GenesisFunc: Multi-Agent Data Generation for Accurate and Generalizable Function-Calling
تقدم الورقة البحثية GenesisFunc، وهو مسار عمل مؤتمت متعدد الوكلاء يولد بيانات استدعاء وظائف اصطناعية عالية الجودة ومتنوعة لتدريب نموذج لغوي كبير بحجم 8 مليار بارامتر، والذي يحقق أداءً فائقاً في النطاق المحدد وقدرة على التعميم خارج النطاق مقارنة بالنماذج مفتوحة المصدر ذات الحجم المماثل، بينما ينافس الأنظمة المتقدمة القائمة على واجهات برمجة التطبيقات (API).
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 مساعداً ذكياً جداً ولكنه يفتقر للخبرة (نموذج لغوي كبير، أو LLM). تريد من هذا المساعد أن يكون قادراً على استخدام الأدوات — مثل التحقق من حالة الطقس، أو حجز رحلة طيران، أو حساب ميزانية — تماماً كما يفعل البشر. ولكن هناك مشكلة: لكي تعلم المساعد كيفية استخدام هذه الأدوات، تحتاج إلى إطلاعه على آلاف الأمثلة لأشخاص يطلبون المساعدة، ويقوم المساعد باختيار الأداة الصحيحة وتعبئة التفاصيل بدقة.
في العالم الحقيقي، يعد جمع هذه الأمثلة أشبه بمحاولة العثور على إبرة في كومة قش؛ فهي عملية مكلفة، بطيئة، وغالباً ما تكون الأمثلة التي تجدها غير منظمة أو ناقصة. أما المحاولات السابقة لصنع (تخليق) هذه الأمثلة، فقد أدت غالباً إلى أدوات "مزيفة" لا تعمل، أو محادثات تبدو آلية ومكررة.
إليك GENESISFUNC. فكر في هذا كـ "معسكر تدريب" عالي التقنية لمساعدك الذكي. بدلاً من توظيف فريق من البشر لكتابة كل مثال، بنى المؤلفون نظاماً يعمل فيه فريق من الوكلاء الذكيين (AI Agents) معاً لإنشاء بيانات تدريب مثالية.
إليك كيف يعمل "معسكر التدريب" الخاص بـ GENESISFUNC، مقسماً إلى خطوات بسيطة:
1. صندوق الأدوات الموثوق (مجمع الأدوات - The Tool Pool)
قبل بدء التدريب، يحتاج النظام إلى مجموعة من الأدوات للتدرب عليها. وبدلاً من اختراع أدوات وهمية، يذهب GENESISFUNC إلى مكتبة عامة موثوقة من الأدوات الواقعية (تسمى معيار BFCL).
- التشبيه: تخيل طباخاً يريد تعلم الطبخ. بدلاً من اختراع مكونات وهمية، يذهب إلى متجر بقالة عالي الجودة ومعتمد لاختيار خضروات طازجة وحقيقية. هذا يضمن أن التدريب مبني على الواقع، وليس على الخيال.
2. نسخة المخرج (توليد الحوار عبر تعدد الوكلاء - Multi-Agent Dialogue Generation)
هذا هو قلب النظام. وضع المؤلفون فريقاً من أربعة "وكلاء" ذكاء اصطناعي (برامج متخصصة) يعملون كفريق إنتاج سينمائي لكتابة نصوص التدريب (المحادثات):
- مدير اختيار الممثلين (وكيل العينات - Sample Agent): يختار مزيجاً من الأدوات للمشهد. يختار "الممثلين الرئيسيين" (الأدوات المطلوبة للمهمة) و"الكومبارس" (أدوات تشتيت تبدو مشابهة ولكنها ليست الخيار الصحيح) لجعل الذكاء الاصطناعي يتعلم كيفية التمييز بينها.
- طبيب السيناريو (وكيل الذاكرة - Memory Agent): يتابع جميع المشاهد التي كُتبت حتى الآن. إذا استمر الفريق في الكتابة عن "حجز رحلة طيران"، سيقول هذا الوكيل: "مهلاً، لقد فعلنا ذلك بما يكفي؛ دعونا نكتب مشهداً عن 'تخطيط رحلة' بدلاً من ذلك". هذا يضمن أن تكون بيانات التدريب متنوعة وغير مكررة.
