Hugging Face وLambda: كيف نحلل مسارات الاستدلال لدى الوكلاء الأذكياء ونضبط النماذج عليها

أصدر موقع MarkTechPost تحليلاً عملياً لمجموعة البيانات lambda/hermes-agent-reasoning-traces، يساعد على دراسة كيفية تفكير وكلاء الذكاء الاصطناعي واستدعائهم للأدوات وردودهم في الحوارات متعددة الخطوات. وهذا ليس إصداراً لنموذج جديد، بل خط معالجة عملي جاهز، يبدأ من تحليل المسارات الخام وصولاً إلى التحليلات والرسوم البيانية وإعداد البيانات للضبط الدقيق.

ما الذي تحتويه مجموعة البيانات

يتمحور الدليل حول مجموعة بيانات من Lambda على Hugging Face بإعدادين: kimi وglm-5.1. يضم الأول 7646 مثالاً، والثاني 7055. يحتوي كل مثال على قائمة رسائل، ووصف للأدوات المتاحة، وفئة المهمة وفئتها الفرعية، وطلب المستخدم الأصلي. والصيغة قريبة من ShareGPT: يضم الحوار رسائل النظام والمستخدم والوكيل والأدوات، ولذلك يمكن من سجل واحد إعادة بناء معظم مجرى عمل الوكيل.

«كل مثال هو حوار وكيلي حقيقي مع استدلال خطوة بخطوة ونتائج فعلية

لاستدعاءات الأدوات».

تكمن القيمة الأساسية للمجموعة في أنها لا تحتوي على الإجابة النهائية فحسب، بل على الخطوات الوسيطة أيضاً. ففي إعداد kimi يبلغ متوسط طول المثال 24,3 دور حوار و13,9 استدعاء للأدوات، وفي glm-5.1 يبلغ 19,1 دور حوار و9,7 استدعاء. وتضم المجموعة تسع فئات، منها Terminal & Coding وAgent Tools وRepository Tasks وBrowser Automation وFile Operations. أي أنها لا تقتصر على أوامر تجريبية بسيطة، بل تشمل سيناريوهات حقيقية يكتب فيها الوكيل الشيفرة، ويتصفح الويب، ويتعامل مع الملفات، ويستدعي دوال خارجية.

كيف يجري التحليل

يبدأ المؤلفون بفحص أساسي لقسم train عبر مكتبة datasets، فيستعرضون الحقول والفئات ومثالاً منفرداً. بعد ذلك يبنون محللات (parsers) بالتعبيرات النمطية لاستخراج كتل التفكير واستدعاءات الدوال وردود الأدوات كلاً على حدة. وهذه الخطوة ضرورية لتفكيك مسار الوكيل الواحد إلى أجزاء واضحة، بحيث يمكن تحليل مجرى التفكير الداخلي والإجراءات والرد النهائي بشكل منفصل.

• تُستخرج من رسائل الوكيل الأفكار واستدعاءات الأدوات والنص النهائي
• تُوسَم أخطاء تحليل JSON على حدة حتى لا تعطّل خط المعالجة
• تُحسب على العيّنة أطوال الحوارات وعدد الاستدعاءات وتواتر الأخطاء
• تُرسم مخططات للأدوات الأكثر استخداماً والاستدعاءات المتوازية وتوزيع الفئات

يحسب الدليل المتوسطات على عيّنة من 3000 مسار ويعرضها بيانياً عبر matplotlib. كما يوضح كيفية طباعة مسار كامل واحد بصيغة مقروءة: أين طلب المستخدم، وأين استدلّ الوكيل، وأي أداة استدعى، وماذا أعادت. وهذا مفيد بشكل خاص للفرق التي تتولى تقييم الوكلاء، إذ يمكنها بدلاً من درجة نهائية واحدة أن ترى أنماط السلوك الفعلية، والاستدعاءات الزائدة، والأفكار الفارغة، والأخطاء المتكررة في ردود الأدوات.

الإعداد للتدريب

في النصف الثاني ينتقل الدليل من التحليل إلى ممارسة تعلّم الآلة. تُحوَّل الحوارات إلى صيغة رسائل متوافقة مع نماذج الدردشة وخطوط التدريب المعتادة، وتُعاد صياغة ردود الأدوات لتكون سياقاً مدخلاً للخطوة التالية. ثم تأتي التجزئة إلى رموز وحجب التسميات (label masking): إذ لا تدخل في دالة الخسارة (loss) سوى رموز رسائل المساعد (assistant)، ويُحجب كل ما عداها. وهذا أساس مهم للضبط الدقيق الخاضع للإشراف، إذا كان الهدف تعليم النموذج الإجابة والتصرف استناداً إلى مسار جرى بالفعل.

ويضيف المؤلفون أيضاً أداة بسيطة لإعادة تشغيل المسارات (trace replayer) تتيح عرض سلوك الوكيل خطوة بخطوة، إلى جانب حلقة تدريب توضيحية عبر TRL. يستخدم المثال tokenizer من Qwen2.5 ومجموعة تدريب فرعية صغيرة، ولذلك فهو أقرب إلى قالب منه إلى وصفة جاهزة للإنتاج (production). لكن هذه بالتحديد ميزة المادة: يمكن تشغيلها بسرعة، وتبديل الإعداد، وإضافة مقاييس خاصة، والحصول على مختبر أساسي لتحليل مسارات الوكلاء (agent traces) دون تحضير طويل ودون بنية تحتية زائدة.

ماذا يعني ذلك

يتجه السوق تدريجياً من تقييم الإجابة النهائية فقط إلى تحليل السلوك الكامل لوكيل الذكاء الاصطناعي. وتمنح مجموعات البيانات والأدلة من هذا النوع الفرق وسيلة عملية للنظر لا إلى ما أجاب به النموذج فحسب، بل إلى كيفية تفكيره وأخطائه واستدعائه للأدوات، وإلى ما ينبغي مواصلة تدريبه عليه.