لماذا نستخدم المخرجات المهيكلة
نتائج موثوقة قابلة للقراءة آليًا.
لماذا نستخدم المخرجات المهيكلة درس مجاني في AI Prompt Engineering على CoddyKit. هذا هو الدرس 1 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 Prompt Engineering، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Prompt Engineering 4 دروس في المجموع.
مشكلة النص الحر
يصعب تحليل مخرجات LLM باللغة الطبيعية بوضوح. فقد يجيب النموذج The price is $42 في إحدى المرات، ثم يجيب It costs forty-two dollars في المرة التالية. ويتعطل الكود اللاحق الذي يتوقع رقمًا.
تعني المخرجات المهيكلة تقييد النموذج بحيث يُصدر بيانات في هيئة قابلة للقراءة آليًا (JSON، وكائنات محددة الأنواع)، كي يصبح التحليل حتميًا لا قائمًا على التخمين.
التحليل هو التكلفة الخفية
غالبًا ما تبذل الفرق جهدًا هندسيًا أكبر في المعالجة اللاحقة للنصوص الهشة منه في كتابة المطالبات. ويُعد استخراج Regex، ومطابقة السلاسل النصية التقريبية، وحلقات إعادة المحاولة عند فشل التحليل أعراضًا للمخرجات غير المهيكلة.
- يتعطل Regex عند تغيّر الصياغة.
- تؤدي المطابقة التقريبية إلى أخطاء صامتة.
- يؤدي كل حقل جديد إلى مضاعفة مساحة التحليل.
ينقل التوليد المهيكل هذا العقد إلى مرحلة مبكرة داخل الطلب.
ثلاثة مستويات للبنية
تتدرج قوة الإلزام عبر المستويات التالية:
- التوجيه اللين — اطلب JSON في المطالبة؛ بلا ضمان.
- التوجيه بالمخطط — مرّر JSON Schema؛ ويتحقق موفر الخدمة من صحته.
- فك الترميز المقيّد — تحجب القواعد/آلة الحالات المنتهية الرموز غير الصالحة، فلا يمكن توليد إلا JSON صالح.
يوازن كل مستوى بين المرونة والموثوقية.
آليات فك الترميز المقيّد
في أقوى المستويات، يطبّق المفكك قناعًا للرموز في كل خطوة. وتحسب القواعد، التي تُحوَّل غالبًا إلى آلة حالات منتهية، الرموز التالية التي تُبقي المخرجات صالحة، ولا يمكن لأداة أخذ العينات الاختيار إلا من تلك المجموعة.
يجعل هذا JSON المشوّه مستحيلًا بنيويًا بدلًا من مجرد تثبيط توليده.
# Conceptual: logit masking against a grammar FSM
def masked_sample(logits, fsm_state, grammar):
allowed = grammar.allowed_token_ids(fsm_state)
mask = full_like(logits, NEG_INF)
mask[allowed] = 0.0
return sample(logits + mask)المخرجات المهيكلة الأصلية من موفر الخدمة
تعرض واجهات API الحديثة response_format مع مخطط JSON صارم. ويضمن موفر الخدمة توافق الاستجابة معه، لذا يمكنك فك تسلسلها دون كود احترازي.
client.chat.completions.create(
model='gpt-4o',
messages=[{'role': 'user', 'content': 'Extract the invoice fields.'}],
response_format={
'type': 'json_schema',
'json_schema': {
'name': 'invoice',
'strict': True,
'schema': {
'type': 'object',
'properties': {
'total': {'type': 'number'},
'currency': {'type': 'string'}
},
'required': ['total', 'currency'],
'additionalProperties': False
}
}
}
)الموثوقية بوصفها عقدًا
انظر إلى المخطط بوصفه عقد API بين النموذج ونظامك. فمثل توقيع دالة محدد الأنواع، يوثّق المخطط الغرض ويمكّن من الحصول على ضمانات شبيهة بضمانات وقت الترجمة.
ينقل هذا مخرجات LLM من اقتراح يجب على كودك تفسيره إلى قيمة محددة الأنواع يمكن لكودك الوثوق بها.
