إطار الذكاء الاصطناعي

هل شعرت يومًا بالإرهاق عند محاولة بناء تطبيقات ذكاء اصطناعي من الصفر؟ لست وحدك! تُعتبر أطر الذكاء الاصطناعي مثل السكين السويسري لتطوير الذكاء الاصطناعي - أدوات قوية يمكن أن توفر لك الوقت وتجنبك المتاعب عند بناء التطبيقات الذكية. فكر في إطار الذكاء الاصطناعي كأنه مكتبة منظمة جيدًا: يوفر مكونات جاهزة، وواجهات برمجة تطبيقات موحدة، وتجريدات ذكية حتى تتمكن من التركيز على حل المشكلات بدلاً من الانشغال بتفاصيل التنفيذ. في هذا الدرس، سنستكشف كيف يمكن للأطر مثل LangChain تحويل المهام المعقدة لدمج الذكاء الاصطناعي إلى أكواد نظيفة وسهلة القراءة. ستكتشف كيفية التعامل مع التحديات الواقعية مثل تتبع المحادثات، وتنفيذ استدعاء الأدوات، والتعامل مع نماذج الذكاء الاصطناعي المختلفة من خلال واجهة موحدة واحدة. بحلول نهاية هذا الدرس، ستعرف متى تلجأ إلى الأطر بدلاً من استدعاءات واجهات برمجة التطبيقات الخام، وكيفية استخدام تجريداتها بفعالية، وكيفية بناء تطبيقات ذكاء اصطناعي جاهزة للاستخدام في العالم الحقيقي. دعنا نستكشف ما يمكن أن تقدمه أطر الذكاء الاصطناعي لمشاريعك. ## ⚡ ما يمكنك فعله في الدقائق الخمس القادمة مسار سريع للمطورين المشغولين - الدقيقة الأولى: قم بتثبيت LangChain: pip install langchain langchain-openai - الدقيقة الثانية: قم بإعداد رمز GitHub الخاص بك واستورد عميل ChatOpenAI - الدقيقة الثالثة: أنشئ محادثة بسيطة مع رسائل النظام والإنسان - الدقيقة الرابعة: أضف أداة أساسية (مثل وظيفة الجمع) وشاهد استدعاء الأدوات بواسطة الذكاء الاصطناعي - الدقيقة الخامسة: اختبر الفرق بين استدعاءات واجهات برمجة التطبيقات الخام وتجريدات الإطار كود اختبار سريع: لماذا هذا مهم: في غضون 5 دقائق، ستختبر كيف تحول أطر الذكاء الاصطناعي التكامل المعقد للذكاء الاصطناعي إلى استدعاءات طرق بسيطة. هذا هو الأساس الذي يدعم تطبيقات الذكاء الاصطناعي الإنتاجية. ## لماذا تختار إطارًا؟ إذن أنت مستعد لبناء تطبيق ذكاء اصطناعي - رائع! ولكن إليك الأمر: لديك عدة مسارات مختلفة يمكنك اتخاذها، ولكل منها مزايا وعيوب. إنه يشبه اختيار المشي أو ركوب الدراجة أو القيادة للوصول إلى مكان ما - كلها ستوصلك، لكن التجربة (والجهد) ستكون مختلفة تمامًا. دعنا نوضح الطرق الثلاثة الرئيسية التي يمكنك من خلالها دمج الذكاء الاصطناعي في مشاريعك: ### فوائد الأطر في الممارسة لماذا الأطر مهمة: - توحد مزودي الذكاء الاصطناعي المتعددين تحت واجهة واحدة - تتعامل مع ذاكرة المحادثة تلقائيًا - توفر أدوات جاهزة للمهام الشائعة مثل التضمينات واستدعاء الوظائف - تدير معالجة الأخطاء ومنطق إعادة المحاولة - تحول سير العمل المعقد إلى استدعاءات طرق قابلة للقراءة الخلاصة: مثل الاختيار بين أدوات متخصصة للحرفي وورشة عمل كاملة، الأمر يتعلق بمطابقة الأداة مع المهمة. الأطر تتفوق في التطبيقات المعقدة والغنية