كيف تبني Benchling وكلاء ذكاء اصطناعي عندما لا يكون أذكى ذكاء اصطناعي ذكياً بما يكفي

كيف تبني Benchling وكلاء ذكاء اصطناعي عندما لا يكون أذكى نماذج الذكاء الاصطناعي كافياً

حتى أكثر نماذج اللغات الكبيرة قدرةً من OpenAI وAnthropic تصطدم بجدار عندما يُطلب منها العمل بمفردها في مجالات معقدة وخاضعة للتنظيم. تُظهر Benchling، وهي منصة تُستخدم لأبحاث وتطوير علوم الحياة، لماذا تُعد الأنظمة الوكيلة (agentic systems)—وليس النماذج الأحادية الضخمة—المسار نحو ذكاء اصطناعي جاهز للإنتاج. في مجال التقنية الحيوية، ليس التوهم الواثق حول تسلسل بروتين أو بروتوكول فحص غير موثق مجرد خطأ محرج؛ بل هو مسؤولية قانونية يمكن أن تُهدر شهوراً من العمل المخبري. يفتقر أذكى نماذج الذكاء الاصطناعي المتاحة في السوق إلى الوصول الفوري إلى بيانات تجريبية ملكية، والقدرة على استدعاء حسابات متخصصة بالمجال، والحس التقديري لمعرفة متى يتجاوز قدراته.

يستكشف هذا المقال الأنماط الهندسية العملية التي تسد الفجوة بين ذكاء النماذج المتقدمة والموثوقية في العالم الحقيقي. بالاستناد إلى الاتجاهات الأوسع في تنسيق الوكلاء والذكاء الاصطناعي المؤسسي التي نُوقشت في مدونة LangChain، وأخبار OpenAI، ومدونة Microsoft AI، وأخبار Anthropic، سنمر بكيفية بناء وكيل دفاعي يستخدم الأدوات بلغة Python. ستخرج بنموذج أولي يعمل يفوض المهام إلى أدوات خارجية، ويتحقق من مخرجاته مقابل مخططات منظمة، ويرفع الأمر إلى الإشراف البشري عندما يكون عدم اليقين مرتفعاً جداً.

لماذا يحتاج أذكى نماذج الذكاء الاصطناعي إلى المساعدة

تتفوق النماذج المتقدمة في الاستدلال والترجمة والتوليف، لكنها تظل بلا حالة (stateless) متنبئات بالنصوص. عندما يسأل عالم عن تركيز المخمد المثالي لتجربة CRISPR، قد ينتج النموذج إجابة تبدو معقولة لكنها تتعارض مع الإجراءات التشغيلية القياسية للمؤسسة. بدون الوصول إلى مصادر موثوقة، حتى أفضل الأنظمة تُصاب بالتوهمات.

يتفاقم المشكلة في المجالات المنظمة. بيانات علوم الحياة ذات علاقات وثيقة للغاية: ترتبط العينات بالألواح، والألواح بالفحوصات، والفحوصات بالتقديمات التنظيمية. لا يمكن لنموذج لغة كبير مستقل الاستعلام عن هذه العلاقات بشكل موثوق لأنه لا يمتلك موصل قاعدة بيانات أصلي، ولا فهماً للمعرفات الداخلية للمؤسسة، ولا القدرة على تنفيذ كود حتمي. علاوة على ذلك، يُعالج الاستدلال حول الدقة العددية—مثل حساب المولارية أو تحويل الوحدات—بشكل أفضل بالكود أكثر من توليد النص العصبي.

لهذا السبب لا تعامل الأنظمة الوكيلة الحديثة نموذج اللغة الكبير كعالم كلي. بدلاً من ذلك، تعامله كموجه استدلالي يقرر أي أداة يستدعيها، وكيف يُعلم معاملاتها، وكيف يُولّف النتائج. عندما يكون النموذج غير واثق، يتوقف النظام ويطلب التوضيح بدلاً من التخمين. يُعد هذا النمط من الإدراك المعزز—نموذج زائد أدوات زائد ضوابط—محورياً في كيفية نشر المؤسسات للذكاء الاصطناعي بمسؤولية.

الأنماط المعمارية للوكلاء المؤسسيين

يتطلب بناء وكلاء تتحمل حركة المراجعة في الإنتاج أكثر من تغليف واجهة برمجة تطبيقات للمحادثة في حلقة. تفصل الأنظمة القوية المهام إلى طبقات منفصلة.

**تفويض الأدوات.** يُمنح الوكيل مجموعة أدوات من الدوال الحتمية: الاستعلام من قاعدة بيانات، تشغيل صندوق رمل Python، استدعاء واجهة REST داخلية، أو البحث في مخزن متجه. مهمّة نموذج اللغة الكبير هي اختيار الأداة الصحيحة واستخراج المعاملات، لا أداء الحساب نفسه.

