نظام تنسيق متعدد العملاء باستخدام TinyLlama : تخيل أنك تقود فريقًا صغيرًا لكن قويًا لإنجاز مشروع كبير، مثل تنظيم حفلة مفاجأة أو إطلاق تطبيق جديد. ما رأيك إذا قلت لك إنك لن تطلب من شخص واحد القيام بكل شيء؟ بل ستوزع المهام: باحث يجمع الأفكار، مبرمج يبني التقنية، كاتب يصيغ الدعوات، ومحلل يتابع الميزانية. الآن، ماذا لو أخبرتك أنك تستطيع تكرار ذلك نفسه باستخدام عملاء ذكاء اصطناعي (AI Agents)، يعملون معًا بشكل ذاتي على جهازك الشخصي، دون الحاجة إلى الإنترنت أو خدمات سحابية باهظة الثمن؟
هذا بالضبط ما يقدمه Multi-Agent Orchestration System (نظام تنسيق متعدد العملاء)، وفي هذاالقال ، سنستكشف كيفية بناء Local AI System (نظام ذكاء اصطناعي محلي) باستخدام TinyLlama، وهو نموذج لغة خفيف الوزن لكنه قوي. هذا النظام يمكّن من Intelligent Task Decomposition (تحليل المهام الذكي)، أي تقسيم الأهداف المعقدة إلى خطوات صغيرة، وAutonomous Collaboration (التعاون الذاتي)، حيث يتواصل العملاء الذكاء الاصطناعي ويتعاونون مثل فريق محترف. لا حاجة لـ APIs أو اتصالات خارجية – مجرد سحر ذكاء اصطناعي نقي وشفاف يعمل على جهازك!
إذا كنت هاويًا، مطورًا، أو مجرد مهتمًا بالذكاء الاصطناعي، فهذا المقال سيرشدك خطوة بخطوة، مع أكواد بسيطة، مزايا وعيوب، ونصائح عملية. دعنا نحول أفكارك إلى واقع – أمسك بلابتوبك وهيا نبدأ!
الخطوة الأولى: بناء الأساس – الاستيرادات وهياكل البيانات
كل فريق ناجح يحتاج إلى هيكل قوي، تمامًا مثل بناء منزل يبدأ بالأساسيات. نبدأ هنا باستيراد مكتبات أساسية مثل torch وtransformers من Hugging Face، والتي تتعامل مع النموذج الذكاء الاصطناعي وتحويل النصوص إلى رموز يفهمها الذكاء (مثل تحضير وصفة طبخ للطاهي).
ثم نعرف فئتين رئيسيتين: Task (مهمة) وAgent (عميل). الـ Task تشبه عنصرًا في قائمة المهام، تحتوي على معرّف (ID)، وصف، المسؤول عنها، حالة (مثل “قيد الانتظار” أو “مكتملة”)، وتبعيات (مثل “أكمل البحث قبل الكتابة”). أما الـ Agent فهو مثل عضو في الفريق، له اسم، دور، خبرة، وتعليمات نظامية ليحافظ على شخصيته – مثل قول للباحث: “أنت متخصص في جمع المعلومات!”
إليك مثالًا بسيطًا لكود فئة Task:
Python
from dataclasses import dataclass
from typing import List, Any
@dataclass
class Task:
id: str
description: str
assigned_to: str = None
status: str = "pending"
result: Any = None
dependencies: List[str] = None
def __post_init__(self):
if self.dependencies is None:
self.dependencies = []هذا الهيكل يجعل كل شيء منظمًا، كأنك تستخدم لوحة إدارة مشاريع مثل Trello، لتتبع التقدم بسهولة.marktechpost.com
الخطوة الثانية: تسجيل العملاء وتحميل النموذج المحلي
الآن، ننشئ قائمة بالعملاء المتخصصين: “researcher” (الباحث) لجمع المعلومات، “coder” (المبرمج) للكتابة البرمجية، “writer” (الكاتب) للصياغة، و”analyst” (المحلل) للرؤى البياناتية. كل واحد يحصل على تعليمات مخصصة ليبقى في دوره.
ثم نحمل TinyLlama (نموذج بـ 1.1 مليار معلمة خفيف) باستخدام فئة LocalLLM. يستخدم تقنية الكوانتيزيشن 4 بت لتوفير الذاكرة، مما يجعله يعمل بسلاسة على أجهزة عادية مثل اللابتوب أو حتى Google Colab. كل شيء محلي وخفيف الوزن، بدون تكاليف سحابية!
مثال كود لتسجيل العملاء:
Python
AGENT_REGISTRY = {
"researcher": Agent(
name="researcher",
role="Research Specialist",
expertise="Information gathering, analysis, and synthesis",
system_prompt="You are a research specialist. Provide thorough research on topics."
),
# ... عملاء آخرون مثل coder، writer، analyst
}مع هذا، فريقك الذكاء الاصطناعي جاهز للعمل – تحكم كامل، بدون اتصال خارجي!marktechpost.com
الخطوة الثالثة: العميل المدير – تقسيم الأهداف (Task Decomposition)
النجم الحقيقي هو ManagerAgent (العميل المدير)، الذي يتصرف مثل قائد المشروع. يأخذ هدفًا كبيرًا (مثل “شرح بحث ثنائي”) ويقسمه إلى مهام فرعية باستخدام تعليمات ذكية للنموذج.