- الممثل (وكيل الوظائف - Function Agent): يكتب الحوار الفعلي. يقوم بإنشاء مستخدم يطرح سؤالاً واستجابة من المساعد تختار الأدوات الصحيحة وتملأ الفراغات (مثل التواريخ أو المواقع). كما يحرص على أن تكون التفاصيل واقعية، حيث يترك أحياناً بعض التفاصيل الاختيارية ليحاكي الكلام البشري الحقيقي.
- الناقد (وكيل الحكم - Judge Agent): يقرأ المسودات ويختار الأفضل منها. يقوم باستبعاد النصوص الضعيفة والاحتفاظ بتلك التي أنجز فيها المساعد الذكي المهمة بشكل مثالي.
3. فحص مراقبة الجودة (تقييم متعدد المراحل - Multi-Stage Evaluation)
حتى مع وجود فريق رائع، قد تحدث أخطاء. قبل استخدام البيانات لتدريب النموذج، تمر بعملية تفتيش صارمة مكونة من ثلاث خطوات:
- شرطة القواعد (فاحص القواعد - Rule Checker): برنامج حاسوبي يتحقق مما إذا كان التنسيق صحيحاً (على سبيل المثال: "هل استخدموا الأقواس الصحيحة؟").
- قاضي المنطق (فاحص النموذج - Model Checker): ذكاء اصطناعي أكثر ذكاءً يقرأ المحادثة ليرى ما إذا كان المنطق منطقياً (على سبيل المثال: "هل حل المساعد حقاً مشكلة المستخدم؟").
- المحرر البشري (التحقق البشري - Human Validation): يراجع فريق صغير من البشر الحالات الأكثر صعوبة. هم يقضون حوالي 15 ساعة فقط لأن الكمبيوتر قد قام بالفعل بتصفية 95% من الأخطاء.
النتائج: المساعد الخارق
بعد أن أنتج النظام هذه المجموعة الضخمة وعالية الجودة من البيانات، استخدمها المؤلفون لتدريب نموذج ذكاء اصطناعي يحتوي على 8 مليارات معلمة (نموذج متوسط الحجم).
- النتيجة: أصبح هذا النموذج المدرب بارعاً في استخدام الأدوات. لقد تفوق على النماذج مفتوحة المصدر الأخرى من نفس الحجم، بل وتنافس مع نماذج أكبر بكثير وأكثر تكلفة من شركات التكنولوجيا الكبرى.
- سحر "التعميم" (Generalization): نظرًا لأن بيانات التدريب كانت متنوعة للغاية (تغطي أنواعاً مختلفة من الأدوات والمحادثات المعقدة)، فإن النموذج لم يقم بمجرد حفظ الأمثلة، بل تعلم "مهارة" استخدام الأدوات. وعند اختباره على أدوات لم يسبق له رؤيتها، ظل يؤدي بشكل جيد للغاية.
لماذا يهم هذا الأمر؟
يدعي البحث أن هذه الطريقة تحل أكبر عقبة في تعليم الذكاء الاصطناعي كيفية استخدام الأدوات: وهي نقص البيانات الجيدة. من خلال استخدام فريق من وكلاء الذكاء الاصطناعي لتوليد البيانات، وتنويعها، والتحقق منها، أنشأوا مساراً يتميز بـ:
- الموثوقية: مبني على أدوات حقيقية وعاملة.
- التنوع: يغطي سيناريوهات عديدة، من الطلبات البسيطة ذات الخطوة الواحدة إلى المحادثات المعقدة متعددة الخطوات.
- القابلية للتوسع: يمكن توسيع نطاقه بسهولة ليشمل أدوات جديدة دون الحاجة إلى فريق ضخم من البشر للتدقيق.
باختاً، GENESISFUNC يشبه مصنعاً يبني تلقائياً "الكتاب المدرسي" المثالي لتعليم مساعدي الذكاء الاصطناعي كيفية استخدام الأدوات، مما ينتج عنه مساعد رقمي أكثر ذكاءً وقدرة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.