Technical Tutorials

مع اقترابنا من تطوير الذكاء الاصطناعي العام (AGI)، تصبح قدرة الوكلاء على الاحتفاظ بالسياق طويل الأمد واستخدامه ميزة تمييزية حاسمة. تعمل نماذج اللغة الكبيرة التقليدية (LLMs) بنوافذ سياق محدودة، مما يجعل أنظمة الذاكرة الخارجية ضرورية لمهام الاستدلال المعقدة متعددة الخطوات. حاليًا، تهيمن بنية رئيسيتان على هذا المجال: قواعد بيانات المتجهات وذاكرة الرسوم البيانية. الاختيار بينهما — أو دمج كليهما — يحدد قدرة الوكيل على استرجاع الحقائق، والحفاظ على العلاقات، وتنفيذ خطط معقدة على مدى فترات ممتدة.

نهج قواعد بيانات المتجهات: البحث الدلالي والتوسع

تخزن قواعد بيانات المتجهات، مثل Pinecone أو Weaviate أو Milvus، تمثيلات (embeddings) لنقاط البيانات في فضاءات عالية الأبعاد. تتفوق هذه الأنظمة في البحث عن التشابه، مما يتيح للوكلاء استرجاع المعلومات بناءً على الصلة الدلالية بدلاً من التطابق الدقيق للكلمات المفتاحية. هذا مثالي لأنظمة RAG (الإنشاء المعزز بالاسترجاع) حيث الهدف هو إيجاد مستندات أو تفاعلات سابقة مشابهة للاستعلام الحالي.

المزايا: قابلية توسع عالية، زمن استجابة منخفض للبحث عن أقرب جار تقريبي (ANN)، وسهولة التكامل مع نماذج التمثيل (embedding models) الحالية.

العيوب: غياب الوعي البنيوي. لا تفهم المتجهات العلاقات بين الكيانات بشكل جوهري، مما يصعب تنفيذ الاستدلال متعدد القفزات (multi-hop reasoning) (على سبيل المثال: "من هو الرئيس التنفيذي للشركة التي يعمل بها صديقي؟").


import pinecone

pc = Pinecone(api_key="YOUR_API_KEY")
index = pc.Index("agent-memory")

# تمثيل (Embedding) تفاعل المستخدم السابق
embeddings = openai.Embedding.create(input="I met John at the tech conference.")
vector = embeddings["data"][0]["embedding"]

# الإضافة إلى الذاكرة
index.upsert([(
    "interaction_001",
    vector,
    {"metadata": {"content": "I met John at the tech conference.", "timestamp": "2023-10-27"}}
)])

# الاستعلام عن السياق ذي الصلة
query_vec = openai.Embedding.create(input="Who did I meet recently?")["data"][0]["embedding"]
results = index.query(vector=query_vec, top_k=5, include_metadata=True)

ذاكرة الرسوم البيانية: الاستدلال المنظم والعلاقات

تُنمذج قواعد بيانات الرسوم البيانية، مثل Neo4j أو Amazon Neptune، البيانات كعقد (كيانات) وحواف (علاقات). يتوافق هذا الهيكل بشكل طبيعي مع الطريقة التي يخزن بها البشر المعرفة: فنحن نربط الأشخاص والأماكن والأحداث في شبكة من العلاقات. بالنسبة لوكلاء AGI، تُمكّن ذاكرة الرسوم البيانية من الاستدلال متعدد القفزات والاستنتاجات المنطقية المعقدة التي تكافح قواعد بيانات المتجهات للتعامل معها.

المزايا: تمثيل صريح للعلاقات، دعم الترحال (traversals) المعقد، واتساق قوي للبيانات المعاملية.