بالميزات، بينما تعمل واجهات برمجة التطبيقات المباشرة بشكل جيد للحالات البسيطة. ## 🗺️ رحلتك التعليمية لإتقان أطر الذكاء الاصطناعي وجهة رحلتك: بحلول نهاية هذا الدرس، ستكون قد أتقنت تطوير أطر الذكاء الاصطناعي وستكون قادرًا على بناء تطبيقات ذكاء اصطناعي متطورة وجاهزة للإنتاج تنافس المساعدين الذكاء الاصطناعي التجاريين. ## المقدمة في هذا الدرس، سنتعلم: - استخدام إطار ذكاء اصطناعي شائع. - معالجة المشكلات الشائعة مثل محادثات الدردشة، استخدام الأدوات، الذاكرة والسياق. - الاستفادة من ذلك لبناء تطبيقات ذكاء اصطناعي. ## 🧠 نظام تطوير أطر الذكاء الاصطناعي المبدأ الأساسي: أطر الذكاء الاصطناعي تبسط التعقيد مع توفير تجريدات قوية لإدارة المحادثات، تكامل الأدوات، ومعالجة المستندات، مما يمكن المطورين من بناء تطبيقات ذكاء اصطناعي متطورة بكود نظيف وقابل للصيانة. ## أول طلب ذكاء اصطناعي لك لنبدأ بالأساسيات من خلال إنشاء أول تطبيق ذكاء اصطناعي يرسل سؤالاً ويحصل على إجابة. مثلما اكتشف أرخميدس مبدأ الإزاحة في حمامه، أحيانًا تكون الملاحظات البسيطة هي التي تؤدي إلى أقوى الأفكار - والأطر تجعل هذه الأفكار في متناول اليد. ### إعداد LangChain مع نماذج GitHub سنستخدم LangChain للاتصال بنماذج GitHub، وهو أمر رائع لأنه يمنحك وصولاً مجانيًا إلى نماذج ذكاء اصطناعي متنوعة. أفضل جزء؟ تحتاج فقط إلى بعض معلمات التكوين البسيطة للبدء: دعنا نوضح ما يحدث هنا: - إنشاء عميل LangChain باستخدام فئة ChatOpenAI - هذا هو بوابتك إلى الذكاء الاصطناعي! - تكوين الاتصال بنماذج GitHub باستخدام رمز المصادقة الخاص بك - تحديد النموذج الذكاء الاصطناعي الذي تريد استخدامه (gpt-4o-mini) - فكر في هذا كاختيار مساعد الذكاء الاصطناعي الخاص بك - إرسال سؤالك باستخدام طريقة invoke() - هنا يحدث السحر - استخراج وعرض الإجابة - وها أنت تتحدث مع الذكاء الاصطناعي! الإخراج المتوقع: ## بناء ذكاء اصطناعي محادثي المثال الأول يوضح الأساسيات، لكنه مجرد تبادل واحد - تسأل سؤالاً، تحصل على إجابة، وهذا كل شيء. في التطبيقات الحقيقية، تريد أن يتذكر الذكاء الاصطناعي ما كنت تناقشه، مثلما بنى واتسون وهولمز محادثاتهم التحقيقية بمرور الوقت. هنا يصبح LangChain مفيدًا بشكل خاص. فهو يوفر أنواعًا مختلفة من الرسائل التي تساعد في هيكلة المحادثات وتتيح لك إعطاء الذكاء الاصطناعي شخصية. ستقوم ببناء تجارب دردشة تحافظ على السياق والشخصية. ### فهم أنواع الرسائل فكر في هذه الأنواع من الرسائل كأنها "قبعات" مختلفة يرتديها المشاركون في المحادثة. يستخدم LangChain فئات رسائل مختلفة لتتبع من يقول ماذا: ### إنشاء أول محادثة لك دعنا ننشئ محادثة حيث يتبنى الذكاء الاصطناعي دورًا معينًا. سنجعله يجسد شخصية الكابتن بيكارد - شخصية معروفة بحكمته الدبلوماسية وقيادته: تفصيل إعداد هذه المحادثة: - تحديد دور وشخصية الذكاء الاصطناعي من خلال SystemMessage - تقديم