هناك نمط شائع في قطاع الذكاء الاصطناعي الآن: امنح نموذجًا لغويًا الوصول إلى الأدوات ودعه يقرر ما يستدعيه. يعمل رائعًا في العروض. وينهار في الإنتاج.
في Atlas Verified، يصل وكيلنا إلى أكثر من 100 أداة متخصصة — قواعد بيانات امتثال حكومية، وواجهات API لتتبّع السفن، وخدمات فحص عقوبات، ومزوّدي بيانات تجارية، وأنظمة تتبّع حاويات، وغيرها. توجد كل أداة لأن متخصص امتثال يحتاج نقطة البيانات المحددة لاتخاذ قرار تحقق. ليس التحدي الهندسي بناء الأدوات. بل ضمان استدعاء الأدوات الصحيحة، بالترتيب الصحيح، والمدخلات الصحيحة، في كل مرة.
يحلل هذا المنشور مشكلات تنسيق الأدوات على نطاق واسع في الواقع، والأنماط الهندسية التي طورناها لحلها.
مشكلة تضخم عدد الأدوات
عندما يملك وكيلك 5 أدوات، يكون الاختيار بسيطًا. يقرأ النموذج أوصافها، ويختار الصحيحة، ويستدعيها. لكن شيئًا يتعطل مع تجاوز 20 و50 و100 أداة.
أولًا، هناك مشكلة نافذة السياق. تحتاج كل أداة إلى وصف ومخطط معلمات وإرشادات استخدام في تعليمات النظام. عند 100+ أداة، تُستهلك عشرات آلاف الوحدات النصية قبل دخول سؤال المستخدم إلى السياق أصلًا. يقضي النموذج وقتًا في قراءة وثائق الأدوات أكثر من التفكير في المشكلة.
ثانيًا، هناك مشكلة دقة الاختيار. تجيد النماذج اللغوية الاختيار بين عدد قليل من خيارات واضحة الاختلاف. لكنها لا تجيد الاختيار بين عشرات الأدوات المتشابهة الأسماء. عندما تكون لديك أدوات متعددة بأسماء متداخلة لفحوص العقوبات، يختار النموذج غالبًا الأداة الخطأ — أو يستدعي عدة أدوات تعيد بيانات متداخلة.
ثالثًا، هناك مشكلة التكلفة وزمن الاستجابة. يستهلك كل وصف أداة في التعليمات وحدات نصية. ويكلف كل استدعاء غير ضروري طلبات API لخدمات خارجية، يُدفع كثير منها لكل طلب. الوكيل الذي يستدعي 8 أدوات حيث تكفي 3 يكون مكلفًا وبطيئًا.
لماذا لا ينجح التوجيه الثابت
الحل الساذج هو التوجيه الثابت: مطابقة نمط سؤال المستخدم وتوجيهه إلى مجموعات أدوات محددة مسبقًا. «افحص هذه الشركة» يطلق فحص العقوبات. «تتبّع هذه الحاوية» يطلق تتبّع السفن. «تحقّق من هذه الشهادة» يطلق البحث لدى USDA.
ينهار هذا فورًا عمليًا. تأمل السؤال: «هل يمكنك التحقق من هذه الشهادة العضوية من الهند؟» قد يطلق موجّه ثابت البحث في قاعدة USDA العضوية — وهو معقول. لكن متخصص الامتثال يريد أيضًا معرفة: هل جهة الاعتماد خاضعة للعقوبات؟ هل توجد تنبيهات استيراد نشطة لدى FDA للمنتج من ذلك البلد؟ هل يظهر المصدّر في قوائم أطراف محظورة؟ هل توجد شذوذات تجارية في المسار المعلن؟
يمكن لسؤال مستخدم واحد أن يتطلب بصورة مشروعة خمس أدوات أو أكثر عبر مجالات مختلفة تمامًا. إما أن يفوّت التوجيه الثابت فحوصًا حاسمة أو يطلق كل شيء بصورة مفرطة، ليعيدنا إلى مشكلات التكلفة والدقة.
