ثلاث طرق لبناء محادثات الذكاء الاصطناعي الجماعية: لماذا اخترنا الطريق الصعب

السؤال الذي بدأ كل شيء

"لماذا لا يمكن لكل شخصية أن تحصل على فقاعة رسالة خاصة بها، مثل التطبيقات الأخرى؟"

نتلقى هذا السؤال كثيراً. وبصراحة، إنه سؤال ممتاز. معظم تطبيقات المحادثة تعرض الرسائل كفقاعات منفصلة - واحدة لكل شخص. فلماذا تجمع محادثتنا الجماعية ردود شخصيات متعددة في رسالة واحدة؟

الإجابة ليست كسلاً أو إهمالاً. إنها خيار هندسي متعمد وُلد من أشهر من التجريب مع ثلاث مقاربات مختلفة جوهرياً لمحادثات الذكاء الاصطناعي الجماعية.

الهندسات الثلاث

عند بناء محادثات ذكاء اصطناعي متعددة الشخصيات، تواجه كل منصة نفس القرار. هناك ثلاث طرق بالضبط للقيام بذلك، كل منها له تأثيرات عميقة على التكلفة والجودة وتجربة المستخدم.

1. المخرجات المنظمة (مصفوفات JSON)

المقاربة الأكثر شيوعاً في الصناعة. تطلب من الذكاء الاصطناعي إرجاع مصفوفة JSON حيث يمثل كل عنصر رد شخصية:

[
  {
    "speaker": "شيرلوك",
    "emotion": "مفتون",
    "content": "مثير للاهتمام. نمط الطين يشير إلى..."
  },
  {
    "speaker": "واطسون",
    "emotion": "مرتبك",
    "content": "هولمز، ماذا تعني؟"
  }
]

الجاذبية:

• استدعاء API واحد، استهلاك رصيد واحد
• سهل التحليل والعرض كفقاعات رسائل منفصلة
• يمكن أن يتضمن بيانات وصفية غنية (المشاعر، الأفعال، أوصاف المشهد)
• مثالي لتوليد اقتراحات ردود المستخدم

الواقع:

• فقط النماذج المتميزة باهظة الثمن (Claude، GPT-4) تدعم المخرجات المنظمة بشكل موثوق - معظم النماذج المعقولة التكلفة تعاني مع تنسيق JSON المتسق
• أخطاء التنسيق تكسر الرد بالكامل
• تعليمات JSON تستهلك الرموز، مما يقلل المساحة الإبداعية
• تشعر النماذج بأنها "مقيدة" - الإبداع غالباً ما يعاني
• قيود المحتوى تصبح أكثر صرامة: وضع المخرجات المنظمة غالباً ما يُفعّل فلترة محتوى أكثر عدوانية، مما يجعل سيناريوهات لعب الأدوار الناضجة أو المتطرفة أكثر عرضة للفشل
• تلوث السياق: تاريخ محادثتك يمتلئ بهياكل JSON
• تعقيد معالجة الأخطاء: ماذا يحدث عندما يفشل التحليل أثناء البث؟

معظم منصات الشخصيات الخارجية تستخدم هذه المقاربة. تعمل، لكن القيود حقيقية.

2. استدعاء الأدوات (وضع الوكيل)

المقاربة "الأكثر ذكاءً". يقرر الذكاء الاصطناعي أي شخصية يجب أن تتحدث بعد ذلك، يستدعي أداة للإشارة إلى ذلك، ثم يولد رد تلك الشخصية. يتكرر حتى يكتمل المشهد.

الذكاء الاصطناعي يفكر: "واطسون يجب أن يتفاعل مع هذا الاكتشاف"
→ يستدعي أداة: next_speaker("واطسون")
→ يولد رد واطسون
→ الذكاء الاصطناعي يفكر: "الآن شيرلوك سيتدخل"
→ يستدعي أداة: next_speaker("شيرلوك")
→ يولد رد شيرلوك
...

