النماذج اللغوية الكبيرة أو LLMs هي الأساس وراء عدد كبير من تطبيقات الذكاء الاصطناعي الحديثة مثل المساعدات الذكية وأنظمة البرمجة والبحث والوكلاء الذكيين.

الفكرة الأساسية بسيطة: يتم تدريب النموذج على توقّع الـ Token التالي اعتماداً على ما سبقه.

إذا كانت الجملة:

The capital of France is

فمن المتوقع أن يعطي النموذج احتمالاً مرتفعاً لكلمة Paris.

لكن عند تدريب هذا المبدأ على مليارات الأمثلة، تظهر قدرات مثل التلخيص والترجمة والبرمجة والتحليل.

المهم أن نفهم أن النموذج ليس قاعدة بيانات للحقائق؛ فهو يولد النص الأكثر احتمالاً، ولهذا يمكن أن ينتج أحياناً معلومات غير صحيحة.

Tokens

النموذج لا يقرأ النص تماماً كما يقرأه الإنسان. يتم تقسيم النص إلى وحدات صغيرة تسمى Tokens.

عدد الـ Tokens يؤثر في:

• تكلفة API
• سرعة الاستجابة
• حجم الإدخال
• حجم الإخراج
• Context Window

Transformer

Transformer هو الهيكل الأساسي لمعظم النماذج الحديثة.

أهم جزء فيه هو Attention، الذي يسمح للنموذج بتحديد الأجزاء الأكثر ارتباطاً ببعضها داخل النص.

المعادلة المعروفة هي:

Attention(Q,K,V) = softmax(QKᵀ / √dₖ)V

لا تحتاج إلى حفظها لتطوير التطبيقات. الفكرة العملية هي:

عند معالجة كلمة معينة، Attention يساعد النموذج على معرفة الكلمات الأخرى التي يجب أن يهتم بها أكثر.

Embeddings

كل Token يتحول إلى مجموعة أرقام تسمى Embedding، وهي تمثيل رقمي يحمل معلومات عن معنى الـ Token واستخدامه.

Query وKey وValue

داخل Attention توجد ثلاثة تمثيلات رئيسية:

• Query: ما المعلومات التي أبحث عنها؟
• Key: ما المعلومات الموجودة هنا؟
• Value: ما المحتوى الذي يجب نقله إذا كان مرتبطاً؟

Multi-Head Attention

يستخدم Transformer عدة عمليات Attention في الوقت نفسه.

يمكن لكل Head تعلم نوع مختلف من العلاقات مثل العلاقات النحوية أو الدلالية أو الارتباط بين أجزاء متباعدة من النص.

ترتيب الكلمات

الجملتان:

Dog bites man

و

Man bites dog

تحتويان كلمات متشابهة لكن المعنى مختلف.

لذلك يحتاج Transformer أيضاً إلى معلومات عن موقع كل Token داخل النص.

كيف يولد LLM النص؟

بعد قراءة الـ Prompt، يحسب النموذج احتمالات الـ Token التالي، ثم يختار Token ويكرر العملية.

أي أن التوليد يشبه:

Prompt → Token → Token → Token → ...

Temperature

Temperature تتحكم في مقدار العشوائية أثناء التوليد.

Temperature منخفضة مناسبة لـ:

• استخراج البيانات
• التصنيف
• JSON
• استدعاء الأدوات

أما القيم الأعلى فهي أنسب للإبداع وتوليد أفكار متعددة.

زيادة Temperature لا تجعل النموذج أذكى؛ بل تجعل النتائج أقل حتمية.

Prompting

الـ Prompt في التطبيق الاحترافي ليس مجرد سؤال، بل هو واجهة بين البرنامج والنموذج.

يجب أن يحدد:

• المهمة
• المعلومات المتاحة
• القيود
• السلوك المتوقع
• شكل الإخراج

بدلاً من:

Analyze this customer.

يمكن كتابة:

Analyze the customer data. Classify churn risk as low, medium or high. Do not invent missing information.

Zero-shot وFew-shot

في Zero-shot نعطي النموذج التعليمات فقط.

في Few-shot نعطيه أيضاً أمثلة على الإجابات المطلوبة.

Few-shot مفيد جداً عندما تكون الفئات أو طريقة الإخراج خاصة بالمشروع.

System Prompt

يمكن وضع القواعد الأساسية للنظام داخل System Prompt مثل:

You are a CRM assistant. Never modify customer records without authorization.

ثم يرسل المستخدم طلبه بشكل منفصل.

هذا الفصل مهم لأن المستخدم لا يجب أن يكون قادراً على تغيير قواعد الأمان الأساسية للنظام.

Structured Output

من الأفضل في كثير من التطبيقات أن يعيد النموذج بيانات منظمة بدلاً من نص حر.

