الذكاء الاصطناعي العوامل في Azure Cosmos DB

تم تصميم الذكاء الاصطناعي العوامل لأداء مهام محددة والإجابة عن الأسئلة وأتمتة العمليات للمستخدمين. تختلف هذه العوامل اختلافا كبيرا في التعقيد. وهي تتراوح من روبوتات الدردشة البسيطة، إلى الأقباط، إلى المساعدين الذكاء الاصطناعي المتقدمين في شكل أنظمة رقمية أو روبوتية يمكنها تشغيل مهام سير العمل المعقدة بشكل مستقل.

توفر هذه المقالة نظرة عامة مفاهيمية وعينات تنفيذ مفصلة لوكلاء الذكاء الاصطناعي.

ما الذكاء الاصطناعي العملاء؟

على عكس نماذج اللغات الكبيرة المستقلة (LLMs) أو أنظمة البرامج/الأجهزة المستندة إلى القواعد، فإن وكلاء الذكاء الاصطناعي لديهم هذه الميزات الشائعة:

• التخطيط: يمكن للوكلاء الذكاء الاصطناعي تخطيط الإجراءات وتسلسلها لتحقيق أهداف محددة. وقد أدى تكامل LLMs إلى إحداث ثورة في قدراتها التخطيطية.
• استخدام الأدوات: يمكن لوكلاء الذكاء الاصطناعي المتقدمين استخدام أدوات مختلفة، مثل تنفيذ التعليمات البرمجية والبحث وقدرات الحساب، لتنفيذ المهام بفعالية. غالبا ما يستخدم وكلاء الذكاء الاصطناعي الأدوات من خلال استدعاء الوظيفة.
• الإدراك: يمكن للوكلاء الذكاء الاصطناعي إدراك المعلومات ومعالجتها من بيئتهم، لجعلها أكثر تفاعلية وإدراكا للسياق. تتضمن هذه المعلومات بيانات مرئية وسمعية وبيانات حسية أخرى.
• الذاكرة: الذكاء الاصطناعي العوامل لديهم القدرة على تذكر التفاعلات السابقة (استخدام الأدوات والإدراك) والسلوكيات (استخدام الأدوات والتخطيط). إنهم يخزنون هذه التجارب وحتى يقومون بالتأمل الذاتي لإبلاغ الإجراءات المستقبلية. يسمح مكون الذاكرة هذا باستمرارية وتحسين أداء العامل بمرور الوقت.

إشعار

يختلف استخدام مصطلح الذاكرة في سياق عوامل الذكاء الاصطناعي عن مفهوم ذاكرة الكمبيوتر (مثل الذاكرة المتقلبة وغير القابلة للفولتية والمستمرة).

أدوات Copilot

الكوبيلوتس هو نوع من الذكاء الاصطناعي الوكيل. وهي تعمل جنبا إلى جنب مع المستخدمين بدلا من العمل بشكل مستقل. على عكس الوكلاء المؤتمتين بالكامل، تقدم الأقباط اقتراحات وتوصيات لمساعدة المستخدمين في إكمال المهام.

على سبيل المثال، عندما يكتب مستخدم بريدا إلكترونيا، قد يقترح copilot عبارات أو جملا أو فقرات. قد يطلب المستخدم أيضا من copilot العثور على المعلومات ذات الصلة في رسائل البريد الإلكتروني أو الملفات الأخرى لدعم الاقتراح (راجع إنشاء الاسترداد المعزز). يمكن للمستخدم قبول المقاطع المقترحة أو رفضها أو تحريرها.

وكلاء مستقلون

يمكن للوكلاء المستقلين العمل بشكل مستقل أكثر. عند إعداد وكلاء مستقلين للمساعدة في تكوين البريد الإلكتروني، يمكنك تمكينهم من تنفيذ المهام التالية:

