ToolWeave: Structured Synthesis of Complex Multi-Turn Tool-Calling Dialogues
تقدم الورقة البحثية ToolWeave، وهو إطار عمل هيكلي يعمل على توليد حوارات استدعاء الأدوات متعددة الأدوار والواقعية من خلال فرض تبعيات الأدوات وتتبع مصدر المعلمات بدقة متناهية، مما يؤدي إلى تحسين جودة التفاعل متعدد الخطوات بشكل كبير وتحقيق أداء فائق في الاختبارات المرجعية للنماذج اللغوية الكبيرة الضبطية مقارنة بمجموعات البيانات الحالية.
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 تعليم روبوت ذكي جداً كيف يكون مساعداً شخصياً مفيداً. للقيام بذلك، يتعين عليك إظهار آلاف الأمثلة له من محادثات استخدم فيها الروبوت الأدوات بنجاح (مثل حجز رحلة طيران، أو التحقق من رصيد بنكي، أو إصلاح جهاز كمبيوتر) لحل المشكلات.
المشكلة هي أن معظم "الكتب المدرسية" (مجموعات البيانات) التي نستخدمها حالياً لتعليم هذه الروبوتات مليئة بالقصص المزيفة وغير الواقعية. الأمر يشبه تعليم طيار الطيران من خلال عرض فيديوهات لطائرة تظهر فجأة في السماء دون مدرج، أو حيث يعرف الطيار مستوى الوقود سحرياً دون فحص العداد.
المشكلة: "الكتب المدرسية المزيفة"
وجد مؤلفو هذه الورقة البحثية، من شركة IBM Research وIIIT Hyderabad، أن الطرق الحالية لإنشاء قصص التدريب هذه تعاني من مشكلتين رئيسيتين:
مشكلة "اللصق معاً": تختار الطرق الحالية أدوات تبدو وكأنها تتناسب مع بعضها البعض فقط لأنها تشترك في اسم واحد. على سبيل المثال، إذا كانت إحدى الأدوات تُخرج "رقم تذكرة" (ticket ID)، وأداة أخرى تحتاج إلى "رقم تذكرة"، فقد تقوم الطرق القديمة بلصقهما معاً. لكن في الواقع، قد تكون إحدى الأدوات لتذاكر السينما والأخرى لمواعيد المستشفى؛ فهما تشتركان في الاسم ولكن لا علاقة بينهما. هذا يخلق محادثات تفتقر إلى المنطق.
مشكلة "العصا السحرية": عند إنشاء هذه القصص، غالباً ما تسمح الطرق القديمة للذكاء الاصطناعي بـ "الهلوسة" (اختلاق معلومات). قد يعرف الروبوت فجأة رقم بطاقة الائتمان الخاصة بالمستخدم أو تاريخاً محدداً دون أن يخبره المستخدم بذلك أبداً. الأمر يشبه ساحراً يخرج أرنباً من قبعة لم تكن موجودة أصلاً.
الحل: ToolWeave
قدم المؤلفون إطار عمل جديد يسمى ToolWeave. فكر في ToolWeave ليس كآلة تخرج قصصاً عشوائية، بل كـ مهندس معماري بارع ومحرر صارم يعملان معاً لبناء دورة تدريبية واقعية.
إليك كيف يعمل ToolWeave، باستخدام تشبيه بسيط:
1. بناء "مجموعة الليغو" (رسم بياني للأدوات - The Tool Graph)
بدلاً من التقاط أدوات عشوائية من الرف، يقوم ToolWeave ببناء "مجموعة ليغو" مخصصة أولاً.
- الطريقة القديمة: تلتقط مكعباً أحمر ومكعباً أزرق لمجرد أنهما كلاهما مكعبات.
