💻 computer science

GraphMind: From Operational Traces to Self-Evolving Workflow Automation

يُعد GraphMind نظاماً متكاملاً ذاتي التطور يقوم تلقائياً ببناء وتنفيذ وتحسين رسوم بيانية لسير العمل المتمحور حول الإجراءات من خلال آثار العمليات باستخدام محرك تجول متعدد الوكلاء وتجول تعزيزي تكيفي، متفوقاً بشكل كبير على الطرق المرجعية في التحقيق في الحوادث داخل المؤسسات.

المؤلفون الأصليون: Yiwen Zhu, Joyce Cahoon, Anna Pavlenko, Qiushi Bai, Nima Shahbazi, Divya Vermareddy, Meina Wang, Mathieu Demarne, Swati Bararia, Wenjing Wang, Hemkesh Vijaya Kumar, Hannah Lerner, Katherine Lin, Steve

نُشر 2026-05-19

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC0 1.0

المؤلفون الأصليون: Yiwen Zhu, Joyce Cahoon, Anna Pavlenko, Qiushi Bai, Nima Shahbazi, Divya Vermareddy, Meina Wang, Mathieu Demarne, Swati Bararia, Wenjing Wang, Hemkesh Vijaya Kumar, Hannah Lerner, Katherine Lin, Steve Toscano, Miso Cilimdzic, Subru Krishnan

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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 تعمل في شركة ضخمة حيث تتعطل الأشياء باستمرار: الخوادم تنهار، وقواعد البيانات تتجمد، والعملاء لا يستطيعون تسجيل الدخول. عندما تحدث هذه الطوارئ، يتدخل عادةً فريق من المهندسين الخبراء لإصلاحها. هم لا يتبعون كتاب قواعد واحد وصارم؛ بل يعتمدون على الخبرة، والحدس، وخريطة ذهنية من نوع "إذا حدث هذا، جرب ذاك".

GraphMind هو نظام حاسوبي جديد مصمم ليتعلم من هؤلاء الخبراء ويبني "خريطة رقمية" ذاتية التحسين لكيفية حل المشكلات، وكل ذلك دون الحاجة إلى كتابة البشر للتعليمات.

إليك كيف يعمل، مقسماً إلى ثلاثة أجزاء بسيطة باستخدام تشبيهات من الحياة اليومية:

1. صانع الخرائط (البناء غير المتصل - Offline Construction)

المشكلة: تمتلك الشركات آلاف السجلات القديمة (السجلات/Logs) لكيفية قيام الخبراء بإصلاح المشكلات السابقة. لكن هذه السجلات فوضوية، مثل كومة من الإيصالات غير المنظمة.
الحل: يعمل GraphMind كأمين مكتبة فائق الكفاءة. فهو يقرأ آلاف هذه السجلات الفوضوية وينظمها تلقائياً في مخطط انسيابي منظم ونظيف.

كيف يعمل: يحدد "المشكلة" (مثلاً: "الخادم بطيء")، و"الإجراء" (مثلاً: "تحقق من استخدام الذاكرة")، و"النتيجة". ويربط هذه النقاط ببعضها لتكوين شبكة ضخمة.
اللمسة السحرية: إذا قام خبيران مختلفان بحل نفس المشكلة بكلمات مختلفة قليلاً، يدرك GraphMind أنهما الشيء نفسه ويقوم بدمجهما. هذا يمنع الخريطة من التضخم بالنسخ المكررة.

2. ملاحة نظام تحديد المواقع (التنقل المتصل - Online Traversal)

المشكلة: عندما تحدث حالة طوارئ جديدة، يحتاج وكيل حاسوبي (Agent) إلى إيجاد المسار الصحيح على هذه الخريطة الضخمة للإصلاح.
الحل: بدلاً من مجرد قراءة وثيقة طويلة، يعمل الوكيل مثل سائق يستخدم نظام GPS يتنقل في مدينة.

كيف يعمل: يبدأ الوكيل من موقع "المشكلة". ينظر إلى الخريطة ويتساءل: "أي طريق يؤدي إلى حل؟". يستخدم مزيجاً من المنطق (مثل تفكير البشر) وهيكل الخريطة لتقرير الخطوة التالية.
التحول: إذا وصل الوكيل إلى طريق مسدود، فإنه لا يستسلم؛ بل يستدير ويجرب حياً آخر في الخريطة. يستمر في التحرك حتى يجد حلاً أو توصية واضية.

3. نظام "الفيرومونات" (التطور الذاتي)

المشكلة: كيف يتحسن النظام بمرور الوقت دون معلم بشري؟
الحل: هذا هو الجزء الأكثر إبداعاً في الورقة البحثية، وهو مستوحى من النمل.

