الطلاق المعماري: وكلاء الذكاء الاصطناعي يفصلون المنطق والبحث

هل تتذكر تلك اللحظة التي أجاب فيها وكيلك الذكي الأول بشكل مثالي على استعلام معقد؟ ربما شعرت أنك إله الإنتاجية حتى حاولت نشر هذا الحل في الإنتاج الفعلي. هذا هو بالضبط حيث تتحطم معظم المشاريع الطموحة القائمة على نماذج اللغة على صخور الواقع القاسي. الطبيعة العشوائية لنماذج اللغة الكبيرة هي في نفس الوقت قوتها الأعظم وكابوس للمهندسين. المحفز الذي كان يعمل في الصباح قد ينتج هراء محض في المساء ببساطة لأن توزيع احتمالية الرموز انزاح في الاتجاه الخاطئ. لتحويل هذه النماذج الأولية المزعجة إلى أدوات موثوقة، تنتقل الصناعة إلى نموذج جديد: فصل كامل بين منطق الإدارة وعمليات البحث أو الاستدلال.

لفترة طويلة، حاول المطورون حشر كل شيء في سياق واحد. طلبنا من النموذج أن يكون مخططاً ومنفذاً ونقاداً في نفس الوقت. نجح هذا في مقاطع الفيديو التوضيحية، لكن على نطاق المؤسسات، يولد مثل هذا النهج الفوضى. عندما يتم ترميز منطق الأعمال في التعليمات النصية لشبكة عصبية، تفقد السيطرة على العملية. أي تحديث نموذج من OpenAI أو Anthropic قد يكسر سلسلة الإجراءات بأكملها لأن الإصدار الجديد يفسر "المحفزات الذهبية" الخاصة بك بشكل مختلف. يسمح الفصل بين المنطق والبحث بنقل بنية سير العمل إلى كود حتمي، تاركاً الشبكة العصبية فقط بمهام محددة لمعالجة المعلومات.

تخيل أنك تبني نظاماً مستقلاً لمعالجة مطالبات التأمين. في النموذج القديم، ستكتب محفز نظام ضخم يصف جميع القواعد. في البنية المعمارية الجديدة، يتم وصف منطق اتخاذ القرارات—أي المستندات التي يجب التحقق منها، أي قواعد البيانات التي يجب الوصول إليها—كخوارزمية واضحة أو رسم بياني للحالات. يعمل نموذج اللغة الكبير هنا فقط كواجهة ذكية تستخرج البيانات أو تصيغ الإجابات في مراحل محددة. هذا لا يزيد من الموثوقية فحسب، بل يسمح أيضاً بتوسيع النظام أفقياً. يمكنك استخدام نموذج رخيص وسريع للفحوصات البسيطة واستخدام أدوات ثقيلة مثل GPT-4o فقط حيث تحتاج فعلاً إلى استدلال عميق.

يحل هذا النهج مشكلة حرجة أخرى—التصحيح. عندما يصبح وكيل "مجنوناً" في بنية أحادية، غالباً لا تفهم في أي مرحلة حدث الفشل: هل أساء النموذج فهم التعليمات، أم ارتكب خطأ في المنطق، أم أنه اختلق حقيقة؟ مع فصل الطبقات، يمكنك تحديد بالضبط أين انقطعت السلسلة. إذا كان المنطق صحيحاً، فإن المشكلة تكون في طبقة الاستدلال. هذا يحول التطوير القائم على الذكاء الاصطناعي من طقس سحري لتعديل الكلمات إلى عملية هندسية عادية ذات نتائج يمكن التنبؤ بها ومقاييس جودة واضحة.

علاوة على ذلك، يفتح الفك الاقتران الباب أمام تعددية حقيقية. اليوم تستخدم Claude لتحليل النصوص، وغداً يصدر Llama جديد يفعل ذلك بخمسة أضعاف أرخص. إذا كان منطقك منفصلاً عن آليات الاستدلال، فإن الهجرة إلى نموذج جديد تستغرق ساعات، وليس أسابيع من إعادة كتابة التعليمات المؤلمة. أنت ببساطة تغير "المحرك" في السيارة دون إعادة تصميم الهيكل أو تغيير المسار. هذه هي قابلية التوسع التي كان القطاع الحكومي يتوق إليها بشدة لدمج وكلاء الذكاء الاصطناعي بالكامل في دورات العمل.

في نهاية المطاف، نشهد نضج الصناعة. نحن ننتقل بعيداً عن مفهوم "روبوت دردشة ذكي" يحاول تخمين ما يجب فعله بعد ذلك نحو الأنظمة المنسقة. في هذه الأنظمة، يعرف كل مكون مكانه، ويتم تقليل مخاطر الخطأ من خلال بنية تحكم صارمة. قد يبدو أقل "سحراً" من الوعود بذكاء خارق متطور بالكامل، لكن هذه هي حلول الهندسة الممل التي تحول في النهاية كيفية عمل الشركات وبناء المنتجات.

النقطة الأساسية: مستقبل وكلاء الذكاء الاصطناعي لا يكمن في محفزات أطول، بل في فصل صارم بين الكود الذي يدير المنطق ونماذج الشبكات العصبية المسؤولة عن الاستدلال. فقط بهذه الطريقة يمكنك تحقيق الموثوقية التي لا تخجل من عرضها على العملاء.