• راجع رسائل البريد الإلكتروني والدردشات والملفات الموجودة والمعلومات الداخلية والعامة الأخرى المتعلقة بالموضوع.
• إجراء تحليل نوعي أو كمي للمعلومات المجمعة، واستخلاص استنتاجات ذات صلة بالبريد الإلكتروني.
• اكتب البريد الإلكتروني الكامل بناء على الاستنتاجات ، وقم بتضمين الأدلة الداعمة.
• إرفاق الملفات ذات الصلة بالبريد الإلكتروني.
• راجع البريد الإلكتروني للتأكد من أن جميع المعلومات المضمنة دقيقة من الناحية الواقعية وأن التأكيدات صالحة.
• حدد المستلمين المناسبين للحقول "إلى" و "نسخةمخفية" و"نسخة مخفية الوجهة "، وابحث عن عناوين بريدهم الإلكتروني.
• جدولة الوقت المناسب لإرسال البريد الإلكتروني.
• تنفيذ عمليات المتابعة إذا كانت الاستجابات متوقعة ولكن لم يتم تلقيها.

يمكنك تكوين العوامل لتنفيذ كل مهمة من المهام السابقة بموافقة بشرية أو بدونها.

أنظمة متعددة العوامل

ومن الاستراتيجيات الشائعة لتحقيق عوامل مستقلة ذات أداء استخدام أنظمة متعددة العوامل. في الأنظمة متعددة العوامل، يتفاعل وكلاء مستقلون متعددون، سواء في شكل رقمي أو آلي، أو يعملون معا لتحقيق أهداف فردية أو جماعية. يمكن للوكلاء في النظام العمل بشكل مستقل وحيازة معرفتهم أو معلوماتهم الخاصة. قد يكون لدى كل عامل أيضا القدرة على إدراك بيئته، واتخاذ القرارات، وتنفيذ الإجراءات بناء على أهدافه.

الأنظمة متعددة العوامل لها هذه الخصائص الرئيسية:

• مستقل: يعمل كل عامل بشكل مستقل. وهي تتخذ قراراتها الخاصة دون تدخل بشري مباشر أو سيطرة من جانب وكلاء آخرين.
• تفاعلي: يتواصل الوكلاء ويتعاونون مع بعضهم البعض لمشاركة المعلومات والتفاوض وتنسيق إجراءاتهم. يمكن أن يحدث هذا التفاعل من خلال بروتوكولات وقنوات اتصال مختلفة.
• الهدف الموجه: تم تصميم الوكلاء في نظام متعدد العوامل لتحقيق أهداف محددة، والتي يمكن أن تتماشى مع الأهداف الفردية أو الهدف المشترك بين الوكلاء.
• موزع: تعمل الأنظمة متعددة العوامل بطريقة موزعة، مع عدم وجود نقطة تحكم واحدة. يعزز هذا التوزيع قوة النظام وقابلية التوسع وكفاءة الموارد.

يوفر نظام متعدد العوامل المزايا التالية على copilot أو مثيل واحد من استدلال LLM:

• المنطق الديناميكي: بالمقارنة مع سلسلة التفكير أو المطالبة شجرة الفكر، تسمح الأنظمة متعددة العوامل بالتنقل الديناميكي من خلال مسارات المنطق المختلفة.
• القدرات المتطورة: يمكن للأنظمة متعددة العوامل التعامل مع المشاكل المعقدة أو واسعة النطاق من خلال إجراء عمليات اتخاذ قرارات شاملة وتوزيع المهام بين عوامل متعددة.
• الذاكرة المحسنة: يمكن للأنظمة متعددة العوامل ذات الذاكرة التغلب على نوافذ سياق LLMs لتمكين فهم أفضل واستبقاء المعلومات.

تنفيذ وكلاء الذكاء الاصطناعي

المنطق والتخطيط

إن المنطق والتخطيط المعقدين هما السمة المميزة للوكلاء المستقلين المتقدمين. تتضمن الأطر الشائعة للوكلاء المستقلين منهجية واحدة أو أكثر من المنهجيات التالية (مع روابط لصفحات أرشيف arXiv) للتعقل والتخطيط:

• اسأل ذاتي

  تحسين سلسلة التفكير من خلال جعل النموذج يسأل نفسه صراحة (ويجيب على) أسئلة المتابعة قبل الإجابة عن السؤال الأولي.

