From SQL Generation to Tool Selection: A Domain-Oriented Pattern for MCP Servers
تقدم هذه الورقة نمط الأدوات الموجهة نحو النطاق (Domain-Oriented Tooling Pattern) وتطبيقه مفتوح المصدر، MCP Blueprint، الذي يستبدل توليد لغة SQL العام باختيار أدوات محددة لنطاق العمل لتحسين الدقة بشكل كبير وتقليل التكاليف للنماذج اللغوية الكبيرة الأصغر حجماً في سيناريوهات الوصول إلى البيانات المؤسسية.
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 عالماً تستطيع فيه الحواسيب قراءة وفهم لغة البشر، مما يسمح للناس بطرح أسئلة معقدة حول مكتبات هائلة من البيانات دون الحاجة إلى تعلم الأكواد السرية المستخدمة لتخزين تلك المعلومات. هذا هو الوعد الذي يقدمه الذكاء الاصطناعي الحديث، وتحديداً الأنظمة القائمة على النماذج اللغوية الكبيرة. تعمل هذه النماذج كمساعدين أذكياء، قادرين على إجراء محادثة والتفكير في المشكلات. ولجعلها مفيدة حقاً للشركات، يقوم المطورون بربطها بقواعد البيانات — وهي مستودعات رقمية تحتوي على كل شيء، من سجلات العملاء إلى قوائم المخزون. وقد ظهر معيار جديد يسمى "بروتوكول سياق النموذج" (Model Context Protocol) للمساعدة في جعل مساعدي الذكاء الاصطناعي هذه يجدون ويستخدمون الأدوات الخارجية، تماماً مثل جهاز تحكم عن بعد عالمي يسمح لجهاز ما بالتحدث مع علامات تجارية مختلفة من الأجهزة المنزلية. ومع ذلك، فإن التحدي المركزي يكمن في كيفية تصميم الرابط بين الذكاء الاصطناعي الشبيه بالبشر وقاعدة البيانات الهيكلية الجامدة. فإذا كان الاتصال فضفاضاً للغاية، فقد يرتبك الذكاء الاصطناعي أو يرتكب أخطاءً خطيرة؛ وإذا كان صارماً للغاية، فلن يتمكن من الإجابة على الأسكئلة الفريدة التي يطرحها الناس بالفعل.
استكشف الباحثون مؤخراً هذه المشكلة تحديداً من خلال اختبار أفضل طريقة لبناء هذه الروابط لبيانات الأعمال. لقد قارنوا بين نهجين مختلفين تماماً. الطريقة الأولى، والأكثر شيوعاً، هي تزويد الذكاء الاصطناعي بأداة واحدة قوية تسمح له بكتابة استعلاماته الحاسوبية الخاصة من الصفر. الأمر يشبه إعطاء ضيف ورقة بيضاء وقلم وطلب كتابة رسالة إلى بنك، مع توقع أن يعرف النماذج المحددة للبنك، والقواعد النحوية الصحيحة، والقواعد الدقيقة لحساب الفائدة. أما النهج الثاني، الذي أطلق عليه الباحثون اسم "نمط الأدوات الموجهة للمجال" (Domain-Oriented Tooling Pattern)، فهو تزويد الذكاء الاصطناعي بمجموعة صغيرة من الأزرار المكتوبة مسبقاً والمحددة مسبقاً. فبدلاً من كتابة رسالة، يقوم الضيف ببساطة باختيار زر مكتوب عليه "تحقق من رصيد الحساب" أو "عرض المعاملات الأخيرة". القواعد والحسابات المعقدة مبنية بالفعل داخل الزر، ومخبأة بأمان داخل النظام.
ولمعرفة أي طريقة تعمل بشكل أفضل، بنى الفريق أرضية اختبار باستخدام قاعدة بيانات نموذجية لتأجير الأفلام، وهي بيئة واقعية تحتوي على آلاف السجلات المتعلقة بالأفلام والعملاء وعمليات التأجير. قاموا بإعداد ثلاث طرق مختلفة لتفاعل الذكاء الاصطناعي مع هذه البيانات. سمح الإعداد الأول للذكاء الاصطناعي بكتابة استعلاماته الخاصة من الصفر، معتمداً على معرفته الخاصة بهيكل قاعدة البيانات. وقام الإعداد الثاني بتزويد الذكاء الاصطناعي بمجموعة من الأدوات المتخصصة، كل منها مصمم لمهمة تجارية محددة، مثل التحقق مما إذا كان العميل لديه أفلام متأخرة أو العثٌور على فيلم متوفر حالياً في المخزن. وقدم الإعداد الثالث حلاً وسطاً: مجموعة من الأدوات التي كانت بسيطة للغاية، مما أجبر الذكاء الاصطناعي على القيام بمعظم العمل الشاق لتجميع المعلومات. ثم اختبروا هذه الإعدادات باستخدام أربعة نماذج مختلفة من الذكاء الاصطناعي، تتراوح من النماذج الصغيرة والسريعة جداً إلى النماذج الأكبر والأكثر قوة، وطالبوها بحل سبعة عشر سؤالاً مختلفاً من واقع أعمال حقيقية.