التشبيه: عندما تجد النملات طعاماً، تترك رائحة كيميائية (فيرومون) على الأرض. تتبع النملات الأخرى هذه الرائحة وتتبع أقوى مسار. وإذا أدى المسار إلى طريق مسدود، فإن الرائحة تتلاشى.
كيف يفعل GraphMind ذلك:
- النجاح: عندما ينجح الوكيل في حل مشكلة ما، فإنه "يضع فيروموناً رقمياً" على المسار الذي سلكه. هذا يجعل ذلك المسار "أكثر لزوجة" وأكثر عرضة للاختيار في المرة القادمة.
- الفشل: إذا أدى المسار إلى لا شيء، أو إذا تغيرت التكنولوجيا ولم يعد الإصلاح القديم يعمل، فإن "الرائحة" على ذلك المسار تتلاشى ببطء (تتحلل).
- النتيجة: بمرور الوقت، تصبح "الطرق السريعة" على الخريطة هي المسارات الأكثر كفاءة وإثباتاً، بينما تختفي الطرق غير المفيدة. النظام حرفياً يتعلم من أخطائه ونجاحاته.

لماذا يعد هذا أمراً مهماً؟

اختبرت الورقة البحثية هذا النظام على حالات طوارئ حقيقية في قواعد بيانات سحابية من Microsoft. وإليكم ما وجدوه:

إنه أكثر ذكاءً: مقارنة بنظام يقوم فقط بالبحث في الوثائق النصية القديمة (مثل بحث Google الأساسي)، وجد GraphMind الحلول بشكل أكثر تكراراً وبأخطاء أقل.
إنه أسرع: استطاع إجراء عمليات فحص تشخيصية أكثر بك_ثير في نفس الوقت.
إنه ذاتي التحسين: أصبح النظام أفضل كلما زاد استخدامه. جعلت طبقة "الفيرومونات" الوكلاء أكثر ثقة ودقة بمرور الوقت.
الاستخدام في العالم الحقيقي: تم استخدامه بالفعل من قبل مهندسين حقيقيين لمدة شهر. في 97% من الحالات، قدم لهم نصيحة مفيدة أو حلاً، حيث عمل كـ "مساعد طيار" مفيد بدلاً من كونه بديلاً لهم.

باختصار: يأخذ GraphMind التاريخ الفوضوي لكيفية إصلاح البشر للأمور، ويحوله إلى خريطة ذكية وحية، ويستخدم نظاماً "شبيهاً بالنمل" لتحديث تلك الخريطة باستمرار، مما يجعل الفريق بأكمله أكثر ذكاءً وسرعة في حل المشكلات كل يوم.

ملخص تقني: GraphMind

بيان المشكلة

تعد سير العمليات التشغيلية المعقدة في بيئات المؤسسات —التي تتطلب تنسيقاً بين الأفراد والأدوات والمعلومات لمهام مثل إدارة الحوادث— صعبة الأتمتة من البداية إلى النهاية. تواجه الحلول الحالية أربعة قيود رئيسية:

تكلفة التأليف العالية: يتطلب إنشاء المصنفات المعرفية (كتيبات الإجراءات - Playbooks) يدوياً خبرة عميقة في المجال.
عبء الصيانة: تصبح المصنفات الثابتة قديمة مع تطور أنظمة الإنتاج.
عدم كفاءة الاسترجاع: تستهلك طرق الاسترجاع غير المهيكلة أو المسطحة كميات هائلة من رموز السياق (Tokens) وتفشل في التقاط العلاقات السببية.
الافتقار إلى القدرة على التكيف: لا تستطيع الأنظمة الحالية التعلم من التغذية الراجعة للتنفيذ للتعامل مع الحالات الاستثنائية أو الظروف التشغيلية المتغيرة.

بينما أدت نماذج اللغات الكبيرة (LLMs) إلى تجديد الاهتمام بالوكلاء (Agents)، إلا أن النهج المعتمد حصرياً على التوجيه بالأوامر (Prompt-driven) يظل هشاً. وفي المقابل، فإن آثار العمليات (Operational Traces) —السجلات التاريخية لحلول الخبراء— متوفرة بكثرة ولكنها غير مستغلة كمعرفة مهيكلة وقابلة لإعادة الاستخدام.

المنهجية

GraphMind هو نظام متكامل يقوم ببناء وتنفيذ وتطوير رسوم بيانية لسير العمل تركز على الإجراءات دون جهد بشري. يعمل النظام من خلال ثلاث ركائز أساسية، مستوحاة من خوارزمية تحسين مستعمرة النمل (Ant Colony Optimization - ACO):

1. بناء الرسم البياني في وضع عدم الاتصال (البداية الدافئة)

تحول هذه المرحلة آثار العمليات الخام إلى رسم بياني لسير العمل مهيكل وقابل للاستعلام.