السياق مهم جدًا. «أخبرني عن هذه الشركة» تعني أمورًا مختلفة تمامًا بحسب ما إذا كان المستخدم ينظر إلى بوليصة شحن أو شهادة عضوية أو يجري محادثة بحث عامة. الكلمات الأربع نفسها تتطلب أدوات مختلفة في كل سياق.
بنية بطبقتين: الاختيار والتنفيذ
يفصل حلنا اختيار الأدوات عن تنفيذها باستخدام طبقتين متميزتين من النماذج.
طبقة الاختيار تستخدم نموذجًا سريعًا قليل التكلفة. مهمته الوحيدة النظر إلى سؤال المستخدم وسياق المحادثة وقائمة مختصرة بالأدوات المتاحة، ثم اختيار الأدوات التي ينبغي إتاحتها لهذا التفاعل المحدد. لا يستدعي الأدوات — بل يقرر فقط ما ينبغي أن يصل إليه نموذج التنفيذ.
يرى نموذج الاختيار تمثيلًا مبسطًا لكل أداة: وصفًا من سطر واحد، والبيانات التي تعيدها، وحدودها. هذا أكثر اختصارًا بكثير من مخططات المعلمات الكاملة، فيستطيع تقييم جميع الأدوات البالغ عددها 100+ دون بلوغ حدود السياق. ويختار عادةً 8-12 أداة ذات صلة بالسؤال الحالي.
طبقة التنفيذ تستخدم نموذج استدلال أكثر قدرة. تتلقى الأدوات التي اختارتها طبقة الاختيار فقط، مع مخططات المعلمات الكاملة وإرشادات الاستخدام. ولأنها تعمل بمجموعة مركزة بدل الكتالوج كله، تتخذ قرارات أفضل بشأن ما تستدعيه وترتيبه ومعلماته.
لهذا الفصل فوائد قابلة للقياس. يستغرق الاختيار جزءًا من ثانية وتكلفته قليلة جدًا. يرى نموذج التنفيذ سياقًا نظيفًا ومركزًا ويرتكب أخطاء أقل. وانخفض إجمالي استدعاءات الأدوات لكل تفاعل كثيرًا بعد إدخال هذه البنية.
التصفية القائمة على القدرات
إضافة إلى الاختيار بطبقتين، تعلن كل أداة في نظامنا قدراتها — أنواع المهام التي تستطيع تنفيذها. قد تعلن أداة فائدتها لفحوص الامتثال أو المعلومات التجارية أو تحليل المستندات أو تتبّع الشحنات.
عندما يحدد النظام قصد المستخدم، يصفّي كتالوج الأدوات ليشمل فقط الأدوات ذات القدرات المطابقة. ولا يرى نموذج الاختيار أصلًا الأدوات غير ذات الصلة بنوع المهمة الحالية.
هذا مهم لسبب دقيق: النماذج اللغوية تتأثر بالإيحاء. إذا كانت أداة فحص عقوبات في السياق، فقد يقرر النموذج إجراء فحص عقوبات حتى عندما يسأل المستخدم سؤالًا بسيطًا عن مسارات الشحن. بإزالة الأدوات غير ذات الصلة قبل الاختيار، نلغي فئة كاملة من الاستدعاءات غير الضرورية.
حلقات التغذية الراجعة للجودة
اختيار الأدوات نصف المعركة فقط. والنصف الآخر ضمان إعادتها نتائج مفيدة — ومعرفة ما يجب فعله حين لا تفعل.
بعد كل تنفيذ أداة، يقيّم نظامنا جودة النتيجة. تشمل أنماط الإخفاق الشائعة:
نتائج فارغة. عملت الأداة بنجاح لكنها لم تُعد بيانات. قد يعني ذلك أن الكيان غير موجود في القاعدة (نتيجة صحيحة ومفيدة)، أو أن الاستعلام صيغ بصورة سيئة (مشكلة ينبغي إصلاحها وإعادة المحاولة).
تطابقات منخفضة الثقة. يعيد البحث التقريبي عن الاسم نتائج، لكن درجة المطابقة دون العتبة. يحتاج النظام إلى تقرير ما إذا كان يعرضها كتطابقات محتملة أو يستبعدها ويجرب استراتيجية بحث أخرى.