العيوب: تعقيد أعلى في الإعداد، أوقات استعلام أبطأ للبحث الدلالي غير المهيكلة بدون فهرسة هجينة، وصعوبة في التعامل مع النصوص غير المهيكلة والضجيج دون معالجة مسبقة.


from neo4j import GraphDatabase

driver = GraphDatabase.driver("bolt://localhost:7687", auth=("neo4j", "password"))

with driver.session() as session:
    # إنشاء العلاقات
    session.run("""
        CREATE (j:Person {name: 'John'})
        CREATE (c:Company {name: 'TechCorp'})
        CREATE (conf:Event {name: 'TechConf 2023'})
        CREATE (j)-[:WORKS_AT]->(c)
        CREATE (me:Person {name: 'Agent'})
        CREATE (me)-[:MET {location: conf}]->(j)
    """)

    # استعلام للاستدلال متعدد القفزات
    query = """
        MATCH (me:Person {name: 'Agent'})-[m:MET]->(friend:Person)-[:WORKS_AT]->(company:Company)
        RETURN friend.name AS friend, company.name AS company
    """
    result = session.run(query)
    print(result.single())

البنى الهجينة: الطريق نحو ذاكرة AGI قوية

الحل الأكثر فعالية للاحتفاظ بالسياق طويل الأمد ليس خياراً ثنائياً بل نهج هجين. تشير أبحاث AGI الرائدة إلى نظام ذاكرة هرمي:

الذاكرة قصيرة الأمد: نافذة سياق نموذج اللغة (LLM) للمحادثة الفورية.
الذاكرة متوسطة الأمد (قاعدة بيانات المتجهات): تخزين تمثيلات (embeddings) للمحادثات والمستندات والملاحظات للاسترجاع الدلالي السريع.
الذاكرة طويلة الأمد (قاعدة بيانات الرسوم البيانية): استخراج الكيانات والعلاقات من البيانات المسترجعة بالمتجهات وتبنيها في رسم بياني للمعرفة للاستدلال المنطقي الدائم.

في هذا المسار، تعمل قاعدة بيانات المتجهات كـ "باب أمامي" للاستدعاء السريع، بينما تعمل قاعدة بيانات الرسوم البيانية كـ "عمود فقري" للمعرفة المنظمة. عندما يحتاج الوكيل إلى الإجابة على سؤال معقد، يستخدم أولاً البحث بالمتجهات لتحديد البيانات الخام ذات الصلة، ثم يستخدم ترحالات الرسوم البيانية لحل العلاقات واستنتاج إجابات تتطلب خطوات منطقية متعددة.

اعتبارات عملية للتنفيذ

يتطلب تنفيذ هذا النظام الهجين تصميماً دقيقاً:

استخراج الكيانات: استخدم نماذج اللغة (LLMs) لاستخراج الكيانات المنظمة من النصوص غير المهيكلة قبل إدخالها في الرسم البياني.
الوعي الزمني: يجب على كلا النظامين التعامل مع الطوابع الزمنية. يجب أن تتضمن قواعد بيانات المتجهات الوقت في البيانات الوصفية (metadata)؛ ويجب أن تستخدم الرسوم البيانية حواف زمنية (على سبيل المثال، "MET_ON" بدلاً من مجرد "MET").
حل التعارضات: عندما تختلف مخزن المتجهات ومخزن الرسوم البيانية، أعطِ الأولوية للرسم البياني من أجل الاتساق الفعلي وللمتجهات من أجل الدقة السياقية.

خاتمة

للمطورين من المستوى المتوسط إلى المتقدم الذين يبنيون وكلاء AGI، فإن الاعتماد حصرياً على قواعد بيانات المتجهات يحد من عمق الاستدلال، بينما استخدام ذاكرة الرسوم البيانية فقط يعقد البحث الدلالي. من خلال دمج كليهما، تخلق بنية ذاكرة قوية تتوسع مع تعقيد مهام وكيلك. مع انتقال AGI من النظري إلى العملي، ستكون القدرة على إدارة السياق طويل الأمد من خلال أنظمة الذاكرة الهجينة مهارة أساسية في هندسة الذكاء الاصطناعي.