• العقل والفعل (ReAct)

  استخدم LLMs لإنشاء كل من تتبعات المنطق والإجراءات الخاصة بالمهمة بطريقة متداخلة. تساعد تتبعات المنطق النموذج على تحريض خطط العمل وتعقبها وتحديثها، جنبا إلى جنب مع معالجة الاستثناءات. تسمح الإجراءات للنموذج بالاتصال بمصادر خارجية، مثل قاعدة المعارف (KB) أو البيئات، لجمع معلومات إضافية.

• التخطيط والحل

  وضع خطة لتقسيم المهمة بأكملها إلى مهام فرعية أصغر، ثم تنفيذ المهام الفرعية وفقا للخطة. يخفف هذا الأسلوب من أخطاء الحساب وأخطاء الخطوة المفقودة وأخطاء سوء الفهم الدلالي التي غالبا ما تكون موجودة في مطالبة سلسلة التفكير الصفرية.

• التفكير / النقد الذاتي

  استخدم عوامل الانعكاس التي تفكر شفهيا في إشارات ملاحظات المهمة. يحتفظ هؤلاء الوكلاء بالنص العاكس الخاص بهم في مخزن مؤقت للذاكرة العرضية للحث على اتخاذ قرارات أفضل في التجارب اللاحقة.

أطر العمل

ويمكن لمختلف الأطر والأدوات أن تيسر تطوير ونشر وكلاء الذكاء الاصطناعي.

لاستخدام الأدوات والإدراك الذي لا يتطلب تخطيطا وذاكرة متطورين، فإن بعض أطر عمل منسق LLM الشائعة هي LangChain و LlamaIndex و Prompt Flow و Kernel الدلالي.

بالنسبة للتخطيط المتقدم والمستقل وسير عمل التنفيذ، دفع AutoGen الموجة متعددة العوامل التي بدأت في أواخر عام 2022. تسمح واجهة برمجة تطبيقات الاستجابات الخاصة ب OpenAI لمستخدميها بإنشاء وكلاء أصلا داخل نظام GPT البيئي. كما ظهر وكلاء LangChain وعوامل LlamaIndex في نفس الوقت تقريبا.

نظام ذاكرة عامل الذكاء الاصطناعي

كانت الممارسة السائدة لتجربة التطبيقات المحسنة الذكاء الاصطناعي من عام 2022 حتى عام 2025 هي استخدام أنظمة إدارة قواعد البيانات المستقلة لمختلف مهام سير عمل البيانات أو أنواعها. على سبيل المثال، يمكنك استخدام قاعدة بيانات في الذاكرة للتخزين المؤقت، وقاعدة بيانات ارتباطية للبيانات التشغيلية (بما في ذلك سجلات التتبع/النشاط ومحفوظات محادثات LLM)، وقاعدة بيانات متجهات خالصة لإدارة التضمين.

ومع ذلك، فإن هذه الممارسة لاستخدام شبكة معقدة من قواعد البيانات المستقلة يمكن أن تضر بأداء عامل الذكاء الاصطناعي. دمج جميع قواعد البيانات المتباينة هذه في نظام ذاكرة متماسك وقابل للتشغيل البيني والمرونة لوكلاء الذكاء الاصطناعي هو التحدي الخاص به.

أيضا ، العديد من خدمات قواعد البيانات المستخدمة بشكل متكرر ليست مثالية للسرعة وقابلية التوسع التي تحتاجها أنظمة وكيل الذكاء الاصطناعي. وتتفاقم نقاط الضعف الفردية لقواعد البيانات هذه في الأنظمة متعددة العوامل.

قواعد البيانات في الذاكرة

قواعد البيانات في الذاكرة ممتازة للسرعة ولكنها قد تواجه استمرار البيانات على نطاق واسع الذي يحتاجه الذكاء الاصطناعي العوامل.

قواعد البيانات الارتباطية

قواعد البيانات العلائقية ليست مثالية للطرائق المتنوعة والمخططات المرنة للبيانات التي يتعامل معها الوكلاء تتطلب قواعد البيانات الارتباطية جهودا يدوية وحتى وقت تعطل لإدارة التوفير والتقسيم والتقسيم.

