طلاق معماري: لماذا حان الوقت لفصل المنطق عن الاستدلال في وكلاء الذكاء الاصطناعي

هل تذكرون اللحظة التي أجاب فيها أول وكيل ذكاء اصطناعي لديكم عن طلب معقد بشكل مثالي؟ ربما شعرتم حينها أنكم بلغتم قمة الإنتاجية، إلى أن حاولتم إطلاق هذا الحل في بيئة إنتاج حقيقية. هنا تحديدًا تصطدم معظم المشاريع الطموحة القائمة على النماذج اللغوية بواقع قاسٍ. فالطبيعة العشوائية (stochastic) لنماذج LLM هي في آن واحد أكبر مصادر قوتها ولعنة على المهندس. فالموجّه الذي نجح صباحًا قد ينتج هراءً تامًا مساءً، لمجرد أن احتمالات توزيع الرموز (tokens) مالت في الاتجاه الخاطئ. ولتحويل هذه النماذج الأولية المتقلبة إلى أدوات موثوقة، تنتقل الصناعة إلى نموذج جديد: الفصل التام بين منطق الإدارة وعمليات الاستدلال أو توليد المخرجات.

لوقت طويل حاول المطورون حشر كل شيء في سياق واحد. كنا نطلب من النموذج أن يكون المخطِّط والمنفِّذ والناقد في الوقت نفسه. نجح ذلك في مقاطع العرض التوضيحية، لكنه على مستوى المؤسسات يولّد فوضى. فعندما تُدمج منطق الأعمال بشكل صارم في تعليمات نصية موجهة إلى الشبكة العصبية، تفقدون السيطرة على العملية. وأي تحديث للنموذج من OpenAI أو Anthropic قد يكسر سلسلة الإجراءات بأكملها، لأن الإصدار الجديد يفسّر «موجّهاتكم الذهبية» بطريقة مختلفة. أما فصل المنطق عن الاستدلال فيتيح نقل بنية سير العمل إلى شيفرة حتمية، ولا يترك للشبكة العصبية سوى مهام محددة لمعالجة المعلومات.

تخيلوا أنكم تبنون نظامًا مستقلًا لمعالجة مطالبات التأمين. في النموذج القديم، كنتم ستكتبون موجّه نظام (system prompt) ضخمًا يصف كل القواعد. أما في البنية الجديدة، فيوصَف منطق اتخاذ القرار — أي المستندات التي يجب فحصها وقواعد البيانات التي ينبغي الرجوع إليها — بخوارزمية واضحة أو بمخطط حالات (state graph). ويقتصر دور LLM هنا على كونه واجهة ذكية تستخرج البيانات أو تصوغ الإجابات في مراحل محددة. هذا لا يرفع الموثوقية فحسب، بل يتيح أيضًا توسيع النظام أفقيًا. فيمكنكم استخدام نموذج رخيص وسريع للفحوص البسيطة، ولا تستدعون «المدفعية الثقيلة» مثل GPT-4o إلا حيث تلزم فعلًا قدرة على الاستدلال العميق.

ويحل هذا النهج مشكلة حرجة أخرى هي تصحيح الأخطاء. فعندما «يفقد الوكيل صوابه» في بنية متجانسة (monolithic)، لا يكون واضحًا دائمًا في أي مرحلة وقع الخلل: هل أساء النموذج فهم التعليمات، أم أخطأ في المنطق، أم اخترع معلومة ببساطة. أما مع فصل الطبقات فترون بدقة أين انكسرت السلسلة. فإذا كان المنطق سليمًا، فالمشكلة في طبقة الاستدلال. وهذا يحوّل التطوير القائم على الذكاء الاصطناعي من طقس سحري قوامه انتقاء الكلمات إلى عملية هندسية عادية ذات نتائج متوقعة ومقاييس جودة واضحة.

علاوة على ذلك، يفتح الفصل (decoupling) الطريق أمام تعدد النماذج الحقيقي. فاليوم تستخدمون Claude لتحليل النصوص، وغدًا يصدر إصدار جديد من Llama يؤدي المهمة نفسها بتكلفة أقل بخمس مرات. وإذا كان منطقكم منفصلًا عن آليات الاستدلال، فإن الانتقال إلى النموذج الجديد يستغرق ساعات، لا أسابيع من إعادة كتابة التعليمات المضنية. فأنتم ببساطة تستبدلون «المحرك» في السيارة، دون أن تفككوا الهيكل أو تغيروا مسار الرحلة. هذه هي القابلية للتوسع التي افتقر إليها القطاع المؤسسي طويلًا من أجل دمج وكلاء الذكاء الاصطناعي بالكامل في دورات العمل.

وفي المحصلة، نشهد نضج الصناعة. فنحن نبتعد عن مفهوم «روبوت الدردشة الذكي» الذي يحاول تخمين ما يفعله بعد ذلك، ونتجه إلى مفهوم الأنظمة المُنسَّقة (orchestrated). في هذه الأنظمة يعرف كل مكوّن مكانه، ويُقلَّص خطر الخطأ بفضل بنية إدارة صارمة. قد يبدو هذا أقل «سحرًا» من الوعود بذكاء خارق مستقل تمامًا، لكن مثل هذه الحلول الهندسية المملة هي ما يغيّر في النهاية طريقة عمل الشركات وطريقة صناعة المنتجات.

الخلاصة: مستقبل وكلاء الذكاء الاصطناعي لا يكمن في موجّهات أطول، بل في فصل صارم بين الشيفرة التي تدير المنطق والنماذج العصبية المسؤولة عن الاستدلال. بهذه الطريقة وحدها يمكن بلوغ مستوى من الموثوقية لا يُخجل عرضه على العملاء.