نماذج العالم والاستشراف
تنبأ بنتيجة الإجراء قبل تنفيذه، واختر الإجراء ذي أفضل نتيجة متوقعة.
نماذج العالم والاستشراف درس مجاني في AI Agents على CoddyKit. هذا هو الدرس 3 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.
تنبؤوا قبل أن تنفذوا
لا تكتفي أفضل الوكلاء بتجربة الأشياء — بل يتنبؤون بالنتائج أولًا، ويختارون الأفضل، ثم ينفذون. وهذه هي الفكرة نفسها المتمثلة في البحث عدة نقلات إلى الأمام في الشطرنج.
ما نموذج العالم؟
يتنبأ نموذج العالم بما يلي: بالنظر إلى الحالة الحالية S والإجراء A، ما الحالة التالية S'؟
بالنسبة إلى وكيل يستند إلى LLM، يمكن أن يكون LLM نفسه هو نموذج العالم:
prediction_prompt = '''
Current state: {state}
Proposed action: {action}
What is the most likely outcome? Return JSON: {new_state, success_probability}.
'''ما فوائد الاستشراف؟
بعض الإجراءات غير قابلة للعكس (مثل إرسال بريد إلكتروني أو حذف بيانات). ويمكن للتنبؤ أولًا أن يتجنب الأخطاء المكلفة.
وللإجراءات الأخرى نتائج غير واضحة. ويجبر التنبؤ الوكيل على التفكير في العواقب.
Simple 1-Step Lookahead
candidates = [a1, a2, a3]
predictions = [predict(state, a) for a in candidates]
best = max(zip(predictions, candidates), key=lambda p: p[0].success_probability)[1]
act(best)الاستشراف متعدد الخطوات (البحث الشجري)
وسّعوا البحث عدة خطوات إلى الأمام. ولكل إجراء مرشح، تنبؤوا بالنتائج، ثم تنبؤوا بنتائج تلك النتائج:
def search(state, depth=2):
if depth == 0:
return value(state)
actions = candidate_actions(state)
best_score = -math.inf
for a in actions:
next_state = predict(state, a)
score = search(next_state, depth - 1)
best_score = max(best_score, score)
return best_scoreشجرة الأفكار
Yao et al. 2023 — يوسّع CoT إلى شجرة. ينشئ الوكيل عدة "مسارات فكرية"، ويقيّم كل مسار، ثم يوسّع المسار الأكثر وعدًا:
import random
def continue_thought(question):
return question + ' -> idea' + str(random.randint(1, 100))
def score(t):
return len(t)
def expand_top_k(thoughts, scores, k):
ranked = sorted(zip(thoughts, scores), key=lambda x: -x[1])
return [t for t, s in ranked[:k]]
def ToT(question):
thoughts = [continue_thought(question) for _ in range(5)]
for depth in range(2):
scores = [score(t) for t in thoughts]
thoughts = expand_top_k(thoughts, scores, k=3)
return thoughts
result = ToT('How to reduce agent latency?')
print('Top thoughts:', result)
البحث الشجري بمونت كارلو (MCTS)
بالنسبة إلى أشجار البحث الكبيرة جدًا: خذوا عينات من المسارات، وقيّموا النتائج، ومرّروا التقييمات إلى أعلى الشجرة لتوجيه الاختيارات اللاحقة. يُستخدم هذا بكثرة في الذكاء الاصطناعي المخصص للألعاب، وبدأ يظهر في أبحاث الوكلاء.
تكلفة الاستشراف
كل إجراء متنبأ به هو استدعاء لـ LLM. فالاستشراف بعمق=2 وتفرع=3 يتطلب 9 استدعاءات لمجرد اتخاذ قرار بشأن إجراء واحد. استخدموا الاستشراف فقط للقرارات عالية الأهمية.
التقليم الاستدلالي
تجاوزوا التنبؤات الخاصة بالإجراءات السيئة بوضوح. صفّوا الإجراءات المرشحة مسبقًا باستخدام مصنّف منخفض التكلفة أو قاعدة.
معايرة التنبؤات
تنبؤات LLM غير مثالية. عايروا التنبؤات بمقارنة النتائج المتوقعة بالنتائج الفعلية من حين إلى آخر:
for trace in recent_traces:
predicted = trace.predicted_outcome
actual = trace.actual_outcome
log.info('prediction-accuracy', match=(predicted == actual))متى لا نستخدم الاستشراف؟
- الإجراءات الرخيصة والقابلة للعكس — جرّبوها فحسب
- المسارات الحساسة لزمن الاستجابة
- المهام التي تكون نتائجها واضحة
متى نستخدم الاستشراف؟
- الإجراءات غير القابلة للعكس (المالية والتواصلية)
- الخطط متعددة الخطوات التي تتراكم فيها الأخطاء
- المجالات عالية الأهمية (الطبية والقانونية)
- المهام التنافسية (الألعاب والمناظرات)
الاستشراف الداخلي بأسلوب o1
تنفذ نماذج الاستدلال OpenAI o1 / o3 الاستشراف الداخلي تلقائيًا أثناء مرحلة "التفكير". فهي تستكشف العديد من الاستمراريات قبل الالتزام بأحدها. ولا تحتاجون إلى تنفيذه خارجيًا.
مقايضة الاستشراف
ما التكلفة الرئيسية للاستشراف متعدد الخطوات؟
مراجعة
تنبؤوا قبل أن تنفذوا. الاستشراف بخطوة واحدة رخيص ومفيد؛ أما البحث الشجري فمكلف لكنه قوي. وتؤتمت نماذج الاستدلال (o1 وo3) هذه العملية. استخدموه باعتدال.
الأسئلة الشائعة
هل درس «نماذج العالم والاستشراف» مجاني؟
نعم — نص درس «نماذج العالم والاستشراف» 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 «نماذج العالم والاستشراف»؟
تنبأ بنتيجة الإجراء قبل تنفيذه، واختر الإجراء ذي أفضل نتيجة متوقعة. 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 3 من أصل 4.
كم من الوقت يستغرق درس «نماذج العالم والاستشراف»؟
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
- التفكيك الهرمي للمهام
- مكدسات الأهداف والتراجع
- نماذج العالم والاستشراف
- حلقات التأمل والنقد الذاتي