قواعد بيانات المتجهات الخالصة

تميل قواعد بيانات المتجهات الخالصة إلى أن تكون أقل فعالية لعمليات المعاملات والتحديثات في الوقت الحقيقي وأحمال العمل الموزعة. عادة ما تقدم قواعد بيانات المتجهات النقية الشائعة في الوقت الحاضر ما يلي:

• لا يوجد ضمان على القراءات والكتابة.
• معدل نقل استيعاب محدود.
• قابلية وصول منخفضة (أقل من 99.9٪، أو انقطاع سنوي لمدة 9 ساعات أو أكثر).
• مستوى تناسق واحد (نهائي).
• فهرس متجه في الذاكرة كثيف الموارد.
• خيارات محدودة للتعددية.
• أمان محدود.

خصائص نظام ذاكرة عامل الذكاء الاصطناعي قوي

كما أن أنظمة إدارة قاعدة البيانات الفعالة ضرورية لأداء تطبيقات البرامج، فمن الضروري تزويد الوكلاء الذين يعملون ب LLM بمعلومات ذات صلة ومفيدة لتوجيه استدلالهم. تمكن أنظمة الذاكرة القوية من تنظيم وتخزين أنواع مختلفة من المعلومات التي يمكن للوكلاء استردادها في وقت الاستدلال.

حاليا، غالبا ما تستخدم التطبيقات التي تعمل ب LLM توليدا معززا باسترداد يستخدم البحث الدلالي الأساسي أو البحث المتجه لاسترداد المقاطع أو المستندات. يمكن أن يكون البحث عن المتجهات مفيدا للعثور على معلومات عامة. ولكن قد لا يلتقط البحث المتجه السياق أو البنية أو العلاقات المحددة ذات الصلة بمهمة أو مجال معين.

على سبيل المثال، إذا كانت المهمة هي كتابة التعليمات البرمجية، فقد لا يتمكن البحث المتجه من استرداد شجرة بناء الجملة أو تخطيط نظام الملفات أو ملخصات التعليمات البرمجية أو توقيعات واجهة برمجة التطبيقات المهمة لإنشاء تعليمات برمجية متماسكة وصحيحة. وبالمثل، إذا كانت المهمة هي العمل مع بيانات جدولية، فقد لا يتمكن البحث المتجه من استرداد المخطط أو المفاتيح الخارجية أو الإجراءات المخزنة أو التقارير المفيدة للاستعلام عن البيانات أو تحليلها.

إن نسج شبكة من قواعد البيانات المستقلة في الذاكرة والعلائقية والمتجهة (كما هو موضح سابقا) ليس حلا مثاليا لأنواع البيانات المتنوعة. قد يعمل هذا النهج مع أنظمة العوامل الأولية. ومع ذلك، فإنه يضيف تعقيد وازدحام الأداء التي يمكن أن تعوق أداء وكلاء مستقلين متقدمة.

يجب أن يكون لنظام ذاكرة قوي الخصائص التالية.

متعدد النماذج

يجب أن توفر أنظمة ذاكرة العامل الذكاء الاصطناعي مجموعات تخزن بيانات التعريف أو العلاقات أو الكيانات أو الملخصات أو أنواع أخرى من المعلومات التي يمكن أن تكون مفيدة لمختلف المهام والمجالات. يمكن أن تستند هذه المجموعات إلى بنية البيانات وتنسيقها، مثل المستندات أو الجداول أو التعليمات البرمجية. أو يمكن أن تستند إلى محتوى ومعنى البيانات، مثل المفاهيم أو الاقترانات أو الخطوات الإجرائية.

أنظمة الذاكرة ليست مهمة فقط الذكاء الاصطناعي العوامل. كما أنها مهمة للبشر الذين يطورون هذه العوامل ويحافظون عليها ويستخدمونها.

على سبيل المثال، قد يحتاج البشر إلى الإشراف على عمليات سير عمل التخطيط والتنفيذ للوكلاء في الوقت الفعلي تقريبا. أثناء الإشراف، قد يتقاطع البشر مع التوجيه أو إجراء تعديلات داخلية على الحوارات أو الأحاديات الخاصة بالوكلاء. قد يحتاج البشر أيضا إلى تدقيق المنطق والإجراءات التي يتخذها الوكلاء للتحقق من صحة الناتج النهائي.

