SchemaRouter: Field-Aware Tool Routing for Efficient Heterogeneous Agentic RAG
يعتبر SchemaRouter طبقة توجيه خفيفة الوزن، واعية بالحقول، لأنظمة استرجاع المعلومات المعززة بالنماذج اللغوية الكبيرة (RAG) غير المتجانسة والوكيلة، والتي تستخدم مخططاً بيانياً للمخططات (schema graph) لإنشاء خطط أدوات قابلة للتنفيذ، مما يقلل بشكل كبير من استهلاك الرموز (tokens) وزمن الاستجابة مع الحفاظ على دقة إجابات تنافسية وتوفير إثبات مصدر يمكن التحقق منه مقارنة بالطرق المرجعية.
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
في المشهد الرقمي الحديث، تُكلف أنظمة الذكاء الاصطناعي بشكل متزايد بإيجاد الإجابات من خلال التواصل مع شبكة واسعة من الموارد الخارجية. تخيل باحثاً يطلب من حاسوب إيجاد الخصائص المحددة لمادة جديدة، أو التركيب الكيميائي لمركب ما، أو أحدث النتائج في مجلة علمية. للقيام بذلك، يعمل الحاسوب كوكيل، يتصل بقواعد بيانات ومكتبات وأدوات مختلفة، كل منها يحمل قطعة من أحجية اللغز. هذه الأدوات تشبه المكتبات المتخصصة، حيث تمتلك كل منها مجموعة فريدة من الكتب وقواعد خاصة لكيفية طلب المعلومات. التحدي الذي يواجه الحاسوب ليس فقط معرفة أي مكتبة يجب زيارتها، بل معرفة أي كتاب بالضبط يجب سحبه من الرف وأي صفحة يجب قراءتها. إذا طلب الكثير من المعلومات، يصبح النظام بطيئاً ومكلفاً، ويغرق في بيانات غير ضرورية. وإذا طلب القليل جداً، فإنه يفقد الحقائق الحاسمة اللازمة لتقديم إجابة صحيحة. هذا التوازن بين الكفاءة والشمولية هو المشكلة المركزية التي يحاول الباحثون حلها.
لقد طور باحث طريقة جديدة تسمى SchemaRouter للتنقل في هذه الشبكة المعقدة من مصادر المعلومات. فبدلاً من سؤال كل أداة ممكنة بشكل عشوائي عن كل قطعة بيانات ممكنة، أو الاعتماد على تخمين الحاسوب للعثور على كلمات متشابهة، يستخدم SchemaRouter خريطة مهيكلة للأدوات المتاحة. هذه الخريطة، أو المخطط (schema)، لا توضح فقط الأدوات الموجودة، بل تفصل أيضاً حقول البيانات المحددة التي تحتوي عليها، ووحدات القياس التي تستخدمها، والأذونات القانونية المطلوبة للوصال إليها. عندما يطرح مستخدم سؤالاً، يستخدم النظام أولاً خطوة صغيرة ومركزة لفهم القصد الجوهري والمفاهيم المحددة المعنية. ثم يستشير خريطته لاختيار الأدوات الدقيقة وحقول البيانات المحددة المطلوبة فقط للإجابة على ذلك السؤال بعينه. هذه العملية حتمية (deterministic)، مما يعني أنها تتبع مجموعة صارمة من القواعد بناءً على الخريطة بدلاً من التخمين، مما يضمن أن الخطة التي يضعها صالحة وتتضمن جميع التفاصيل الضرورية مثل مصدر البيانات ومن يملك حقوقها.
اختبر الباحث هذا النهج باستخدام اختبار معياري يتكون من مائة وعشرة أسئلة تتعلق بعلوم المواد، وهو مجال يعتمد بشدة على البيانات الدقيقة من مصادر متعددة. وقارن طريقته الجديدة بعدة استراتيجيات قائمة. تتضمن إحدى الاستراتيجيات الشائعة تغذية قائمة الأدوات بأكملها مع أوصافها في ذاكرة الحاسوب لكل سؤال، بينما تعتمد استراتيجية أخرى على العثور على أدوات تبدو مشابهة للسؤال باستخدام تقنية مطابقة الكلمات. أظهرت النتائج أن SchemaRouter حقق مستوى عالياً من الدقة في الإجابات النهائية، محاكيًا أداء الطريقة التي تطلب كل شيء، ولكنه فعل ذلك بجزء ضئيل من البيانات. وتحديداً، استرجعت الطريقة الجديدة 227 كلمة فقط من السياق للوصول إلى دقة إجابة بلغت 0.71، في حين تطلبت الطريقة التي تجلب كل شيء أكثر من 2,000 كلمة من السياق للوصول إلى مستوى دقة مماثل. هذا التقليل في حجم البيانات ترجم أيضاً إلى تحسن كبير في السرعة، حيث أكمل النظام الجديد المهام أسرع بنحو 2.7 مرة من النهج الذي يحمل جميع المعلومات المتاحة.
