BatchDAG: LLM-планировщик строит граф операций и режет вызовы модели в 47 раз

في يوليو 2026، نشر باحثون على arXiv نظامًا يُدعى BatchDAG، حيث يقوم نموذج لغوي ببناء رسم بياني لتنفيذ استعلام على بيانات الشركات، بينما ينفذه محرك منفصل؛ يُقلّص هذا النهج عدد استدعاءات النموذج حتى 47 مرة، وفي الإنتاج لدى Brevian.ai يعالج استعلامات على أكثر من 50000 اجتماع في أقل من 60 ثانية.

كيف يعمل BatchDAG

يعمل BatchDAG على خطوتين: أولاً، يُولّد نموذج لغوي كبير (LLM) رسمًا بيانيًا موجّهًا ولا دوريًا (DAG) مُصنّفًا بالأنواع للعمليات، ثم ينفذه محرك حتمي بالتوازي عبر موجات طوبولوجية. عُقد الرسم البياني هي استعلامات SQL، والبحث الدلالي، وتحويلات في الذاكرة (in-memory)، وتفرعات متوازية (fan-out)، وتحليلات فردية، وتُنقل البيانات بينها في صورة JSON مُهيكل.

يُنتج مخطِّط BatchDAG رسمًا بيانيًا صحيحًا في 98,8% من الحالات — وهذا ما تم قياسه على 300 استدعاء تخطيط، وفقًا لبيانات الورقة البحثية المنشورة على arXiv.

• خفض عدد استدعاءات LLM — حتى 47 مرة بفضل entity-aware batching
• رسم بياني DAG صحيح — في 98,8% من 300 استدعاء للمخطِّط
• الحجم — معالجة أكثر من 50000 اجتماع في أقل من 60 ثانية
• تكلفة الاستعلام — $0,02–$0,24 وفق الأسعار المنشورة لـ GPT-5.1
• جودة الإجابات — 3,74/5 مقابل 3,25/5 لخط الأنابيب المُعدّ من قِبل خبراء

لماذا تقل الهلوسات

تُقلّل النتائج الوسيطة بصيغة JSON مُهيكلة الهلوسات بنسبة 27% مقارنةً بالملخصات النصية — وهذا ما أظهرته تجربة الاستئصال (ablation) الخاضعة للتحكم التي أجراها المؤلفون (اختبار t المزدوج، p=0.107، n=12). البيانات الوسيطة ذات المخطط الصريح لا تسمح للنموذج بـ"اختلاق" حقائق بين الخطوات.

التحسين الرئيسي هو entity-aware batching: قبل التفرع المتوازي، يقوم النظام بتجميع الصفوف حسب الكيان المنطقي، وهذا ما يمنح خفض استدعاءات LLM حتى 47 مرة. كما يُحسّن هذا من قابلية التحقق: بلغت نسبة الإجابات المدعومة باقتباس من النص المُفرّغ 77% لدى BatchDAG، مقابل 46–60% لدى الأساليب المرجعية.

كيف كان أداؤه في الاختبارات

في تجارب خاضعة للتحكم على 12 استعلامًا مستندًا إلى نصوص اجتماعات مُفرّغة، حصل BatchDAG على 3,74/5، متفوقًا على خط الأنابيب المُعدّ من قِبل خبراء (3,25/5) وعلى عامل ReAct (3,09/5، p<0.01). ويشدد المؤلفون على أن هدف النظام ليس الدقة في حد ذاتها، بل الشمولية.

"لا يتعلق

BatchDAG كثيرًا بتحقيق مكاسب في الدقة مقارنةً بخطوط الأنابيب المُحسَّنة يدويًا، بقدر ما يتعلق بكونه طبقة تنسيق شاملة تستبدل مجموعة كبيرة من النصوص البرمجية المكتوبة يدويًا بنظام واحد"، جاء في الورقة البحثية المنشورة على arXiv.

في الإنتاج لدى Brevian.ai، يعمل النظام فوق GPT-5.1 ويحافظ على تكلفة الاستعلام الواحد ضمن نطاق $0,02–$0,24.

ماذا يعني هذا

يُظهر BatchDAG مسارًا عمليًا لتحليل كميات كبيرة من بيانات الشركات: بدلاً من عشرات خطوط الأنابيب المكتوبة يدويًا، نظام واحد يترجم بنفسه استعلامًا باللغة الطبيعية إلى خطة تنفيذ. وبالنسبة للفرق، يعني هذا إجابات أسرع وقابلة للتحقق على نطاق يضم أكثر من 50000 مستند، بزمن استجابة أقل من دقيقة واحدة — دون الحاجة إلى ضبط يدوي لكل نوع من الأسئلة.

الأسئلة الشائعة

ما هو BatchDAG؟

BatchDAG هو طبقة تنسيق يقوم فيها LLM ببناء رسم بياني مُصنّف بالأنواع للعمليات (SQL، البحث الدلالي، التحويلات)، بينما ينفذه محرك حتمي بالتوازي. تم تقديم النظام في ورقة بحثية على arXiv في يوليو 2026.

كم تبلغ تكلفة الاستعلام الواحد؟

وفقًا للمؤلفين، تتراوح تكلفة الاستعلام الواحد بين $0,02 و$0,24 وفق الأسعار المنشورة لـ GPT-5.1 — عند معالجة مجموعة بيانات تضم أكثر من 50000 اجتماع في أقل من 60 ثانية.

بم يختلف BatchDAG عن عامل ReAct؟

يقوم BatchDAG ببناء رسم التنفيذ الكامل مسبقًا وتشغيل الفروع المستقلة بالتوازي، في حين يعمل عامل ReAct خطوة بخطوة. وفي الاختبارات، أعطى هذا نتيجة 3,74/5 مقابل 3,09/5 لـ ReAct، ويزيل التأخير الخطي الناتج عن الاستدعاءات المتسلسلة للأدوات.