أطلقت Machine Learning Mastery دليلاً عن هندسة السياق للوكلاء الذكيين الموثوقين

أطلقت Machine Learning Mastery دليلاً عملياً حول هندسة السياق للوكلاء الذكيين — وهي تخصص يحدد أي البيانات التي يراها النموذج في كل لحظة من لحظات التشغيل. الأطروحة الرئيسية للمقالة: المشاكل الإنتاجية في الأنظمة الوكيلة غالباً ما تكون مرتبطة ليس بجودة النموذج، بل بكيفية إدارة المطورين للسياق والسجل والرموز.

لماذا تتعطل الوكلاء

يقترح المؤلف النظر إلى نافذة السياق باعتبارها موردًا حاسوبياً محدودًا، وليس كتفصيل تقني يمكن تجاهله. للرموز ليس فقط تكلفة نقدية، لأن كل استدعاء نموذج يتم دفع ثمنه، بل أيضًا تكلفة معرفية: يقلل الإدخال الطويل والمنظم بشكل سيء من جودة التفكير. يولي النموذج اهتماماً أكثر ببداية ونهاية السياق، بينما غالباً ما يفقد الوسط تأثيره، حتى لو كان كل شيء بشكل رسمي يناسب الحد.

نافذة السياق ليست قيداً يمكن تجنبه، بل معامل التصميم الرئيسي لنظام الوكيل.

من هنا جاء السيناريو النموذجي للفشل: يقوم الوكيل ببساطة بـ "لصق" كل شيء — الإجابات القديمة، مخرجات الأدوات الخام، الشظايا المكررة من الاسترجاع، والحلول القديمة. نتيجة لذلك، تزداد الكمون والتكلفة، بينما الإشارة المفيدة تغرق في الضوضاء. تقارن المقالة هذا بـ RAM: الذاكرة السريعة قوية، لكنها محدودة. كل شيء لا يحتاجه الوكيل الآن يجب أن يُخزن في ذاكرة خارجية ويدخل السياق فقط عند الطلب.

كيفية تجميع السياق

أكثر الأفكار المعمارية فائدة من الدليل هي الفصل الصارم بين السياق الثابت والديناميكي. يتضمن الجزء الثابت تعليمات النظام ودور الوكيل والقواعد ووصف الأدوات وتنسيق الإجابة. هذه البيانات تتغير بالكاد، لذا يمكن تخزينها مؤقتاً كبادئة. الجزء الديناميكي هو استعلام المستخدم الحالي ونتائج الأدوات الطازجة والخطوات الأخيرة للوكيل والمستندات التي يحتاجها بالفعل في هذه المرحلة.

قبل تجميع المطالبة، يقترح المؤلف إجراء تدقيق لجميع الطبقات التي عادة ما تملأ نافذة السياق:

• تعليمات النظام وأمثلة few-shot؛
• سجل الحوار وإجابات الوكيل ونتائج استدعاءات الأدوات؛
• البيانات الخارجية من قواعس المعرفة والملفات أو البحث؛
• حالة العمل: الاستنتاجات الوسيطة والخطة والخطوات التالية.

الخلاصة العملية بسيطة: لا تحتاج إلى تقليل كل طبقة بأي ثمن؛ تحتاج فقط إلى إزالة ما لا يساعد الخطوة الحالية. يبدو مخطط المسارين مفيداً. أولاً، يرفع النظام الإطار الدائم: مطالبة النظام والقواعد القابلة للتخزين المؤقت والملخص طويل الأمد. ثم يحمل الجزء المتغير: حالة المهمة ذات الصلة والاسترجاع الطازج وذيل السجل القصير والمرتبط. يبسط هذا التجميع أيضاً تصحيح الأخطاء، لأنك يمكنك أن ترى على الفور ما إذا كانت المشكلة في الإعدادات أو في بيانات الجلسة الحالية.

كيفية التحكم بالجودة

يتم تخصيص قسم منفصل من المقالة لمنطقتين يتدهور فيهما الوكلاء بسرعة أكبر: سجل الحوار والاسترجاع. يؤدي التراكم البسيط لكل المحادثة إلى نفخ السياق بسرعة وتأسيس أخطاء النموذج كأنها حقائق. يوصي المؤلف بالابتعاد عن السجل الخام نحو ملخص متدحرج أو حتى حالة جلسة منظمة، حيث يتم تسجيل نية المستخدم والقرارات المتخذة والإجراءات المكتملة والخطوات التالية بشكل منفصل. يعطي هذا الوكيل ذاكرة بدون نمو رموز لا نهائي.

المنطق مع الاسترجاع متشابه: يستهلك كل دفعة بيانات موجودة الميزانية، لذا لا يمكن اعتبارها مجانية. توصي المقالة بتصفية النتائج قبل إدراجها في المطالبة وباستخدام التقطيع الدلالي بدلاً من القطع بحجم ثابت وحيث لزم الأمر دمج البحث الدلالي مع مرشحات الكلمات الرئيسية أو البيانات الوصفية. بالنسبة للأنظمة الناضجة، يعتبر الاسترجاع المتحكم به من قبل الوكيل خياراً أقوى — يستدعي الوكيل البحث بنفسه فقط في اللحظة التي يكون فيها مطلوباً حقاً، وليس تلقائياً في كل حركة.

للإنتاج، يقترح المؤلف قياس ليس فقط الإجابة النهائية بل أيضاً جودة السياق نفسه. من بين المقاييس المفيدة استخدام ميزانية الرموز ومعدل الضغط بعد الملخص ودقة الاسترجاع وعلامات انجراف السياق، عندما يبدأ الوكيل بإعادة قراءة الملفات المعالجة بالفعل أو ينحرف عن المهمة الأصلية.

تقنية عملية أخرى هي التقييم القائم على المسبار: بعد الضغط أو الاسترجاع، يُسأل النظام أسئلة تحكم للتحقق من بقاء الحقائق والقطع الضرورية والقدرة على متابعة مهمة متعددة الخطوات من نفس النقطة.

ماذا يعني هذا

يقوم دليل Machine Learning Mastery بعمل جيد في التقاط التحول في تطوير الوكلاء: تعتمد جودة وكيل ذكي الآن ليس فقط على اختيار النموذج، بل أيضاً على كيفية تنظيم الذاكرة والاسترجاع وميزانية الرموز بانضباط. بالنسبة للفرق التي تنشر الوكلاء في الإنتاج، هذا إشارة مباشرة لتصميم السياق كطبقة منفصلة من الهندسة المعمارية، وليس كذيل المطالبة.