What is LLM Tool Calling?

LLM tool calling is the ability of a Large Language Model to recognize when an external action is needed, create a structured request (usually in JSON), and let an external system execute it. This extends the LLM’s capabilities beyond its training data, allowing it to interact with the real world.

How does LLM Tool Calling work?

LLM tool calling allows a language model to use external tools when internal knowledge is not enough. It identifies the need, selects the right tool, sends a structured request, receives the result, and uses that output to answer the user or complete an action.

Why Tool Calling matters?

Tool calling matters because it turns LLMs from text generators into action-oriented systems. By connecting models to external tools, they can access real-time data, interact with business systems, produce more reliable structured outputs, and execute practical tasks like querying databases or triggering workflows. This makes AI more accurate, useful, and valuable in real-world applications.

What are the types of Tool Calling?

LLM tool calling mainly includes information retrieval, code execution, process automation, and device interaction. It can fetch external data from APIs or databases, run code for calculations, trigger workflows like emails or CRM updates, and interact with IoT or smart devices.

What are the common examples of Tool Calling?

Common examples include checking live stock prices, retrieving news, running mathematical calculations, querying customer databases, sending emails, booking flights, or updating records in business systems. These use cases show how LLMs can combine reasoning with real-world actions.

What makes a model good for Tool Calling?

A good tool-calling model combines structured output accuracy with strong reasoning. It should reliably generate correct JSON, choose the right tool based on user intent, avoid hallucinating tool names or parameters, and manage context effectively across multi-step tasks. Models trained specifically for tool calling usually perform better because they are optimized for selecting tools, extracting parameters, and handling responses consistently.

How are LLMs trained for tool calling?

LLMs are trained via fine-tuning or pre-training with datasets pairing user prompts and structured tool calls. They learn to identify when external tools are needed, select the correct tool, and format calls accurately, sometimes parsing dynamic tool definitions.

An LLM call is any interaction where a prompt is sent to a Large Language Model, which returns a response. It can be simple text generation or involve complex workflows, including multi-step reasoning, tool usage, or retrieval-augmented generation (RAG).

How do LLMs call MCP tools?

LLMs call MCP tools by receiving MCP-compliant tool definitions, selecting the appropriate tool based on user intent, generating a structured call, sending it to an execution layer, and receiving standardized results for further processing or final output.

What is the difference between function calling and LLM tools?

The terms are often used interchangeably. 'Function calling' was the original term used by providers like OpenAI, while 'tool calling' is the broader, more current term that encompasses functions, APIs, code execution, and other external capabilities. In strict usage, a 'function' is one type of tool, but in practice the distinction is largely semantic.

بوابة الذكاء الاصطناعي

ما هو استدعاء الأدوات في نماذج اللغة الكبيرة وكيف يعمل؟

أشيش دوبي

قائد تسويق

Published:

April 15, 2026

Updated:

July 7, 2026

لقد غيرت نماذج اللغة الكبيرة (LLMs) طريقة استخدامنا للذكاء الاصطناعي، متطورة من مجرد مولدات نصوص بسيطة إلى وكلاء أقوياء يمكنهم التعامل مع المهام المعقدة. يتحقق ذلك بفضل استدعاء الأدوات (أو استدعاء الوظائف)، الذي يسمح لنماذج اللغة الكبيرة بالوصول إلى البيانات في الوقت الفعلي، وتنفيذ الإجراءات، والتفاعل مع الأنظمة الخارجية.

يزيل استدعاء الأدوات قيود بيانات التدريب الثابتة، محولًا نماذج اللغة الكبيرة إلى مشاركين فاعلين في سير العمل بدلاً من مجرد أدوات للمحادثة.

يشرح هذا الدليل ما هو استدعاء الأدوات في نماذج اللغة الكبيرة، وكيف يعمل، ولماذا هو مهم، وما الذي يجب الانتباه إليه عند تطبيقه في بيئات الإنتاج.

ما هو استدعاء الأدوات في نماذج اللغة الكبيرة (LLM)؟

استدعاء الأدوات في نماذج اللغة الكبيرة هو قدرة نموذج اللغة الكبير على التعرف على متى تكون هناك حاجة لإجراء خارجي، وإنشاء طلب منظم (عادةً بتنسيق JSON)، والسماح لنظام خارجي بتنفيذه. هذا يوسع قدرات نموذج اللغة الكبيرة إلى ما وراء بيانات تدريبه، مما يسمح له بالتفاعل مع العالم الحقيقي.

