AI Prompt Engineering · درس

أدوات وإضافات مخصصة لـLLMs

طوّر أدوات مخصصة يمكن لـLLMs الاستفادة منها وادمجها لتوسيع إمكاناتها إلى ما يتجاوز معارفها الأساسية.

أدوات وإضافات مخصصة لـLLMs درس مجاني في AI Prompt Engineering على CoddyKit. هذا هو الدرس 3 من أصل 3. 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 Prompt Engineering، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Prompt Engineering 3 دروس في المجموع.

ما الأدوات المخصّصة؟

مرحبًا بكم في الدرس الأخير من دورة «هندسة المطالبات المتقدمة باستخدام الأدوات والوكلاء»! سنتعمّق اليوم في الأدوات المخصّصة والإضافات للنماذج اللغوية الكبيرة (LLMs).

تتيح الأدوات المخصّصة للنماذج اللغوية الكبيرة تجاوز بيانات التدريب والتفاعل مع العالم الحقيقي أو أنظمة محدّدة. فكّروا فيها على أنها مهارات خاصة تعلّمونها لنموذج لغوي كبير.

توسيع الإمكانات: إضافة دوال جديدة.
الوصول إلى البيانات في الوقت الفعلي: الحصول على معلومات حديثة.
تنفيذ الإجراءات: إجراء تغييرات في الأنظمة الخارجية.

الإمكانات المخصّصة مقابل المضمّنة

لقد تعلّمتم استدعاء الدوال الأساسي وتكامل API. وتخطو الأدوات المخصّصة خطوة إضافية.

قد يعرف النموذج اللغوي الكبير بالفطرة كيفية «تلخيص النص»، لكنه لا يعرف كيفية «التحقّق من حالة الطقس في لندن» ما لم توفّروا له أداة لذلك. تسدّ الأدوات المخصّصة هذه الفجوة، إذ تمنح النموذج اللغوي الكبير إمكانات خارجية محدّدة لا تتضمّنها قاعدة معارفه الأساسية.

مكوّنات الأداة المخصّصة

تحتاج كل أداة مخصّصة إلى تعريف واضح حتى يعرف النموذج اللغوي الكبير متى يستخدمها وكيفية ذلك. وتشمل المكوّنات الأساسية ما يلي:

الاسم: معرّف فريد (مثل get_current_time).
الوصف: يوضّح وظيفة الأداة ومتى ينبغي استخدامها. وهذا أمر بالغ الأهمية لاتخاذ النموذج اللغوي الكبير للقرار.
المعلمات: المدخلات التي تحتاج إليها الأداة لتعمل (مثل timezone لأداة الوقت).
المخرجات المتوقعة: نوع المعلومات التي تُرجعها الأداة.

وصف الأدوات باستخدام مخطط

«لتعليم» نموذج لغوي كبير كيفية استخدام أداة مخصّصة، نوفّر تعريفها بتنسيق منظّم، غالبًا باستخدام مخطط JSON. ويخبر هذا المخطط النموذج اللغوي الكبير بكل ما يحتاج إلى معرفته لاستدعاء الأداة بشكل صحيح.

إليكم مثالًا مبسّطًا على كيفية وصف أداة get_current_time:

{
  "name": "get_current_time",
  "description": "Gets the current time in a specified timezone.",
  "parameters": {
    "type": "object",
    "properties": {
      "timezone": {
        "type": "string",
        "description": "The timezone to get the time for (e.g., UTC, America/New_York)."
      }
    },
    "required": []
  }
}

إنشاء أداة بسيطة: الحصول على الوقت

لننشئ مثالًا عمليًا: أداة باسم get_current_time. ستُرجع هذه الأداة الوقت الحالي ببساطة، ويمكن تحديد المنطقة الزمنية اختياريًا.

بينما يفهم النموذج اللغوي الكبير الوصف (من المخطط)، فإن مسؤوليتنا هي كتابة الشيفرة الفعلية التي تنفّذ الإجراء الموصوف. وتعمل هذه الشيفرة خارجيًا عندما يقرّر النموذج اللغوي الكبير استدعاء الأداة.

مثال على تنفيذ أداة

يوضّح مقطع شيفرة Python هذا الشكل المحتمل لأداة get_current_time في الخلفية. عندما يستدعي النموذج اللغوي الكبير الأداة، ينفّذ هذه الدالة (أو منطقًا مشابهًا باللغة التي تختارونها) ويحصل على النتيجة.

