بناء تطبيقات وكيلية حقيقية باستخدام CUGA: أربعة وعشرون مثالاً عملياً على إطار خفيف الوزن

بناء تطبيقات وكيلية حقيقية باستخدام CUGA: أربعة وعشرون مثالاً عملياً على منصة خفيفة الوزن

أدى ظهور الذكاء الاصطناعي الوكيلي - الأنظمة القادرة على التفكير والتخطيط وتنفيذ المهام بشكل مستقل - إلى تحول جذري في كيفية تعامل المطورين مع الأتمتة. ومع ذلك، فإن بناء مثل هذه العوامل يتطلب غالباً أطر عمل معقدة، وبنية تحتية ثقيلة، وقدراً كبيراً من الأكواد التمهيدية. هنا يأتي دور CUGA (الوكيل التوليدي الموحد المدمج)، وهي منصة خفيفة الوزن تتيح لك بناء ونشر التطبيقات الوكيلية بأقل قدر من التعقيد. في هذا المقال، سنستكشف كيف تمكنك CUGA من إنشاء أربعة وعشرين مثالاً عملياً، بدءاً من روبوتات المحادثة البسيطة وصولاً إلى عوامل التفكير متعددة الخطوات، كل ذلك على منصة خفيفة الوزن. سنغطي التثبيت والتكوين والاستخدام العملي مع أوامر حقيقية، مستفيدين من أحدث التطورات في أطر عمل العوامل الذكية التي أبرزتها مصادر مثل مدونة Hugging Face وأخبار OpenAI ومدونة Microsoft AI وأخبار Anthropic.

ما هي CUGA ولماذا التطبيقات الوكيلية مهمة؟

التطبيقات الوكيلية هي أنظمة ذكاء اصطناعي يمكنها إدراك بيئتها واتخاذ القرارات وتنفيذ الإجراءات لتحقيق الأهداف. على عكس روبوتات المحادثة التقليدية التي تستجيب للاستفسارات، يمكن للتطبيقات الوكيلية تقسيم المهام المعقدة واستخدام الأدوات (مثل البحث والآلات الحاسبة وواجهات برمجة التطبيقات) والتكرار على مخرجاتها. توفر CUGA طبقة تجريد بسيطة فوق نماذج اللغة الكبيرة مثل تلك من OpenAI أو Anthropic أو البدائل مفتوحة المصدر، مما يسهل تنسيق السلوك الوكيلي دون أدوات تنسيق ثقيلة.

اكتسب مفهوم الذكاء الاصطناعي الوكيلي زخماً عبر الصناعة. تؤكد أخبار OpenAI الأخيرة على التحول نحو الأنظمة المستقلة القادرة على التفاعل مع العالم الحقيقي. تعرض مدونة Microsoft AI كيف تتكامل العوامل مع أدوات المؤسسات مثل Azure. يسلط بحث Anthropic الضوء على السلامة والموثوقية في سير العمل الوكيلي. في الوقت نفسه، نشرت مدونة Hugging Face أمثلة عملية لبناء العوامل باستخدام أطر عمل خفيفة الوزن. تتماشى CUGA مع هذا الاتجاه من خلال تقديم منصة بسيطة وقابلة للتوسيع في آن واحد.

المتطلبات

قبل الغوص في التثبيت والأمثلة، تأكد من توفر ما يلي:

• **Python 3.10 أو أحدث**: CUGA مكتوبة بلغة Python. تحقق من الإصدار باستخدام `python --version`.
• **مزود نموذج لغة كبير مدعوم**: مفتاح API من OpenAI (لـ GPT-4o أو GPT-4-turbo)، أو مفتاح API من Anthropic (لـ Claude 3.5 Sonnet)، أو الوصول إلى نموذج محلي عبر Hugging Face Transformers.
• **إلمام أساسي بسطر الأوامر وPython**: ستقوم بتشغيل البرامج النصية وتعديل ملفات التكوين.
• **ذاكرة وصول عشوائي 4 جيجابايت على الأقل**: للنماذج المحلية أو حلقات العوامل الثقيلة.
• **اتصال بالإنترنت**: للنماذج القائمة على واجهة برمجة التطبيقات وتنزيل الحزم.

التثبيت خطوة بخطوة

يتم توزيع CUGA كحزمة Python. سنقوم بتثبيتها في بيئة افتراضية لعزل التبعيات.