من المحتمل أن تكون التفاعلات البشرية/الوكيلة بلغات طبيعية أو لغات برمجة، في حين أن الوكلاء "يفكرون" و"يتعلمون" و"يتذكرون" من خلال التضمينات. يطرح هذا الاختلاف مطلبا آخر على تناسق أنظمة الذاكرة عبر طرائق البيانات.

تشغيلي

يجب أن توفر أنظمة الذاكرة بنوك الذاكرة التي تخزن المعلومات ذات الصلة بالتفاعل مع المستخدم والبيئة. قد تتضمن هذه المعلومات محفوظات الدردشة أو تفضيلات المستخدم أو البيانات الحسية أو القرارات المتخذة أو الحقائق المستفادة أو البيانات التشغيلية الأخرى التي يتم تحديثها بتردد عال وبأحجام كبيرة.

يمكن أن تساعد بنوك الذاكرة هذه العوامل على تذكر المعلومات قصيرة الأجل وطويلة الأجل، وتجنب تكرار نفسها أو مناقضتها، والحفاظ على اتساق المهام. يجب أن تكون هذه المتطلبات صحيحة حتى إذا كان الوكلاء يؤدون العديد من المهام غير المرتبطة بالتتابع. في الحالات المتقدمة، قد يختبر الوكلاء أيضا العديد من خطط الفروع التي تتباعد أو تتقارب في نقاط مختلفة.

قابلة للمشاركة ولكن قابلة للفصل أيضا

على مستوى الماكرو، يجب أن تمكن أنظمة الذاكرة العديد من عوامل الذكاء الاصطناعي من التعاون في مشكلة أو معالجة جوانب مختلفة من المشكلة من خلال توفير ذاكرة مشتركة يمكن لجميع العوامل الوصول إليها. ويمكن للذاكرة المشتركة أن تيسر تبادل المعلومات وتنسيق الإجراءات بين الوكلاء.

في الوقت نفسه، يجب أن يسمح نظام الذاكرة للوكلاء بالحفاظ على شخصيتهم وخصائصهم الخاصة، مثل مجموعاتهم الفريدة من المطالبات والذكريات.

بناء نظام ذاكرة عامل الذكاء الاصطناعي قوي

تتطلب الخصائص السابقة أن تكون أنظمة ذاكرة العامل الذكاء الاصطناعي قابلة للتطوير بدرجة كبيرة وسريعة. قد يعمل النسج المضني لقواعد البيانات المتباينة في الذاكرة والعلائقية والمتجهة (كما هو موضح سابقا) مع التطبيقات الممكنة الذكاء الاصطناعي في المراحل المبكرة. ومع ذلك، فإن هذا النهج يضيف اختناقات في التعقيد والأداء يمكن أن تعوق أداء الوكلاء المستقلين المتقدمين.

بدلا من جميع قواعد البيانات المستقلة، يمكن أن يعمل Azure Cosmos DB كحل موحد لأنظمة ذاكرة العامل الذكاء الاصطناعي. مكنت قوتها خدمة ChatGPT الخاصة ب OpenAI بنجاح من التوسع ديناميكيا مع موثوقية عالية وصيانة منخفضة. مدعوما بمحرك تسلسل سجل الذرة، وهو أول خدمة قاعدة بيانات NoSQL وعلائقية ومتجهة موزعة عالميا في العالم توفر وضعا بلا خادم. الذكاء الاصطناعي الوكلاء المبنيين على Azure Cosmos DB يقدمون السرعة والحجم والبساطة.

السرعة

يوفر Azure Cosmos DB زمن انتقال مكون من رقم واحد بالمللي ثانية. هذه الإمكانية تجعلها مناسبة للعمليات التي تتطلب الوصول السريع إلى البيانات وإدارتها. تتضمن هذه العمليات التخزين المؤقت (التخزين المؤقت التقليدي والدلالي) والمعاملات وأعباء العمل التشغيلية.

يعد زمن الانتقال المنخفض أمرا بالغ الأهمية لوكلاء الذكاء الاصطناعي الذين يحتاجون إلى إجراء منطقي معقد، واتخاذ قرارات في الوقت الحقيقي، وتقديم استجابات فورية. بالإضافة إلى ذلك، يوفر استخدام الخدمة لخوارزمية DiskANN بحثا دقيقا وسريعا عن المتجهات بأقل استهلاك للذاكرة.

