PersonalAI 2.0: Enhancing knowledge graph traversal/retrieval with planning mechanism for Personalized LLM Agents
يُعد PersonalAI 2.0 إطار عمل مبتكر يعزز وكلاء النماذج اللغوية الكبيرة المخصصين من خلال دمج الرسوم البيانية للمعرفة الخارجية مع آلية تخطيط ديناميكية متعددة المراحل لمعالجة الاستعلامات التكيفية، محققاً دقة واقعية فائقة ومعدلات أقل من الهلوسة عبر اختبارات مرجعية متعددة مقارنة بطرق GraphRAG 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
إليك شرح لورقة بحث PersonalAI 2.0 (PAI-2)، مقسمة إلى مفاهحات بسيطة مع تشبيهات إبداعية.
الفكرة الكبرى: إعطاء الذكاء الاصطناعي خريطة وبوصلة
تخيل أنك تسأل أمين مكتبة ذكي جداً ولكنه كثير النسيان (النموذج اللغوي الكبير، أو LLM) سؤالاً معقداً.
- المشكلة: في الماضي، إذا سألت: "من أخرج فيلم Payment on Demand وهل هذا المخرج من نفس بلد مخرج فيلم My Cousin from Warsaw؟"، فقد يقوم أمين المكتبة بمجرد التخمين أو الهلوسة بالإجابة لأنه لا يستطيع تذكر كل التفاصيل بدقة. قد ينظر إلى بعض الكتب، ويصاب بالارتباك، ثم يختلق إجابة من عنده.
- الطريقة القديمة (GraphRAG): حاولت الأنظمة السابقة إصلاح ذلك عبر إعطاء أمين المكتبة خريطة حقائق ضخمة وثابتة. لكن أمين المكتبة كان غالباً ما ينظر فقط إلى أقرب نقطة على الخريطة ويفقد الروابط اللازمة للإجابة على السؤال المعقد.
- حل PAI-2: تقدم هذه الورقة البحثية PersonalAI 2.0، والذي يمنح أمين المكتبة خطة ديناميكية وبوصلة. بدلاً من مجرد التقاط أقرب كتاب، يقوم أمين المكتبة الآن بـ:
- تقسيم سؤالك الكبير إلى خطوات أصغر يمكن إدارتها.
- رسم مسار محدد على الخريطة لكل خطوة.
- فحص الخريطة، والعثور على دليل، ثم تعديل المسار بناءً على ما وجده للتو قبل الانتقال إلى الخطوة التالية.
كيف يعمل: تشبيه "المحقق"
فكر في PAI-2 كفريق من المحققين الذين يحلون لغزاً، وليس كشخص واحد يخمن.
تفكيك القضية (Decomposition):
عندما تطرح سؤالاً معقداً، لا يحاول PAI-2 حله دفعة واحدة. إنه يتصرف مثل قائد محقق يقول: "حسناً، أولاً نحتاج للعثور على مخرج الفيلم (أ). ثم نحتاج للعثور على مخرج الفيلم (ب). وأخيراً، سنتحقق من جوازات سفرهما". إنه يحول سؤالاً صعباً واحداً إلى قائمة مهام صغيرة وسهلة.خطة البحث (الاستراتيجية):
لكل مهمة صغيرة، ينشئ الذكاء الاصطناعي "خطة بحث". الأمر يشبه كتابة قائمة مهام: "اذهب إلى المكتبة، ابحث عن كتاب المخرجين، ابحث عن 'Payment on Demand'"."استعلامات الأدلة" (العدسة المكبرة):
هذا هو السر وراء نجاح الورقة البحثية. بدلاً من مجرد سؤال المكتبة عن "المخرجين"، يولد الذكاء الاصطناعي "أسئلة أدلة" محددة بناءً على الأسماء التي يجدها.- التشبيه: إذا وجد الذكاء الاصطناعي اسماً مثل "Curtis Bernhardt"، فإنه لا يتوقف عند هذا الحد. بل ينشئ سؤالاً جديداً وأكثر دقة: "أين ولد كورتيس برنهاردت؟". إنه يستخدم الاسم المحدد الذي وجده للتو للتعمق أكثر.