المخطط (Schema): يحدد النظام رسماً بيانياً ذا أنواع محددة (Domain، Problem، Action) وأربعة علاقات حواف (CAUSES، RESOLVES، LEADS_TO، BELONGS_TO).
خط أنابيب الاستخراج: يقوم خط أنابيب متعدد الوكلاء بمعالجة المصادر غير المتجانسة (متتبعات المشكلات، آثار الحلول). يستخدم النماذج اللغوية الكبيرة لاستخراج المشكلات والإجراءات والترتيب السببي، ثم يقوم بتقليم العقد الزائدة.
البناء التدريجي: للتعامل مع النمو المستمر للبيانات، يستخدم النظام استراتيجية "إلغاء التجميع والدمج" (De-clustering and Merging). يتم دمج الآثار الجديدة مع البيانات الموجودة، ويقوم عملية تجميع تجميعي (Agglomerative Clustering) خفيفة تعتمد على التضمين (Embedding) لإزالة تكرار العقد (تجميع المشكلات/الإجراءات المتشابهة دلالياً) للحفاظ على رسم بياني نظيف دون الحاجة لإعادة بناء كاملة.
الكفاءة: يقلل هذا النهج من الاسترجاع عبر الإنترنت إلى عملية تنقل في رسم بياني محدود، مما يتجنب التكلفة العالية لمعالجة السجلات الخام أو الرسوم البيانية المعرفية الكاملة المتمحورة حول الكيانات.

2. التنقل في الرسم البياني عبر وكلاء متعددين في وضع الاتصال

محرك التشغيل يتنقل في الرسم البياني لبناء وتنفيذ سير العمل ديناميكياً.

التنسيق (Orchestration): يعمل فريق من الوكلاء (مثل وكيل التنسيق، ووكلاء التنفيذ) في تدفق تحكم متداخل. تدير حلقة خارجية سياق التحقيق العالمي، بينما تقوم حلقة داخلية باستكشاف الرسم البياني بشكل تكراري.
تعداد
خوارزمية التنقل:
- محمل الرسم البياني (Graph Loader): في كل خطوة، يحدد النموذج اللغوي الكبير نوع العقدة ذات الصلة والاستعلام. يقوم باسترجاع أفضل $k$ من العقد الجذرية عبر تشابه المتجهات ويقوم بتوسيع الجوار بمقدار $m$ من الخطوات. ومن الأهمية بمكان أن توسيع الحواف هو احتمالي، حيث يتم تحيزها بواسطة أوزان التعزيز المضغوطة لوغاريتمياً ( $\log(1 + \phi(e))$ ) لتفضيل المسارات الناجحة تاريخياً مع السماح بالاستكشاف.
- مخطط الإجراءات (Action Planner): يعتمد النموذج اللغوي الكبير في عمله على سياق التحقيق، والرسم البياني الفرعي المستخرج (الذي يتم تمثيله كمخطط Mermaid مع أوزان التعزيز)، وتعليمات النظام لاختيار الإجراءات المرشحة.
- التنفيذ: ينفذ الوكلاء المتخصصون إجراءات تشخيصية (مثل استعلامات KQL) أو يقدمون توصيات للتخفيف من حدة المشكلة.
السلامة: يتم اقتراح عمليات التخفيف عالية التأثير للموافقة البشرية، بينما تُنفذ الاستعلامات التشخيصية ذاتياً.

3. تعزيز التنقل التكيفي (ATR)

تسمح هذه الآلية ذات الحلقة المغلقة للرسم البياني بتحسين نفسه بناءً على نتائج التنفيذ.

إيداع التعزيز: بعد عملية التنقل، يتم حساب درجة جودة الحل ( $Q$ ) بناءً على الفائدة، والموثوقية (Groundedness)، وتغذية المستخدم الراجعة. إذا تجاوزت $Q$ عتبة معينة، يتم إيداع التعزيز على العقد والحواف التي تم التنقل عبرها. المسارات الناجحة الأقصر تحصل على تعزيز لكل عنصر بشكل أقوى.
الاضمحلال الزمني (Temporal Decay): لمنع التقادم وتشجيع التكيف مع أنماط الفشل الجديدة، تضمحل جميع الأوزان بمرور الوقت ( $\phi(x) \leftarrow (1-\rho)\phi(x)$ ).
تخليق الحواف (Edge Synthesis): يمكن للنظام تخليق حواف جديدة من نوع LEADS_TO عندما يزور التنقل الناجح بالتتابع عقدًا لم تكن مرتبطة سابقًا، مما يلتقط تسلسلات الحوادث المبتكرة.
النتيجة: بمرور الوقت، ينظم الرسم البياني نفسه ذاتياً: تصبح المسارات الناجحة "طرقاً سريعة" توجه الوكلاء في المستقبل، بينما تتلاشى المسارات غير الفعالة.