في أنظمة الإنتاج، يتم توجيه هذه الطلبات عادةً عبر بوابة ذكاء اصطناعي، والتي تتولى التنسيق والمصادقة والتواصل مع الخدمات الخارجية.

ما الذي يعتبر "أداة"؟

الأداة هي أي وظيفة خارجية، أو واجهة برمجة تطبيقات (API)، أو قاعدة بيانات، أو بيئة تعليمات برمجية يمكن لنموذج اللغة الكبير استخدامها للحصول على المعلومات أو معالجتها. تشمل الأمثلة:

واجهات برمجة التطبيقات (APIs): الوصول إلى خدمات الويب، أو البيانات في الوقت الفعلي، أو منصات مثل Salesforce أو GitHub.
قواعد البيانات: الاستعلام عن البيانات المنظمة (SQL/NoSQL) أو غير المنظمة (المتجهات) أو تحديثها.
تنفيذ التعليمات البرمجية: تشغيل السكربتات لإجراء العمليات الحسابية أو التحليل أو التحويلات.
الإضافات/الملحقات: وحدات جاهزة لمهام مثل إنشاء الصور أو معالجة المستندات.
الأتمتة: تشغيل سير العمل أو التفاعل مع الأجهزة الذكية.

ما لا يعنيه استدعاء الأدوات

استدعاء الأدوات يتجاوز هندسة الأوامر: يقوم نموذج اللغة الكبير (LLM) بإنشاء استدعاء حقيقي لدالة خارجية، وليس مجرد اقتراح نصي.
استدعاء الأدوات يختلف عن الاسترجاع البسيط: على عكس النموذج الذي يكتفي بجلب المحتوى وقراءته، يقوم استدعاء الأدوات ببناء وسائط دقيقة ومنظمة يمكنها تشغيل إجراءات حقيقية.

كيف يعمل استدعاء أدوات نموذج اللغة الكبير (LLM)؟

يعمل استدعاء أدوات نموذج اللغة الكبير (LLM) من خلال سير عمل منظم يسمح للنموذج بالتفاعل مع الأنظمة الخارجية، غالبًا في بيئات إنتاج ديناميكية. يمكن فهم هذه العملية على أنها حلقة وكيلية من ست خطوات:

الخطوة 1: التعرف على الحاجة إلى أداة

عندما يقدم المستخدم أمرًا، يحدد نموذج اللغة الكبير (LLM) ما إذا كان بإمكانه الإجابة باستخدام معرفته الداخلية أو إذا كانت هناك حاجة إلى أداة خارجية. يفسر النموذج نية المستخدم ليقرر متى تكون البيانات أو الإجراءات الخارجية مطلوبة. على سبيل المثال، "ما هو الطقس في لندن الآن؟" يشير إلى الحاجة إلى واجهة برمجة تطبيقات للطقس.

الخطوة 2: اختيار الأداة

بعد تحديد الحاجة، يقوم نموذج اللغة الكبير (LLM) بتقييم الأدوات المتاحة بناءً على الأوصاف ومخططات الإدخال لاختيار الأداة الأنسب. في الأنظمة التي تحتوي على العديد من الأدوات، تقوم خطوة "اكتشاف الأداة" الأولية بتصفية الأدوات ذات الصلة لتجنب إرباك نموذج اللغة الكبير (LLM) ولتحسين نافذة السياق الخاصة به.

الخطوة 3: بناء وإرسال استعلام

بمجرد اختيار الأداة، يقوم نموذج اللغة الكبير (LLM) بإنشاء استدعاء منظم، عادةً بتنسيق JSON، يحتوي على اسم الأداة والمعلمات المطلوبة. يتم بعد ذلك التقاط هذا الإخراج بواسطة طبقة التنسيق، التي ترسله إلى النظام الخارجي المناسب للتنفيذ. على سبيل المثال، {"name": "get_weather", "arguments": {"city": "London"}}. يتم إرسال هذه الحمولة إلى تطبيق خارجي أو طبقة تنفيذ للمعالجة.

الخطوة 4: تلقي ومعالجة الاستجابة

تقوم طبقة التطبيق أو البرمجيات الوسيطة بتنفيذ استدعاء الأداة، مع التعامل مع المصادقة وإدارة الأخطاء وتحويلات البيانات، قبل إعادة نتيجة نظيفة إلى نموذج اللغة الكبير (LLM). يتم التقاط النتيجة وإعدادها لنموذج اللغة الكبير (LLM)، مما يضمن الموثوقية والصحة قبل إعادتها.