استفسار المستخدم الأولي عبر HumanMessage - إنشاء أساس لمحادثة متعددة الأدوار الكود الكامل لهذا المثال يبدو كالتالي: يجب أن ترى نتيجة مشابهة لـ: للحفاظ على استمرارية المحادثة (بدلاً من إعادة تعيين السياق في كل مرة)، تحتاج إلى الاستمرار في إضافة الردود إلى قائمة الرسائل. مثل التقاليد الشفوية التي حافظت على القصص عبر الأجيال، هذا النهج يبني ذاكرة دائمة: رائع، أليس كذلك؟ ما يحدث هنا هو أننا نستدعي LLM مرتين - أولاً مع رسائلنا الأولية فقط، ثم مرة أخرى مع تاريخ المحادثة الكامل. إنه يشبه أن الذكاء الاصطناعي يتابع محادثتنا بالفعل! عند تشغيل هذا الكود، ستحصل على استجابة ثانية تبدو كالتالي: سأعتبر ذلك كـ "ربما" ;) ## استجابات البث هل لاحظت كيف يبدو أن ChatGPT "يكتب" استجاباته في الوقت الفعلي؟ هذا هو البث أثناء العمل. مثل مشاهدة خطاط ماهر يعمل - رؤية الحروف تظهر ضربة بضربة بدلاً من أن تظهر فجأة - يجعل البث التفاعل يبدو أكثر طبيعية ويوفر ردود فعل فورية. ### تنفيذ البث مع LangChain لماذا البث رائع: - يعرض المحتوى أثناء إنشائه - لا مزيد من الانتظار المحرج! - يجعل المستخدمين يشعرون بأن شيئًا ما يحدث بالفعل - يبدو أسرع، حتى عندما لا يكون كذلك تقنيًا - يسمح للمستخدمين ببدء القراءة بينما لا يزال الذكاء الاصطناعي "يفكر" ### 🎯 مراجعة تربوية: فوائد تجريد الإطار توقف وتأمل: لقد اختبرت للتو قوة تجريدات أطر الذكاء الاصطناعي. قارن ما تعلمته باستدعاءات واجهات برمجة التطبيقات الخام من الدروس السابقة. تقييم ذاتي سريع: - هل يمكنك شرح كيف يبسط LangChain إدارة المحادثات مقارنة بتتبع الرسائل يدويًا؟ - ما الفرق بين طريقتي invoke() و stream()، ومتى تستخدم كل منهما؟ - كيف يحسن نظام أنواع الرسائل في الإطار تنظيم الكود؟ صلة بالعالم الواقعي: أنماط التجريد التي تعلمتها (أنواع الرسائل، واجهات البث، ذاكرة المحادثة) تُستخدم في كل تطبيق ذكاء اصطناعي رئيسي - من واجهة ChatGPT إلى مساعدة الأكواد في GitHub Copilot. أنت تتقن نفس الأنماط المعمارية التي تستخدمها فرق تطوير الذكاء الاصطناعي المحترفة. سؤال التحدي: كيف ستصمم تجريد إطار للتعامل مع مزودي نماذج الذكاء الاصطناعي المختلفين (OpenAI، Anthropic، Google) بواجهة واحدة؟ فكر في الفوائد والمقايضات. ## قوالب الطلبات تعمل قوالب الطلبات مثل الهياكل البلاغية المستخدمة في الخطابة الكلاسيكية - فكر في كيفية تعديل شيشرون لأنماط خطابه لجماهير مختلفة مع الحفاظ على نفس الإطار الإقناعي. إنها تتيح لك إنشاء طلبات قابلة لإعادة الاستخدام حيث يمكنك استبدال أجزاء مختلفة من المعلومات دون إعادة كتابة كل شيء من البداية. بمجرد إعداد القالب، ما عليك سوى ملء المتغيرات بالقيم التي تحتاجها. ### إنشاء قوالب قابلة لإعادة الاستخدام لماذا ستحب استخدام القوالب: - تحافظ على اتساق طلباتك عبر تطبيقك بالكامل - لا مزيد من تجميع النصوص الفوضوي - فقط متغيرات نظيفة وبسيطة - يتصرف الذكاء الاصطناعي بشكل متوقع لأن الهيكل يظل كما هو - التحديثات سهلة - قم بتغيير القالب مرة واحدة، ويتم إصلاحه في كل مكان ## الإخراج المنظم هل شعرت بالإحباط من محاولة تحليل استجابات الذكاء الاصطناعي التي تعود كنص غير منظم؟ الإخراج المنظم يشبه تعليم الذكاء الاصطناعي اتباع النهج المنهجي الذي استخدمه لينيوس لتصنيف الكائنات الحية - منظم، يمكن التنبؤ به، وسهل التعامل معه. يمكنك طلب JSON، هياكل بيانات محددة، أو أي تنسيق تحتاجه. ### تحديد مخططات الإخراج لماذا الإخراج المنظم يغير اللعبة: - لا مزيد من التخمين حول التنسيق الذي ستحصل عليه - إنه متسق في كل مرة - يتصل مباشرة بقواعد البيانات وواجهات برمجة التطبيقات الخاصة بك دون عمل إضافي - يكتشف استجابات الذكاء الاصطناعي الغريبة قبل أن تعطل تطبيقك - يجعل كودك أنظف لأنك تعرف بالضبط ما تعمل معه ## استدعاء الأدوات الآن نصل إلى واحدة من أقوى الميزات: الأدوات. هذه هي الطريقة التي تمنح بها الذكاء الاصطناعي قدرات عملية تتجاوز المحادثة. مثلما طورت النقابات في العصور الوسطى أدوات متخصصة للحرف المختلفة، يمكنك تجهيز الذكاء الاصطناعي بأدوات مركزة. تصف الأدوات المتاحة، وعندما يطلب شخص ما شيئًا يتطابق، يمكن للذكاء الاصطناعي اتخاذ إجراء. ### استخدام Python دعنا نضيف بعض الأدوات كالتالي: ما الذي يحدث هنا؟ نحن ننشئ مخططًا لأداة تسمى add. من خلال الوراثة من TypedDict واستخدام أنواع Annotated الأنيقة لـ a و b، نحن نقدم للـ LLM صورة واضحة عما تفعله هذه الأداة وما تحتاجه. قاموس functions يشبه صندوق الأدوات الخاص بنا - يخبر كودنا بالضبط ما يجب فعله عندما يقرر الذكاء الاصطناعي استخدام أداة معينة. دعنا نرى كيف نستدعي LLM بهذه الأداة بعد ذلك: هنا نستدعي bind_tools مع مصفوفة tools الخاصة بنا وبالتالي فإن LLM llm_with_tools لديه الآن معرفة بهذه الأداة. لاستخدام هذا LLM الجديد، يمكننا كتابة الكود التالي: الآن عند استدعاء invoke على هذا LLM الجديد، الذي يحتوي على أدوات، قد يتم تعبئة الخاصية tool_calls. إذا كان الأمر كذلك، فإن أي أدوات محددة تحتوي على خاصية name و args التي تحدد الأداة التي يجب استدعاؤها ومع الوسائط. الكود الكامل يبدو كالتالي: عند تشغيل هذا الكود، يجب أن ترى إخراجًا مشابهًا لـ: قام الذكاء الاصطناعي بفحص "ما هو 3 + 12" وتعرف على ذلك كمهام لأداة add. مثلما يعرف أمين مكتبة ماهر المرجع الذي يجب استشارته بناءً على نوع السؤال المطروح، قام بتحديد ذلك من اسم الأداة، وصفها، ومواصفات الحقول. النتيجة 15 تأتي من قاموس functions الخاص بنا الذي ينفذ الأداة: ### أداة أكثر إثارة للاهتمام تستدعي واجهة برمجة تطبيقات ويب إضافة الأرقام يوضح المفهوم، ولكن الأدوات الحقيقية عادةً ما تقوم بعمليات أكثر تعقيدًا، مثل استدعاء واجهات برمجة التطبيقات على الويب. دعونا نوسع مثالنا ليقوم الذكاء الاصطناعي بجلب المحتوى