💻 computer science

TSCG: Deterministic Tool-Schema Compilation for Agentic LLM Deployments

إن TSCG هو مترجم لمخططات الأدوات حتمي وخالٍ من التبعيات، يعمل على تحسين دقة استخدام الأدوات بشكل كبير للنماذج اللغوية الكبيرة الصغيرة والمتقدمة في بيئات الإنتاج عبر تحويل مخططات JSON غير الفعالة إلى نصوص مهيكلة موفرة للرموز (tokens)، مما يؤدي إلى حل مشكلة عدم تطابق التنسيق التي تتسبب حالياً في غالبية أخطاء استخدام الأدوات.

المؤلفون الأصليون: Furkan Sakizli

نُشر 2026-05-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Furkan Sakizli

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول إعطاء سلسلة من التعليمات لمساعد ذكي جداً، ولكنه يتشتت بسهولة.

المشكلة: حاجز اللغة الـ "JSON"
حالياً، عندما تتواصل برامج الكمبيوتر (مثل وكلاء الذكاء الاصطناعي) مع بعضها البعض بشأن الأدوات التي تمتلكها (مثل "البحث في الإنترنت" أو "التحقق من الطقس")، فإنها تستخدم تنسيقاً يسمى JSON. الـ JSON يشبه نظام أرشفة تقنياً عنيداً مصمماً ليقرأه الكمبيوتر بسرعة؛ فهو مليء بالأقواس، وعلامات التنصيص، والملصقات المتكررة.

بالنسبة لنماذج الذكاء الاصطناعي التي تشبه البشر، خاصة النماذج الصغيرة والسريعة، فإن قراءة هذا الـ JSON تشبه محاولة قراءة كتاب حيث كل كلمة فيه مغلفة بوعاء بلاستيكي ثقيل ومربك. يتعثر الذكاء الاصطناعي بسبب هذا "البلاستيك" (الرموز والتركيبات الإضافية) وينسى التعليمات الفعلية. تطلق المقالة على هذا الأمر اسم "عدم تطابق البروتوكول". فالذكاء الاصطناعي يحاول قراءة ملف كمبيوتر، وليس جملة بلغة طبيعية.

الحل: TSCG (المترجم و"المحرر")
قام المؤلف، فوركان صاكيزلي، بتطوير أداة تسمى TSCG (قواعد السانيات السياقية للرموز - Token-Context Semantic Grammar). تخيل TSCG كمحرر سريع وحتمي يجلس بين الكمبيوتر والذكاء الاصطناعي.

قبل أن يرى الذكاء الاصطناعي التعليمات، يأخذ TSCG ملف الـ JSON الفوضوي ويعيد كتابته فوراً إلى تنسيق نصي نظيف يبدو طبيعياً. الأمر يشبه أخذ عقد قانوني كثيف وإعادة كتابته في شكل قائمة تعليمات واضحة بنقاط محددة.

كيف يعمل (المحررون الثمانية)
لا يستخدم TSCG أي سحر أو تخمين. بل يستخدم مجموعة ثابتة من 8 قواعد محددة (تسمى "عوامل التشغيل") لتنظيف النص:

إزالة الحمولات الزائدة: يقوم بحذف الكلمات المهذبة مثل "العناصر التالية" أو العبارات الزائدة التي لا يحتاج البشر لقراءتها.
إعادة ترتيب الأثاث: ينقل الأجزاء الأكثر أهمية من التعليمات إلى البداية تماماً وإلى النهاية تماماً، لأن نماذج الذكاء الاصطناعي تولي اهتماماً أكبر لبداية ونهاية الجملة (مثل "الأغطية" في بداية ونهاية القصة).
التحدث بلغة الذكاء الاصطناعي: يحول الرموز إلى رموز يتعرف عليها القاموس الداخلي للذكاء الاصطناعي كـ "كتل" واحدة بدلاً من أجزاء متعددة مكسورة، مما يوفر المساحة.

النتائج: معجزة للنماذج الصغيرة
اختبر المؤلف هذه الأداة على 12 نموذجاً مختلفاً من الذكاء الاصطناعي، تتراوح من النماذج الصغيرة (4 مليارات إلى 14 مليار "خلية دماغية") إلى النماذج الضخمة رفيعة المستوى.

بالنسبة للنماذج الصغيرة: كانت النتائج دراماتيكية. بدون TSCG، فشلت النماذج الصغيرة فشلاً شبه كامل (دقة 0%) عندما أُعطيت قائمة مكونة من 20 أداة لأن الـ JSON كان مربكاً للغاية. ومع استخدام TSCG، ارتفعت دقتها إلى 84%. الأمر كما لو أن الذكاء الاصطناعي قد "استيقظ" فجأة وأصبح أخيراً قادراً على فهم المهمة.
بالنسبة للنماذج الكبيرة: حتى النماذج فائقة الذكاء أصبحت أفضل؛ حيث أصبحت أكثر دقة واستهلكت "رموزاً" (tokens) أقل (وهي عملة وقت التفكير لدى الذكاء الاصطناعي)، مما يوفر المال والوقت.

