BatchDAG: مخطِّط قائم على LLM يبني رسمًا بيانيًا للعمليات ويخفض عدد استدعاءات النموذج 47 مرة

في يوليو 2026 نشر باحثون على arXiv نظام BatchDAG، وفيه يبني النموذج اللغوي رسمًا لتنفيذ الاستعلام على بيانات الشركات، ثم ينفّذه محرك منفصل. ويخفض هذا النهج عدد استدعاءات النموذج حتى 47 مرة، ويعالج في بيئة الإنتاج لدى Brevian.ai الاستعلامات على أكثر من 50 000 اجتماع في أقل من 60 ثانية.

كيف يعمل BatchDAG

يعمل BatchDAG على خطوتين: أولًا يولّد نموذج لغوي كبير (LLM) رسمًا بيانيًا موجّهًا لا دوريًّا (DAG) مُنمَّطًا للعمليات، ثم ينفّذه محرك حتمي بتوازٍ على مستوى «الموجات» الطوبولوجية. وتمثّل عقدَ الرسم استعلاماتُ SQL، والبحث الدلالي، والتحويلات داخل الذاكرة (in-memory)، والتفرعات المتوازية (fan-out)، والتحليلات الفردية، وتُنقل البيانات بينها بصيغة JSON منظَّمة.

يُخرج مخطِّط BatchDAG رسمًا صحيحًا في 98,8% من الحالات، وقد قيس ذلك على 300 استدعاء تخطيط، بحسب ما ورد في الورقة المنشورة على arXiv.

• خفض عدد استدعاءات LLM حتى 47 مرة بفضل التجميع الواعي بالكيانات (entity-aware batching)
• رسم DAG صحيح في 98,8% من 300 استدعاء للمخطِّط
• النطاق: معالجة أكثر من 50 000 اجتماع في أقل من 60 ثانية
• كلفة الاستعلام: 0,02–0,24 دولار وفق الأسعار المعلنة لـ GPT-5.1
• جودة الإجابات: 3,74/5 مقابل 3,25/5 لدى خط المعالجة الذي صمّمه الخبراء

لماذا تقل الهلوسات

تخفّض النتائج الوسيطة بصيغة JSON المنظَّمة الهلوساتِ بنسبة 27% مقارنة بالملخصات النصية، وهذا ما أظهرته تجربة استئصال (ablation) محكومة أجراها المؤلفون (اختبار t المزدوج، p=0.107، n=12). فالبيانات الوسيطة ذات المخطط الصريح لا تدع النموذج «يستكمل» الوقائع من عنده بين الخطوات.

أما التحسين الرئيسي فهو التجميع الواعي بالكيانات (entity-aware batching): قبل التفرع المتوازي يجمّع النظام الصفوف حسب الكيان المنطقي، وهذا ما يخفض استدعاءات LLM حتى 47 مرة. ويرفع ذلك أيضًا قابلية التحقق: فقد بلغت نسبة الإجابات المدعومة باقتباس من النص المفرَّغ لدى BatchDAG نحو 77% مقابل 46–60% لدى المناهج المرجعية.

أداؤه في الاختبارات

في تجارب محكومة على 12 استعلامًا حول نصوص الاجتماعات المفرَّغة، حصل BatchDAG على 3,74/5، متفوقًا على خط المعالجة الخبير (3,25/5) ووكيل ReAct (3,09/5، p<0.01). ويؤكد المؤلفون أن هدف النظام ليس الدقة في ذاتها، بل الشمولية.

«BatchDAG ليس مكسبًا في الدقة على خطوط المعالجة المحسَّنة يدويًا بقدر

ما هو طبقة تنسيق شاملة تستبدل مجموعة كبيرة من السيناريوهات المكتوبة يدويًا بنظام واحد»، كما جاء في الورقة المنشورة على arXiv.

وفي بيئة الإنتاج لدى Brevian.ai يعمل النظام فوق GPT-5.1 ويبقي كلفة الاستعلام الواحد ضمن نطاق 0,02–0,24 دولار.

ماذا يعني ذلك

يقدّم BatchDAG مسارًا عمليًا لتحليلات البيانات المؤسسية الضخمة: فبدلًا من عشرات خطوط المعالجة المكتوبة يدويًا، يتوفر نظام واحد يحوّل بنفسه الاستعلام بلغة طبيعية إلى خطة تنفيذ. وبالنسبة إلى الفرق، يعني ذلك إجابات أسرع وأسهل تحققًا على نطاق يتجاوز 50 000 مستند مع زمن استجابة أقل من دقيقة، ودون ضبط يدوي لكل نوع من الأسئلة.

أسئلة شائعة

ما هو BatchDAG؟

BatchDAG طبقة تنسيق يبني فيها LLM رسمًا بيانيًا مُنمَّطًا للعمليات (SQL، والبحث الدلالي، والتحويلات)، بينما ينفّذه محرك حتمي بالتوازي. وقد قُدّم النظام في ورقة على arXiv في يوليو 2026.

كم تبلغ كلفة الاستعلام الواحد؟

بحسب المؤلفين، تتراوح كلفة الاستعلام الواحد بين 0,02 و0,24 دولار وفق الأسعار المعلنة لـ GPT-5.1، وذلك عند معالجة مجموعة من أكثر من 50 000 اجتماع في أقل من 60 ثانية.

بماذا يختلف BatchDAG عن وكيل ReAct؟

يبني BatchDAG مسبقًا رسم التنفيذ الكامل ويشغّل الفروع المستقلة بالتوازي، بينما يعمل وكيل ReAct خطوة بخطوة. وقد أعطى ذلك في الاختبارات 3,74/5 مقابل 3,09/5 لوكيل ReAct، كما يزيل التأخير الخطي الناتج عن الاستدعاءات المتسلسلة للأدوات.