Mohamed Amine Saada

غالبا ما تنتقل الفرق التقنية إلى الضبط الدقيق مبكرا. في كثير من أنظمة الدعم ليست القطعة الناقصة نموذجا مدرّبا من جديد، بل مجموعة صغيرة من أمثلة قوية يكتبها من يعرف العمل. ينبغي أن تُظهر الأمثلة التفكير والأدوات والإجراء المتوقع ومعنى المصطلحات المهمة.

أتجنب أيضا استخدام وكيل ذكاء اصطناعي لأنه يبدو مثيرا. مسار صارم يجب أن يدير الخطوات التي تحتاج نتيجة متوقعة. يدخل الذكاء الاصطناعي حيث تجعل اللغة أو الغموض أو الحكم القواعد الثابتة غير كافية. عادة ينتج ذلك نظاما أقل تكلفة وأسهل للفحص وأقل عرضة للعطل. إذا لم يكن للعملية معيار محدد من الأساس، فإضافة الذكاء الاصطناعي فوقها لا تحل تلك المشكلة. عادة ما تجعل الفشل أصعب في الملاحظة فقط.

أحدث نموذج ليس تلقائيا الأفضل. أقارن النماذج على المهمة نفسها: معدل الخطأ والنبرة واستخدام الأدوات والتكلفة. أصل أولا إلى هدف الجودة ثم أحسّن التكلفة. محاولة الاثنين قبل أن يعمل النظام تصعّب فهم سبب الفشل.

عمليا أبني باستخدام LangGraph و LangChain بلغة Python، مُحوسَبة داخل حاويات Docker. OpenAI هو مزود النموذج الافتراضي لدي، لأنه يعطي أكثر النتائج اتساقا مقابل التكلفة في معظم مشاريعي، رغم أنني أنتقل إلى نماذج محلية عندما يحتاج عميل إلى خصوصية بيانات صارمة أو ملف زمن استجابة محدد. بالنسبة للأتمتات التي يريد عميل رؤيتها وتعديلها بنفسه، أبنيها في n8n بدل الكود المخصص.