Code2UML: Agentic LLMs with context engineering for scalable software visualization
تقدم هذه الورقة Code2UML، وهو نظام لغوي كبير وكيل (agentic LLM) يتميز بطبقة هندسة سياق حتمية تتيح توليد مخططات UML مؤتمتة عالية الجودة وقابلة للتوسع من مستودعات الأكواد المصدرية واسعة النطاق، مع الحفاظ على أداء مستقر عبر مختلف أحجام المشاريع ولغات البرمجة.
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 أن لديك مكتبة ضخمة من الكتب (كود برمجي) وتريد إنشاء خريطة بسيطة (مخطط UML) توضح كيفية اتصال الغرف ببعضها، وأين توجد المخارج، وكيف يتنقل الناس بينها.
المشكلة هي أن المكتبة ضخمة جداً لدرجة أنه إذا حاولت وصف الشيء بأكمله لخبير واحد (ذكاء اصطناعي) دفعة واحدة، فسيشعر بالارتباك، أو يبدأ في تأليف أشياء من خياله، أو ببساء يتوقف في منتصف الطريق. هذه هي مشكلة "حد السياق" (context limit) التي تعالجها الورقة البحثية.
قام المؤلفون، Code2U، ببناء فريق ذكي من المساعدين الأذكياء لحل هذه المشكلة. فبدلاً من مطالبة ذكاء اصطناعي واحد ضخم بالقيام بكل شيء، أنشأوا تسلسلاً هرمياً من خمسة وكلاء متخصصين (فكر فيهم كطاقم بناء لديهم وظائف محددة) ونظاماً ذكياً لضغط البيانات.
إليك كيف يعمل نظامهم، مقسماً إلى مفاهيم بسيطة:
1. مرشح "هندسة السياق" (أمين المكتبة)
قبل أن ينظر فريق الذكاء الاصطعي إلى الكود، تعمل أداة خاصة مثل أمين مكتبة فائق السرعة.
- المشكلة: مكتبة الكود الكاملة أكبر من أن تتسع في "ذاكرة العمل" الخاصة بالذكاء الاصطناعي (نافذة السياق).
- الحل: هذه الأداة لا تستخدم الذكاء الاصطناعي لتقرير ما يجب الاحتفاظ به. بدلاً من ذلك، تستخدم قواعد صارمة ومكتوبة مسبقاً (منطق حتمي) لمسح الكود بسرعة وإنشاء "لقطة" (snapshot) مخصصة للخريطة التي تريد رسمها تحديداً.
- التشبيه: تخيل أنك بحاجة إلى خريطة لنظام مترو في مدينة ما. أمين المكتبة لا يسأل الذكاء الاصطناعي: "ما هو المهم؟"، بل يقوم أمين المكتبة فوراً برمي أسماء الشوارع، وعناوين المباني، وتفاصيل المتنزهات، ويحتفظ فقط بمحطات المترو والمسارات. هذه اللقطة صغيرة، وتناسب تماماً ذاكرة الذكاء الاصطناعي، وتتم في أجزاء من الثانية دون الحاجة لأي قدرة ذهنية من الذكاء الاصطناعي.
2. طاقم الوكلاء الخمسة
بمجرد أن ينشئ أمين المكتبة اللقطة المناسبة، يتولى فريق من خمسة وكلاء ذكاء اصطناعي متخصصين المهمة. يعملون معاً مثل آلة محكمة الصنع:
- المخطط (المهندس المعماري): ينظر إلى اللقطة ويقرر: "حسناً، نحتاج إلى تقسيم هذا المشروع الكبير إلى أجزاء أصغر. لنصنع ثلاث خرائط منفصلة للأقسام المختلفة".
- المحلل (المحقق): لكل جزء، يقرأ هذا الوكيل الملفات المحددة ويلخص التفاعلات الرئيسية (من يتحدث مع من). إنه يتجاهل الضوضاء ويركز على الإشارات المهمة.
- وكيل المخطط (الفنان): يأخذ هذا الوكيل الملخص ويقوم فعلياً برسم الخريطة (كتابة الكود الخاص بالمخطط).
- المصحح (المحرر): قد يرتكب الفنان أخطاء صغيرة (مثل خطأ مطبعي في مفتاح الخريطة). يقرأ هذا الوكيل الخريطة النهائية، ويتحقق من مطابقتها للقواعد، ويصلح أي أخطاء فوراً.
- محلل التبعيات (مدير سلاسل الإمداد): ينظر هذا الوكيل خارج الكود الأساسي ليرى ما هي الأدوات أو المكتبات الخارجية التي يستخدمها المشروع، لضمان تضمين تلك الاتصالات أيضاً في الخريطة.
3. النتائج: ماذا وجدوا؟
اختبر الفريق هذا النظام على 12 مشروعاً مختلفاً من البرمجيات مفتوحة المصدر (تتراوح من تطبيقات صغيرة إلى أنظمة ضخمة) مكتوبة بـ أربع لغات مختلفة (Java، Python، JavaScript، PHP). وحاولوا إنشاء 7 أنواع مختلفة من الخرائط (مثل مخططات الفئات، والمخططات الانسيابية، ومخططات النشر).
إليك ما حدث:
- دقة عالية: كانت الخرائط دائماً تقريباً صحيحة من الناحية التركيبية (حوالي 91.5% كانت مثالية من المرة الأولى؛ وبالنسبة لأنواع معينة مثل مخططات "المكونات" و"النشر"، وصلت النسبة إلى 100%).
- ملخصات ذكية: لم يحاول النظام سرد كل قطعة كود (مما سيجعل الخريطة غير قابلة للقراءة). بدلاً من ذلك، ركز على الأجزاء الأكثر أهمية. لقد التقط حوالي 31% من كيانات الكود، لكنها كانت الكيانات الصحيحة.
- الاتساق: عمل النظام بنفس الكفاءة على مشروع صغير مكون من 30 سطراً كما عمل على مشروع ضخم يحتوي على أكثر من 4,500 سطر. لم تنخفض الجودة مع زيادة حجم المشروع.
- لا توجد هلاوس: نادراً ما اخترع المخطط اتصالات وهمية بين أجزاء الكود. إذا قالت الخريطة إن شيئين متصلان، فهما متصلان بالفعل.
4. لماذا يهم هذا؟
تجادل الورقة البحثية بأن المحاولات السابقة لاستخدام الذكاء الاصطناعي لهذا الغرض فشلت لأنها حاولت تغذية الذكاء الاصطناعي بكامل الكود البرمجي في وقت واحد.
- الطريقة القديمة: "إليك المكتبة بأكملها، من فضلك ارسم خريطة". (النتيجة: يصاب الذكاء الاصطناعي بالارتباك ويبدأ في ارتكاب الأخطاء).
- طريقة Code2U: "إليك لقطة صغيرة، مصفاة بدقة، لما تحتاجه فقط من أجل هذه الخريطة المحددة. الآن، ارسم المخطط". (النتيجة: خريطة نظيفة، دقيقة، وصحيحة).
ملخص
تقدم الورقة البحثية نظاماً لأتمتة إنشاء المخططات البرمجية. وقد نجح من خلال عدم محاولة أن يكون عبقرياً "يناسب الجميع"، بل من خلال العمل كـ فريق متخصص يقوم أولاً بـ ضغط البيانات بذكاء ثم التعاون لرسم مخططات دقيقة وصحيحة. إنه يثبت أنه يمكنك إنشاء خرائط برمجية عالية الجودة لمجموعات كود ضخمة دون أن يصاب الذكاء الاصطناعي بالارتباك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.