كانت النتائج واضحة ومفاجئة. فالنهج الذي منح الذكاء الاصطناعي أدوات متخصصة ومعدة مسبقاً كان أداؤه أفضل بكثير من النهج الذي سمح له بكتابة استعلاماته الخاصة. فعند استخدام الأدوات المتخصصة، أجاب الذكاء الاصطناعي بشكل صحيح بنسبة تقترب من أربعة وتسعين بالمائة. وفي المقابل، عندما أُجبر على كتابة استعلاماته الخاصة، انخفضت نسبة النجاح إلى حوالي سبعة وستين بالمائة. والأكثر إثارة للدهشة كان أداء أبسط نماذج الذكاء الاصطناعي؛ إذ حقق أصغر نموذج تم اختباره، والذي عانى في الإجابة بشكل صحيح عند كتابة استعلاماته الخاصة، نسبة نجاح تجاوزت اثنين وتسعين بالمائة عند استخدام الأدوات المتخصصة. يشير هذا الاكتشاف إلى أنه من خلال تبسيط المهمة التي يتعين على الذكاء الاصطناعي القيام بها — أي تحويل مهمة كتابة معقدة إلى مهمة اختيار بسيطة — يمكن للمطورين استخدام حواسيب أصغر وأرخص وأسرع للحصول على نتائج موثوقة. الأمر كما لو أن محركاً صغيراً وفعالاً يمكنه قيادة سيارة بنفس كفاءة محرك ضخم، بشرما تم بناء السيارة بعجلة قيادة سهلة التدوير، بدلاً من عجلة تتطلب من السائق بناء الطريق أمامه.
كما كشفت الدراسة أن مجرد تزويد الذكاء الاصطناعي بالأدوات ليس كافياً؛ بل إن تصميم تلك الأدوات يهم للغاية. فمجموعة الأدوات التي صُممت بشكل سيئ، والتي قدمت فقط وصولاً أساسياً إلى جداول البيانات دون تعليمات واضحة، كان أداؤها في الواقع أسوأ من ترك الذكاء الاصطناعي يكتب استعلاماته الخاصة. حدث هذا لأن الأدوات سيئة التصميم سلبت الذكاء الاصطناعي حريته في إصلاح أخطائه دون أن تمنحه المعلومات الصحيحة للنجاح. أما الأدوات الناجحة فقد صُممت بعناية لإخفاء قواعد العمل المعقدة داخل النظام. على سبيل المثال، يتضمن تحديد ما إذا كان الإيجار "متأخراً" التحقق من التواريخ وحساب الفروق الزمنية، وهي قاعدة غالباً ما أخطأ فيها الذكاء الاصطناعي عند كتابة كوده الخاص. ومع الأدوات المتخصصة، كانت هذه القاعدة مكتوبة ومختبرة بالفعل من قبل البشر، لذا كان على الذكاء الاصطناعي فقط الإبلاغ عن النتيجة. ويعني هذا التحول أن الذكاء المطلوب لتشغيل النظام ينتقل من نموذج الذكاء الاصطناعي نفسه إلى المهندسين البشريين الذين يصممون الأدوات.
لقلم قام الباحثون بقياس ليس فقط الدقة، بل أيضاً تكلفة وسرعة العملية. ولأن الأدوات المتخصدة تطلبت من الذكاء الاصطناعي تفكيراً أقل، فقد استخدم النظام موارد حاسوبية أقل بكثير للوصول إلى الإجابة الصحيحة. وفي بعض الحالات، انخفضت تكلفة الحصول على إجابة صحيحة بأكثر من عشر مرات عند استخدام الأدوات المتخصصة مقارنة بطريقة الاستعلام الخام. كما كان النظام أسرع، حيث استغرق بضع ثوانٍ فقط للاستجابة بدلاً من دقيقة تقريباً. وتعني هذه الكفاءة أن الشركات يمكنها تقنياً تشغيل مساعديها الأذكياء على حواسيبها المحلية بدلاً من الدفع مقابل خدمات سحابية باهظة الثمن، مما يجعل التكنولوجيا أكثر سهولة في الوصول وأكثر أماناً. وتخلص الدراسة إلى أنه بالنسبة لأسئلة الأعمال الروتينية، فإن المسار الأفضل ليس بجعل الذكاء الاصطناعي أكثر ذكاءً، بل بجعل الواجهة التي يستخدمها أبسط وأكثر هيكلية. ومن خلال تنظيم الوصول إلى البيانات حول مهام واضحة وصديقة للبشر بدلاً من أوامر قواعد البيانات الخام، يمكننا بناء أنظمة أكثر دقة، وأسرع، وقادرة على العمل على أجهزة أصغر وأقل تكلفة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.