الفصل 2 — النماذج الأساسية وهندسة المُوجِّهات
المقالة الثانية من الجولة الفصلية لـ LLM Primer V: بناء تطبيقات LLM في العالم الحقيقي. الفصل الذي يُعامل هندسة المُوجِّهات هندسةً — قوالب مُصدَّرة، ومحدّدات دفاعية، ومخرجات مُهيكَلة — لا فناً يُحكَم عليه بالانطباع.
لماذا يوجد هذا الفصل
حاجج الفصل 1 بأن النموذج مكوّنٌ داخل غِلافٍ حتمي. يُدقّق الفصل 2 النظر في ذلك المكوّن. فهرس النماذج في 2026 تصنيفٌ بحدودٍ حادّة، لا قائمةٌ من المُتكافئات. تُحوّل معاملات المعاينة الأوزان ذاتها إلى مُصنِّفٍ حتمي أو كاتبٍ إبداعي. المُوجِّهات قِطعٌ مُهيكَلة، تشريحها هو الفارق بين النجاة من المُدخل العدائي وعدمها. توجد آليّاتٌ لإجبار المخرج على شكلٍ يستطيع الغِلاف التحقق منه، واختيار الخاطئة للمهمة يُكلِّف في إعادة محاولات التحقق أكثر مما تُوفّره الآلية. الفريق الذي يُعامل «النموذج» بوصفه مورداً مجهولاً واحداً، ويستعمل الإعدادات الافتراضية في كل مكان، ويكتب المُوجِّهات سلاسل قابلة للرمي، ويتحقق من المخرج بالأمل — ذلك الفريق ترك معظم التحكم الهندسي المتاح على الأرض.
2.1 اختيار النموذج قراراً هندسياً من الدرجة الأولى
ينقسم الفهرس إلى أربع عائلات: نماذج لغويةٌ صغيرة مُهيَّأة للسرعة والتكلفة على مهام محدودة؛ نماذج عامةٌ من الطبقة الوسطى تُدير معظم أحمال الإنتاج؛ نماذج جبهية للمنطق الأصعب والسياقات الأطول؛ ونماذج استدلاليةٌ تُنفق حسابات استدلالٍ إضافيةً في خطوة تداولٍ خفية. تعبر متعددة الوسائط عبر الأربع. الاختيار قرار توجيهٍ لكل طلب، لا افتراضاً عاماً: الاستعلامات القصيرة إلى النموذج الصغير، والمهام غير التافهة المحدودة إلى الطبقة الوسطى، والمنطق الأصعب إلى الجبهي، والنماذج الاستدلالية حيث يكون زمن الاستجابة مقبولاً ومكسب الدقة حقيقياً. يُسجّل المُوجِّه قراره جنب الردّ، فتتمكّن من تصفية انحدارٍ بحسب الطبقة. الاختيار ليس قراراً لمرة واحدة أيضاً — يتحرك مشهد النماذج أسرع من أي بنيةٍ تحتية أخرى يعتمد عليها الفريق، والانضباط أن تُعيد تشغيل مجموعة التقييم فصلياً وتُهاجر حين تدعم الأدلة ذلك.
2.2 المعاينة ملفّاً متعمَّداً
تُقيس الحرارة توزيع الرموز قبل المعاينة؛ ويقتطع top-p التوزيع إلى النواة فوق عتبة احتمال؛ ويُصفّي min-p الرموز البعيدة عن القمة؛ ويُقدّم seed تكراريةً على أفضل جهد. الملفّان الجديران بالتسمية صراحةً هما: الملفّ الحتمي — حرارة صفر، top-p 1.0، seed مضبوط — للتصنيف والاستخراج والتوجيه حيث العقد «المُدخل ذاته يُنتج المخرج ذاته»؛ والملفّ الإبداعي — حرارة قرابة 0.8، top-p 0.95 — للتوليد حيث التنوّع هو المنتج. خلطهما مصادفةً، باستعمال حرارة 0.7 الافتراضية على مهمة تصنيف، يُنتج صنف الاختبارات المُتقلِّبة والإخفاقات المُتقطّعة التي يُلقي بها الفريق على النموذج بينما المسؤولية اختيار المُعامل. البثّ التدفقي عمودي على المعاينة: تنطبق المعاملات ذاتها، ويتغير النقل، ويحلّ زمن الرمز الأول محلّ زمن الاستجابة الإجمالي بوصفه مقياس السرعة المُدرَكة.
2.3 المُوجِّهات الدفاعية والمخرجات المُهيكَلة
للمُوجِّه الإنتاجي تشريحٌ من خمسة أجزاء — الدور، والمهمة، والقيود، والأمثلة، والمُدخل المحدود — والترتيب يُهم لأن انتباه النموذج لكل مكوّن يتأثر بما سبقه. المُدخل المحدود، المُثبَّت من جانبَيه بتذكيرٍ أن المحتوى بين العلامات بياناتٌ لا تعليمات، هو الأرضية التي لا ينبغي أن ينزل عنها المُوجِّه. المُوجِّهات قِطع شيفرةٍ مُصدَّرة؛ اسمٌ مثل prompts/classify_support_v3، مُسجَّلٌ في كل أثر، هو كيف يُرجَع الانحدار إلى التغيير الذي سبَّبه. المخرجات المُهيكَلة — Pydantic في Python وZod في TypeScript، مُمرَّرة إلى المزوّد بوصفها مخطط استجابة — تفرض شكل المخرج زمن فكّ الترميز. يُزيل فرضُ JSON Schema من جانب المزوّد صنفاً كاملاً من إخفاقات التحقق. حيث لا يكون JSON Schema مُعبِّراً بما يكفي — SQL، صيغٌ بشكل regex، وسائط أدوات ضدّ فهرسٍ مُغلق — يُعطي فكّ الترميز المُقيَّد بالقواعد عبر Outlines الضمانةَ ذاتها على مستوى الرمز.
ما يُمهِّد له الفصل 2
افترض الفصل 2 أن ما يحويه المُوجِّه يكفي للمهمة. لمهامٍ كثيرة — التصنيف، والاستخراج، والتحويل — يصمد ذلك الافتراض. لمعظم الأنظمة الإنتاجية المُوجَّهة للمستخدم يفشل، لأن المستخدم يسأل عن حقائق يمتلكها الفريق ولم يرها النموذج قط: مستنداتٌ داخلية، وسياسة هذا الأسبوع، وسِجل طلبات العميل. الحركة الهندسية التي تسدّ تلك الفجوة هي التوليد المُعزَّز بالاسترجاع. يمشي الفصل 3 على خط أنابيب RAG من طرفٍ إلى طرف — التحميل، والتقطيع، والتضمين، والاسترجاع، والتوليد — ثم التقنيات التي تفصل خط أنابيب العرض عن الإنتاجي: الاسترجاع الهجين، والتقطيع الواعي بالبنية، وتحويلات الاستعلام مثل HyDE وstep-back.
التالي — الفصل 3: التوليد المُعزَّز بالاسترجاع. خط الأنابيب الذي يُعطي النموذج السياق الذي لم تغطّه بيانات تدريبه — من طرفٍ إلى طرف، من المُحمِّل إلى المُولِّد.