الخطوة 5: تقديم المعلومات أو اتخاذ الإجراء

يتلقى نموذج اللغة الكبير (LLM) المخرجات ويدمجها في المحادثة. لاسترجاع المعلومات، يقوم بإنشاء إجابة قابلة للقراءة البشرية. بالنسبة للإجراءات، مثل إرسال بريد إلكتروني، قد يؤكد أن المهمة قد اكتملت بنجاح، مما يوفر تجربة مستخدم سلسة.

الخطوة 6: تحسين العملية

في المهام متعددة الخطوات أو المعقدة، قد تعيد نماذج اللغة الكبيرة (LLM) تقييم المحادثة باستخدام مخرجات الأداة. يمكنها اختيار استدعاء أدوات إضافية، أو تحسين استنتاجاتها ببيانات جديدة، أو طلب توضيح من المستخدم لضمان نتائج دقيقة وكاملة ومناسبة للسياق.

لماذا يُعد استدعاء الأدوات مهمًا

يوسع استدعاء الأدوات في نماذج اللغة الكبيرة (LLM) بشكل أساسي ما يمكن أن تفعله نماذج الذكاء الاصطناعي — محولًا إياها من مولدات نصوص سلبية إلى وكلاء يمكنهم اتخاذ إجراءات حقيقية في العالم الواقعي.

يحوّل نماذج اللغة الكبيرة إلى وكلاء نشطين: ينقل نماذج اللغة الكبيرة إلى ما هو أبعد من مجرد توليد النصوص، مما يمكنها من أداء مهام واقعية وحل المشكلات بشكل مستقل.
يتغلب على قيود نماذج اللغة الكبيرة: يتيح الوصول إلى المعلومات في الوقت الفعلي، وقواعد البيانات الخاصة، والأنظمة المغلقة، مما يحسن دقة الاستجابات وملاءمتها وحداثتها.
يحسن الموثوقية: توفر المخرجات المهيكلة مثل JSON تعليمات يمكن التنبؤ بها وقابلة للقراءة آليًا، مما يقلل من أخطاء التنسيق وغموض التحليل. ولأن استجابات نماذج اللغة الكبيرة تستند إلى بيانات حقيقية تُرجعها الأدوات — بدلاً من بيانات تدريبها وحدها — فإن الهلوسات الواقعية تتناقص أيضًا.
يُمكّن من اتخاذ إجراءات عملية: يمكن لنماذج اللغة الكبيرة تنفيذ مهام مثل إرسال رسائل البريد الإلكتروني، والاستعلام عن قواعد البيانات، وتحديث السجلات، أو تشغيل سير عمل معقدة، مما يجعلها منتجة حقًا.
يقدم قيمة تجارية: يسرّع العمليات، ويخفض التكاليف، ويؤتمت العمليات المتكررة، ويحرر الموارد البشرية للعمل الاستراتيجي ذي القيمة الأعلى، مما يعزز الكفاءة العامة.

ما هي أنواع استدعاء الأدوات؟

يمكن تصنيف استدعاء الأدوات في نماذج اللغة الكبيرة بناءً على نوع التفاعل الخارجي والمشكلات التي يحلها. تشمل الأنواع الرئيسية ما يلي:

1. استرجاع المعلومات والبحث

تتيح هذه الأدوات لنماذج اللغة الكبيرة جلب البيانات ومعالجتها من مصادر خارجية. تتضمن الأمثلة:

واجهات برمجة التطبيقات الخارجية (APIs): الوصول إلى معلومات في الوقت الفعلي مثل توقعات الطقس، وتحديثات سوق الأسهم، والمقالات الإخبارية، أو نتائج محركات البحث.
قواعد البيانات (SQL/NoSQL): استعلام عن البيانات المنظمة مثل سجلات العملاء، أو سجلات الطلبات، أو كتالوجات المنتجات.

قواعد بيانات المتجهات: إجراء عمليات بحث دلالية عبر مجموعات كبيرة من المستندات غير المهيكلة. تُستخدم هذه بشكل شائع في معماريات التوليد المعزز بالاسترجاع (RAG)، حيث يتم تمرير الأجزاء المسترجعة كسياق إلى نموذج اللغة الكبير (LLM) جنبًا إلى جنب مع استعلام المستخدم.