من الإنترنت - تمامًا كما كان مشغلو التلغراف يربطون المواقع البعيدة: الآن إذا قمت بتشغيل هذا الكود، ستحصل على استجابة تقول شيئًا مثل: إليك الكود بالكامل: ## التضمينات ومعالجة المستندات التضمينات تمثل واحدة من أكثر الحلول أناقة في الذكاء الاصطناعي الحديث. تخيل لو كان بإمكانك أخذ أي قطعة نص وتحويلها إلى إحداثيات رقمية تعبر عن معناها. هذا بالضبط ما تفعله التضمينات - فهي تحول النصوص إلى نقاط في فضاء متعدد الأبعاد حيث تتجمع المفاهيم المتشابهة معًا. إنه مثل وجود نظام إحداثيات للأفكار، يشبه الطريقة التي نظم بها مندلييف الجدول الدوري بناءً على الخصائص الذرية. ### إنشاء واستخدام التضمينات ### محملات المستندات لمختلف الصيغ ما يمكنك فعله بالتضمينات: - إنشاء بحث يفهم ما تعنيه، وليس فقط مطابقة الكلمات المفتاحية - تطوير ذكاء اصطناعي يمكنه الإجابة على الأسئلة المتعلقة بمستنداتك - تصميم أنظمة توصية تقترح محتوى ذو صلة حقيقية - تنظيم وتصنيف المحتوى الخاص بك تلقائيًا ## بناء تطبيق ذكاء اصطناعي كامل الآن سنقوم بدمج كل ما تعلمته في تطبيق شامل - مساعد برمجي يمكنه الإجابة على الأسئلة، استخدام الأدوات، والحفاظ على ذاكرة المحادثة. كما أن الطباعة جمعت بين تقنيات موجودة (الحروف المتحركة، الحبر، الورق، والضغط) في شيء تحولي، سنقوم بدمج مكونات الذكاء الاصطناعي لدينا في شيء عملي ومفيد. ### مثال على تطبيق كامل هيكل التطبيق: الميزات الرئيسية التي قمنا بتنفيذها: - يتذكر المحادثة بأكملها لاستمرارية السياق - يقوم بالإجراءات من خلال استدعاء الأدوات، وليس فقط المحادثة - يتبع أنماط تفاعل متوقعة - يدير معالجة الأخطاء وسير العمل المعقد تلقائيًا ### 🎯 مراجعة تعليمية: هيكلية الذكاء الاصطناعي للإنتاج فهم الهيكلية: لقد قمت ببناء تطبيق ذكاء اصطناعي كامل يجمع بين إدارة المحادثة، استدعاء الأدوات، وسير العمل المنظم. هذا يمثل تطوير تطبيق ذكاء اصطناعي على مستوى الإنتاج. المفاهيم الرئيسية التي تم إتقانها: - هيكلية قائمة على الفئات: هيكلية منظمة وقابلة للصيانة لتطبيقات الذكاء الاصطناعي - دمج الأدوات: وظائف مخصصة تتجاوز المحادثة - إدارة الذاكرة: سياق المحادثة المستمر - معالجة الأخطاء: سلوك التطبيق القوي اتصال بالصناعة: أنماط الهيكلية التي قمت بتنفيذها (فئات المحادثة، أنظمة الأدوات، إدارة الذاكرة) هي نفس الأنماط المستخدمة في تطبيقات الذكاء الاصطناعي المؤسسية مثل مساعد Slack الذكي، GitHub Copilot، وMicrosoft Copilot. أنت تبني بتفكير هيكلي على مستوى احترافي. سؤال للتفكير: كيف يمكنك توسيع هذا التطبيق للتعامل مع مستخدمين متعددين، تخزين دائم، أو التكامل مع قواعد بيانات خارجية؟ فكر في تحديات التوسع وإدارة الحالة. ## المهمة: بناء مساعد دراسي مدعوم بالذكاء الاصطناعي الهدف: إنشاء تطبيق ذكاء اصطناعي يساعد الطلاب على تعلم مفاهيم البرمجة من خلال تقديم الشروحات، أمثلة الكود، والاختبارات التفاعلية. ### المتطلبات الميزات الأساسية (مطلوبة): 1. واجهة محادثة: تنفيذ نظام دردشة يحافظ على السياق عبر أسئلة متعددة 2. أدوات تعليمية: إنشاء أداتين على الأقل تساعدان في التعلم: - أداة شرح الكود - مولد اختبارات المفاهيم 3. تعلم شخصي: استخدام رسائل النظام لتكييف الردود مع مستويات المهارة المختلفة 4. تنسيق الردود: تنفيذ إخراج منظم لأسئلة الاختبار ### خطوات التنفيذ الخطوة 1: إعداد البيئة الخطوة 2: وظيفة الدردشة الأساسية - إنشاء فئة StudyAssistant - تنفيذ ذاكرة المحادثة - إضافة تكوين الشخصية لدعم التعليم الخطوة 3: إضافة الأدوات التعليمية - شارح الكود: يشرح الكود إلى أجزاء مفهومة - مولد الاختبارات: ينشئ أسئلة حول مفاهيم البرمجة - متعقب التقدم: يتابع المواضيع التي تم تغطيتها الخطوة 4: ميزات محسنة (اختياري) - تنفيذ ردود متدفقة لتحسين تجربة المستخدم - إضافة تحميل المستندات لدمج مواد الدورة - إنشاء تضمينات لاسترجاع المحتوى بناءً على التشابه ### معايير التقييم ### هيكل عينة للكود تحديات إضافية: - إضافة قدرات الإدخال/الإخراج الصوتي - تنفيذ واجهة ويب باستخدام Streamlit أو Flask - إنشاء قاعدة معرفة من مواد الدورة باستخدام التضمينات - إضافة تتبع التقدم ومسارات تعلم شخصية ## 📈 جدول زمني لإتقان تطوير إطار عمل الذكاء الاصطناعي الخاص بك 🎓 معلم التخرج: لقد أتقنت بنجاح تطوير إطار عمل الذكاء الاصطناعي باستخدام نفس الأدوات والأنماط التي تدعم تطبيقات الذكاء الاصطناعي الحديثة. هذه المهارات تمثل أحدث ما توصل إليه تطوير تطبيقات الذكاء الاصطناعي وتعدك لبناء أنظمة ذكية على مستوى المؤسسات. 🔄 قدرات المستوى التالي: - جاهز لاستكشاف هيكليات الذكاء الاصطناعي المتقدمة (الوكلاء، أنظمة الوكلاء المتعددة) - مستعد لبناء أنظمة RAG باستخدام قواعد بيانات المتجهات - مجهز لإنشاء تطبيقات ذكاء اصطناعي متعددة الوسائط - الأساس جاهز لتوسيع وتحسين تطبيقات الذكاء الاصطناعي ## الملخص 🎉 لقد أتقنت الآن أساسيات تطوير إطار عمل الذكاء الاصطناعي وتعلمت كيفية بناء تطبيقات ذكاء اصطناعي متطورة باستخدام LangChain. مثل إكمال تدريب شامل، لقد اكتسبت مجموعة أدوات مهارات كبيرة. دعونا نراجع ما أنجزته. ### ما تعلمته مفاهيم إطار العمل الأساسية: - فوائد الإطار: فهم متى تختار الإطارات بدلاً من استدعاءات واجهات برمجة التطبيقات المباشرة - أساسيات LangChain: إعداد وتكوين اتصالات نموذج الذكاء الاصطناعي - أنواع الرسائل: استخدام SystemMessage، HumanMessage، وAIMessage للمحادثات المنظمة الميزات المتقدمة: - استدعاء الأدوات: إنشاء ودمج أدوات مخصصة لتعزيز قدرات الذكاء الاصطناعي - ذاكرة المحادثة: الحفاظ على السياق عبر عدة تبادلات للمحادثة - ردود متدفقة: تنفيذ تسليم الردود في الوقت الفعلي - قوالب المطالبات: بناء مطالبات قابلة لإعادة الاستخدام وديناميكية - إخراج منظم: ضمان ردود منظمة وقابلة للتحليل من الذكاء الاصطناعي - التضمينات: إنشاء بحث دلالي وقدرات معالجة المستندات التطبيقات العملية: - بناء تطبيقات كاملة: دمج ميزات متعددة في تطبيقات جاهزة للإنتاج - معالجة الأخطاء: تنفيذ إدارة أخطاء قوية والتحقق - دمج الأدوات: إنشاء أدوات مخصصة توسع قدرات الذكاء الاصطناعي ### النقاط الرئيسية إطار اتخاذ القرار لتكامل الذكاء الاصطناعي: ### إلى أين تذهب من هنا؟ ابدأ البناء الآن: - خذ هذه المفاهيم وابدأ في بناء شيء يثير حماسك! - جرب نماذج ذكاء اصطناعي مختلفة من خلال LangChain - إنه مثل وجود ملعب لنماذج الذكاء الاصطناعي - أنشئ أدوات تحل مشاكل فعلية تواجهها في عملك أو مشاريعك جاهز للمستوى التالي؟ - وكلاء الذكاء الاصطناعي: بناء أنظمة ذكاء اصطناعي يمكنها التخطيط وتنفيذ المهام المعقدة بمفردها - RAG (توليد معزز بالاسترجاع): دمج الذكاء الاصطناعي مع قواعد المعرفة الخاصة بك لتطبيقات فائقة القوة - الذكاء الاصطناعي متعدد الوسائط: العمل مع النصوص، الصور، والصوت معًا - الإمكانيات لا حدود لها! - نشر الإنتاج: تعلم كيفية توسيع تطبيقات الذكاء الاصطناعي ومراقبتها في العالم الحقيقي انضم إلى المجتمع: - مجتمع LangChain رائع للبقاء على اطلاع وتعلم أفضل الممارسات - GitHub Models يمنحك الوصول إلى قدرات الذكاء الاصطناعي المتقدمة - مثالي للتجربة - استمر في الممارسة مع حالات استخدام مختلفة - كل مشروع سيعلمك شيئًا جديدًا لديك الآن المعرفة لبناء تطبيقات محادثة ذكية يمكنها مساعدة الناس في حل مشاكل حقيقية. مثل الحرفيين في عصر النهضة الذين جمعوا بين الرؤية الفنية والمهارة التقنية، يمكنك الآن دمج قدرات الذكاء الاصطناعي مع التطبيق العملي. السؤال هو: ماذا ستصنع؟ 🚀 ## تحدي وكيل GitHub Copilot 🚀 استخدم وضع الوكيل لإكمال التحدي التالي: الوصف: قم ببناء مساعد مراجعة كود متقدم مدعوم بالذكاء الاصطناعي يجمع بين ميزات LangChain المتعددة بما في ذلك استدعاء الأدوات، الإخراج المنظم، وذاكرة المحادثة لتقديم ملاحظات شاملة حول تقديمات الكود. المهمة: قم بإنشاء فئة CodeReviewAssistant التي تنفذ: 1. أداة لتحليل تعقيد الكود واقتراح تحسينات 2. أداة لفحص الكود وفقًا لأفضل الممارسات 3. إخراج منظم باستخدام نماذج Pydantic لتنسيق مراجعة متسق 4. ذاكرة محادثة لتتبع جلسات المراجعة 5. واجهة دردشة رئيسية يمكنها التعامل مع تقديمات الكود وتقديم ملاحظات تفصيلية وقابلة للتنفيذ يجب أن يكون المساعد قادرًا على مراجعة الكود بلغات برمجة متعددة، الحفاظ على السياق عبر تقديمات الكود المتعددة في جلسة واحدة، وتقديم درجات ملخصة واقتراحات تحسين تفصيلية. تعرف على المزيد حول وضع الوكيل هنا. --- إخلاء المسؤولية: تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator. بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق. للحصول على معلومات حاسمة، يُوصى بالترجمة البشرية الاحترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.