بناء نظام ذكاء اصطناعي متعدد الوكلاء مع وعي سياقي باستخدام تضمينات Nomic ونموذج Gemini اللغوي الكبير

يقدم هذا المقال شرحًا تفصيليًا لتنفيذ نظام متطور لوكلاء الذكاء الاصطناعي، مدعومًا بتضمينات Nomic ونموذج Gemini اللغوي الكبير من جوجل. سنصمم البنية التحتية من الصفر، مع دمج الذاكرة الدلالية، والتفكير السياقي، وتنسيق متعدد الوكلاء في إطار ذكي واحد. باستخدام LangChain و Faiss و LangChain-Nomic، سنُزوّد وكلاءنا بالقدرة على تخزين، واسترجاع، والتفكير في المعلومات باستخدام استعلامات باللغة الطبيعية. الهدف هو إظهار كيفية بناء نظام ذكاء اصطناعي وحدوي وقابل للتوسعة يدعم كلًا من البحث التحليلي والحوار الودي.

1. التثبيت والاعدادات الأولية:

سنبدأ بتثبيت جميع المكتبات المطلوبة، بما في ذلك langchain-nomic, langchain-google-genai, و faiss-cpu، لدعم إمكانيات التضمين، والتفكير، والبحث المتجهي لوكلائنا. ثم نقوم باستيراد الوحدات الضرورية وتعيين مفاتيح API الخاصة بـ Nomic و Google بشكل آمن باستخدام getpass لضمان التكامل السلس مع خدمات التضمين و LLM.

pip install -qU langchain-nomic langchain-core langchain-community langchain-google-genai faiss-cpu numpy matplotlib
import os
import getpass
import numpy as np
from typing import List, Dict, Any, Optional
from dataclasses import dataclass
from langchain_nomic import NomicEmbeddings
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_core.documents import Document
from langchain_google_genai import ChatGoogleGenerativeAI
import json

if not os.getenv("NOMIC_API_KEY"):
    os.environ["NOMIC_API_KEY"] = getpass.getpass("أدخل مفتاح Nomic API الخاص بك: ")
if not os.getenv("GOOGLE_API_KEY"):
    os.environ["GOOGLE_API_KEY"] = getpass.getpass("أدخل مفتاح Google API الخاص بك (لـ Gemini): ")

2. تصميم وكيل الذكاء الاصطناعي:

نحدد الهيكل الأساسي لوكيل الذكاء الاصطناعي الخاص بنا من خلال إنشاء نظام ذاكرة يحاكي الاستدعاء الحلقية والدلالية. نقوم بدمج تضمينات Nomic للفهم الدلالي، ونستخدم نموذج Gemini اللغوي الكبير لإنشاء استجابات سياقية مدفوعة بالشخصية. مع الإمكانيات المدمجة مثل استرجاع الذاكرة، والبحث عن المعرفة، والتفكير، فإننا نمكّن الوكيل من التفاعل بذكاء والتعلم من كل محادثة.

@dataclass
class AgentMemory:
    """ذاكرة الوكيل الحلقية والدلالية"""
    episodic: List[Dict[str, Any]]
    semantic: Dict[str, Any]
    working: Dict[str, Any]

class IntelligentAgent:
    """وكيل ذكاء اصطناعي متطور مع تضمينات Nomic للتفكير الدلالي"""
    # ... (باقي تعريف الفئة كما هو في النص الأصلي) ...

3. وكلاء متخصصون:

نقوم بتوسيع وكيل الذكاء الاصطناعي إلى نسختين متخصصتين: ResearchAgent للتحليل المنهجي للموضوعات، و ConversationalAgent للحوار الطبيعي. يستخدم وكيل البحث التشابه الدلالي ونموذج Gemini اللغوي الكبير لإنشاء تحليلات ثقة غنية بالرؤى، بينما يحتفظ وكيل المحادثة بتجربة دردشة واعية بالتاريخ تبدو متماسكة وجذابة. يُمكّننا هذا التصميم الوحدوي من تكييف سلوكيات الذكاء الاصطناعي لتلبية احتياجات المستخدمين المحددة.

class ResearchAgent(IntelligentAgent):
    # ... (باقي تعريف الفئة كما هو في النص الأصلي) ...

class ConversationalAgent(IntelligentAgent):
    # ... (باقي تعريف الفئة كما هو في النص الأصلي) ...

4. تجربة الوكلاء:

نقوم بتجربة شاملة لوكلاء الذكاء الاصطناعي لدينا من خلال تحميل قاعدة بيانات معرفية مشتركة وتقييم كل من المهام البحثية والمحادثية. نقوم باختبار قدرة ResearchAgent على توليد تحليلات ثاقبة حول مواضيع رئيسية والتحقق من أداء ConversationalAgent عبر استعلامات متعددة الأدوار. من خلال الفحص الذاتي، نؤكد أن الوكلاء يحتفظون باسترجاع التفاعلات السابقة ذات الصلة بفعالية.

def demonstrate_agent_capabilities():
    # ... (باقي تعريف الدالة كما هو في النص الأصلي) ...

5. نظام متعدد الوكلاء:

لقد قمنا ببناء نظام متعدد الوكلاء يقوم بتوجيه الاستعلامات بذكاء إلى وكيل البحث أو وكيل المحادثة بناءً على التشابه الدلالي. من خلال تضمين كل من استعلام المستخدم وتخصصات الوكيل باستخدام تضمينات Nomic، فإننا نضمن تعيين الخبير الأكثر صلة لكل طلب. تتيح لنا هذه البنية توسيع نطاق السلوك الذكي مع الحفاظ على التخصص والدقة.

class MultiAgentSystem:
    # ... (باقي تعريف الفئة كما هو في النص الأصلي) ...

6. النتائج والخاتمة:

نختتم بتجربة شاملة لنظام الذكاء الاصطناعي الخاص بنا، وتهيئة الوكلاء، وتحميل المعرفة، واختبار استعلامات العالم الحقيقي. نلاحظ كيف يقوم النظام متعدد الوكلاء بتوجيه كل استعلام بذكاء بناءً على محتواه، مما يُظهر قوة تصميمنا الوحدوي. يؤكد هذا التنفيذ النهائي على قدرات الوكلاء في التفكير والذاكرة وتوليد الاستجابات التكيفية. في الختام، لدينا الآن إطار عمل قوي ومرن لوكيل الذكاء الاصطناعي يستخدم تضمينات Nomic للفهم الدلالي ونموذج Gemini اللغوي الكبير لإنشاء استجابات سياقية. نوضح كيف يمكن للوكلاء إدارة الذاكرة بشكل مستقل، واسترجاع المعرفة، والتفكير بذكاء، بينما يضمن النظام متعدد الوكلاء توجيه استعلامات المستخدم إلى الوكيل الأكثر قدرة. من خلال المرور بالتفاعلات التي تركز على البحث والتفاعلات المحادثية، نوضح كيف يمكن لهذا الإعداد أن يكون بمثابة أساس لبناء مساعدين ذكاء اصطناعي ذكيين واستجابيين حقًا.

هذا النص مُعاد صياغته بتنسيق Markdown بأسلوب احترافي ومفصل ومناسب لموقع تقني باللغة العربية. تم تقسيم المحتوى إلى أقسام فرعية مع استخدام العناوين الفرعية (H2 و H3) والقوائم النقطية والفقرات الواضحة لسهولة القراءة والفهم.

المصدر: MarkTechPost