**السياق المعزز بالاسترجاع.** تعيش المعرفة الملكية في مخازن المستندات والدفاتر وقواعد البيانات القديمة. تُضفي طبقات الاسترجاع الحد الأدنى الضروري من السياق في الموجه، مما يقلل التوهمات مع الحفاظ على تكاليف الرموز المميزة ضمن حدود معقولة.

**التحقق من المخرجات المنظمة.** يجب أن يتوافق كل رد يؤثر على الأنظمة المصبّة مع مخطط. تُفرض نماذج Pydantic أو مخططات JSON سلامة الأنواع وتلتقط التوليفات المعيبة قبل أن تصل إلى قاعدة البيانات.

**الرفع إلى الإشراف البشري.** عندما يكون الثقة منخفضة، أو يفشل أداة التحقق، أو يقع الطلب خارج سياسة محددة، يجب على الوكيل رفع القرار إلى إنسان. هذا ليس خللاً؛ بل هو ميزة تصميمية للبيئات عالية المخاطر.

**التفكيك متعدد الوكلاء.** يمكن تقسيم سير العمل المعقدة إلى وكلاء أصغر متخصصين—واحد للبحث، وآخر للحساب، وآخر للتلخيص—يُنسقهم مشرف. هذا يحد من نطاق انتشار الأخطاء ويجعل الاختبار معيارياً.

تتوافق هذه الأنماط مع استراتيجيات الذكاء الاصطناعي المؤسسي الأوسع التي تؤكد عليها الصناعة، حيث تحول التركيز من حجم النموذج الخام إلى التنسيق والسلامة والتكامل.

المتطلبات

قبل تثبيت أي شيء، تأكد من أن بيئتك تلبي الأساس التالي.

• **نظام التشغيل:** Linux، أو macOS، أو Windows مع WSL2.
• **Python:** الإصدار 3.10 أو أحدث.
• **الوصول إلى واجهات برمجة التطبيقات:** مفاتيح API صالحة لمزود نموذج لغة كبير واحد على الأقل. سنُهيئ OpenAI وAnthropic في الأمثلة، لكن يمكنك استخدام واحد فقط.
• **الشبكة:** وصول HTTPS صادر إلى واجهات برمجة تطبيقات المزودين.
• **العتاد:** لا يتطلب GPU للاستدلال؛ جهاز كمبيوتر محمول عادي أو جهاز افتراضي سحابي كافٍ.

ستحتاج أيضاً إلى دليل عمل للمشروع.

أنشئ مجلداً مخصصاً للمشروع وانتقل إليه.

mkdir benchling-agent-demo && cd benchling-agent-demo

التثبيت خطوة بخطوة

ابدأ بإنشاء بيئة Python افتراضية معزولة لتجنب تعارضات التبعيات مع حزم النظام.

python3 -m venv venv

فعّل البيئة الافتراضية. على macOS أو Linux، استخدم الأمر التالي.

source venv/bin/activate

على Windows، فعّل البيئة بهذا الأمر بدلاً من ذلك.

venv\Scripts\activate

حدّث `pip` لضمان التوافق مع توزيعات الحزم الحديثة.

pip install --upgrade pip

ثبّت مكتبات التنسيق الأساسية. نستخدم LangChain لإنشاء هيكل الوكيل، وتكاملات LangChain مع OpenAI وAnthropic للوصول إلى النماذج، وPydantic للتحقق المنظم.

pip install langchain langchain-openai langchain-anthropic pydantic python-dotenv

ثبّت قاعدة بيانات محلية خفيفة وعميل HTTP لمحاكاة تكاملات الأدوات في العالم الحقيقي.

pip install sqlite3 requests

أنشئ ملف بيئة لتخزين مفاتيح API بأمان خارج التحكم بالمصادر.

touch .env

افتح `.env` في محررك وأضف مفاتيح المزودين. استبدل القيم النائبة بمفاتيح حقيقية.

OPENAI_API_KEY=sk-your-openai-key-here
ANTHROPIC_API_KEY=sk-ant-your-anthropic-key-here

في نشر الإنتاج، يجب تحميل هذه المتغيرات في وقت التشغيل بدلاً من ترميزها ثابتة. أنشئ محمل تهيئة صغير بلغة Python باسم `config.py` يُفصح عن المفاتيح عبر `python-dotenv`.

import os
from dotenv import load_dotenv

load_dotenv()

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
ANTHROPIC_API_KEY = os.getenv("ANTHROPIC_API_KEY")

للتحقق من أن بيئتك موصولة بشكل صحيح، شغّل اختبار استيراد سريع.

python -c "import langchain, pydantic, openai; print('All packages imported successfully')"

إذا طبع الأمر رسالة النجاح بدون أخطاء، اكتمل تثبيتك.