جرّبوا تشغيلها لرؤية مخرجاتها!

import datetime

def get_current_time(timezone="UTC"):
    """
    Returns the current time in the specified timezone.
    """
    # For simplicity, we'll return UTC time and note timezone
    now = datetime.datetime.now(datetime.timezone.utc)
    return f"Current time in {timezone}: {now.strftime('%Y-%m-%d %H:%M:%S')} (UTC basis)"

# This is the entry point that would be called by the LLM's integration layer
if __name__ == "__main__":
    print(get_current_time())
    print(get_current_time(timezone="America/New_York"))

تدفّق استدعاء الأداة بواسطة LLM

إليكم كيفية استخدام LLM لأداة مخصّصة عادةً:

مطالبة المستخدم: تطرحون سؤالًا على LLM (مثل: "ما الوقت الآن في نيويورك؟").
قرار LLM: يحلّل LLM مطالبتكم وأوصاف الأدوات المتاحة له.
استدعاء الأداة: إذا كانت إحدى الأدوات ذات صلة، يُنشئ LLM استدعاءً للأداة (مثل get_current_time(timezone="America/New_York")).
التنفيذ: ينفّذ نظامكم شيفرة الأداة الفعلية.
النتيجة: تُعاد مخرجات الأداة إلى LLM.
استجابة LLM: يستخدم LLM مخرجات الأداة لصياغة إجابته النهائية لكم.

إنشاء المطالبات باستخدام الأدوات المخصّصة

عندما تضعون مطالبة لنموذج لغوي كبير لديه إمكانية الوصول إلى أدوات مخصّصة، لا تخبروه صراحةً باستخدام الأداة. يكفي أن تطرحوا سؤالًا يستلزم استخدام الأداة.

تُعدّ قدرة النموذج اللغوي الكبير على فهم وصف الأداة أمرًا أساسيًا. ويساعد الوصف الجيد النموذج اللغوي الكبير على اختيار الأداة المناسبة في الوقت المناسب.

المطالبة: "What is the current time right now?"
إجراء LLM: يستدعي get_current_time()
مخرجات الأداة: "Current time in UTC: 2023-10-27 10:30:00 (UTC basis)"
استجابة LLM: "The current time is 10:30 AM UTC."

فوائد الأدوات المخصّصة

تفتح الأدوات المخصّصة إمكانات قوية للنماذج اللغوية الكبيرة:

التخصّص حسب المجال: تزويد النماذج اللغوية الكبيرة بمعارف تتجاوز تدريبها العام.
التفاعل في الوقت الفعلي: الوصول إلى أحدث المعلومات (مثل أسعار الأسهم وحالة الطقس).
ذكاء قابل للتنفيذ: تمكين النماذج اللغوية الكبيرة من تنفيذ إجراءات (مثل إرسال رسائل البريد الإلكتروني وحجز المواعيد).
دقة محسّنة: الحدّ من الهلوسة بالاعتماد على مخرجات الأدوات الواقعية.
النمطية: إبقاء منطق النموذج اللغوي الكبير منفصلًا عن التفاعلات مع الأنظمة الخارجية.

اختبار سريع: الأدوات المخصّصة

أيّ مما يلي يُعدّ مكوّنًا أساسيًا في تعريف أداة مخصّصة لنموذج لغوي كبير؟

مراجعة: توسيع إمكانات LLM

استكشفنا في هذا الدرس الأدوات المخصّصة والإضافات، وهي وسيلة قوية لتوسيع إمكانات النماذج اللغوية الكبيرة.

تتيح الأدوات المخصّصة للنماذج اللغوية الكبيرة التفاعل مع الأنظمة والبيانات الخارجية.
وتتطلب تعريفًا واضحًا (الاسم والوصف والمعلمات)، غالبًا باستخدام مخطط JSON.
تتولّون تنفيذ المنطق الفعلي الذي يعمل عندما يستدعي النموذج اللغوي الكبير الأداة.
تمكّن الأدوات المخصّصة النماذج اللغوية الكبيرة من اكتساب معارف خاصة بالمجال، والوصول إلى البيانات في الوقت الفعلي، وتنفيذ الإجراءات، متجاوزةً بذلك مجرّد إنشاء النصوص.

وبإتقان الأدوات المخصّصة، يمكنكم بناء تطبيقات ذكاء اصطناعي تفاعلية وذكية فعلًا!

الأسئلة الشائعة

هل درس «أدوات وإضافات مخصصة لـLLMs» مجاني؟

نعم — نص درس «أدوات وإضافات مخصصة لـLLMs» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Prompt Engineering، انتقل إلى CoddyKit PRO. تتضمن دورة AI Prompt Engineering 3 دروس في المجموع.

ماذا ستتعلم في «أدوات وإضافات مخصصة لـLLMs»؟

طوّر أدوات مخصصة يمكن لـLLMs الاستفادة منها وادمجها لتوسيع إمكاناتها إلى ما يتجاوز معارفها الأساسية. تتمرن على AI Prompt Engineering 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 Prompt Engineering؟

لا تُشترط خبرة سابقة. AI Prompt Engineering على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 3 من أصل 3.

كم من الوقت يستغرق درس «أدوات وإضافات مخصصة لـLLMs»؟

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 Prompt Engineering هذا؟

نعم. كل درس في AI Prompt Engineering 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

← العودة إلى AI Prompt Engineering