لحظة الإدراك: الأمر يتعلق بالتنسيق، وليس فقط بالضغط
واحدة من أكثر النتائج إثارة للاهتمام في المقال هي لماذا ينجح هذا الأمر. أدرك المؤلف أنه بالنسبة للعديد من النماذج الصغيرة، لم تكن المشكلة مجرد أن النص طويل جداً، بل كانت التنسيق (JSON) هو العدو.

عندما قارن المؤلف بين "نص JSON" و"النص العادي" (بدون أي ضغط متطور)، وجد أن النص العادي وحده حل معظم المشكلة. TSCG هو النسخة القصوى من ذلك: فهو يصحح التنسيق و يضغط النص في آن واحد.

أسطورة "المقاس الواحد الذي يناسب الجميع"
اكتشف المقال أيضاً أن جميع نماذج الذكاء الاصطناعي لا تتفاعل بنفس الطريقة.

بعض النماذج "جائعة": تحب كل قاعدة يطبقها TSCG وتصبح أكثر ذكاءً مع كل تغيير.
بعضها "حساسة": تحب بعض القواعد ولكنها ترتبك بسبب أخرى. إذا أعطيتها الكثير من التغييرات، فقد تصبح أسوأ حالاً.
بعضها "قوية": لا تهتم تقريباً؛ فهي تعمل بشكل جيد بغض النظر عما يحدث.

هذا يعني أنه لا يوجد إعداد واحد "مثالي" لكل ذكاء اصطناعي. يجب عليك ضبط المحرر بناءً على نوع الذكاء الاصطناعي الذي تستخدمه.

باختصار
TSCG هي أداة مجانية ومفتوحة المصدر تعمل كمترجم. تأخذ لغة تعريف الأدوات الصارمة المخصصة للكمبيوتر فقط، وتحولها فوراً إلى تنسيق يمكن لنماذج الذكاء الاصطناعي فهمه بالفعل. هذا يمكّن نماذج الذكاء الاصطناعي الأصغر والأرخص من العمل بفعالية في التطبيقات الواقعية حيث كانت تفشل سابقاً، ويجعل النماذج الأكبر أسرع وأكثر دقة. إنه حل بسيط لمشكلة مربكة: توقف عن التحدث إلى الذكاء الاصطناعي بلغة البرمجة، وابدأ في التحدث إليه بنص واضح.

ملخص تقني: TSCG – التجميع الحتمي لمخططات الأدوات لعمليات نشر النماذج اللغوية الكبيرة الوكيلية

1. بيان المشكلة

تقوم أطر العمل الإنتاجية للوكلاء (مثل استدعاء الوظائف في OpenAI، واستخدام الأدوات في Anthropic، وMCP) بنقل تعريفات الأدوات إلى النماذج اللغوية الكبيرة (LLMs) كـ مخططات JSON. وبينما يعد JSON مُحسناً للمعالجة الحتمية من قبل الآلات وللقراءة البشرية، إلا أنه غير مثالي للتفسير من قبل النماذج اللغوية ذات التوليد الذاتي (Autoregressive).

يخلق هذا التباين في البروتوكول "منحدر قدرات" (Capability Cliff) للنماذج الصغيرة (4B–14B بارامتر). فمع زيادة حجم بيانات مخطط JSON، تنهار دقة استدعاء الأدوات، لتنخفض إلى 0–49% في الكتالوجات التي تحتوي على أكثر من 15 أداة. وتتكبد هذه المشكلة ثلاث تكاليف رئيسية:

تكاليف الرموز (Tokens): تؤدي المخططات إلى تكرار هيكلي بحت وتستهلك ما بين 3,000 إلى 25,000 رمز لكل استدعاء.
تكاليف القدرة: لا تستطيع النماذج الصغيرة تحليل مخططات JSON المنسقة بدقة في المقاييس الكبيرة، مما يترك القدرات الوكيلية محبوسة خلف واجهات برمجة التطبيقات (APIs) الرائدة.
تكاليف التوسع: ينمو العبء الهيكلي للمخطط خطياً مع حجم الكتالوج.

يؤطر العمل هذا الأمر ليس مجرد مشكلة ضغط، بل كـ مشكلة تكييف بروتوكول تتطلب تمثيلاً مختلفاً عند واجهة برمجة التطبيقات.

