البدء مع وكلاء Strands

في الآونة الأخيرة، إذا كنت تتعمق في تطوير الذكاء الاصطناعي، فربما صادفت مصطلح “أطر عمل الوكيل”. اليوم، سنناقش واحدًا منهم، عملاء Strands. هذه أداة تعمل على تغيير الطريقة التي ينشئ بها المطورون الأنظمة الذكية. ولكن إذا كنت مبتدئا، فلا داعي للقلق؛ سنرشدك خلال كل شيء بطريقة بسيطة في هذه المقالة.

ما هي وكلاء السواحل؟

اعتبر Strands Agents بمثابة عملية متكاملة لعقل وجسم الذكاء الاصطناعي لديك. على عكس روبوتات الدردشة التقليدية التي تتفاعل فقط مع مدخلاتك، يمكن لهؤلاء الوكلاء تنفيذ إجراءات مختلفة. يمكنهم استخراج المعلومات والتوصل إلى حلول وتشغيل الأدوات وربط العديد من الإجراءات لإكمال المهام الصعبة.

Strands هو نموذج مبتكر مدعوم من LangChain، والذي يلبي مجموعة كاملة من الوظائف التي تأتي مع مثل هذه العوامل المعقدة. أبرز ما يميز Strands هو نمطيتها. بدلاً من ترميز سطور طويلة من التعليمات البرمجية القياسية بشكل متكرر، يمكن للمرء استخدام طريقة مبتكرة للاتصال من خلال أجزاء جاهزة مثل كتل LEGO لبناء أنظمة الذكاء الاصطناعي المطلوبة بمهارة.

الميزات الرئيسية لوكلاء Strands

تمنحك Strands القدرة على إنشاء عملاء بسهولة وميزات قوية جدًا:

• تكامل الأداة: يتصل وكيلك بسهولة بواجهات برمجة التطبيقات وقواعد البيانات ومحركات البحث والوظائف المخصصة.
• إدارة الذاكرة: يقوم النظام بتخزين كافة المحادثات ويحتفظ بالسياق عبر تفاعلات المستخدم المتعددة.
• تنسيق السلسلة: يجمع سير العمل بين العمليات المختلفة في عملية واحدة سلسة.
• معالجة الأخطاء: يقوم النظام تلقائيًا بإعادة محاولة الإجراءات الفاشلة وإدارة تجاوز الفشل بسلاسة.
• المرونة: وهو متوافق مع أكثر من مزود LLM، مثل OpenAI وAnthropic والنماذج مفتوحة المصدر.
• قابلية التوسع: ما عليك سوى إنشاء نماذج أولية بسيطة أو أنظمة معقدة جاهزة للإنتاج.

سيقوم إطار العمل بالعمل الشاق نيابةً عنك حتى تتمكن من قضاء وقتك في تطوير الميزات بدلاً من المعاناة مع البنية التحتية.

لماذا نستخدم وكلاء ستراندز؟

أصبح الذكاء الاصطناعي أحد الأصول المهمة في كل صناعة. إن أنظمة الذكاء الاصطناعي التي لا تجيب فقط ولكنها تساعد أيضًا في اتخاذ قرارات معقدة هي المعايير الجديدة في السوق. Strands عبارة عن منصة تعمل بالذكاء الاصطناعي توفر هذه القوة دون التعقيد المعتاد. سواء كانت خدمة عملاء بدون روبوت يتحقق من حالة الطلب أو مساعد بحث يسحب البيانات من مصادر متعددة، ستوفر Strands البنية في كلتا الحالتين. منحنى التعلم سلس. ومع ذلك، فإن المهارات واسعة.

مكونات وكلاء الخيوط

دعونا أولاً نشرح المفاهيم الأساسية قبل الوصول إلى الجزء العملي. يتكون الوكيل النموذجي في Strands من ثلاثة أجزاء أساسية:

• نموذج اللغة: عقل الذكاء الاصطناعي الذي يفسر الطلبات ويختار مسار العمل
• أدوات: وظائف مختلفة يمكن لوكيلك القيام بها (مثل البحث أو الحساب أو التفاعل مع قواعد البيانات)
• ذاكرة: الطريقة التي يحتفظ بها الوكيل بسياق المحادثة والتفاعلات السابقة

بالإضافة إلى ذلك، تستخدم Strands “السلاسل”، وهو نوع من العمليات يتم تحديده مسبقًا عند القيام به في تسلسل محدد. يمكن أن تكون السلسلة بحيث تبحث أولاً عن المعلومات، ثم تلخصها، وأخيراً تعرض المخرجات بطريقة منسقة.