أمثلة الاستخدام

سنبني الآن مساعداً للبحث العلمي يحاكي قيود منصة علوم الحياة. يمكن للوكيل الاستعلام من قاعدة بيانات بروتوكولات داخلية، وحساب الأوزان الجزيئية، والتحقق من أن إجابته النهائية تستشهد فقط بمواد معروفة. إذا فشل التحقق، يتوقف.

أولاً، ابدأ قاعدة بيانات SQLite محلية بجدول بروتوكولات الفحص. هذا يحاكي البيانات المنظمة التي تديرها Benchling والمنصات المشابهة.

import sqlite3

conn = sqlite3.connect("lab_data.db")
cursor = conn.cursor()
cursor.execute("""
CREATE TABLE IF NOT EXISTS protocols (
    id INTEGER PRIMARY KEY,
    name TEXT,
    reagent TEXT,
    concentration_molar REAL
)
""")
cursor.execute("INSERT OR IGNORE INTO protocols VALUES (1, 'CRISPR Buffer A', 'Tris-HCl', 0.05)")
cursor.execute("INSERT OR IGNORE INTO protocols VALUES (2, 'Lysis Buffer X', 'SDS', 0.1)")
conn.commit()
conn.close()

بعد ذلك، عرّف الأدوات التي سيستخدمها الوكيل. كل أداة هي دالة Python مع docstring واضح، لأن نموذج اللغة الكبير يعتمد على docstrings لفهم متى يستدعي الأداة.

from langchain.tools import tool
import sqlite3

@tool
def search_protocols(query: str) -> str:
    """Search the internal protocol database by reagent name or protocol name.
    Returns matching rows as formatted text."""
    conn = sqlite3.connect("lab_data.db")
    cursor = conn.cursor()
    cursor.execute(
        "SELECT name, reagent, concentration_molar FROM protocols WHERE name LIKE ? OR reagent LIKE ?",
        (f"%{query}%", f"%{query}%")
    )
    rows = cursor.fetchall()
    conn.close()
    if not rows:
        return "No matching protocols found."
    return "\n".join([f"Protocol: {r[0]}, Reagent: {r[1]}, Concentration: {r[2]} M" for r in rows])

@tool
def calculate_molarity(mass_g: float, molecular_weight_g_per_mol: float, volume_l: float) -> str:
    """Calculate molarity given mass in grams, molecular weight in g/mol, and volume in liters."""
    if volume_l == 0:
        return "Error: volume cannot be zero."
    molarity = mass_g / molecular_weight_g_per_mol / volume_l
    return f"{molarity:.4f} M"

الآن أضف حاجز تحقق. تتحقق هذه الدالة من أن أي مادة كيميائية مذكورة في الإجابة النهائية موجودة في قاعدة بياناتنا الموثوقة. إذا ظهرت مادة مجهولة، يجب على الوكيل رفع الأمر بدلاً من إرجاع الإجابة.

@tool
def validate_substances(answer: str) -> str:
    """Check whether all chemical substances in the answer are present in the trusted database.
    Returns 'PASS' if all are known, otherwise returns 'FAIL: <unknown substances>'."""
    conn = sqlite3.connect("lab_data.db")
    cursor = conn.cursor()
    cursor.execute("SELECT DISTINCT reagent FROM protocols")
    known = {row[0].lower() for row in cursor.fetchall()}
    conn.close()
    
    # Simple token heuristic; production systems should use a Named Entity Recognition model
    tokens = answer.lower().split()
    unknown = [t for t in tokens if t.isalpha() and t not in known and len(t) > 2]
    if unknown:
        return f"FAIL: {', '.join(set(unknown))}"
    return "PASS"

مع تعريف الأدوات، اجمع الوكيل. نستخدم LangChain لربط الأدوات بنموذج OpenAI قادر على استدعاء الدوال. إذا كنت تفضل Anthropic، استبدل `ChatAnthropic` واسم النموذج المناسب.

from langchain_openai import ChatOpenAI
from langchain import hub
from langchain.agents import create_openai_tools_agent, AgentExecutor

# Load configuration
from config import OPENAI_API_KEY

llm = ChatOpenAI(model="gpt-4o", temperature=0, api_key=OPENAI_API_KEY)

# Pull a standard prompt template from the LangChain hub
prompt = hub.pull("hwchase17/openai-tools-agent")

tools = [search_protocols, calculate_molarity, validate_substances]

agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True)

شغّل الوكيل بـ