Stanford CME295 Transformers & LLMs | Autumn 2026 | Lecture 6 - AI Agents
📚 الموضوعات الرئيسية
- قيود النماذج اللغوية الكبيرةتعتمد النماذج على المعرفة المكتسبة أثناء التدريب، ولا تنفذ الإجراءات بمفردها. كما أن توسيع المدخلات يصطدم بحدود نافذة السياق والتكلفة، وقد يضعف أداء النموذج مع السياقات الطويلة. 2:49
- التوليد المعزز بالاسترجاعيسترجع RAG معلومات ذات صلة من قاعدة معرفة، ويضيفها إلى المطالبة كي ينتج النموذج إجابة أدق، بدلاً من حشو السياق بكل المعلومات المتاحة. 9:14
- إعداد قاعدة المعرفة والاسترجاعتُقسّم المستندات إلى أجزاء متداخلة، وتمثّل التضمينات تلك الأجزاء. وتجمع مرحلة استرجاع المرشحات بين البحث الدلالي ومطابقة الكلمات، مثل BM25، ثم تعيد مرحلة إعادة الترتيب تقييم المرشحين بدقة أكبر. 12:25
- تقييم الاسترجاعتشرح المحاضرة مقاييس مثل NDCG والترتيب التبادلي والدقة والاستدعاء، لتقييم مدى صلة النتائج المسترجعة وترتيبها. وفي البرمجة، قد يكون البحث الدقيق باستخدام grep أنسب من التشابه الدلالي. 35:22
- استدعاء الأدوات واختيارهايحدد النموذج الأداة ومدخلاتها، ثم ينفذ النظام الإجراء ويعيد النتيجة إلى النموذج لصياغة إجابة. ويساعد اختيار الأدوات المناسبة على الحد من تضارب القدرات وتكدس السياق. 47:00
- MCP وهندسة إطار الوكيليوحّد بروتوكول MCP طريقة تعريف الأدوات والموارد والمطالبات وربطها بمختلف العملاء. ويشمل إطار الوكيل الأدوات وترتيب الإجراءات والذاكرة وضغط السياق والتلقين. 1:12:56
- ReAct والذاكرةيجمع ReAct بين ملاحظة الحالة والتخطيط والفعل، ويكرر هذه الدورة حتى الوصول إلى نتيجة. وللتعامل مع حدود السياق، يمكن تلخيص المحادثة، كما يمكن حفظ معلومات مهمة لاسترجاعها لاحقاً. 1:24:41
- وكلاء البرمجةتتفاعل هذه الوكلاء مع بيئة التنفيذ، وتستخدم البحث الدقيق في الشيفرة، وملفات القواعد والمهارات لتوجيه العمل. وتشمل الموضوعات أيضاً الموافقة على الإجراءات، واستخدام الحاسوب، والوكلاء الفرعيين والأسراب. 1:33:43
✨ الخلاصات الرئيسية
- استرجاع ملائم للمهمةلا توجد طريقة واحدة مثالية لكل الحالات؛ فدمج البحث الدلالي ومطابقة الكلمات وإعادة الترتيب قد يحسن النتائج، بينما يناسب البحث الدقيق مهام البرمجة. 23:01
- تصميم الأدوات بعنايةتساعد الأوصاف الواضحة والمدخلات والمخرجات المنظمة على تمكين النموذج من استخدام الأدوات وتفسير نتائجها. 51:09
- ترتيب السياق والتكلفةوضع التعليمات الثابتة في بداية المطالبة يتيح الاستفادة من التخزين المؤقت، كما أن تقليل الأدوات غير اللازمة يحد من تضخم السياق. 1:16:36
- النموذج والإطار متكاملانجودة الوكيل تعتمد على النموذج وعلى النظام المحيط به، بما في ذلك أدواته واستراتيجياته وذاكرته. 1:23:02
🧠 الدروس المستفادة
- استدعاء الأداة دورة متعددة الخطواتعلى النظام تحديد الإجراء، وتنفيذه خارج النموذج، ثم تمرير النتيجة إليه لإنتاج رد للمستخدم. 48:01
- تضارب الأدوات يستدعي التوجيهقد تؤدي الأدوات المتداخلة إلى تفسيرات مختلفة لطلب المستخدم؛ لذلك ينبغي اختيار مجموعة مناسبة منها وفق السياق وتفضيلات المستخدم. 1:03:20
- ضغط السياق يحافظ على المهميمكن إزالة المعلومات التي لم تعد لازمة أو تلخيص التقدم والعمل المتبقي لمواصلة المحادثة ضمن نافذة السياق. 1:28:59