البدء مع وكيل Strands

أولاً، قم بتثبيت إصدار Python 3.8 أو إصدار أعلى على جهاز الكمبيوتر الخاص بك. يعد إنشاء بيئة افتراضية أفضل طريقة لإدارة التبعيات باستخدام هذا الإطار. سيصبح الأمر أسهل من إدارتها بدون واحدة. الخطوة التالية هي الحصول على مفتاح API من شركة توفر نماذج لغوية كبيرة (LLMs). تعد OpenAI وAnthropic وCohere الشركات الثلاث الكبرى التي لا تزال تسمح بالوصول المجاني إلى منتجاتها للأغراض الأكاديمية.

التدريب العملي على المهمة 1: بناء وكيل مساعد للأبحاث

سنقوم ببناء وكيل يمكنه البحث في الإنترنت وتقديم ملخص للنتائج. ستعرضك هذه المهمة العملية على أساسيات تطوير الوكيل.

الخطوة 1: تثبيت التبعيات

قم بتشغيل المحطة الطرفية الخاصة بك وقم بإنشاء مجلد مشروع جديد:

mkdir strands-research-agent 
cd strands-research-agent 
python -m venv venv 
source venv/bin/activate  # On Windows: venv\Scripts\activate 
pip install langchain langchain-openai langchain-community duckduckgo-search

الخطوة 2: قم بإنشاء ملف الوكيل الخاص بك

قم بإنشاء ملف يسمى Research_agent.py بهذا الكود:

from langchain.agents import initialize_agent, Tool 
from langchain.agents import AgentType 
from langchain_openai import ChatOpenAI 
from langchain_community.tools import DuckDuckGoSearchRun 
import os
# Set your OpenAI API key 
os.environ("OPENAI_API_KEY") = "your-api-key-here"
# Initialize the search tool 
search = DuckDuckGoSearchRun()
# Define tools 
tools = ( 
   Tool( 
       name="Web Search", 
       func=search.run, 
       description="Useful for searching the internet for current information." 
   ) 
) 
# Initialize the language model 
llm = ChatOpenAI(temperature=0.7, model="gpt-4o-mini")
# Create the agent 
agent = initialize_agent( 
   tools=tools, 
   llm=llm, 
   agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, 
   verbose=True 
)
# Test your agent 
if __name__ == "__main__": 
   query = "What are the latest developments in renewable energy?" 
   response = agent.run(query) 
   print("\n\nFinal Answer:") 
   print(response) 

الخطوة 3: التشغيل والاختبار

أولاً، احفظ الملف ثم قم بتشغيله باستخدام الأمر python Research_agent.py. سيقوم الوكيل بتنفيذ العملية برمتها، مما يمنحك نظرة عامة لطيفة على أنشطته. تتيح لك المعلمة الإسهاب = True مشاهدة تفكير الوكيل، وهو أمر مثير للاهتمام وغني بالمعلومات في نفس الوقت.

الخطوة 4: تخصيص وكيلك

تابع وقم بإجراء هذه التغييرات للحصول على رؤية أفضل:

• استخدم أسئلة مختلفة لاختبار حالات مختلفة
• تغيير معامل درجة الحرارة (0 للإجابات المركزة، 1 للإجابات الخيالية)
• تنفيذ معالجة الأخطاء من خلال كتل المحاولة باستثناء
• قم بتغيير وصف الأداة ولاحظ كيف يؤثر ذلك على تصرفات الوكيل

جرب ذلك عن طريق تغيير مستويات المعلمات، ولاحظ مجموعة متنوعة من النتائج.

التدريب العملي على المهمة 2: حاسبة الوكيل مع الذاكرة

الآن، سنقوم بإنشاء شيء أكثر تعقيدًا، وهو وكيل لا يقوم فقط بإجراء العمليات الحسابية، بل يتذكر أيضًا العمليات السابقة. ما هي الطريقة الأفضل لإظهار الاحتفاظ بالسياق على عدد قليل من التفاعلات؟

