IWE و OpenAI: كيفية تحويل ملاحظات Markdown إلى رسم بياني للمعرفة لوكلاء الذكاء الاصطناعي

عرضت منصة IWE كيفية تحويل مجموعة من ملاحظات markdown إلى رسم بياني معرفي متكامل للأشخاص والوكلاء الذين يعملون بالذكاء الاصطناعي. فوقه، بنى المؤلفون نموذج RAG الموكل، وقاموا بتوصيل OpenAI function calling، وعلموا النموذج البحث عن الإجابات ليس من خلال الملفات المسطحة، بل من خلال الاتصالات بين المستندات.

الرسم البياني بدلاً من المجلد

في قلب المثال يوجد IWE، وهو أداة محلية مكتوبة بلغة Rust للعمل مع الملاحظات من خلال CLI و LSP. فكرتها بسيطة: كل صفحة markdown تصبح عقدة في الرسم البياني، وروابط wiki والروابط العادية في markdown تصبح حواف موجهة بين العقد. بسبب هذا، يمكن ليس فقط قراءة الملاحظات، بل أيضاً المرور عليها كهيكل متصل، حيث يكون لكل مستند سياق وجيران وتسلسل هرمي.

يقوم مؤلف البرنامج التعليمي أولاً بجمع قاعدة معرفية صغيرة للمطور: العمارة والمصادقة وقاعدة البيانات والواجهة البرمجية وواجهة المستخدم والنشر والتخزين المؤقت وملاحظات الأداء. ثم يتم بناء كائن KnowledgeGraph من هذه الملفات مع تحليل العناوين والعلامات والروابط. فوقه، يتم تطبيق العمليات الأساسية في IWE لإظهار أن الرسم البياني مناسب ليس فقط للتخزين، بل أيضاً للملاحة والتحليل.

• find — يبحث عن الملاحظات ذات الصلة بناءً على الاستعلام
• retrieve — يسحب المستند مع السياق ذي الصلة
• tree — يعرض التسلسل الهرمي وخريطة الأقسام
• squash — يدمج عدة مستندات مرتبطة في مستند واحد
• export dot — يحضر تصور الرسم البياني من خلال Graphviz

حيث يتصل OpenAI

الطبقة التالية هي تحويلات الذكاء الاصطناعي للمستندات. في المقالة، لهذا الغرض يبنون دالة ai_transform ترسل ملاحظة إلى نموذج OpenAI وتطبق أحد خمس سيناريوهات: إعادة الكتابة أو التلخيص أو التوسيع أو استخراج المهام أو توليد الروابط. أي أن قاعدة المعرفة نفسها تبدأ ليس فقط في تخزين البنية، بل تقوم أيضاً بإعادة كتابة وضغط وتوسيع وربط عقدها تلقائياً.

في العرض التوضيحي، يبدو هذا عملياً وليس أكاديمياً. يقوم النظام بتلخيص موجز لملاحظة عن المصادقة ويقترح روابط wiki جديدة لها ويستخرج قائمة المهام من ملاحظة عن الأداء. النقطة المهمة هي أن الذكاء الاصطناعي يعمل ليس في صندوق حماية منفصل وليس على تصدير إلى قاعدة بيانات متجهة، بل مباشرة فوق نفس الرسم البياني الذي يستخدمه المطور في المحرر.

يقوم الوكيل بمرور الرسم البياني

الجزء الأكثر إثارة للاهتمام هو نموذج RAG الموكل فوق رسم المعرفة البياني. بالنسبة للوكيل، يتم وصف أربع أدوات: iwe_find و iwe_retrieve و iwe_tree و iwe_stats. من خلال استدعاء دوال OpenAI، يقرر النموذج بنفسه متى يبحث عن نقطة دخول ومتى يقرأ مستنداً مرتبطاً ومتى ينظر إلى شجرة الأقسام ومتى يطلب إحصائيات عامة عن قاعدة البيانات. ثم تعمل دورة البحث والاسترجاع والتجميع حتى يجمع الوكيل الإجابة.

في الأمثلة، يجيب الوكيل على أسئلة حول تبعيات نظام المصادقة وخط أنابيب النشر والعمارة العامة للمشروع. بعد ذلك، يذهب المؤلف أبعد من ذلك: يبحث الذكاء الاصطناعي عن الفجوات في الرسم البياني ويولد ملاحظة جديدة حول استراتيجية معالجة الأخطاء ويضيفها إلى قاعدة البيانات ويحدث التصور. الاختبار النهائي هو سؤال متعدد الخطوات حول نمو الحمل من 1000 إلى 5000 RPS، حيث يحتاج النموذج إلى ربط قاعدة البيانات والتخزين المؤقت والرموز والبنية التحتية، بدلاً من إعادة صياغة ملف واحد.

ماذا يعني هذا

توضح هذه الحالة جيداً الاتجاه الذي يسير نحوه نموذج RAG العملي للمطورين. بدلاً من طبقة أخرى فوق البحث المتجه، يقترح IWE استخدام قاعدة المعرفة الشخصية كذاكرة مشتركة للشخص والوكيل: مع روابط صريحة وجولة الرسم البياني والتخزين المحلي والإجراءات الموكلة من قبل الذكاء الاصطناعي. بالنسبة للفرق، هذا إشارة مهمة: تكمن القيمة بشكل متزايد ليس في النموذج ذاته، بل في مدى جودة تنظيمك وإتاحة السياق.