1. إنشاء وتفعيل بيئة افتراضية

ابدأ بإنشاء بيئة مخصصة لمشاريع CUGA الخاصة بك. هذا يمنع التعارض مع حزم Python الأخرى.

python -m venv cuga_env
source cuga_env/bin/activate  # على ويندوز: cuga_env\Scripts\activate

2. تثبيت CUGA وتبعياتها الأساسية

استخدم pip لتثبيت حزمة CUGA بالإضافة إلى مكتبات مزودي نماذج اللغة الكبيرة التي تخطط لاستخدامها. لهذا الدليل، سنقوم بتثبيت الدعم لـ OpenAI وAnthropic والنماذج مفتوحة المصدر عبر Hugging Face.

pip install cuga openai anthropic transformers torch

حزمة `cuga` نفسها خفيفة الوزن - أقل من 500 كيلوبايت. تضيف المكتبات الإضافية إمكانيات لواجهات خلفية مختلفة.

3. التحقق من التثبيت

قم بتشغيل فحص سريع للتأكد من تثبيت CUGA بشكل صحيح وإمكانية استيرادها.

python -c "from cuga import Agent; print('تم تثبيت CUGA بنجاح')"

إذا رأيت رسالة النجاح، فأنت جاهز لتكوين مزود نموذج اللغة الكبيرة الخاص بك.

4. إعداد مفاتيح API الخاصة بك

تقرأ CUGA مفاتيح API من متغيرات البيئة لأسباب أمنية. قم بتعيينها في shell الخاص بك أو في ملف `.env`.

export OPENAI_API_KEY="مفتاح-openai-الخاص-بك-هنا"
export ANTHROPIC_API_KEY="مفتاح-anthropic-الخاص-بك-هنا"

بالنسبة للنماذج المحلية، لا تحتاج إلى مفاتيح API - فقط تأكد من أن Hugging Face transformers يمكنها الوصول إلى النموذج (مثل `meta-llama/Llama-2-7b-chat-hf`).

5. الاختبار باستخدام وكيل بسيط

قم بإنشاء ملف باسم `test_agent.py` بالمحتوى التالي للتحقق من أن كل شيء يعمل:

from cuga import Agent

agent = Agent(model="gpt-4o", provider="openai")
response = agent.run("ما هو حاصل 2 + 2؟")
print(response)

قم بتشغيله:

python test_agent.py

يجب أن ترى رداً مثل "حاصل جمع 2 و 2 هو 4."

فهم منصة CUGA

تتكون منصة CUGA خفيفة الوزن من ثلاثة مكونات أساسية:

• **Agent (الوكيل)**: الفئة الرئيسية التي تغلف نموذج اللغة الكبير والأدوات والذاكرة.
• **Tool (الأداة)**: دالة قابلة للاستدعاء يمكن للوكيل استخدامها (مثل البحث على الويب، الآلة الحاسبة، قارئ الملفات).
• **Memory (الذاكرة)**: مخزن سياق قصير المدى يساعد الوكيل في الحفاظ على الحالة عبر الخطوات.

تم تصميم المنصة لتكون بسيطة. يمكنك تعريف العوامل في بضعة أسطر من الكود، ثم دمجها في سير عمل. هذا يتناقض مع الأطر الأثقل مثل LangChain أو AutoGen التي تتطلب المزيد من الأكواد التمهيدية.

أمثلة الاستخدام: أربعة وعشرون وكيلاً عملياً

سنستعرض 24 مثالاً عملياً منظمة حسب التعقيد. كل مثال هو برنامج نصي كامل وقابل للتشغيل. للاختصار، سنعرض المنطق الأساسي - افترض أن الوكيل تمت تهيئته كما هو موضح أعلاه.

العوامل الأساسية (الأمثلة 1-6)

توضح هذه العوامل مهام ذات خطوة واحدة مع أدوات مدمجة.

**المثال 1: الإجابة على الأسئلة البسيطة**

from cuga import Agent

agent = Agent(model="gpt-4o", provider="openai")
response = agent.run("ما هي عاصمة فرنسا؟")
print(response)

**المثال 2: حل المسائل الرياضية**

agent = Agent(model="gpt-4o", provider="openai")
response = agent.run("احسب تكامل x^2 من 0 إلى 3.")
print(response)

**المثال 3: تلخيص النصوص**

agent = Agent(model="claude-3-sonnet", provider="anthropic")
text = "نص المقال الطويل هنا..."
response = agent.run(f"لخص هذا النص في 50 كلمة: {text}")
print(response)

**المثال 4: الترجمة**

agent = Agent(model="gpt-4o", provider="openai")
response = agent.run("ترجم 'Hello, how are you?' إلى الإسبانية.")
print(response)

**المثال 5: شرح الكود**

agent = Agent(model="gpt-4o", provider="openai")
code = "def fib(n): return n if n < 2 else fib(n-1) + fib(n-2)"
response = agent.run(f"اشرح هذا الكود سطراً بسطر: {code}")
print(response)

**المثال 6: تحليل المشاعر**

agent = Agent(model="claude-3-sonnet", provider="anthropic")
response = agent.run("حلل المشاعر: 'أحب هذا المنتج، لكن التوصيل كان بطيئاً.'")
print(response)

العوامل المستخدمة للأدوات (الأمثلة 7-12)

تستخدم هذه العوامل نظام الأدوات المدمج في CUGA. سنقوم أولاً بتعريف أداة مخصصة.