2. المنهجية: إطار عمل TSCG

يقدم المؤلفون Token-Context Semantic Grammar (TSCG)، وهو مترجم (Compiler) حتمي لمخططات الأدوات يقوم بتحويل مخططات JSON إلى نص مهيكل عالي الكفاءة في استهلاك الرموز. يعمل TSCG دون الحاجة للوصول إلى النموذج، أو الضبط الدقيق (Fine-tuning)، أو البحث في وقت التشغيل، حيث يعمل كمترجم سابق لعملية الترميز (Pre-tokenization).

2.1 خط الإنتاج (The Pipeline)

يطبق TSCG خط إنتاج ثابتاً يتكون من 10 تحويلات حتمية منظمة في خمس مراحل:

التحليل (Parse): تجزئة مدخلات JSON.
الضغط (Compression):
- تعظيم الكثافة الدلالية (SDM): إزالة الرموز الحشوية (علامات التأدب، التردد، الروابط الزائدة).
- بناء جمل متوافق مع المرمز (TAS): اختيار متغيرات الفواصل التي تقلل عدد الرموز بناءً على حدود BPE (مثل -> بدلاً من →).
- تحسين دور الفاصل (DRO): استبدال العبارات الهيكلية المطولة بفواصل مدمجة.
الهيكلة (Structural):
- تخطيط قائم على القيود أولاً (CFL): نقل قيود المخرجات إلى الموضع 0 لاستغلال ظاهرة "مصب الانتباه" (Attention Sink).
- الترتيب السببي الأمامي (CFO): إعادة ترتيب العمليات متعددة الخطوات بترتيب طوبولوجي لضمان إمكانية الوصول إلى المتطلبات المسبقة سببياً.
الهشاشة (Fragility):
- درجة الوصول السببي (CAS): تقييم الذرات (Atoms) حسب هشاشتها (الأهمية مقابل إمكانية الوصول) ووضع الذرات شديدة الهشاشة في البداية (مصب الانتباه) وفي النهاية (انحياز الحداثة).
- تكرار المرساة الانتقائي (SAD-F): تكرار الذرات الحرجة ضمن ميزانية الرموز لتعزيز المعلومات الرئيسية.
الإغلاق (Closure):
- مبدأ الإغلاق السببي (CCP): إضافة كتلة ملخص في النهاية (رغم أن النتائج التجريبية أظهرت أن هذا يضيف عبئاً دون تحقيق مكاسب ثابتة في الدقة).

2.2 الأسس النظرية

تعتمد العمليات على ثلاث خصائص لمحولات الانتباه السببي (Causal Autoregressive Transformers):

الانتباه السببي (Causal Attention): لا يمكن للرموز المبكرة الوصول إلى الرموز اللاحقة؛ لذا يجب أن تسبق الخطوات المعتمدة على المتطلبات المسبقة (CFO).
مصب الانتباه (Attention Sink): يتلقى الموضع 0 انتباهاً كبيراً بشكل غير متناسب؛ لذا يجب وضع القيود الحرجة هناك (CFL).
اللا-رتابة في BPE (BPE Non-Monotonicity): طول السلسلة النصية لا يرتبط خطياً بعدد الرموز؛ حيث يمكن اختيار الأشكال السطحية لتتوافق مع عمليات دمج BPE المتعلمة (TAS).

يوفر إطار العمل حداً رسمياً للضغط ويضمن تقليلاً في الرموز بنسبة $\ge 51\%$ للمخططات جيدة الصياغة.

3. المساهمات الرئيسية

إطار تحسين رسمي: نظام مكون من ثماني عمليات بمواصفات رياضية مرتبطة بميكانيكا المحولات، يلبي الوعي بالترميز والارتكاز السببي للانتباه.
التفكيك الميكانيكي: تحليل "التنسيق مقابل الضغط" الذي يظهر أنه بالنسبة للنماذج الصغيرة، فإن تغيير التمثيل (من JSON إلى نص) هو الآلية المهيمنة، بينما يستفيد النماذج الرائدة من الضغط الهيكلي.
معيار TAB: أول معيار لضغط مخطط الأدوات (TSCG-Agentic-Bench)، ويتكون من حوالي 19,000 استدعاء API عبر 12 نموذجاً (4B–32B محلي + 3 رائدة) و5 سيناريوهات.
تمكين النماذج الصغيرة: إثبات أن TSCG يستعيد الدقة للنماذج الصغيرة (4B–14B) من مستويات قريبة من الصفر إلى مستويات وظيفية (65–90%)، مما يتيح عمليات النشر المحلية.
مصفوفة استجابة العمليات للموديلات: تحديد ثلاثة أنماط استجابة مختلفة للنماذج الرائدة (المتلهفة للعمليات، الحساسة للعمليات، والمتينة تجاه العمليات)، مما يثبت عدم وجود تكوين عالمي واحد.
توصيف التوسع: يوضح أن فوائد الدقة تستمر حتى مع مخططات MCP الإنتاجية الثقيلة، حتى لو وصلت إلى مرحلة التشبع في الكتالوجات الاصطناعية الخفيفة.
التنفيذ: حزمة TypeScript مكونة من 1,200 سطر بدون تبعات، وتعمل في زمن أقل من مللي ثانية.