2. تنفيذ التعليمات البرمجية

تُمكّن أدوات تنفيذ التعليمات البرمجية نماذج اللغة الكبيرة (LLMs) من إجراء العمليات الحسابية وتحليل البيانات والتحويلات الأخرى بما يتجاوز قدراتها المدمجة:

لغات البرمجة (مثل بايثون): تشغيل البرامج النصية لإجراء حسابات معقدة، أو تحليل إحصائي، أو معالجة البيانات.
أدوات رياضية متخصصة (مثل Wolfram Alpha): التعامل مع الرياضيات المتقدمة، أو الحساب الرمزي، أو حل المشكلات العلمية.

3. أتمتة العمليات

تتيح هذه الأدوات لنماذج اللغة الكبيرة (LLMs) تشغيل سير العمل أو التفاعل مع أنظمة برمجية أخرى:

منصات أتمتة سير العمل: بدء المهام في أدوات إدارة المشاريع مثل Jira، أو تشغيل مسارات CI/CD، أو إدارة عمليات الموافقة.
أدوات الاتصال: إرسال رسائل البريد الإلكتروني، أو رسائل Slack، أو إشعارات الرسائل القصيرة (SMS)، أو إنشاء أحداث تقويم.
أنظمة إدارة علاقات العملاء (CRM) / تخطيط موارد المؤسسات (ERP): إدارة العملاء المحتملين، أو تحديث ملفات تعريف العملاء، أو التعامل مع المخزون في منصات مثل Salesforce أو HubSpot.

4. الأجهزة الذكية ومراقبة إنترنت الأشياء (IoT)

تتيح هذه الأدوات لنماذج اللغة الكبيرة (LLMs) التفاعل مع الأجهزة المادية والتحكم فيها:

واجهات برمجة تطبيقات أجهزة إنترنت الأشياء (IoT): تشغيل/إيقاف الأجهزة، ضبط منظمات الحرارة، أو الاستعلام عن بيانات المستشعرات من الأجهزة المتصلة.
أنظمة الأتمتة المنزلية: التكامل مع محاور المنزل الذكي لتنفيذ الأوامر أو استرداد حالات الأجهزة.

ما هي الأمثلة الشائعة لاستدعاء الأدوات؟

يمكن رؤية استدعاء الأدوات بواسطة نماذج اللغة الكبيرة (LLM) قيد التنفيذ في مجموعة متنوعة من السيناريوهات العملية. توضح هذه الأمثلة كيف تتجاوز نماذج اللغة الكبيرة (LLM) مجرد إنشاء النصوص لتنفيذ مهام واقعية:

1. استرجاع المعلومات في الوقت الفعلي

يمكن لنماذج اللغة الكبيرة (LLM) جلب البيانات الحية من مصادر خارجية لتقديم استجابات محدثة.

على سبيل المثال:

عندما يسأل المستخدم، "ما هو سعر سهم تسلا الآن؟"، تستدعي نماذج اللغة الكبيرة (LLM) واجهة برمجة تطبيقات get_stock_price(symbol="TSLA").
لسؤال مثل، "ما هي أبرز عناوين الأخبار في مجال التكنولوجيا اليوم؟"، تستعلم نماذج اللغة الكبيرة (LLM) عن واجهة برمجة تطبيقات get_news_headlines(category="technology").

2. تنفيذ العمليات الرياضية والتعليمات البرمجية

يمكن لنماذج اللغة الكبيرة (LLM) إجراء حسابات معقدة أو تنفيذ تعليمات برمجية للمهام التحليلية.

على سبيل المثال:

عندما يسأل المستخدم، "احسب الجذر التربيعي للعدد 12345،" يؤدي ذلك إلى استدعاء calculate_math(expression="sqrt(12345)").
لطلبات مثل، "حلل مجموعة البيانات هذه لتحديد اتجاهات المبيعات،" تقوم نماذج اللغة الكبيرة (LLM) بإنشاء وتنفيذ برنامج بايثون نصي لإجراء تحليل إحصائي وإنشاء تصورات بيانية.

3. إجراءات قاعدة البيانات

يمكن لنماذج اللغة الكبيرة (LLM) الاستعلام عن البيانات المهيكلة أو تحديثها في قواعد البيانات.