المقياس‬

تم تصميم Azure Cosmos DB للتوزيع العالمي وقابلية التوسع الأفقي، مع دعم المدخلات والمخرجات متعددة المناطق وتعدد الإيجارات.

تساعد الخدمة على ضمان توسع أنظمة الذاكرة بسلاسة ومواكبة العوامل المتزايدة بسرعة والبيانات المرتبطة بها. يترجم ضمان التوفر في اتفاقية مستوى الخدمة (SLA) الخاصة به إلى أقل من 5 دقائق من التوقف عن العمل سنويا. على النقيض من ذلك، تأتي خدمات قاعدة بيانات المتجهات الخالصة مع 9 ساعات أو أكثر من وقت التعطل. يوفر هذا التوفر أساسا متينا لأحمال العمل الحرجة للمهام. في الوقت نفسه، يمكن أن تساعد نماذج الخدمة المختلفة في Azure Cosmos DB، مثل السعة المحجوزة أو بلا خادم، في تقليل التكاليف المالية.

البساطة

يمكن ل Azure Cosmos DB تبسيط إدارة البيانات والهندسة المعمارية من خلال دمج وظائف قاعدة بيانات متعددة في نظام أساسي واحد متماسك.

يمكن لإمكانيات قاعدة بيانات المتجهات المتكاملة تخزين تضمينات المتجهات والفهرسة والاستعلام جنبا إلى جنب مع البيانات المقابلة بلغات طبيعية أو لغات برمجة. تتيح هذه الإمكانية المزيد من تناسق البيانات ومقياسها وأدائها.

تدعم مرونته الطرائق المتنوعة والمخططات السائلة لبيانات التعريف أو العلاقات أو الكيانات أو الملخصات أو محفوظات الدردشة أو تفضيلات المستخدم أو البيانات الحسية أو القرارات أو الحقائق المستفادة أو غيرها من البيانات التشغيلية المتضمنة في سير عمل العامل. تقوم قاعدة البيانات تلقائيا بفهرسة جميع البيانات دون الحاجة إلى إدارة المخطط أو الفهرس، مما يساعد الذكاء الاصطناعي الوكلاء على إجراء استعلامات معقدة بسرعة وكفاءة.

تتم إدارة Azure Cosmos DB بالكامل، ما يلغي النفقات العامة لمهام إدارة قاعدة البيانات مثل التحجيم والتصحيح والنسخ الاحتياطية. بدون هذا الحمل، يمكن للمطورين التركيز على بناء الذكاء الاصطناعي العوامل وتحسينها دون القلق بشأن البنية الأساسية للبيانات.

ميزات متقدمة

يتضمن Azure Cosmos DB ميزات متقدمة مثل موجز التغيير، والذي يسمح بتعقب التغييرات في البيانات والاستجابة لها في الوقت الفعلي. هذه الإمكانية مفيدة لوكلاء الذكاء الاصطناعي الذين يحتاجون إلى التفاعل مع المعلومات الجديدة على الفور.

بالإضافة إلى ذلك، يتيح الدعم المضمن للكتابات متعددة المستويات الرئيسية قابلية وصول عالية ومرونة عالية للمساعدة في ضمان التشغيل المستمر لوكلاء الذكاء الاصطناعي، حتى بعد الفشل الإقليمي.

يمكن أن تلبي مستويات التناسق الخمسة المتاحة (من قوية إلى نهائية) أيضا أحمال العمل الموزعة المختلفة، اعتمادا على متطلبات السيناريو.

تلميح

استخدم Azure Cosmos DB ل NoSQL لبناء نظام ذاكرة وكلاء الذكاء الاصطناعي الخاص بك. توفر واجهة برمجة التطبيقات ل NoSQL ضمان توفر% 99.999 وتوفر ثلاث خوارزميات بحث متجه:

• IVF
• HNSW
• ديسكان

للحصول على معلومات حول ضمانات التوفر لهذه الواجهة، راجع اتفاقيات مستوى الخدمة (SLA) للخدمة.

المحتوى ذو الصلة

• طبقة مجانية طوال مدة بقاء Azure Cosmos DB