يولد مصفوفة JSON من المهام، يخصصها للعملاء، ويحدد التبعيات. مثلًا، البحث يأتي أولًا، ثم الكتابة.
دالة رئيسية: decompose_goal
Python
def decompose_goal(self, goal: str) -> List[Task]:
prompt = f"Break down this goal into 3 specific subtasks. Assign each to the best agent.\nGoal: {goal}\n..."
response = self.llm.generate(prompt)
# تحليل JSON وإنشاء كائنات Task
tasks = [Task(id="task_1", description="Research concept", assigned_to="researcher")]
return tasksهذا Task Decomposition يشبه التخطيط البشري: قسم وغلب، لنتائج أفضل. مثل تقسيم تنظيم حفلة إلى شراء هدايا، دعوة أصدقاء، وإعداد الطعام.marktechpost.com
الخطوة الرابعة: تنفيذ المهام مع السياق والتبعيات
كل مهمة تُنفذ فقط بعد إكمال تبعياتها، لضمان الترتيب. المدير يقدم سياقًا من المهام السابقة (مثل ملخص البحث للمبرمج).
دالة execute_task تطلب من العميل المخصص بالتعليمات والمعلومات:
Python
def execute_task(self, task: Task, context: Dict = None) -> str:
agent = self.agents[task.assigned_to]
context_str = "\n\nContext from previous tasks:\n- Research summary here..."
prompt = f"{agent.system_prompt}\nTask: {task.description}{context_str}\nProvide a clear response:"
result = self.llm.generate(prompt)
task.result = result
task.status = "completed"
return resultالعملاء يتعاونون ذاتيًا، يمررون المعلومات كأعضاء فريق في اجتماع. مثل أن يقول الباحث للكاتب: “إليك ما وجدته، الآن صيغه بشكل جميل!”marktechpost.com
الخطوة الخامسة: تجميع النتائج وتشغيل السير العملي
أخيرًا، المدير يجمع كل النتائج في إجابة مترابطة باستخدام synthesize_results. يعمل في حلقة، يتحقق من التبعيات حتى ينتهي كل شيء.
الدالة الكاملة execute_goal تنسق الكل:
Python
def execute_goal(self, goal: str) -> Dict:
tasks = self.decompose_goal(goal)
results = {}
completed = set()
# حلقة: تنفيذ المهام الجاهزة، تحديث النتائج
final_output = self.synthesize_results(goal, results)
return {"final_output": final_output, "execution_log": self.execution_log}أمثلة تجريبية مثل demo_basic تظهر العمل: أدخل هدفًا، احصل على رد مصقول!marktechpost.com
المزايا، العيوب، والدروس المستفادة
المزايا:
- نظام ذكاء اصطناعي محلي كامل: لا حاجة للإنترنت – مثالي للخصوصية والاستخدام دون اتصال.
- اقتصادي: TinyLlama خفيف، يعمل على أجهزة عادية دون تكاليف.
- قابل للتخصيص: فحص وتعديل كل خطوة؛ أضف عملاء بسهولة.
- شفاف: شاهد السجلات والتعليمات – افهم قرارات الذكاء الاصطناعي.
العيوب:
- حدود الأداء: نموذج صغير مثل TinyLlama قد لا يتعامل مع مهام معقدة جدًا مثل نماذج عملاقة كـ GPT-4.
- جهد الإعداد: يتطلب تثبيت مكتبات (مثل pip install transformers torch).
- إدارة التبعيات: إذا تشابكت المهام، قد يصبح التصحيح صعبًا.
الدروس المستفادة: ابدأ بسيطًا – اختبر أهدافًا أساسية. استخدم السجلات لتتبع المشكلات. لدقة أفضل، حسّن التعليمات تدريجيًا. تذكر، مثل أي فريق، يلمع العملاء عندما تكون الأدوار واضحة والتواصل (السياق) سلسًا.marktechpost.com
الخاتمة: حان الوقت لبناء فريقك الذكاء الاصطناعي!
لقد استكشفنا الآن كيفية بناء Multi-Agent Orchestration System باستخدام TinyLlama لـ Task Decomposition وAutonomous Collaboration. هذا Local AI System يمكّنك من التعامل مع كل شيء من شرح خوارزميات إلى كتابة أكواد – كل ذلك تحت سيطرتك.
من الملهم رؤية عملاء الذكاء الاصطناعي يعملون كفريق منسق، يقسمون التحديات ويقدمون نتائج. لماذا لا تجرب بنفسك؟ انسخ الكود الكامل من الدليل، عدل العملاء، وواجه أهدافك الخاصة. من يدري – مشروعك القادم قد يكون مدعومًا بهذا الأوركسترا الذكاء الاصطناعي المنزلي. غوص في التجربة، جرب، وراقب أفكارك تنبض بالحياة!