بطبيعتها، تتميز النماذج اللغوية الكبيرة (LLMs) ببعض القيود. على سبيل المثال، لا تكون معظم LLMs جيدة في إجراء الحسابات الرياضية أو الوصول إلى معلومات محدثة بخلاف تاريخ تدريبها. لمعالجة هذه القيود، يمكن منح LLMs القدرة على استخدام أدوات خارجية أو إجراء مكالمات وظيفية لتنفيذ وظائف محددة.

يعمل تدفق استدعاء الوظيفة على النحو التالي:

1. عند استلام استفسار المستخدم، تحدد LLM أولاً ما إذا كانت بحاجة إلى استخدام أداة خارجية أم لا.
2. إذا قررت LLM استخدام أداة، فعليها تحديد الأداة المناسبة من بين الخيارات المتاحة بناءً على الاستفسار.
3. تقوم LLM بعد ذلك بإجراء مكالمة إلى الأداة المحددة، والتي قد تكون واجهة برمجة تطبيقات أو وظيفة خارجية.
4. يتم بعد ذلك إرسال الرد من الأداة إلى LLM، والتي تستخدمه جنبًا إلى جنب مع الاستفسار الأصلي للمستخدم لتوليد الرد النهائي.

بطبيعتها، تتميز النماذج اللغوية الكبيرة (LLMs) ببعض القيود. على سبيل المثال، لا تكون معظم LLMs جيدة في إجراء الحسابات الرياضية أو الوصول إلى معلومات محدثة بخلاف تاريخ تدريبها. لمعالجة هذه القيود، يمكن منح LLMs القدرة على استخدام أدوات خارجية أو إجراء مكالمات وظيفية لتنفيذ وظائف محددة.

يعمل تدفق استدعاء الوظيفة على النحو التالي:

1. تحديد الأداة: عند استلام استفسار المستخدم، ستقوم LLM أولاً بتقييم ما إذا كانت بحاجة إلى استخدام أداة خارجية لتوليد رد. إذا لم تكن هناك حاجة لأي أداة، فستستخدم LLM بياناتها التدريبية الداخلية لتوليد رد.

2. اختيار الأداة: إذا قررت LLM أن هناك حاجة إلى أداة، فستختار الأداة المناسبة من بين الخيارات المتاحة. على سبيل المثال، إذا كان الاستفسار يتطلب حسابًا، ستختار LLM أداة حاسبة؛ إذا كان الاستفسار يتطلب معلومات عن الطقس، ستختار LLM أداة بحث على الويب.

3. استدعاء الأداة: بمجرد اختيار الأداة، ستقوم LLM بإجراء مكالمة إلى الوظيفة الخارجية أو واجهة برمجة التطبيقات التي تنفذ وظيفة الأداة. يتم تحديد معلمات الإدخال للأداة بناءً على مخطط إدخال الأداة.

4. توليد الاستجابة: يتم بعد ذلك إرسال الرد من الأداة الخارجية أو مكالمة الوظيفة إلى LLM، والتي ستستخدم هذه المعلومات، جنبًا إلى جنب مع الاستفسار الأصلي للمستخدم، لتوليد الرد النهائي.

يسمح هذا التدفق لـ LLM باستخدام القدرات والموارد الخارجية لتقديم استجابات أكثر شمولاً ودقة لاستفسارات المستخدمين.

لتحديد الأدوات في عائلة Cloud 3، هناك مكونان رئيسيان:

1. الوصف: هذا وصف مفصل للأداة، والذي يستخدمه نموذج Cloud لتحديد الأداة التي سيتم استخدامها لاستفسار معين. يجب أن يوفر الوصف أكبر قدر ممكن من التفاصيل، بما في ذلك ما تفعله الأداة، متى يجب استخدامها، أي معلمات تتطلبها، وأي قيود أو مخاوف مهمة.

2. التنفيذ: هذا هو التنفيذ الفعلي للأداة، والذي يمكن أن يكون واجهة برمجة تطبيقات أو وظيفة خارجية. يحدد تعريف الأداة مخطط الإدخال للأداة، والذي يحدد ما يجب على استفسار المستخدم توفيره كمدخلات.

عندما يقدم المستخدم استفسارًا، يحدد نموذج Cloud أولاً أي أداة سيتم استخدامها بناءً على وصف الأداة. ثم يقوم بإجراء مكالمة إلى تنفيذ الأداة المقابل، مع إدخال المدخلات المطلوبة. يتم بعد ذلك إرسال رد الأداة إلى نموذج Cloud، والذي يولد الرد النهائي للمستخدم.

تشمل أفضل الممارسات لتحديد الأدوات ما يلي:

• توفير وصف مفصل للغاية، يغطي جميع الجوانب الرئيسية للأداة.
• التأكد من أن اسم الأداة واضح ووصفي.
• تحديد مخطط الإدخال بعناية ليتوافق مع استفسار المستخدم.
• النظر في ربط العديد من الأدوات معًا لحالات الاستخدام الأكثر تعقيدًا.
• اختبار تعريفات الأدوات وتنفيذاتها بشكل شامل للتأكد من أنها تعمل كما هو متوقع.

