الطبقة الخفية وراء تطبيقات الذكاء الاصطناعي الذكية
تُعد ChatGPT وGemini وClaude نماذج مبهرة؛ فهي تشرح المفاهيم وتصيغ رسائل البريد الإلكتروني بشكل جيد.
لكنك ستصطدم بحائط مسدود عندما تحاول بناء أدوات حقيقية. فأنت تريد بوت دعم يعرف منتجك، وتريد مساعداً يفهم بيانات شركتك.
تفشل النماذج القياسية هنا. لبناء ذكاء اصطناعي مفيد، تحتاج إلى ثلاث طبقات محددة: RAG وMCP والأنظمة الوكيلة (agentic systems).
تمنح تقنية RAG (Retrieval Augmented Generation) الذكاء الاصطناعي إمكانية الوصول إلى بياناتك.
تخيل أن مستخدماً سأل عن سياسة الاسترداد الخاصة بك. لا يعرف نموذج LLM القياسي قواعدك المحددة، لأنها لم تكن جزءاً من تدريبه. باستخدام RAG، يبحث النظام في مستنداتك أولاً، ثم يستخرج القسم المناسب ويقدمه للنموذج، ليقوم النموذج بعد ذلك بالإجابة بدقة. تحل تقنية RAG مشكلة الذاكرة.
يمنح بروتوكول MCP (Model Context Protocol) الذكاء الاصطناعي القدرة على اتخاذ إجراءات.
معرفة المستندات ليست كافية؛ فأحياناً يحتاج الذكاء الاصطناعي الخاص بك إلى التحقق من أسعار الصرف المباشرة أو الاستعلام عن المخزون. يعد MCP معياراً مفتوحاً يربط النماذج بالعالم الخارجي.
فكر في الأمر بهذه الطريقة: • RAG هي المكتبة التي يقرأ منها الذكاء الاصطناعي. • MCP هو الهاتف الذي يستخدمه الذكاء الاصطناعي لإجراء المكالمات.
يربط MCP النماذج بواجهات برمجة التطبيقات (APIs)، وقواعد البيانات، وأنظمة الملفات. يقرأ النموذج أوصاف الأدوات المتاحة مثل get_weather() أو search_inventory()، ثم يقرر أي أداة سيستخدم، ويطلبها، ويستخدم البيانات المباشرة في رده.
تربط البنية الوكيلة (Agentic architecture) هذه الأجزاء معاً.
هكذا تعمل أدوات مثل GitHub Copilot؛ فهي لا تعتمد على التخمين فحسب، بل تستخدم الاسترجاع، والقدرات المباشرة، والاستنتاج في حلقة مستمرة.
تعمل هذه البنية على النحو التالي:
- توفر RAG ما تعرفه.
- يوفر MCP ما يحدث الآن.
- توفر الحلقات الوكيلة (Agentic loops) القدرة على حل المشكلات.
لست بحاجة إلى نموذج أكبر لبناء أدوات أفضل، بل أنت بحاجة إلى بنية أفضل.
Optional learning community: https://t.me/GyaanSetuAi