في المشهد سريع التطور لوكلاء نماذج اللغات الكبيرة (LLM)، يُعرَّف الفجوة بين أنظمة الاستجابة البسيطة للطلبات والوكلاء المستقلين القادرين على التفكير بقدراتهم التخطيطية. بينما ينتقل المطورون من روبوتات الدردشة الأساسية إلى بناء وكلاء قادرين على حل المشكلات المعقدة متعددة الخطوات، تصبح اختيار بنية التفكير أمراً بالغ الأهمية. برزت نهجان بارزان كمعايير صناعية: ReAct (التفكير + الفعل) وTree of Thoughts (شجرة الأفكار). يستكشف هذا المنشور الاختلافات المعمارية، والمفاضلات، وحالات الاستخدام المثلى لكل من الاستراتيجيتين لمساعدتك في اختيار الأداة المناسبة لسير عملك.
فهم ReAct: القوة الخطية
يجمع ReAct، الذي قدم في ورقة بحثية أساسية من قبل Yao وآخرون، بين التفكير والفعل في حلقة واحدة. بدلاً من إنشاء خطة كاملة مسبقاً أو مجرد الرد على طلب، يقوم الوكيل بتداخل مسارات التفكير القائمة على النصوص مع إجراءات منفصلة. يفكر الوكيل فيما يحتاج إلى معرفته، ويقوم بإجراء فعل (مثل استدعاء واجهة برمجة التطبيقات أو البحث في قاعدة بيانات)، ويرصد النتيجة، ثم يفكر مرة أخرى بناءً على تلك المعلومات الجديدة.
هذا النهج فعال وقابل للتفسير بشكل كبير. إنه يحاكي العمليات المعرفية البشرية، حيث نفكر، ونفعل، ونعكس بشكل تكراري. ومع ذلك، فإن ReAct هو عملية خطية في جوهرها. إذا اتخذ الوكيل منعطفاً خاطئاً في الخطوة الثانية، فإنه غالباً ما يواجه صعوبة في الرجوع للخلف دون تدخل داللي كبير.
# كود وهمي لحلقة ReAct
def react_loop(goal):
while not is_complete(goal):
thought = llm.generate_thought(current_context)
action = llm.choose_action(thought)
observation = environment.execute(action)
current_context.update(observation)
return final_responseاستكشاف شجرة الأفكار: المخطط المتشعب
توسع شجرة الأفكار (ToT) نموذج ReAct من خلال تقديم بحث بالعرض الأولي عبر شجرة من الأفكار. في ToT، يمكن لنموذج اللغة الكبيرة (LLM) تقسيم المشكلة إلى خطوات تفكير وسيطة واستكشاف احتمالات متعددة في كل خطوة. يقوم بتقييم هذه "الأفكار" لقرارة المسار الذي يجب اتخاذه، مما يسمح بشكل فعال بالنظر إلى الأمام والرجوع للخلف.
هذه الطريقة قوية بشكل خاص للمهام التي تتطلب تخطيطاً استراتيجياً، مثل حل المسائل الرياضية، أو الكتابة الإبداعية، أو توليد الأكواد المعقدة حيث لا تكون عواقب القرار واضحة على الفور. يسمح القدرة على تقييم فروع متعددة لـ ToT بتجنب الأمثلية المحلية التي قد تحبس وكيل ReAct الخطي.
# هيكل مفاهيمي لشجرة الأفكار
class ThoughtNode:
def __init__(self, text, state):
self.text = text
self.state = state
self.children = []
self.score = 0
def expand(self, llm, k):
# توليد k أفكار ممكنة التالية
next_thoughts = llm.generate_candidates(self.state, k)
self.children = [ThoughtNode(t, update_state(self.state, t)) for t in next_thoughts]
return self.childrenتحليل مقارن: متى تستخدم أيًا منهما؟
يعتمد الاختيار بين ReAct وToT بشكل كبير على تعقيد وطبيعة مهمة الوكيل الخاص بك.
1. زمن الاستجابة والتكلفة
عادةً ما يكون ReAct أسرع وأرخص لأنه يتخذ قراراً واحداً في كل مرة. يتطلب ToT توليد وتقييم فروع متعددة، مما يزيد من استخدام الرموز المميزة (tokens) وزمن الاستجابة. إذا كانت تطبيقك يتطلب استجابات في الوقت الفعلي، فإن ReAct هو الخيار المتفوق.
2. تعقيد المهمة
بالنسبة للمهام البسيطة مثل التلخيص، أو الأسئلة والأجوبة البسيطة، أو استخدام الأدوات في خطوة واحدة، يوفر ReAct قدرة كافية مع الحد الأدنى من الحمل الإضافي. ومع ذلك، بالنسبة للمهام التي تتطلب استنتاجاً منطقياً عميقاً، أو تخطيطاً متعدد المراحل، أو العصف الذهني الإبداعي، فإن قدرة ToT على استكشاف البدائل غالباً ما تنتج نتائج ذات جودة أعلى بشكل ملحوظ.
3. تصحيح الأخطاء
يمكن أن تعلق وكلاء ReAct في حلقات أو يلتزمون بمسارات خاطئة في وقت مبكر. يمكن لوكلاء ToT التعرف على فرع منخفض التقييم والرجوع إلى عقدة سابقة، مما يوفر آلية مدمجة لتصحيح الأخطاء تفتقر إليها النماذج الخطية.
الخاتمة
لا يتفوق أي من ReAct أو شجرة الأفكار بشكل عالمي؛ فهما يخدمان نواحٍ مختلفة في طيف بنية الوكلاء. يظل ReAct المعيار الذهبي لسير العمل الخطي الفعال والتطبيقات في الوقت الفعلي. شجرة الأفكار هي القوة الدافعة للمهام المعقدة والاستراتيجية حيث تفوق الدقة والمتانة تكاليف زمن الاستجابة والموارد الحاسوبية. عند تصميم سير عمل الوكيل المعقد التالي، قم بتقييم عمق التفكير المطلوب. للتفاعلات البسيطة، حافظ على الخطية مع ReAct. للتخطيط الاستراتيجي العميق، وسّع آفاقك باستخدام شجرة الأفكار.