لماذا تفشل السلاسل التقليدية؟

تخيل أنك في حفل عشاء. الجميع يتحدثون، وتظهر مواضيع جديدة باستمرار. الآن، تخيل سيناريوهين:

ذاكرة الجميع ضعيفة للغاية في السيناريو الأول، كذاكرة السمكة الذهبية. لا يمكن تذكر سوى آخر ما قاله أي شخص. إذا ذكر أحد الضيوف موضوع الشوكولاتة، فبعد بضعة تعليقات إضافية، يُنسى الموضوع تمامًا ما لم يُثره أحدهم مجددًا. لا يمكن للمحادثة حقًا "العودة" إلى التصريحات السابقة. في السيناريو الثاني، توجد سبورة بيضاء ضخمة على الحائط. يُدوّن كل تعليق حول الشوكولاتة أو التفاح أو خطط السفر. يمكن لأي شخص النظر إلى السبورة ليتذكر ما قيل قبل خمس دقائق، أو قبل ساعة، أو حتى في بداية الحفلة.

LangGraph هو مثل السيناريو الثاني.

بينما توفر سير عمل LangChain التقليدية مسارًا مباشرًا وخطيًا من خطوة إلى أخرى، يوفر LangGraph تجربة لوحة بيضاء مرنة. يمكن لكل عقدة (مثل ضيف في حفلة) رؤية سجل المحادثة بالكامل مُخزّنًا في حالة مشتركة.

هذا يعني أنه عندما تقول: "كما ذكرتُ سابقًا..."، لا يحتاج الذكاء الاصطناعي إلى التخمين. يمكنه التحقق من السبورة البيضاء ومعرفة ما قلته سابقًا بدقة، دون الحاجة إلى التخمين.

غالبًا ما تعمل تنفيذات LangChain التقليدية مثل السيناريو الأول.

إنهم يعالجون كل رسالة بمعزل عن غيرها أو في سياق محدود، مما يسبب تحديات مثل نسيان التفاصيل المهمة، وتكرار المستخدمين للمعلومات، وعمل كل خطوة بشكل مستقل دون وعي بالمحادثة الأوسع.

ونتيجة لذلك، يقضي المطورون وقتًا إضافيًا في كتابة التعليمات البرمجية لتمرير المعلومات بين الخطوات.

يعالج LangGraph هذه المشكلات بتوفير إدارة مدمجة للحالة وإدراك السياق. لنقم بناء سلسلة توضح هذه الإمكانيات.

كيف يقوم LangGraph بحل تحديات الذاكرة؟