DSPy للوكلاء ذاتيين الإصلاح: تنفيذ استراتيجيات استرداد الأخطاء وقت التشغيل والتوجيه التكيفي

تنتهي عصر وكلاء الذكاء الاصطناعي الهشين. في تطوير نماذج اللغة الكبيرة التقليدية، غالبًا ما يؤدي فشل استدعاء واجهة برمجة التطبيقات أو الاستجابة الخيالية إلى انهيار كامل أو فشل صامت. ومع ذلك، تتطور أطر العمل الحديثة للوكلاء للتعامل مع هذه الاضطرابات بسلاسة. يبرز DSPy (البرمجة التلقائية التحسينية التوضيحية في بايثون) كأداة قوية تعامل هندسة التوجيه (Prompt Engineering) كمسألة تحسين، مما يتيح إنشاء وكلاء ذاتيين الإصلاح يتكيفون مع أخطاء وقت التشغيل في الوقت الفعلي.

يستكشف هذا المنشور كيفية استغلال النهج التوضيحي لـ DSPy لتنفيذ آليات استرداد أخطاء متينة واستراتيجيات توجيه تكيفية، مما يضمن بقاء وكلاءك موثوقين في بيئات الإنتاج.

لماذا يفشل التوجيه التقليدي في البيئات الديناميكية

التوجيهات الثابتة هشة. عندما تواجه نموذج لغة كبيرة حالة حدية لم يتم تدريبه أو توجيهه صراحةً للتعامل معها، فقد يهذي، أو يعيد JSON غير صالح، أو يفشل في استدعاء الأداة الصحيحة. في سلسلة من الوكلاء، يمكن لهذا الفشل الفردي أن يتسلسل، مما يكسر سير العمل بأكمله. يتضمن التصحيح اليدوي ترميز كتل try-catch ومنطق إعادة المحاولة يدويًا، وهو أمر غير مستدام على نطاق واسع. يحل DSPy هذه المشكلة عن طريق فصل المنطق (التوقيع) عن التنفيذ (التوجيه)، مما يسمح للنظام بتحسين التنفيذ بناءً على مقاييس الأداء.

تعريف التوقيعات المرنة في DSPy

في صميم DSPy يوجد Signature، الذي يحدد واجهة الإدخال-الإخراج للوحدة. لبناء وكلاء ذاتيين الإصلاح، يجب علينا تعريف توقيعات ليست فقط وصفية ولكن أيضًا مرنة ضد الغموض.

import dspy

class ExtractCodeSnippet(dspy.Signature):
    """استخراج كود بايثون صالح من نص غير منظم. إذا لم يكن هناك كود، أعد None."""
    raw_text = dspy.InputField(desc="النص الخام المدخل")
    code_snippet = dspy.OutputField(desc="كود بايثون صالح أو None")

class AgentErrorRecovery(dspy.Module):
    def __init__(self, model):
        super().__init__()
        self.extractor = dspy.ChainOfThought(ExtractCodeSnippet, model=model)
        self.validator = dspy.Predict("code_snippet -> is_valid: bool")

    def forward(self, raw_text):
        # محاولة الاستخراج
        result = self.extractor(raw_text=raw_text)
        snippet = result.code_snippet

        # حلقة التحقق التكيفية
        if snippet:
            validation = self.validator(code_snippet=snippet)
            if validation.is_valid:
                return snippet
            else:
                # تفعيل الإصلاح الذاتي: إعادة المحاولة مع سياق خطأ محدد
                error_context = f"المحاولة السابقة: {snippet}\nالخطأ: صياغة غير صالحة. حاول مرة أخرى."
                retry_result = self.extractor(raw_text=f"{raw_text}\n{error_context}")
                return retry_result.code_snippet

        return None

تنفيذ استرداد الأخطاء وقت التشغيل

يوضح المقطع أعلاه حلقة إصلاح ذاتي أساسية. عندما يحدد المُتحقق كودًا غير صالح، لا ينهار الوكيل. بدلاً من ذلك، يحقن سياق الخطأ مرة أخرى في المستخرج. هذه هي شكل من أشكال التوجيه التكيفي: يتغير التوجيه ديناميكيًا بناءً على حالة وقت التشغيل.

للمواقف الأكثر تعقيدًا، يسمح لك DSPy بتجميع هذه الوحدات باستخدام dspy.BootstrapFewShot أو dspy.MIPROv2. أثناء التجميع، يقوم DSPy بعينة عدة توجيهات ويختار تلك التي تعظم مقياسًا (مثل معدل نجاح التنفيذ). هذا يعني أن سلوك "الإصلاح الذاتي" ليس مجرد إعادة محاولة وقت التشغيل، بل هو استراتيجية محسنة تم تعلمها من الفشل التاريخي.

استراتيجيات التوجيه التكيفي

إلى جانب إعادة المحاولة البسيطة، يتيح DSPy استراتيجيات تكيفية متطورة:

• التأمل الذاتي: استخدام وحدة منفصلة لانتقاد المخرج السابق قبل إعادة المحاولة.
• اختيار الأدوات الديناميكي: إذا فشل استدعاء أداة، يمكن للتوجيه التكيفي اقتراح أدوات بديلة من قائمة محددة مسبقًا.
• عتبات الثقة: إذا كانت ثقة النموذج (عبر logprobs أو التقييم الاستدلالي) منخفضة، فعّل توجيهًا أكثر تحفظًا بقيود إضافية.

class AdaptiveToolSelector(dspy.Module):
    def __init__(self, model):
        super().__init__()
        self.selector = dspy.ChainOfThought("query, available_tools -> selected_tool, reason", model=model)

    def forward(self, query, available_tools, last_error=None):
        context = query
        if last_error:
            context += f"\nفشل الأداة السابقة: {last_error}. اختر نهجًا مختلفًا."

        result = self.selector(query=context, available_tools=available_tools)
        return result.selected_tool

الخلاصة

بناء وكلاء ذاتيين الإصلاح يتطلب الانتقال من التوجيهات الثابتة إلى أنظمة ديناميكية يقودها المقاييس. يوفر DSPy البنية التحتية لمعاملة توجيهات نماذج اللغة الكبيرة كمكونات من الدرجة الأولى يمكن تحسينها والتحقق منها وتكييفها وقت التشغيل. من خلال تنفيذ حلقات استرداد الأخطاء واستراتيجيات التوجيه التكيفي، يمكنك إنشاء وكلاء ذكاء اصطناعي ليسوا أذكى فحسب، بل أكثر مرونة بشكل كبير في الإنتاج. ابدأ بتعريف توقيعاتك، وقم بتجميعها بمقاييس فشلك، وشاهد وكلاءك يتعلمون إصلاح أنفسهم.