- طريقة ToolWeave: يصمم المكعبات بحيث يجب أن تتناسب مع بعضها البعض. فهو ينشئ أداة "جدول صيانة" تتطلب "معرف فني" (technician ID) يأتي فقط من أداة "توظيف". إنه يبني الروابط (التبعيات) داخل الأدوات نفسها، مما يضمن أنه إذا استخدمت الأداة (أ)، فستحتاج منطقياً إلى مخرجات الأداة (ب) لاستخدام الأداة (ج).
2. "كاتب السيناريو" (التخطيط الهيكلي - Structured Planning)
بمجرد بناء الأدوات، لا يطلب ToolWeave من الذكاء الاصطناعي "كتابة قصة" فحسب، بل يجبره على كتابة سيناريو مفصل أولاً.
- الخطة: قبل كتابة سطر واحد من الحوار، ينشئ النظام خطة خطوة بخطوة. يسأل: "من أين يأتي هذا الرقم؟ هل قاله المستخدم؟ أم أن الأداة السابقة هي من أعطته لنا؟"
- النتيجة: هذا يوقف مشكلة "العصا السحرية". لا يمكن للروبوت اختلاق رقم بطاقة ائتمان لأن السيناريو ينص صراحة على: "انتظر، ليس لدينا هذا الرقم بعد. نحن بحاجة لسؤال المستخدم".
3. "الممثلون" (توليد الحوار - Dialogue Synthesis)
أخيراً، يستخدم النظام فريقاً من "ممثلي" الذكاء الاصطناعي لأداء السيناريو.
- أحد الممثلين يلعب دور المستخدم، وآخر يلعب دور المساعد، وآخرون يلعبون أدوار الأدوات.
- هم يتبعون السيناريو بدقة. إذا نص السيناريو على أن المستخدم يحتاج لتوضيح تفصيل ما، فإن الممثل يؤدي ذلك المشهد. وإذا نص السيناريو على فشل أداة ما (مثل خطأ في الخادم)، فإن الممثلين يتدربون على كيفية التعامل مع هذا الخطأ.
- هذا يخلق محادثات تبدو بشرية، ومنطقية، ومليئة بالتفاعل الواقعي ذهاباً وإياباً.
النتائج: طيار أفضل
اختبر المؤلفون هذا "الكتاب المدرسي" الجديد (بيانات ToolWeave) مقابل الكتب القديمة. قاموا بتدريب نماذج روبوت مختلفة (مثل Llama-3) على هذه البيانات الجديدة ثم وضعوها تحت الاختبار.
- واقعية أكثر: احتوت البيانات الجديدة على 45% من التفاعلات متعددة الخطوات (حيث تؤدي أداة إلى أخرى)، مقارنة بأقل من 7% في البيانات القديمة.
- أكاذيب أقل: انخفض معدل اختلاق الروبوت للحقائق (الهلوسة) من أكثر من 50% إلى حوالي 20%.
- أداء أفضل: عند اختبارهم على اختبارات معيارية (مثل BFCL-V3)، سجلت الروبوتات المدربة على بيانات ToolWeave درجات أعلى بكثير. على سبيل المثال، قفز نموذج كبير (Llama-3.1-70B) من درجة 23.50% مع البيانات القديمة إلى 39.75% مع بيانات ToolWeave.
باختصار
ToolWeave هو طريقة جديدة لإنشاء بيانات التدريب للمساعدين الذكيين. بدلاً من ترك الذكاء الاصطناعي يخمن كيفية اتصال الأدوات ويختلق الحقائق، يقوم ببناء أساس هيكلي ومنطقي أولاً. إنه الفرق بين تعليم طالب بكتاب مليء بالأخطاء المطبعية والخدع السحرية، وبين تعليمه باستخدام دليل واضح وخطوة بخطوة يوضح له بالضبط كيف يعمل العالم الحقيقي. النتيجة هي ذكاء اصطناعي أفضل بكثير في حل المشكلات المعقدة متعددة الخطوات دون أن يتوه أو يختلق أشياءً من خياله.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.