لماذا تفشل السلاسل التقليدية؟

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

في السيناريو الأول، تكون ذاكرة الجميع قصيرة للغاية، كذاكرة السمكة الذهبية. لا يتذكرون إلا آخر ما قيل. فإذا ذكر أحد الضيوف الشوكولاتة، يُنسى الموضوع تمامًا بعد بضع تعليقات أخرى ما لم يُعاد ذكره. لا يمكن للمحادثة أن "تسترجع" ما قيل سابقًا. أما في السيناريو الثاني، فتوجد سبورة بيضاء كبيرة على الحائط. يُدوّن عليها كل تعليق عن الشوكولاتة أو التفاح أو خطط السفر. يستطيع أي شخص النظر إلى السبورة ليتذكر ما قيل قبل خمس دقائق، أو قبل ساعة، أو حتى في بداية الحفل.

LangGraph يشبه السيناريو الثاني.

بينما توفر عمليات LangChain التقليدية مسارًا خطيًا مباشرًا من خطوة إلى أخرى، يقدم LangGraph تجربة لوحة بيضاء مرنة. يمكن لكل عقدة (تخيلها كضيف في حفلة) رؤية سجل المحادثة بالكامل المخزن في حالة مشتركة.

هذا يعني أنه عندما تقول: "كما ذكرتُ سابقاً..."، لا يحتاج الذكاء الاصطناعي إلى التخمين. يمكنه مراجعة السبورة البيضاء ومعرفة ما قلته بالضبط، دون الحاجة إلى أي تخمين.

غالباً ما تعمل تطبيقات LangChain التقليدية مثل السيناريو الأول.

إنهم يعالجون كل رسالة على حدة أو بسياق محدود، مما يتسبب في تحديات مثل نسيان التفاصيل المهمة، وتكرار المستخدمين للمعلومات، وعمل كل خطوة بشكل مستقل دون إدراك للمحادثة الأوسع.

ونتيجة لذلك، يقضي المطورون وقتاً إضافياً في كتابة التعليمات البرمجية لتمرير المعلومات بين الخطوات.

يعالج LangGraph هذه المشكلات من خلال توفير إدارة مدمجة للحالة وفهم السياق. لنقم بناء سلسلة توضح هذه الإمكانيات.

كيف يحل LangGraph تحديات الذاكرة؟

فكّر في كيفية إجراء محادثة في ...