التعديل الديناميكي (البوصلة):
هذا هو الجزء الأهم. في الأنظمة القديمة، كانت الخطة ثابتة لا تتغير. في PAI-2، إذا وجد الذكاء الاصطناعي معلومة تغير السياق، فإنه يعيد كتابة الخطة.- مثال من الورقة: خطط الذكاء الاصطناعي في البداية للسؤال: "ما هو بلد مخرج فيلم My Cousin from Warsaw؟". ولكن بعد اكتشاف أن المخرج هو "Carl Boese"، أدرك أنه بحاجة للسؤال: "ما هو بلد Carl Boese؟" بدلاً من السؤال العام. هذا "تحسين الخطة" يضمن عدم ضياع الذكاء الاصطناعي.
التنقل في الرسم البياني (سير المسار):
"الرسم البياني للمعرفة" (Knowledge Graph) يشبه شبكة ضخمة من الحقائق المتصلة (نقاط وخطوط). يستخدم PAI-2 خوارزميات تنقل خاصة (مثل BeamSearch و WaterCircles) للتنقل في هذه الشبكة.- التشبيه: تخيل أنك في متاهة. المسترجع "الساذج" يمشي فقط في خط مستقيم حتى يصطدم بحائط. يستخدم PAI-2 تقنية BeamSearch (النظر في مسارات متعددة في وقت واحد) وتقنية WaterCircles (الانتشار مثل تموجات الماء في البركة) للعثور على المسار الدقيق للإجابة دون الوقوع في طرق مسدودة.
ما تدعيه الورقة (النتائج)
اختبر المؤلفون هذا "الفريق المحقق" الجديد مقابل طرق أخرى (مثل LightRAG و RAPTOR و HippoRAG 2) باستخدام ستة "اختبارات" مختلفة (مثل اختبارات المعلومات العامة والاستنتاج المعقد).
- دقة أفضل: حصل PAI-2 على الإجابة الصحيحة بشكل متكرر أكثر من غيره. وفي المتوسط، حسّن الدقة بنسبة 4% عبر الاختبارات.
- قوة التخطيط: عندما قاموا بإيقاف ميزة "تعديل الخطة"، انخفضت الدقة بنسبة 18%. وهذا يثبت أن القدرة على تغيير الخطة أثناء البحث أمر بالغ الأهمية.
- قوة الخريطة: استخدام خوارزميات التنقل الذكية (BeamSearch/WaterCircles) بدلاً من البحث البسيط في خط مستقيم حسن النتائج بنسبة 6%.
- بناء الذاكرة: عند بناء رسم الذاكرة البياني (الخريطة نفسها)، كان PAI-2 أفضل في الحفاظ على دقة الحقائق (89% نسبة الاحتفاظ) مقارنة بالطرق الأخرى، خاصة عند استخدام نماذج ذكاء اصطناعي أصغر وأكثر كفاءة.
المقايضة: السرعة مقابل الذكاء
تعترف الورقة بأن هناك تكلفة. نظرًا لأن PAI-2 يفكر، ويخطط، ويعيد التخطيط، ويمشي في الخريطة بعناية، فإنه يستغرق حوالي ضعف الوقت للإجابة على سؤال مقارنة بالنسخة الأقدم والأبسط (PAI-1).
- التشبيه: إنه الفرق بين العداء الذي يخمن خط النهاية (سريع ولكنه قد يخطئ) وعداء الماراثون الذي يتحقق من الخريطة عند كل ميل (أبطأ، ولكنه يصل بالتأكيد إلى المكان الصحيح).
الملخص
PersonalAI 2.0 هو نظام يمنع الذكاء الاصطناعي من التخمين. إنه يجبر الذكاء الاصطناعي على التصرف كباحث دقيق: تفكيك المشكلة، وضع خطة، جمع الأدلة، تعديل الخطة بناءً على أدلة جديدة، وسلوك مسار محدد عبر شبكة من الحقائق للوصول إلى الحقيقة. النتيجة هي تقليل "الهلوسة" (الأكاذيب) والحصول على إجابات أكثر دقة، حتى لو استغرق الأمر وقتاً أطول قليلاً في التفكير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.