الوكلاء الهجينون الرمزيون والعصبيون
اجمع بين الذكاء الاصطناعي الكلاسيكي (المخططين والحلّالات) ونماذج اللغة الكبيرة للحصول على استدلال قابل للتحقق.
الوكلاء الهجينون الرمزيون والعصبيون درس مجاني في AI Agents على CoddyKit. هذا هو الدرس 2 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في AI Agents، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Agents 4 دروس في المجموع.
بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.
ما بعد نماذج LLM الخالصة
تتميز وكلاء LLM الخالصة بالمرونة، لكنها غير موثوقة في المهام التي تتطلب استدلالًا دقيقًا (كالرياضيات والتخطيط والمنطق). تجمع الأنظمة الهجينة بين نماذج LLM والأدوات الرمزية التقليدية للحصول على المرونة والدقة معًا.
أمثلة على الأدوات الرمزية
- الحاسبة — الحساب الدقيق
- محلّل SAT — قابلية الإشباع المنطقي
- محلّل SMT (Z3) — أنظمة القيود
- مُثبت النظريات (Lean وCoq) — البراهين الرسمية
- المخطّط التقليدي (PDDL وSTRIPS) — خطط متعددة الخطوات مع ضمانات
النمط: LLM كمترجم
يترجم LLM اللغة الطبيعية إلى لغة رسمية؛ ويحل النظام الرمزي المسألة؛ ثم يشرح LLM النتيجة:
user_query = 'Three students, three rooms, each room one student, Alice not in room 3, Bob in room 1 or 2...'
formal_constraints = llm_to_smt(user_query) # produces Z3 input
solution = z3_solve(formal_constraints)
explanation = llm_explain(solution)النمط: مخطّط رمزي + منفّذ LLM
استخدموا PDDL للخطة عالية المستوى، ودعوا LLM ينفذ كل خطوة:
plan = pddl_planner.solve(domain, initial_state, goal)
for step in plan:
llm_execute(step) # LLM figures out HOW to do itالنمط: LLM يستدعي مُثبت النظريات
بالنسبة إلى البراهين الرياضية:
- يقترح LLM مخططًا للبرهان
- يتحقق Lean أو Coq من كل خطوة
- يُراجع LLM البرهان عند رفض الخطوة
ويصل هذا إلى مستوى الرياضيات البحثية (AlphaProof وDeepSeek-Prover).
النمط: رسم بياني معرفي + LLM
للاستعلامات الواقعية، استعلموا رسمًا بيانيًا معرفيًا (Neo4j وWikidata) للحصول على حقائق موثّقة، ثم دعوا LLM يصوغ الإجابة:
facts = kg.query('SELECT ?spouse WHERE { :Einstein :spouse ?spouse }')
answer = llm.invoke(f'Format these facts: {facts}')النمط: بديل قائم على القواعد
إذا طابق الاستعلام قاعدة معروفة، فاستخدموا القاعدة مباشرةً. استخدموا LLM فقط للاستعلامات التي تخرج عن مجموعة القواعد:
if rules.match(query):
return rules.apply(query)
return llm_fallback(query)لماذا النظام الهجين؟
- الموثوقية — الأنظمة الرمزية لا تهلوس أبدًا
- قابلية التحقق — يمكن التحقق من الحلول
- الكفاءة — الأساليب الدقيقة أسرع في المهام المناسبة
- القابلية للتفسير — تعرض التتبعات الرسمية مسار الاستدلال
لماذا يفشل النظام الرمزي الخالص بمفرده
- لا يستطيع قراءة اللغة الطبيعية بسهولة
- هش أمام التغييرات الصغيرة
- يصعب توسيعه
تتعامل نماذج LLM مع الجانب البشري الفوضوي، بينما يتولى النظام الرمزي الجانب الآلي الصارم.
أبحاث العصبية الرمزية
- DeepMind AlphaGeometry — هندسة الأولمبياد
- AlphaProof — رياضيات بمستوى IMO
- OpenAI o1 — بحث رمزي ضمني في الاستدلال
- Google AlphaEvolve — يطوّر التعليمات البرمجية مع أدوات التحقق تطوريًا
بناء نظامكم الخاص
غلّفوا النظام الرمزي بوصفه أداة لـ LLM:
tools = [
{'name': 'sat_solver', 'description': 'Solve a SAT problem in DIMACS format', 'parameters': ...},
{'name': 'symbolic_math', 'description': 'Solve an equation symbolically with sympy', 'parameters': ...}
]Tool: Sympy for Math
import sympy
from sympy import solve, symbols
x, y = symbols('x y')
result = solve([2*x + y - 5, x - y - 1], [x, y])
print(result)
# {x: 2, y: 1}Tool: Z3 for Constraints
from z3 import Solver, Int, And
s = Solver()
x = Int('x')
s.add(And(x > 5, x < 15, x % 3 == 0))
print(s.check()) # sat
print(s.model())اعتبارات الإنتاج
- قد تتوقف المحركات الرمزية عن الاستجابة — اضبطوا مهلات زمنية
- يجب التحقق من المدخلات القادمة من نماذج LLM (مثل PDDL صالح نحويًا وSMT صالح)
- أنشئوا حلقة تغذية راجعة محكمة: خطأ المحلّل ← يصلح LLM المدخل
فائدة النظام الهجين
ما الفائدة الأساسية من الجمع بين نماذج LLM والأنظمة الرمزية؟
مراجعة سريعة
الوكلاء الهجينون اتجاه بحثي مهم. يعمل LLM مترجمًا، والمحرك الرمزي محلّلًا؛ ويعمل LLM مخطّطًا، والمدقّق الرمزي أداة تحقق. أضيفوا أدوات مثل sympy وZ3 وPDDL، وسيكتسب وكيلكم فئة جديدة بالكامل من القدرات.
الأسئلة الشائعة
هل درس «الوكلاء الهجينون الرمزيون والعصبيون» مجاني؟
نعم — نص درس «الوكلاء الهجينون الرمزيون والعصبيون» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Agents، انتقل إلى CoddyKit PRO. تتضمن دورة AI Agents 4 دروس في المجموع.
ماذا ستتعلم في «الوكلاء الهجينون الرمزيون والعصبيون»؟
اجمع بين الذكاء الاصطناعي الكلاسيكي (المخططين والحلّالات) ونماذج اللغة الكبيرة للحصول على استدلال قابل للتحقق. تتمرن على AI Agents مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ AI Agents؟
لا تُشترط خبرة سابقة. AI Agents على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 2 من أصل 4.
كم من الوقت يستغرق درس «الوكلاء الهجينون الرمزيون والعصبيون»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس AI Agents هذا؟
نعم. كل درس في AI Agents يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- الاستدلال الوكيلي (o1 وo3 ونماذج الاستدلال)
- الوكلاء الهجينون الرمزيون والعصبيون
- الوكلاء متعددو الوسائط (الرؤية والصوت والإجراء)
- مسائل مفتوحة: المتانة والمواءمة والذاكرة طويلة الأمد