4. النتائج التجريبية

4.1 استعادة النماذج الصغيرة

في معيار TAB، حسن TSCG دقة استخدام الأدوات للنماذج الصغيرة بشكل كبير:

Phi-4 (14B): استعاد الدقة من 0% إلى 84.4% مع 20 أداة (90.3% مع 50 أداة).
Mistral 7B & Gemma 3 4B: أظهرت مكاسب هائلة (+17 إلى +63 نقطة مئوية) مع 20–50 أداة.
التفكيك: بالنسبة لهذه النماذج، كانت المكاسب مدفوعة أساساً بـ ترجمة التنسيق (تحويل JSON إلى نص مهيكل) وليس بالضغط. مقارنة بأساس نصي، تلاشت فائدة "الضغط" أو انعكست، مما يؤكد أن عنق الزجاجة كان تحليل JSON، وليس طول السياق.

4.2 أداء النماذج الرائدة

بالنسبة للنماذج الرائدة (Claude Sonnet 4, GPT-4o, GPT-5.2)، قدم TSCG فوائد ضغط هيكلي حقيقية:

Claude Sonnet 4: حقق دقة 85.2% (مقابل 74.0% لـ JSON الأصلي) مع توفير 50.1% في الرموز.
GPT-5.2: أظهر مكاسب كبيرة (+29.7 نقطة مئوية) في السيناريو A، رغم تباين الأداء بناءً على ملف تعريف العمليات.
نسبة الدقة المستعادة (ARR): حقق TSCG قيم ARR تتراوح بين 108–181% في معيار التحقق الخارجي BFCL.

4.3 نماذج حساسية العمليات (Archetypes)

كشفت التجارب التي عزلت تأثيرات كل عملية عن ثلاثة ملفات سلوكية متميزة:

المتلهفة للعمليات (مثل Opus 4.7): تستفيد من كل عملية؛ المسار الكامل هو الأمثل.
الحساسة للعمليات (مثل GPT-5.2): يمكن لعمليات معينة (مثل CFO) أن تضعف الأداء؛ مما يتطلب تكويناً انتقائياً.
المتينة تجاه العمليات (مثل Sonnet 4): ثابتة تجاه معظم العمليات؛ أي تكوين آمن سيعمل.

4.4 التوسع والتعميم

المخططات الثقيلة: مع مخططات MCP الإنتاجية الثقيلة (~10,500 رمز مدخل)، حافظ TSCG على ميزة دقة قدرها +5.0 نقطة مئوية، بينما تشبعت المكاسب في الكتالوجات الاصطناعية الخفيفة عند 75–100 أداة.
صلاحية المعيار: تنبأ معيار TAB الاصطناعي بأداء MCP الحقيقي ضمن 0.1 نقطة دقة.

5. الأهمية والادعاءات

يدعي العمل أن TSCG يعالج فجوة حرجة لم يتم معالجتها مسبقاً في البنية التحتية للنماذج اللغوية الوكيلية: وهي عدم كفاءة مخططات JSON لاستهلاك النماذج.

التحول المعماري: يضع TSCG ضغط المخططات كـ قرار معماري (ترجمة خارجية) وليس كتقنية هندسة أوامر (Prompt Engineering). وهذا ضريد لأن الترميز يحدث قبل النموذج، ولا يمكن للنموذج "إعادة صياغة" مدخلاته بأثر رجعي.
دليل النشر: يوفر العمل تصنيفاً قائماً على البيانات لعمليات النشر. تتطلب النماذج الصغيرة ترجمة التنسيق (غالباً عبر ملف تعريف "محافظ")، بينما تستفيد النماذج الرائدة من الضغط الهيكلي.
تأثير النظام البيئي: يقترح المؤلفون إنشاء سجل لـ مخططات الأدوات المترجمة مسبقاً ويتم تنسيقه من قبل المجتمع، على غرار سجلات الحزم (npm/PyPI)، لتوحيد الكفاءة عبر النظام البيئي الوكيل.

يخلص العمل إلى أن TSCG يُمكّن وكلاء استخدام الأدوات الوظيفيين على الأجهزة المحلية المقيدة بالخصوصية، مع تحسين استخدام الرموز للنماذج الرائدة، وكل ذلك من خلال مترجم حتمي وخالٍ من التبعات.