- الصلاحيات تتطلب الحذروكلاء البرمجة والوكلاء المتعددون قادرون على تنفيذ مهام مؤثرة، لذا ينبغي الانتباه إلى سلامة الإجراءات ومخاطر منح صلاحيات واسعة. 1:34:15
🏁 الخاتمة والخطوات التالية
- تطور الوكلاءتعرض المحاضرة الوكلاء بوصفهم أنظمة تجمع النماذج والأدوات وإدارة السياق، وتمهّد لمواصلة دراسة هذه الأنظمة وتطبيقاتها. 1:37:28
- الوكلاء المتعددون واستخدام الحاسوبقد تساعد الوكلاء الفرعية والأسراب على تفويض المهام، لكنها تزيد التكلفة والتعقيد؛ كما أن استخدام الحاسوب ما زال غير فعال، مع الإشارة إلى مناقشته في محاضرات لاحقة. 1:38:29
Transcript excerpt
0:05 مرحبًا بالجميع وأهلاً بكم في المحاضرة السادسة من مقرر CME 295. اليوم يوم مثير لأننا سنتحدث عن وكلاء الذكاء الاصطناعي، وبشكل خاص كيف يعملون وعلاقتهم بالنماذج اللغوية الكبيرة التي رأيناها حتى الآن. أحد أسباب إثارة هذا الموضوع هو أنه أصبح مفهوماً أكثر أهمية لنا جميعاً، وسأقوم بتقديم ذلك من خلال اتخاذ البرمجة كمثال.
0:42 بالنسبة لأولئك الذين يقومون ببعض البرمجة في عملهم اليومي، وأنا واحد منهم، ربما كنتم معتادين قبل بضع سنوات على كتابة الأكواد يدوياً. وعندما ظهرت تلك النماذج اللغوية الكبيرة ، وتحديداً عند إطلاق ChatGPT في نهاية عام 2022 استخدمنا ChatGPT ربما فقط لمساعدتنا في بعض مهام البرمجة، ولكن كان دورنا أساساً هو إدخال بعض الأوامر للأداة ثم الحصول
1:14 على الكود بالمقابل. ومع مرور الوقت أصبحت هذه المساعدات أكثر تطوراً، وفي عام 2024 بدأت بعض بيئات التطوير التي نستخدمها توفر خاصية الإكمال التلقائي التي أصبحت أفضل فأفضل، مستفيدة من التنبؤ بالرمز التالي الذي تبرع فيه النماذج اللغوية. وببطء ولكن بثبات، أصبحت هذه الأدوات أفضل
1:46 . فبدلاً من مجرد إكمال الدالة التي تكتبها ، أصبحت تقترح القيام بمهام أقل وتتحمل المزيد من الأعباء عنك، بحيث تصيغ أنت المهمة وتقوم الأداة بتنفيذها فعلياً بدلاً منك. حتى يومنا هذا، وأفترض أن معظمكم، إن لم يكن جميعكم، يتفاعل الآن مع وكيل برمجي بشكل منتظم للغاية.
🔒 The full, searchable transcript is available with Pro.
Questions & Answers
Common questions about this video
ما الفكرة الأساسية وراء تقنية RAG؟
ما الفرق بين المشفّر الثنائي وأداة إعادة الترتيب؟
كيف تعمل استدعاءات الأدوات ضمن تفاعل النموذج اللغوي؟
ما المقصود ببروتوكول MCP، وما المفاهيم الأساسية التي يحددها؟
ما المقصود بنموذج ReAct؟
كيف يمكن التعامل مع اقتراب المحادثة من حد نافذة السياق؟
ما الذي يميز وكلاء البرمجة في استرجاع المعلومات من قاعدة الكود؟
Related summaries
What Are AI Agents? Agentic Systems Explained | Stanford CS329Z Lecture 1 with Diyi Yang
Stanford CME295 Transformers & LLMs | Autumn 2026 | Lecture 4 - Reinforcement Learning with LLMs
Stanford AA274A Principles of Robotic Autonomy | Autumn 2019 | Image Processing
Stanford EE292R AI and Data for Science | Autumn 2026 | Models of Computation in the Retina
Stanford CME295 Transformers & LLMs | Autumn 2026 | Lecture 2 - Large Language Models