مثال:

{
  "risk": "high",
  "confidence": 0.81
}

لكن يجب دائماً التحقق من النتيجة داخل الـ Backend.

Context Window

Context Window هي كمية المعلومات التي يستطيع النموذج رؤيتها أثناء طلب واحد.

قد تشمل:

• System Prompt
• المحادثة السابقة
• سؤال المستخدم
• المستندات المسترجعة
• نتائج الأدوات
• الإجابة الحالية

يمكن اعتبارها ذاكرة عمل مؤقتة وليست ذاكرة دائمة.

وإرسال المزيد من المعلومات ليس دائماً أفضل، لأن السياق الكبير جداً يزيد التكلفة والوقت ويمكن أن يضيف معلومات غير مهمة أو متعارضة.

القاعدة الأفضل هي:

أرسل المعلومات المرتبطة بالمهمة فقط.

RAG

إذا كانت المؤسسة تمتلك آلاف المستندات، فلا نرسلها جميعاً إلى النموذج.

في RAG يتم أولاً البحث عن الأجزاء المناسبة ثم إضافتها إلى Context.

Question → Retrieval → Relevant Documents → LLM → Answer

Hallucination

الهلوسة تحدث عندما يولد النموذج معلومات تبدو صحيحة لكنها غير حقيقية أو غير مدعومة.

قد يختلق:

• مراجع
• أرقاماً
• API غير موجودة
• معلومات عن العميل
• خصائص لمنتج

يمكن تقليل ذلك باستخدام:

• مصادر موثوقة
• RAG
• Tool Use
• تعليمات تمنع التخمين
• Structured Output
• Validation
• Human Approval

Tool Use

النموذج وحده لا يعرف بالضرورة حالة طلب حقيقية أو بيانات عميل حديثة.

لذلك يمكن توفير أدوات مثل:

get_customer(customer_id)

get_order_status(order_id)

create_lead(data)

send_email(to, subject, body)

عندما يحتاج النموذج معلومة حقيقية، يطلب استخدام Tool، ثم يقوم الـ Backend بتنفيذها وإرجاع النتيجة.

المسار النموذجي هو:

User → LLM → Tool Request → Backend → API → Result → LLM → User

الأمان في Tool Use

إذا طلب النموذج:

delete_customer(218)

لا يجب على الـ Backend تنفيذ ذلك مباشرة.

يجب فحص:

• Authentication
• Authorization
• Input Validation
• Business Rules
• Risk
• User Confirmation

القاعدة الأساسية:

النموذج يقترح العملية، لكن البرنامج هو صاحب القرار النهائي في التنفيذ.

مثال CRM Agent

إذا قال المستخدم:

افحص حساب Acme، وإذا كانت Opportunity جاهزة فحوّلها إلى Won.

التنفيذ الصحيح يمكن أن يكون:

1. فهم نية المستخدم.
2. استدعاء get_account('Acme').
3. تحليل بيانات CRM الحقيقية.
4. طلب توضيح إذا كانت المعلومات ناقصة.
5. اقتراح عملية التحديث.
6. فحص صلاحيات المستخدم.
7. طلب التأكيد عند الحاجة.
8. تنفيذ العملية في الـ Backend.

هذه هي الطريقة التي نحول بها Chatbot بسيطاً إلى Agent يمكن الاعتماد عليه.

بنية مشروع عملية

Frontend

↓

Backend / Agent Controller

↓

LLM

↓

Tool Router

↓

CRM / Database / Search / External APIs

يجب أن يدير الـ Backend أشياء مثل المصادقة والصلاحيات والتحقق والتسجيل وإدارة الأخطاء.

Prompt أم Code؟

استخدم Prompt من أجل:

• وصف المهمة
• طريقة الإجابة
• التعليمات السلوكية
• بنية المخرجات

واستخدم Code من أجل:

• Authentication
• Authorization
• Validation
• Security
• Business Rules الحرجة
• تنفيذ العمليات

لا تعتمد على Prompt وحده لحماية قاعدة أمنية مهمة.

خلاصة

LLM هو في الأساس محرك لتوقع الـ Token التالي.

Transformer يساعده على فهم العلاقات بين الـ Tokens.

Prompt يحدد المهمة.

Context Window يحدد المعلومات التي يستطيع النموذج رؤيتها الآن.

Hallucination تعني أن النص المقنع قد يكون غير صحيح.

Tool Use يربط النموذج بالبيانات والعمليات الحقيقية.

والنقطة الأهم:

النظام الموثوق لا يتكون من LLM وحده، بل من LLM مع Context مناسب، أدوات محكومة، Validation، Permissions وبنية برمجية جيدة.

بعد فهم هذه المفاهيم تصبح جاهزاً لدراسة AI Agents وReAct وPlanning وMemory وReflection وRAG وAgentic AI.