الخطوة 1: تثبيت المكتبات

يجب تضمين حزمة الرياضيات في الإعداد الخاص بك:

pip install numexpr

الخطوة 2: تطوير وكيل الحاسبة

يجب إنشاء ملف جديد باسم Calculator_agent.py:

from langchain_openai import ChatOpenAI 

from langchain_community.chat_message_histories import ChatMessageHistory 

from langchain_core.messages import HumanMessage, AIMessage, SystemMessage 

import os
# Set your API key
os.environ("OPENAI_API_KEY") = "api-key-here"
# Initialize the language model
llm = ChatOpenAI(temperature=0, model="gpt-4o-mini")
# Initialize chat history
chat_history = ChatMessageHistory()
def calculator_agent(user_input):
"""Calculator agent with memory"""
# Build messages with history
messages = (
SystemMessage(content="You are a helpful calculator assistant. Perform mathematical calculations and remember previous results. When the user refers to 'that result' or 'the previous answer', use the conversation history to understand what they mean.")
)
# Add chat history
messages.extend(chat_history.messages)
# Add current input
messages.append(HumanMessage(content=user_input))
# Get response
response = llm.invoke(messages)
# Save to history
chat_history.add_user_message(user_input)
chat_history.add_ai_message(response.content)
return response.content
# Interactive loop
if __name__ == "__main__":
print("Calculator Agent Ready! (Type 'quit' to exit)")
print("Try asking things like:")
print("- What is 25 times 4?")
print("- Add 50 to that result")
print("- What was my first calculation?\n")
while True:
user_input = input("\nYou: ")
if user_input.lower() == 'quit':
print("Goodbye!")
break
response = calculator_agent(user_input)
print(f"\nAgent: {response}")

الخطوة 3: اختبار وظائف الذاكرة

الخطوة الأولى هي فتح سطر الأوامر وتشغيل الأمر “python Calculator_agent.py”. ثم اختبر هذا الإجراء:

السؤال: ما هو 25 ضرب 4؟

بعد ذلك، السؤال: “أضف 50 إلى هذه النتيجة.”

السؤال الأخير: “ما هي حساباتي الأولى؟”

يتتبع الوكيل ويمنحك الوصول إلى الحسابات السابقة. هذا هو تأثير الذاكرة الرائع في أقوى حالاته.

الخطوة 4: فهم المكونات

تحتفظ ConversationBufferMemory بجميع الحوارات في المحادثة السابقة. عندما تقول “تلك النتيجة”، يتذكر الوكيل موقفك ويفهمه. هذا هو ما هي التفاعلات الطبيعية والإنسانية. يمكن أيضًا تجربة أنواع أخرى من الذاكرة.

• ذاكرة ملخص المحادثة: يوفر ملخصًا مستمرًا للمناقشات المطولة
• ذاكرة نافذة المحادثة: يتذكر فقط تفاعلات N الأخيرة
• ذاكرة مخزن المتجهات: يخزن التفاعلات في قاعدة بيانات متجهة يمكن البحث فيها

كل نوع له تطبيق منفصل حسب متطلباتك.

تطبيقات العالم الحقيقي

إن نفس المفاهيم الأساسية وراء الوكلاء البسطاء اليوم تعمل أيضًا على تشغيل الوكلاء المتطورين في المستقبل. فيما يلي بعض التطبيقات التي يمكننا من خلالها استخدام هذه العوامل التي تنفذ هياكل مماثلة:

• روبوتات لدعم العملاء تتحقق من حالة الطلبات وإرجاع العناصر
• مساعدو الذكاء الاصطناعي الذين يهتمون بالتقويمات ورسائل البريد الإلكتروني والحجوزات
• أدوات للبحث تجمع البيانات من قنوات مختلفة
• المستشارون الماليون الذين ينظرون إلى إحصائيات السوق وأداء المحافظ
• آلات إنشاء المحتوى التي تبحث عن المواضيع وتكتب وتصحح المقالات

فكر في الأمر كترقية لوكيل الأبحاث لدينا إلى مستوى كتابة التقارير الكاملة، أو تطوير إضافي لوكيل الحاسبة إلى درجة تنفيذ التخطيط المالي باستخدام البيانات في الوقت الفعلي من خلال واجهات برمجة التطبيقات.

خاتمة

يعد Strands Agents نقطة تحول في تطوير الذكاء الاصطناعي حيث أنهم يأتون مع مجموعة من الخصائص المتقدمة التي تتيح لهم العمل كمساعدين بشريين في الحالات الأكثر تحديًا. لقد انتهى عصر الروبوتات التي لا تتحدث إلا؛ تعمل الأنظمة الآن، وتتذكر، وحتى تفكر.

العاملان اللذان قمنا بتطويرهما لهذا اليوم هما اللبنات الأساسية. أنت تفهم البنية وترى رمز العمل وتختبر سير عمل التطوير. الآن ببساطة استمر في البناء، واستمر في تجربة أشياء جديدة، والأهم من ذلك كله، استمتع بوقتك في القيام بذلك. يتم إنشاء مستقبل الذكاء الاصطناعي في هذه اللحظة بالذات، وأنت أحد الشخصيات في تلك الحبكة.