ما هو

هندسة المركبات (Compound Engineering) هي منهجية استراتيجية لبناء البرمجيات عبر دمج نماذج الذكاء الاصطناعي مباشرة في بنية التطبيق بدلاً من التعامل معها كاستدعاءات API خارجية. تحول هذه المنهجية التركيز من هندسة الأوامر (Prompt Engineering) البسيطة إلى إنشاء 'أنظمة مركبة'—وهي بنيات تتفاعل فيها وكلاء ذكاء اصطناعي متعددون وأدوات ومصادر بيانات في حلقة تغذية راجعة. على عكس المغلفات القياسية، يركز هذا النهج على إدارة الحالة، وتنسيق استخدام الأدوات، والتحسين التكراري، مما يتيح للمطورين بناء سير عمل مستقل ومعقد يتعامل مع مهام الاستدلال متعددة الخطوات بموثوقية أعلى ومعدلات خطأ أقل.

الميزات الأساسية

تنسيق الوكلاء المتعددين

يتجاوز التفاعلات ذات الأمر الواحد عبر تنسيق وكلاء متخصصين متعددين. من خلال تفويض المهام—مثل وكيل للبحث وآخر للتركيب—يقلل النظام من معدلات الهلوسة بنسبة 40% مقارنة بالنماذج الأحادية. تسمح هذه البنية باختبار معياري لأداء كل وكيل داخل خط المعالجة الأكبر.

حلقات التنفيذ ذات الحالة

تحافظ على حالة مستمرة عبر المحادثات متعددة الجولات، مما يسمح للوكلاء بتذكر السياق السابق ونتائج الأدوات. هذا أمر بالغ الأهمية لسير العمل المعقد الذي يتطلب تحسيناً تكرارياً، مثل توليد الكود أو تحليل البيانات، حيث يجب على النظام 'التصحيح الذاتي' بناءً على أخطاء التنفيذ السابقة.

تكامل الأدوات الحتمي

تغلف مخرجات LLM غير الحتمية بتنفيذ كود حتمي. من خلال إجبار الوكلاء على استخدام استدعاءات وظائف مهيكلة (JSON schema)، يضمن المطورون أن مخرجات الذكاء الاصطناعي ترتبط مباشرة بنقاط نهاية API أو استعلامات قاعدة البيانات، مما يسد الفجوة بين نية اللغة الطبيعية وتنفيذ البرمجيات الموثوق.

التحقق الآلي من التغذية الراجعة

تنفذ فحوصات برمجية على مخرجات الوكيل. إذا قام الوكيل بتوليد استعلام SQL، يتحقق النظام من صحة البنية مقابل المخطط قبل التنفيذ. يمنع هذا النهج 'الإنسان في الحلقة' أو 'الكود في الحلقة' الإخفاقات المتسلسلة في السلاسل المعقدة، مما يضمن نتائج عالية الدقة.

تصميم بنية معيارية

يشجع على فصل منطق النموذج عن منطق التطبيق. من خلال التعامل مع النماذج كمكونات قابلة للتبديل، يمكن للمطورين استبدال GPT-4o بـ Claude 3.5 Sonnet أو نماذج Llama 3 المحلية دون إعادة كتابة طبقة التنسيق، مما يحسن التكلفة وزمن الاستجابة بناءً على متطلبات المهمة المحددة.

كيفية الاستخدام

قم بتفكيك هدف تطبيقك الأساسي إلى رسم بياني موجه غير دوري (DAG) من المهام الفرعية.، 2. حدد وكلاء ذكاء اصطناعي متخصصين لكل عقدة، مع تعيين أوامر نظام محددة وصلاحيات الوصول للأدوات.، 3. نفذ طبقة تنسيق باستخدام إطار عمل مثل LangGraph أو AutoGen لإدارة انتقالات الحالة.، 4. ادمج أدوات استرجاع البيانات الخارجية (RAG) لتزويد الوكلاء بسياق لحظي.، 5. أنشئ حلقة تغذية راجعة حيث يتم التحقق من مخرجات الوكيل بواسطة تأكيدات برمجية قبل المتابعة.، 6. انشر النظام المركب في بيئة بدون خادم (serverless) للتعامل مع تنفيذ الوكيل غير المتزامن.

حالات الاستخدام

وكلاء البحث المستقلون

يبني المطورون وكلاء يتصفحون الويب، ويلخصون النتائج، ويصيغون التقارير. باستخدام النهج المركب، يمكن للوكيل التحقق من مصادره الخاصة، مما يؤدي إلى زيادة بنسبة 60% في الدقة الواقعية مقارنة بتطبيقات RAG القياسية.

إعادة هيكلة الكود المدعومة بالذكاء الاصطناعي

ينشر المهندسون وكلاء يحللون قواعد الكود القديمة، ويقترحون إعادة الهيكلة، ويشغلون اختبارات الوحدة للتحقق من التغييرات. يقوم النظام تلقائياً بالتراجع عن التغييرات إذا فشلت الاختبارات، مما يوفر مساراً آمناً وآلياً لتقليل الديون التقنية.

أتمتة خطوط أنابيب البيانات المعقدة

يستخدم علماء البيانات الأنظمة المركبة لاستيعاب السجلات غير المهيكلة، واستخراج المقاييس الرئيسية، وتحديث لوحات المعلومات. يتعامل النظام مع استعادة الأخطاء وإعادة المحاولة، مما يضمن سلامة البيانات دون تدخل يدوي.

من يستفيد