لقد تحدى اكتشاف حاسم من الدراسة افتراضاً شائعاً في هذا المجال: وهو أن أفضل طريقة لتوفير الموارد هي تقليل عدد حقول البيانات المختارة. اكتشف الباحث أن محاولة أن يكون مقتصداً للغاية واختيار الحد الأدنى المطلق من الحقول أدى في الواقع إلى الإضرار بجودة الإجابة النهائية. فعندما قلل الاختيار إلى الحد الأدنى، انخفضت دقة الإجابة بشكل كبير، على الرغم من أن عدد الكلمات (tokens) لم يتغير إلا قليلاً. كان مفتاح النجاح ليس في تقليل عدد الحقول، بل في ضمان أن الحقول المختارة هي الحقول الصحيحة للحفاظ على القدرة على الإجابة على السؤال بشكل صحيح. ومن خلال الاحتفاظ بشبكة أمان من مجموعات البيانات ذات الصلة، حافظ النظام على دقة عالية مع تجنب التكاليف الباهظة لجلب المعلومات غير ذات الصلة. وهذا يشير إلى أن الهدف يجب أن يكون استرجاع السياق الصحيح، وليس مجرد استرجاع أصغر قدر من السياق.
بعيداً عن السرعة والدقة، يقدم النهج الجديد ميزة متميزة في الموثوقية. ولأن النظام يتتبع صراحةً مصدر وترخيص كل قطعة بيانات يسترجعها، فإنه يمكنه إرفاق استشهاد واضح بالإجابة، موضحاً بالضبط أي قاعدة بيانات قدمت المعلومات وتحت أي شروط. في الاختبارات، تضمن النهج الجديد تفاصيل المصدر والترخيص المحددة هذه في 62 بالمائة من الإجابات. في المقابل، فشلت الطرق الأخرى، التي لا تنمذج هذه البيانات الوصفية (metadata)، في تقديم هذه الاستشهادات في أي حالة تقريًا. وهذه تحسن كبير لأن الحاسوب لا يمكنه ابتكار هذه النصوص القانونية المحددة من معرفته العامة؛ بل يجب عليه استرجاعها مباشرة من المصدر. هذه القدرة تجعل الإجابات قابلة للتحقق، وهو أمر ضروري للتطبيقات العلمية والمهنية حيث تكون معرفة أصل الحقيقة بنفس أهمية الحقيقة نفسها.
لاحظ الباحث أيضاً أن نهجه يتوسع بشكل أفضل بكثير مع زيادة عدد الأدوات المتاحة. فالطريقة التقليدية المتمثلة في إدراج جميع الأدوات في ذاكرة الحاسوب تصبح غير عملية بسرعة؛ فمع زيادة عدد الأدوات، تزداد كمية النص المطلوب لوصفها خطياً، مما يؤدي في النهاية إلى تجاوز حدود الذاكرة للنظام. ومع ذلك، يستخدم النهج الجديد مجموعة تعليمات ثابتة لا تنمو مع عدد الأدوات. وهذا يعني أنه حتى لو توسع النظام من بضع عشرات من الأدوات إلى مئات، فإن التكلفة والوقت المطلوبين لتخطيط البحث سيظلان ثابتين تقريباً. أُجريت الدراسة باستخدام بيئة محاكاة ببيانات مجمدة لضمان القياس الدقيق، وبينما تبدو النتائج واعدة، يقر المؤلف بأن هناك حاجة لمزيد من الاختبارات مع أنواع مختلفة من الأسئلة ونماذج حاسوبية أضعف لفهم حدود هذا النهج بشكل كامل.
في نهاية المطاف، يوضح العمل أن النهج المهيكل والمدرك للحقول هو وسيلة عملية لجعل وكلاء الذكاء الاصطناعي أكثر كفاءة وموثوقية. ومن خلال معاملة اختيار حقول البيانات كعملية دقيقة قائمة على القواعد بدلاً من كونها لعبة تخمين، يمكن للنظام تقديم إجابات دقيقة بسرعة أكبر وبشفافية أكبر. وتشير النتائج إلى أن الطريقة الأكثر فعالية لبناء هذه الأنظمة الذكية في المستقبل ستكون بالتركيز على استرجاع السياق الصحيح مع أصول يمكن التحقق منها، بدلاً من مجرد محاولة جمع أكبر قدر ممكن من المعلومات. هذا التحول في الاستراتيجية يسمح للتكنولوجيا بالتعامل مع المهام المعقدة في العالم الحقيقي دون أن تثقل كاهلها ضخامة حجم البيانات المتاحة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.