة على LangGraph—إطار عمل LangChain مفتوح المصدر لتنسيق سير العمل متعدد الوكلاء من خلال رسوم بيانية الدولة.
• وفقاً لمطالبة الشركة، فإن توزيع الأدوار بين الوكلاء يقلل وقت تصحيح الأكواد بنسبة 93% مقارنة بعمل وكيل واحد.
• يهدف المنهج أيضاً إلى ضغط تسليم الأكواد بين الفريق المختلفة—أي تقليل الوقت من تعيين المهمة إلى التغيير المتحقق منه.

لماذا هذا مهم لتطوير البرمجيات

يتم استخدام LangGraph بالفعل كأساس لأنظمة متعددة الوكلاء جنباً إلى جنب مع أطر عمل مثل AutoGen من مايكروسوفت و CrewAI: كلها تحل مهمة واحدة—جعل عدة وكلاء LLM يعملون بتناسق نحو هدف مشترك دون فقدان السياق ودون تكرار جهود بعضهم البعض. يعكس الاهتمام المتزايد بمثل هذه العمائر تحولاً أوسع في الصناعة—من مساعدي الذكاء الاصطناعي الفردي إلى فريق مستقل من الوكلاء الذين يتولون ليس فقط كتابة الأكواد بل أيضاً المراجعة والاختبار والتنسيق مع بعضهم. تجارب مماثلة مع أدوار موزعة للوكلاء يتم إجراؤها من قبل مختبرات ذكاء اصطناعي أخرى تستكشف كيف يمكن لنماذج متعددة حل المهام المعقدة متعددة الخطوات بكفاءة أكبر من وكيل واحد.

التعقيد الهندسي الرئيسي لأنظمة متعددة الوكلاء ليس توليد الأكواد نفسها بقدر ما هي التنسيق: كيف يمرر الوكلاء السياق لبعضهم البعض، من يتخذ القرار النهائي في حالة تضارب الآراء، وكيفية تجنب موقف حيث يعيد وكيل واحد بلا نهاية فحص عمل وكيل آخر. هذا هو السبب في أن LangChain تؤكد على عمارة الرسم البياني للدولة في LangGraph—فهي تصف بشكل صريح الترتيب والشروط التي بموجبها يمرر الوكلاء مهمة إلى الأمام في السلسلة، بدلاً من الاعتماد على التبادل الحر للملاحظات بين النماذج.

ما يعنيه هذا

إذا تم توسيع نطاق العمائر متعددة الوكلاء بشكل حقيقي خارج حالات العرض التوضيحي، ستحصل فريق الهندسة على أداة تتولى ليس فقط كتابة الأكواد الروتينية، بل جزء من عمل التنسيق—توزيع المهام والمراجعة والتصحيح—تاركة القرارات النهائية للأشخاص.