**المثال 7: أداة الآلة الحاسبة**

from cuga import Tool

def calculator(expression: str) -> str:
    return str(eval(expression))

calc_tool = Tool(name="calculator", func=calculator, description="تقييم التعبيرات الرياضية")
agent = Agent(model="gpt-4o", provider="openai", tools=[calc_tool])
response = agent.run("ما هو حاصل 345 * 678؟")
print(response)

**المثال 8: أداة البحث على الويب**

import requests

def web_search(query: str) -> str:
    # بحث مبسط – في الإنتاج، استخدم واجهة برمجة تطبيقات مناسبة
    return f"نتائج {query}: [تجريبي]"

search_tool = Tool(name="web_search", func=web_search, description="البحث على الويب")
agent = Agent(model="gpt-4o", provider="openai", tools=[search_tool])
response = agent.run("ابحث عن أخبار حديثة حول العوامل الذكية.")
print(response)

**المثال 9: أداة قراءة الملفات**

def read_file(path: str) -> str:
    with open(path, 'r') as f:
        return f.read()

file_tool = Tool(name="file_reader", func=read_file, description="قراءة ملف من القرص")
agent = Agent(model="claude-3-sonnet", provider="anthropic", tools=[file_tool])
response = agent.run("اقرأ ولخص ملف 'data.txt'.")
print(response)

**المثال 10: أداة تنفيذ Python**

def run_python(code: str) -> str:
    exec_globals = {}
    exec(code, exec_globals)
    return str(exec_globals)

python_tool = Tool(name="python_exec", func=run_python, description="تنفيذ كود Python")
agent = Agent(model="gpt-4o", provider="openai", tools=[python_tool])
response = agent.run("احسب أول 10 أعداد أولية باستخدام Python.")
print(response)

**المثال 11: أداة التاريخ/الوقت**

from datetime import datetime

def current_time() -> str:
    return datetime.now().isoformat()

time_tool = Tool(name="get_time", func=current_time, description="الحصول على التاريخ والوقت الحاليين")
agent = Agent(model="gpt-4o", provider="openai", tools=[time_tool])
response = agent.run("ما هو الوقت الحالي بتوقيت UTC؟")
print(response)

**المثال 12: إرسال البريد الإلكتروني (محاكاة)**

def send_email(to: str, subject: str, body: str) -> str:
    # محاكاة الإرسال
    return f"تم إرسال البريد الإلكتروني إلى {to} بعنوان '{subject}'"

email_tool = Tool(name="send_email", func=send_email, description="إرسال بريد إلكتروني")
agent = Agent(model="claude-3-sonnet", provider="anthropic", tools=[email_tool])
response = agent.run("أرسل بريداً إلكترونياً إلى test@example.com بعنوان 'مرحباً' ومحتوى 'اختبار'.")
print(response)

عوامل التفكير متعددة الخطوات (الأمثلة 13-18)

تستخدم هذه العوامل الذاكرة للحفاظ على السياق عبر خطوات متعددة.

**المثال 13: مدقق الحقائق التسلسلي**

agent = Agent(model="gpt-4o", provider="openai")
response = agent.run("أولاً، ابحث عن عدد سكان طوكيو. ثم، قارنه بنيويورك.")
print(response)

**المثال 14: حل المشكلات خطوة بخطوة**

agent = Agent(model="claude-3-sonnet", provider="anthropic")
response = agent.run("حل: قطار يغادر المحطة A بسرعة 60 ميلاً في الساعة. قطار آخر يغادر المحطة B بسرعة 80 ميلاً في الساعة. المسافة بين المحطتين 300 ميل. متى يلتقيان؟")
print(response)

**المثال 15: مساعد بحثي**

def search_tool(query: str) -> str:
    return f"ملخص: {query}"

agent = Agent(model="gpt-4o", provider="openai", tools=[Tool(name="search", func=search_tool, description="بحث")])
response = agent.run("ابحث في تاريخ الشبكات العصبية. ابدأ بالمستشعرات، ثم الانتشار العكسي، ثم المحولات.")
print(response)

**المثال 16: مخطط المهام**

agent = Agent(model="claude-3-sonnet", provider="anthropic")
response = agent.run("خطط لرحلة مدتها 3 أيام إلى باريس. تضمن رحلات الطيران والفنادق والمعالم السياحية. أخرج النتيجة كقائمة.")
print(response)