عند تحديد الأدوات لاستخدامها مع عائلة Anthropic Cloud 3 من النماذج، من المهم اتباع هذه الممارسات الجيدة لوصف الأدوات:

1. توفير وصف مفصل: تأكد من أن وصف كل أداة مفصل للغاية. تضمين معلومات حول ما تفعله الأداة، متى يجب استخدامها، وكيف تؤثر على سلوك الأداة.

2. شرح المعلمات: شرح معنى وتأثير كل معلمة مطلوبة من قبل الأداة بوضوح. هذا يساعد النموذج اللغوي على فهم كيفية استخدام الأداة بفعالية.

3. تسليط الضوء على القيود: اذكر أي قيود أو مخاوف مهمة للأداة، مثل نوع المعلومات التي لا تعيدها.

4. ضمان الوضوح: تأكد من أن اسم الأداة واضح وغير غامض. سيستخدم النموذج اللغوي الوصف لتحديد الأداة التي سيتم استخدامها، لذا فإن الاسم الواضح والموجز أمر بالغ الأهمية.

5. إعطاء الأولوية للفائدة: ركز على توفير الأدوات التي هي مفيدة وذات صلة بالمهمة في الواقع. تجنب إدراج الأدوات غير الضرورية أو المتكررة.

6. النظر في سلسلة الأدوات: إذا كان حالة الاستخدام الخاصة بك تتطلب تسلسل من مكالمات الأداة، فكر في استخدام نموذج Opus، والذي مجهز بشكل أفضل للتعامل مع استخدام الأدوات المتسلسل.

7. اختبار بشكل شامل: اختبر تعريفات الأدوات وتنفيذاتها بشكل شامل للتأكد من أنها تعمل كما هو متوقع وتوفر الوظيفة المرغوبة.

لبناء روبوت دردشة خدمة العملاء باستخدام عائلة Cloud 3 من النماذج، سنتبع هذه الخطوات:

1. تثبيت حزمة Anthropic: سنبدأ بتثبيت حزمة عميل Python Anthropic.

2. إعداد مفتاح API Anthropic: سنقوم بإعداد مفتاح API Anthropic، والذي مطلوب لاستخدام نماذج Cloud 3.

3. اختيار نموذج Cloud 3: في هذا المثال، سنستخدم نموذج CLA 3 Opus، حيث أنه يدعم استخدام الأدوات والتسلسل الأكثر تعقيدًا.

4. تحديد الأدوات على جانب العميل: سنحدد ثلاث أدوات لروبوت خدمة العملاء الخاص بنا:

   • الحصول على معلومات العميل
   • الحصول على تفاصيل الطلب
   • إلغاء الطلب

   لكل أداة وصف مفصل، ومخطط إدخال، وتنفيذ من خلال وظائف خارجية.

5. تنفيذ الحلقة الرئيسية: سنقوم بإنشاء حلقة رئيسية تتعامل مع إدخال المستخدم، وتحدد أي أداة سيتم استخدامها، وتقوم باستدعاء الوظيفة المناسبة، وتغذي الرد مرة أخرى إلى النموذج اللغوي لتوليد الإخراج النهائي.

6. اختبار روبوت الدردشة: سنقوم باختبار روبوت الدردشة من خلال تقديم استفسارات مختلفة للمستخدم، مثل استرداد عنوان البريد الإلكتروني للعميل، والتحقق من حالة الطلب، وإلغاء الطلب.

من خلال اتباع هذه العملية، يمكننا بناء روبوت دردشة خدمة العملاء يستفيد من قدرات عائلة Cloud 3 من النماذج والقدرة على استدعاء الأدوات أو الوظائف الخارجية لتعزيز وظائفه.

في هذا الفيديو، استكشفنا مفهوم استدعاء الوظيفة واستخدام الأدوات الخارجية مع عائلة Anthropic Cloud 3 من النماذج. لقد تعلمنا النقاط الرئيسية التالية:

1. الدافع لاستدعاء الوظيفة: تتميز LLMs ببعض القيود، مثل عدم القدرة على إجراء حسابات معقدة أو الوصول إلى معلومات محدثة. يسمح استدعاء الوظيفة للـ LLM باستخدام الأدوات والواجهات البرمجية الخارجية لتجاوز هذه القيود.

2. تدفق استدعاء الوظيفة: يقرر LLM أولاً ما إذا كان بحاجة إلى استخدام أداة خارجية، ثم يختار الأداة المناسبة بناءً على الوصف المقدم، وأخيرًا يقوم بإجراء مكالمة إلى تنفيذ الأداة للحصول على المعلومات اللازمة.

3. تحديد الأدوات: يتم تحديد الأدوات باسم ووصف مفصل ومخطط إدخال. يعتبر الوصف حاسمًا حيث يساعد LLM على اتخاذ قرار بشأن الأداة التي سيتم استخدامها.

4. أفضل الممارسات: قدم وصفًا واضحًا وشاملاً للأدو