المساهمات الرئيسية

أول نظام ذو حلقة مغلقة: يُقدم GraphMind كأول نظام يقوم تلقائياً ببناء وتنفيذ وتطوير رسوم بيانية لسير العمل المرتكزة على الإجراءات من آثار العمليات دون أي تأليف يدوي.
تنسيق معرفي مبتكر: يقدم تنسيقاً قائماً على الرسم البياني يوفر كفاءة في التخزين (عبر العقد المشتركة)، وتنقلاً صديقاً للوكلاء، وتطوراً ذاتياً مستمراً، مما يعالج قيود كتيبات الإجراءات، ومهارات الوكلاء، وTrace-RAG المسطحة.
تعزيز التنقل التكيفي (ATR): آلية مستوحاة من خوارزمية تحسين مستعمرة النمل تسمح لرسوم سير العمل بالتعلم من التغذية الراجعة للتنفيذ، وتعزيز المسارات الناجحة وإضعاف العناصر القديمة دون هندسة معرفية صريحة.
النشر في بيئة الإنتاج: تم نشر النظام عبر أربع خدمات قواعد بيانات سحابية في Microsoft للتحقيق في الحوادث.

النتائج

تم تقييم النظام على بيانات إنتاج عبر مراحل الاستخراج في وضع عدم الاتصال، والتنقل في وضع الاتصال المحكوم، ودراسة ميدانية استمرت 35 يوماً.

الاستخراج في وضع عدم الاتصال: حقق خط الأنابيب درجة F1 بلغت 0.89 لاستخراج العقد و 0.92 لاستخراج الحواف. بلغت التكلفة حوالي 0.22 دولار لكل حادثة.
التنقل عبر الإنترنت (مقابل Trace-RAG): مقارنة بـ Trace-RAG (الذي يسترجع ملخصات مكثفة للحوادث)، أظهر GraphMind ما يلي:
- الوصول إلى التخفيف (Mitigation Reach): 98.5% مقابل 90.9%.
- الموثوقية (Groundedness): 96.2% مقابل 77.3%.
- الفائدة (Usefulness): 3.49/5 مقابل 3.32/5.
- إنتاجية KQL: أعلى بـ 4 أضعاف (10.0 مقابل 2.5 استعلام ناجح لكل حادثة).
- مراجعة الخبراء: منح خبراء المجال GraphMind تقييم 4.95/5 (94.7% مثالية) مقارنة بـ 3.68 لـ Trace-RAG.
تأثير ATR: بمقارنة التشغيل مع وبدون التعزيز على 163 حادثة، أدى ATR إلى تحسين الموثوقية بنسبة 2.7 نقطة مئوية (92.2% مقابل 89.5%) وزيادة إنتاجية KQL بنسبة 14% (17.2 مقابل 15.1).
الدراسة الميدانية: في دراسة ميدانية لمدة 35 يوماً عبر أربع خدمات (88 محادثة)، حقق GraphMind ما يلي:
- المخرجات القابلة للتنفيذ: أنتجت 97% من المحادثات نتائج قابلة للتنفيذ.
- زمن الاستجابة (Latency): متوسط زمن الاستجونة لكل جولة هو 7.7 ثانية.
- نجاح الاستعلام: 84% من استعلامات KQL المولدة أعادت بيانات.
- أنماط الفشل: كانت حالات الفشل تعزى أساساً إلى فجوات التغطية (خدمات جديدة) وانتهاء صلاحية التتبع (telemetry expiration)، وليس عيوباً في تصميم النظام.

الأهمية والادعاءات

يدعي البحث أن GraphMind يثبت أن رسوم سير العمل البيانية يمكنها التعلم والتحسن من تنفيذ الوكلاء المستقلين على نطاق واسع. ومن خلال الانتقال من المصنفات المعرفية الثابتة إلى بنية تحتية "حية" تنظم نفسها عبر التعزيز والاضمحلال، يعالج النظام هشاشة الوكلاء الحاليين وعبء صيانة كتيبات الإجراءات اليدوية.

يؤكد المؤلفون أن النظام يجمع بشكل فريد بين:

كفاءة التخزين من خلال العقد المشتركة في الرسم البياني.
التنقل الصديق للوكلاء عبر الاسترجاء الموجه بالرسم البياني.
صفر جهد بشري في التأليف أو الصيانة.
تغطية قابلة للتوسع تنمو مع آثار العمليات.
التطور الذاتي المستمر عبر طبقة ATR.

يشير العمل إلى أن هذا النموذج المستوحى من السرب لديه القدرة على التعميم خارج إدارة الحوادث إلى مجالات تشغيلية أخرى، مثل تصحيح أخطاء البرمجيات ودعم القرار السريري، رغم أن التقييم الحالي محدد بإدارة حوادث قواعد البيانات السحابية.