المفاضلة بين الحتمية والإبداع
تقيّد البنية الشكل، وليس بالضرورة المحتوى. فما يزال مخطط يحتوي على حقل حر مثل summary: string يسمح بنثر إبداعي داخل ذلك الحقل.
أفضل ممارسة: أحكم تنظيم الغلاف (الحقول والأنواع والتعدادات)، واترك هامش الإبداع فقط داخل حقول السلاسل النصية المخصصة لذلك.
التعدادات تقضي على فئات كاملة من الإخفاقات
يصعب تحليل التصنيف بالنص الحر (sentiment: 'kind of positive'). ويفرض التعداد اختيار قيمة واحدة من مجموعة ثابتة، فيلغي فئة كاملة من أخطاء التطبيع.
{
'type': 'object',
'properties': {
'sentiment': {
'type': 'string',
'enum': ['positive', 'neutral', 'negative']
}
},
'required': ['sentiment'],
'additionalProperties': False
}قابلية الرصد وإصدارات المخطط
من الأسهل بكثير تسجيل المخرجات المهيكلة ومقارنتها ومراقبتها. ويمكنك حساب مقاييس على مستوى الحقول، واكتشاف الانحراف، وإطلاق تنبيهات عند فقدان الحقول.
تعامل مع المخططات بوصفها عناصر ذات إصدارات: أضف الحقول اختيارية أولًا، وأوقف العمل بها قبل إزالتها، ووسم كل استجابة بإصدار المخطط الذي أنشأها.
متى لا ينبغي فرض البنية
قد يؤدي الإفراط في التقييد إلى خفض الجودة. وقد يؤدي فرض مخطط معقد أثناء خطوة الاستدلال إلى كبت chain-of-thought.
- دع النموذج يستدل أولًا باستخدام نص حر.
- ثم أجرِ استدعاءً ثانيًا مهيكلًا لتنسيق الخلاصة.
غالبًا ما يتفوق فصل الاستدلال عن التنسيق على استدعاء واحد مفرط التقييد.
اعتبارات التكلفة وزمن الاستجابة
تخفض المخرجات المهيكلة عادةً التكلفة الإجمالية: محاولات إعادة أقل، ورموز أقل تُنفق على صياغة النثر، وعدم الحاجة إلى خدمة تحليل منفصلة. ومع ذلك، قد تضيف أوضاع المخطط الصارم حملًا بسيطًا على الخادم وقد ترفض المحاولة الأولى؛ لذا احرص دائمًا على إقرانها باستراتيجية إصلاح (سنتناولها لاحقًا).
تحقق سريع
ما التقنية التي تجعل JSON المشوّه مستحيلًا بنيويًا بدلًا من مجرد تثبيط توليده؟
مراجعة
أصبحت تفهم الآن سبب أهمية المخرجات المهيكلة:
- فهي تستبدل التحليل الهش بعقد محدد الأنواع.
- ويتدرج الإلزام من التوجيه اللين إلى فك الترميز المقيّد.
- تقضي التعدادات والأغلفة المحكمة على فئات كاملة من الأخطاء.
- تساعد البنية في قابلية الرصد وإدارة الإصدارات.
- افصل بين الاستدلال والتنسيق لتجنب فقدان الجودة.
التالي: كيفية التعبير عن هذا العقد بدقة باستخدام JSON Schema في المطالبات.
الأسئلة الشائعة
هل درس «لماذا نستخدم المخرجات المهيكلة» مجاني؟
نعم — نص درس «لماذا نستخدم المخرجات المهيكلة» 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 4 دروس في المجموع.
ماذا ستتعلم في «لماذا نستخدم المخرجات المهيكلة»؟
نتائج موثوقة قابلة للقراءة آليًا. 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 1 من أصل 4.
كم من الوقت يستغرق درس «لماذا نستخدم المخرجات المهيكلة»؟
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
- لماذا نستخدم المخرجات المهيكلة
- مخطط JSON في التلقينات
- مخططات الأدوات والدوال
- حلقات الإصلاح والتحقق