الجاذبية:

• تدفق محادثة أكثر طبيعية
• الذكاء الاصطناعي لديه تحكم إبداعي كامل في إيقاع المشهد
• كل رد شخصية يحصل على جودة توليد مخصصة
• ينتج بشكل طبيعي رسائل منفصلة لكل شخصية

الواقع:

• استدعاءات API متعددة = رسوم رصيد متعددة
• التأخير يتراكم: N شخصيات = N رحلات ذهاب وإياب
• فقط النماذج المتطورة (Claude، GPT-4) تتعامل مع استدعاء الأدوات بشكل موثوق - النماذج الأرخص غالباً ما تفشل أو تهلوس استدعاءات أدوات
• إدارة حالة معقدة عبر الاستدعاءات
• خطر الحلقات اللانهائية أو الإنهاء غير المتوقع
• كوابيس تصحيح الأخطاء: المشاكل صعبة الاستنساخ

هذه هي "هندسة الأحلام" التي تبدو جميلة على الورق لكنها تخلق صداعاً تشغيلياً على نطاق واسع.

3. مخرجات النص الحر (اختيارنا الحالي)

المقاربة الأبسط. اطلب من الذكاء الاصطناعي كتابة المشهد بشكل طبيعي، واتركه يقرر كيف يقدم شخصيات متعددة في نثر متدفق:

انحنى شيرلوك للأمام، عيناه حادتان. "مثير للاهتمام. نمط الطين
يشير إلى أن المشتبه به جاء من الجانب الشرقي."

عبس واطسون. "هولمز، ماذا تعني؟ إنه مجرد طين."

"مجرد طين؟" ابتسم شيرلوك. "يا عزيزي واطسون، لا يوجد
شيء اسمه 'مجرد' أي شيء."

الجاذبية:

• يعمل مع كل نموذج ذكاء اصطناعي، لا حاجة لميزات خاصة
• أقصى حرية إبداعية - الذكاء الاصطناعي يكتب بشكل طبيعي
• سياق نظيف: تاريخ المحادثة يُقرأ كرواية
• تجربة بث ممتازة
• استدعاء واحد، تكاليف متوقعة
• الأبسط في التنفيذ والصيانة

الواقع:

• جميع الشخصيات في كتلة رسالة واحدة
• لا يمكن بسهولة إعادة توليد رد شخصية واحدة
• مرونة واجهة المستخدم محدودة
• المستخدمون الذين يتوقعون فقاعات بنمط الدردشة قد يشعرون بالارتباك

تعلمنا هذا بالطريقة الصعبة

إليك شيء لم نشاركه علنياً من قبل: نسختنا الأولى من المحادثة الجماعية استخدمت استدعاء الأدوات.

آمنا بـ"هندسة الأحلام". الذكاء الاصطناعي يقرر من يتحدث بعد ذلك، كل شخصية تحصل على توليد مخصص، فقاعات رسائل منفصلة جميلة. كان أنيقاً. كان ذكياً. كان أيضاً كارثة في الإنتاج.

واجه المستخدمون تكاليف غير متوقعة - أحياناً 3 أضعاف ما توقعوه لنفس المحادثة. أوقات الاستجابة تتفاوت بشكل كبير اعتماداً على عدد الشخصيات التي قرر الذكاء الاصطناعي إشراكها. النماذج الأرخص كانت تهلوس استدعاءات أدوات أو تعلق في حلقات. سجلات الأخطاء لدينا امتلأت بحالات حافة لم نتوقعها أبداً.

بعد أشهر من الإصلاحات والحلول البديلة، اتخذنا القرار الصعب بإعادة البناء من الصفر مع مخرجات النص الحر. شعرت كخطوة للوراء. لكن أحياناً الحل "الأقل ذكاءً" هو الخيار الأذكى.

لماذا اتخذنا هذا الاختيار

بعد اختبار جميع المقاربات الثلاث بشكل مكثف - وشحن واحدة للإنتاج - اخترنا مخرجات النص الحر للمحادثة الجماعية. إليك السبب:

الاستقرار فوق الميزات - المخرجات المنظمة تفشل بشكل غير متوقع. عندما تنهار محادثتك الجماعية في منتصف المحادثة، لم يعد المستخدمون يهتمون بالفقاعات المنفصلة - هم فقط يريدونها أن تعمل. النص الحر لا يفشل أبداً بسبب مشاكل التنسيق.

