إطلاق LangChain لعمليات Deep Agents لتعزيز الأداء في المهام المتعددة

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ١٥ مارس ٢٠٢٦

في عالم الذكاء الاصطناعي، تعتبر نماذج اللغة الكبيرة (LLMs) فعالة للغاية في تنفيذ حلقات استدعاء الأدوات القصيرة، لكنها غالبًا ما تواجه مشكلات عند التعامل مع المهام المتعددة التي تتطلب الحفاظ على الحالة واستخدام بيانات كثيفة. هنا يأتي دور مشروع Deep Agents من LangChain، المصمم لسد هذه الفجوة.

يوصف مشروع Deep Agents بأنه "حزام وكيل"، وهو مكتبة مستقلة تعتمد على العناصر الأساسية لبناء الوكلاء من LangChain، وتستفيد من LangGraph كبيئة تنفيذ مستقلة تدعم التشغيل المستدام، والبث، وعمليات إدماج الإنسان في الحلقة. النقطة المهمة هنا هي أن Deep Agents لا يقدم نموذج تفكير جديد أو بيئة تنفيذ منفصلة عن LangGraph، بل يعبئ مجموعة من الإعدادات والأدوات المدمجة حول حلقة استدعاء الأدوات القياسية.

مكونات Deep Agents الأساسية

تتضمن مستودع Deep Agents على GitHub مجموعة من المكونات الأساسية التي تساهم في تحسين أداء الوكلاء. تتضمن هذه الأدوات:

• أداة التخطيط write_todos،
• أدوات نظام الملفات مثل read_file، write_file، edit_file، ls، glob، وgrep،
• الوصول إلى شل من خلال execute مع عملية العزل،
• أداة المهام لإنشاء وكلاء فرعيين،
• ميزات إدارة السياق المدمجة مثل التلخيص التلقائي وحفظ المخرجات الكبيرة في الملفات.

تعتبر هذه الإضافات مهمة حيث أن العديد من أنظمة الوكلاء تترك عملية التخطيط والتخزين المؤقت والتفويض للمهام على عاتق مطور التطبيق. بينما يتيح Deep Agents نقل هذه العناصر إلى بيئة التشغيل الافتراضية.

التخطيط وتفكيك المهام

يتيح Deep Agents استخدام أداة write_todos للتخطيط وتفكيك المهام. الغرض هنا واضح؛ حيث يمكن للوكيل تقسيم مهمة معقدة إلى خطوات منفصلة، تتبع التقدم، وتحديث الخطة عند ظهور معلومات جديدة. بدون طبقة تخطيط، يميل النموذج إلى الارتجال في كل خطوة بناءً على الموجه الحالي. مع استخدام write_todos، تصبح سير العمل أكثر تنظيمًا، مما يجعله مفيدًا بشكل خاص في المهام البحثية، أو جلسات البرمجة، أو الوظائف التحليلية التي تتطور على مدار عدة خطوات.

إدارة السياق باستخدام نظام الملفات

تشتمل ميزة أساسية ثانية على استخدام أدوات نظام الملفات لإدارة السياق. تسمح هذه الأدوات للوكيل بتخزين السياق الكبير في التخزين، بدلاً من الاحتفاظ بكل شيء داخل نافذة الموجه النشطة. يشير فريق LangChain بوضوح إلى أن هذه الميزة تساعد في منع overflow في نافذة السياق وتدعم نتائج الأدوات ذات الأطوال المتغيرة. هذا هو خيار تصميم أكثر وضوحًا مقارنةً بالمزاعم الغامضة حول "الذاكرة".

يمكن للوكيل كتابة ملاحظات، أو شفرة مولدة، أو تقارير مؤقتة، أو نتائج بحث إلى ملفات واسترجاعها لاحقًا، مما يجعل النظام مناسبًا أكثر للمهام الطويلة التي تصبح فيها المخرجات جزءًا من الحالة العملية.

الوكلاء الفرعيون وعزل السياق

يتضمن Deep Agents أيضًا أداة مهام مدمجة لإنشاء وكلاء فرعيين. تسمح هذه الأداة للوكيل الرئيسي بإنشاء وكلاء فرعيين متخصصين لعزل السياق، مما يحافظ على نظافة الخيط الرئيسي ويسمح للنظام بالتعمق في مهام فرعية محددة.

تعتبر هذه الطريقة واحدة من الحلول الأكثر فعالية لمشكلة شائعة في أنظمة الوكلاء. فعندما يتراكم على خيط واحد العديد من الأهداف، مخرجات الأدوات، والقرارات المؤقتة، غالبًا ما ينخفض جودة النموذج. تقسيم العمل إلى وكلاء فرعيين يقلل من هذا الحمل الزائد ويسهل تتبع مسارات التنسيق.

الذاكرة طويلة الأمد والتكامل مع LangGraph

تشير مستودع GitHub الخاص بـ Deep Agents إلى أن الذاكرة طويلة الأمد تعتبر ميزة مدمجة. يمكن توسيع Deep Agents بذاكرة دائمة عبر الخيوط باستخدام Memory Store الخاص بـ LangGraph، مما يسمح للوكيل بحفظ واسترجاع المعلومات من المحادثات السابقة.

من الناحية التنفيذية، يبقى Deep Agents داخل نموذج تنفيذ LangGraph. توضح وثائق التخصيص أن create_deep_agent(...) تعيد CompiledStateGraph، والتي يمكن استخدامها مع ميزات LangGraph القياسية مثل البث والاستوديو ونقاط التفتيش.

تفاصيل النشر

للنشر، تعرض الوثائق الرسمية طريقة إعداد سريعة بلغة بايثون، تشمل تثبيت deepagents بالإضافة إلى مزود بحث مثل tavily-python، وتصدير مفتاح API للنموذج و مفتاح API للبحث، وتعريف أداة بحث، ثم إنشاء الوكيل باستخدام create_deep_agent(...) باستخدام نموذج استدعاء الأدوات.

تشير الوثائق أيضًا إلى أن Deep Agents يتطلب دعم استدعاء الأدوات، وتكون سير العمل النموذجية هي بدء الوكيل باستخدام أدواتك وsystem_prompt، ثم تشغيله باستخدام agent.invoke(...).

يوجه فريق LangChain أيضًا المطورين نحو خيارات نشر LangGraph للإنتاج، وهو ما يتناسب مع كون Deep Agents يعمل على بيئة LangGraph ويدعم البث المدمج لمراقبة التنفيذ.

استنتاجات رئيسية

يعتبر Deep Agents حزامًا للوكيل مبنيًا على LangChain وبيئة LangGraph. يتضمن التخطيط المدمج من خلال أداة write_todos لتفكيك المهام متعددة الخطوات. يستخدم أدوات نظام الملفات لإدارة السياق الكبير وتقليل الضغط على نافذة الموجه. يمكنه إنشاء وكلاء فرعيين بسياقات معزولة باستخدام أداة المهام المدمجة. يدعم الذاكرة الدائمة عبر الخيوط من خلال Memory Store الخاص بـ LangGraph.