**المثال 17: مراجع الكود**

agent = Agent(model="gpt-4o", provider="openai")
code = "def add(a,b): return a+b"
response = agent.run(f"راجع هذا الكود بحثاً عن الأخطاء ومشاكل الأسلوب: {code}")
print(response)

**المثال 18: محلل البيانات**

def analyze_data(data: str) -> str:
    return f"المتوسط: {sum(map(float, data.split(',')))/len(data.split(','))}"

data_tool = Tool(name="analyze", func=analyze_data, description="تحليل أرقام مفصولة بفواصل")
agent = Agent(model="gpt-4o", provider="openai", tools=[data_tool])
response = agent.run("حلل مجموعة البيانات: 10,20,30,40,50")
print(response)

سير العمل المعقد (الأمثلة 19-24)

تجمع هذه الأمثلة بين عوامل متعددة أو أنماط متقدمة.

**المثال 19: وكيل بمنطق شرطي**

agent = Agent(model="gpt-4o", provider="openai")
response = agent.run("إذا كان سوق الأسهم مرتفعاً اليوم، لخص المكاسب. وإلا، اقترح استراتيجية.")
print(response)

**المثال 20: نقاش متعدد العوامل**

agent1 = Agent(model="gpt-4o", provider="openai", system_prompt="أنت مؤيد للطاقة النووية.")
agent2 = Agent(model="claude-3-sonnet", provider="anthropic", system_prompt="أنت ناشط بيئي ضد الطاقة النووية.")

topic = "هل يجب بناء المزيد من المحطات النووية؟"
response1 = agent1.run(topic)
response2 = agent2.run(topic)
print(f"المؤيد: {response1}\nالمعارض: {response2}")

**المثال 21: وكيل منسق الأدوات**

def weather_api(city: str) -> str:
    return f"الطقس في {city}: 72°F، مشمس"

weather_tool = Tool(name="weather", func=weather_api, description="الحصول على الطقس")
agent = Agent(model="gpt-4o", provider="openai", tools=[weather_tool, calc_tool])
response = agent.run("احصل على الطقس لنيويورك واحسب الفرق عن 80°F.")
print(response)

**المثال 22: وكيل بذاكرة دائمة**

from cuga import Memory

memory = Memory()
agent = Agent(model="claude-3-sonnet", provider="anthropic", memory=memory)
agent.run("اسمي آليس.")
response = agent.run("ما اسمي؟")
print(response)  # يجب أن يتذكر "آليس"

**المثال 23: وكيل معالجة الأخطاء**

agent = Agent(model="gpt-4o", provider="openai")
response = agent.run("حاول قسمة 10 على 0. إذا حدث خطأ، اشرح السبب.")
print(response)

**المثال 24: وكيل تحسين ذاتي**

agent = Agent(model="claude-3-sonnet", provider="anthropic")
response = agent.run("اكتب قصيدة قصيرة. ثم انقدها وأعد كتابتها بشكل أفضل.")
print(response)

نصائح التكوين للإنتاج

للنشر في بيئة إنتاج حقيقية، ضع في اعتبارك الإعدادات التالية:

• **تحديد المعدل**: قم بتعيين `max_retries` و `timeout` في مُنشئ الوكيل.
• **تسجيل الأحداث**: قم بتمكين التسجيل المدمج في CUGA باستخدام `agent.logger.setLevel("INFO")`.
• **التخزين المؤقت**: استخدم كائن `Cache` لتجنب استدعاءات API المتكررة للاستعلامات المتطابقة.

مثال مع التكوين:

from cuga import Agent, Cache

cache = Cache(ttl=3600)
agent = Agent(model="gpt-4o", provider="openai", cache=cache, max_retries=3, timeout=30)

الخاتمة

تمكن منصة CUGA خفيفة الوزن المطورين من بناء تطبيقات وكيلية حقيقية بأقل قدر من الاحتكاك. من الأسئلة والأجوبة البسيطة إلى التفكير متعدد الخطوات وتنسيق الأدوات، توضح الأمثلة الأربعة والعشرون التي غطيناها اتساع نطاق ما هو ممكن. من خلال الاستفادة من واجهة Python المألوفة، تقلل CUGA من منحنى التعلم مع الحفاظ على المرونة لسير العمل المتقدم. مع تحرك صناعة الذكاء الاصطناعي - التي تم التحقق من صحتها من خلال التطورات من OpenAI وAnthropic وMicrosoft ومجتمع المصادر المفتوحة على Hugging Face - نحو أنظمة أكثر استقلالية، ستكون أدوات مثل CUGA ضرورية للنماذج الأولية والنشر في الإنتاج. ابدأ بخطوات التثبيت أعلاه، وجرب الأمثلة، وقم بتكييفها مع حالات الاستخدام الخاصة بك. لقد جاء عصر التطبيقات الوكيلية، وCUGA تجعله في متناول الجميع.