الجودة فوق الكمية - التنسيقات المقيدة تقلل بشكل خفي من إبداع الذكاء الاصطناعي. عندما قارنا المخرجات، أنتج النص الحر باستمرار تفاعلات شخصيات أكثر حيوية وطبيعية. يمكن للذكاء الاصطناعي التركيز على سرد القصص بدلاً من صيغة JSON.

قابلية التنبؤ بالتكلفة - وضع الوكيل يفرض رسوماً لكل شخصية لكل رد. مشهد من خمس شخصيات يمكن أن يكلف 5-10 أضعاف المتوقع. المستخدمون يستحقون تسعيراً متوقعاً.

التوافق العالمي - ندعم نماذج ذكاء اصطناعي متعددة. ليست جميعها تدعم المخرجات المنظمة أو استدعاء الأدوات بنفس الجودة. النص الحر يعمل في كل مكان، مما يمنح المستخدمين خيارات نماذج أكثر.

المقايضة التي نقبلها

نعم، نضحي بتجربة "فقاعة واحدة لكل شخصية". لكننا نكسب:

• موثوقية صلبة كالصخر
• جودة إبداعية أفضل
• تكاليف متوقعة
• دعم نماذج أوسع
• تاريخ محادثة أنظف

للعب الأدوار الجماعي، حيث الانغماس هو الأهم، نؤمن بأن هذه المقايضة تستحق.

ما هو قادم: وضع القصة

إليك شيء مثير: نحن نبني وضع قصة جديد يستخدم المخرجات المنظمة.

لماذا المقاربة المختلفة؟ وضع القصة له أولويات مختلفة:

• التحكم الدقيق في المشهد أهم من الإبداع الحر
• البيانات الوصفية الغنية (زوايا الكاميرا، إشارات الموسيقى، فواصل الفصول) تضيف قيمة
• التنسيق أكثر قابلية للتنبؤ (بنية فصول/مشاهد واضحة)
• المستخدمون يتوقعون تجربة أكثر "إنتاجاً"

حالات الاستخدام المختلفة تستحق هندسات مختلفة. لسنا متعصبين لأي مقاربة واحدة - نختار ما يخدم المستخدمين بشكل أفضل.

الحقيقة الصادقة

لا يوجد حل مثالي لمحادثات الذكاء الاصطناعي متعددة الشخصيات. كل مقاربة تتاجر بشيء قيم مقابل شيء آخر.

المنصات الأخرى التي تعرض فقاعات منفصلة؟ على الأرجح تستخدم مخرجات منظمة وتقبل قيودها. المنصات ذات التحكم "الأكثر ذكاءً" في المشهد؟ ربما استدعاء الأدوات مع تكاليف وتأخير أعلى.

اخترنا المسار الذي يعطي الأولوية لما يقدره مستخدمونا أكثر: لعب أدوار جماعي موثوق، إبداعي، وفعال من حيث التكلفة.

تجربة الفقاعات المنفصلة لطيفة. لكن ليس على حساب كل شيء آخر.

ما نستكشفه

نحن نجرب مقاربات هجينة:

• تحليل ما بعد المعالجة: استخدام نماذج خفيفة لتقسيم النص الحر إلى شرائح شخصيات بعد التوليد
• وضع منظم اختياري: السماح للمستخدمين المتقدمين باختيار المخرجات المنظمة عندما يحتاجون تحكماً دقيقاً
• اكتشاف المشهد الذكي: تحديد نقاط الفصل الطبيعية تلقائياً لعرض واجهة مستخدم أفضل

الهدف ليس إيجاد الإجابة "الصحيحة". إنه الاستمرار في تحسين التجربة مع الحفاظ على ما يعمل.

---

لديك أفكار حول كيف يجب أن تعمل المحادثة الجماعية؟ يسعدنا سماعك.