حجم عينة غير كافٍ. يعيد استعلام تجاري نتائج من مصدر واحد فقط، بينما ينبغي مطابقة عدة مصادر للموثوقية. يتعرف النظام إلى هذه الفجوة ويمكنه طلب استدعاءات إضافية لسدها.
عندما تفشل فحوص الجودة، يضيف النظام إرشادات إلى حلقة استدلال الوكيل. ليست هذه إعادة محاولة بسيطة — بل إعادة موجّهة تشرح الخطأ وتقترح إعادة صياغة الاستعلام.
تقديم النتائج تدريجيًا
التحقق من الامتثال التجاري متعدد الخطوات بطبيعته. يرفع المستخدم بوليصة شحن ويطلب التحقق منها. يحتاج الوكيل إلى فحص الشاحن مقابل قوائم العقوبات، والتحقق من صلاحية الاعتماد العضوي، والبحث عن موقع السفينة الحالي، وفحص تنبيهات الاستيراد لدى FDA للسلعة، والتحقق من التصنيف الجمركي. تستغرق هذه الفحوص مددًا مختلفة.
بدل جعل المستخدم ينتظر اكتمال جميع الفحوص قبل إظهار شيء، نقدم النتائج تدريجيًا. عند عودة كل أداة، تُنسّق نتائجها وتصل فورًا إلى واجهة المستخدم. يرى نتائج العقوبات ثم بيانات السفينة ثم حالة الاعتماد العضوي، كل منها في بطاقة منظّمة لحظة جاهزيتها.
تعمل خطوة التجميع النهائية، التي تنتج ملخصًا سرديًا يربط جميع النتائج، بعد اكتمال كل الأدوات فقط.
التحقق الآلي: إغلاق الحلقة
عندما تُعالج المستندات عبر مسار OCR لدينا، يحدد نظام الاستخراج نقاط بيانات رئيسية — معرّفات NOP وأسماء الشركات ومعرّفات السفن وأرقام الحاويات ورموز الموانئ ورموز HS. وترتبط كل منها بأدوات تحقق محددة.
بدل انتظار أن يطلب المستخدم «تحقّق من هذا المستند»، يحسب النظام مسبقًا إرشادات التحقق. عندما يفتح المستخدم محادثة عن مستند، يعرف الوكيل بالفعل الأدوات التي يستدعيها ومعلماتها. يقلل ذلك زمن الوصول إلى التحقق كثيرًا: لا يحتاج الوكيل إلى قراءة المستند وتحديد الكيانات ثم تقرير ما يفحصه. لديه بالفعل خطة تحقق جاهزة للتنفيذ.
المبادئ
بلور بناء هذا النظام عدة مبادئ نعتقد أنها تنطبق على هندسة وكلاء الذكاء الاصطناعي على نطاق واسع:
افصل الاختيار عن التنفيذ. لا تجعل نموذج الاستدلال نموذج التوجيه أيضًا. استخدم نماذج رخيصة وسريعة للتصنيف، ونماذج مكلفة وقادرة للاستدلال.
قلل الخيارات وزد الدقة. يتفوق نموذج يختار بين 10 أدوات ملائمة على نموذج يختار بين 100 أداة في كل مرة. استثمر في التصفية قبل الاختيار.
تحقّق بعد التنفيذ، لا قبله فقط. تفشل استدعاءات الأدوات بطرق لا تستطيع توقعها. ابنِ حلقات جودة تكشف النتائج السيئة وتوجّه إعادة المحاولة.
قدّم النتائج مباشرة، لا دفعة واحدة. ينبغي أن يرى المستخدمون النتائج عند وصولها. التقديم التدريجي ليس مجرد تحسين للتجربة — بل يغير جذريًا تفاعل المستخدمين مع بيانات التحقق.
اجعل القصد صريحًا. لا تدع النموذج يستنتج معنى «جيد». أخبره. يحوّل تخطيط الأهداف الاستكشاف المفتوح إلى تحقق موجّه.
ينسّق وكيل Atlas Verified عمل 100+ أداة تحقق متخصصة لأتمتة فحوص الامتثال التجاري عبر سلسلة التوريد العالمية.