على سبيل المثال:

عندما يسأل وكيل الدعم، "ابحث عن جميع تذاكر الدعم المفتوحة لجون دو،" يؤدي ذلك إلى قيام نماذج اللغة الكبيرة (LLM) بتنفيذ find_tickets(customer_name="John Doe") على قاعدة بيانات CRM.
عندما يطلب مندوب مبيعات، "حدّث حالة العميل المحتمل لمشروع "فينيكس" إلى "مؤهل"،" يدفع ذلك نماذج اللغة الكبيرة (LLM) إلى استدعاء update_crm_lead(project="Project Phoenix", status="Qualified").

4. أتمتة الإجراءات

يمكن لنماذج اللغة الكبيرة (LLMs) تشغيل سير العمل أو التفاعل مع التطبيقات لأداء المهام.

على سبيل المثال:

عندما يقول المستخدم، "أرسل بريدًا إلكترونيًا إلى فريقي يلخص اجتماعنا الأخير"، يدفع ذلك نموذج اللغة الكبيرة إلى صياغة البريد الإلكتروني واستدعاء الدالة send_email(recipients, subject, body).
لطلب مثل، "احجز رحلة طيران من لندن إلى نيويورك الشهر القادم"، يستخدم نموذج اللغة الكبيرة واجهة برمجة التطبيقات book_flight(origin, destination, date)، ربما بعد تأكيد التواريخ مع المستخدم.

استدعاء الأدوات مقابل البحث عن الأدوات مقابل بروتوكول سياق النموذج (MCP)

على الرغم من استخدامها غالبًا في سياقات ذات صلة، من الضروري فهم الأدوار المتميزة لاستدعاء الأدوات، والبحث عن الأدوات، وبروتوكول سياق النموذج (MCP):

استدعاء الأدوات: هذه هي الآلية الأساسية، القدرة الجوهرية لنموذج اللغة الكبيرة على إنشاء مخرجات منظمة (مثل JSON) لاستدعاء دالة خارجية أو واجهة برمجة تطبيقات. إنها "اليد" التي تسمح لـ "عقل" نموذج اللغة الكبيرة بمعالجة الكائنات الخارجية.

البحث عن الأدوات: هذه هي طبقة الاكتشاف. مع تزايد عدد الأدوات المتاحة (ربما إلى المئات أو الآلاف)، يصبح توفير جميع تعريفات الأدوات لنافذة سياق نموذج اللغة الكبيرة غير فعال ومكلفًا. يسمح البحث عن الأدوات لنموذج اللغة الكبيرة باسترداد تعريفات الأدوات الأكثر صلة ديناميكيًا من كتالوج كبير، عادةً عبر البحث الدلالي في أوصاف الأدوات، بناءً على نية المستخدم، بحيث يتم تحميل الأدوات ذات الصلة فقط في نافذة السياق.

بروتوكول سياق النموذج (MCP): هذا معيار للواجهة. بروتوكول سياق النموذج (MCP) يوفر طريقة موحدة لتعريف الأدوات وربطها بنماذج اللغة الكبيرة، تمامًا مثلما يوحد "منفذ USB-C" طريقة اتصال الأجهزة الطرفية بالكمبيوتر. يهدف إلى تبسيط عملية التكامل من خلال تقديم بروتوكول متسق (على سبيل المثال، tools/list للاكتشاف، tools/call للتنفيذ) للتواصل، بغض النظر عن الأداة الأساسية أو مزود نموذج اللغة الكبيرة.

الأمن والحوكمة لاستدعاء الأدوات

يتطلب تنفيذ استدعاء أدوات نماذج اللغة الكبيرة بأمان ممارسات أمن وحوكمة قوية مثل:

المصادقة والترخيص: استخدم OAuth أو مفاتيح API أو حسابات الخدمة لتأمين الوصول إلى الأدوات. طبق مبادئ الحد الأدنى من الامتيازات وأدر الرموز المميزة لكل مستخدم.
منع حقن المطالبات: الحماية من حقن الأوامر، بما في ذلك الحقن غير المباشر عبر مخرجات الأدوات، عن طريق التحقق من صحة المدخلات مقابل مخططات صارمة، وعزل تنفيذ الأدوات، وتقييد الأدوات التي يمكن استدعاؤها بناءً على السياق ودور المستخدم.
سلامة المدخلات والمخرجات: تحقق من صحة المدخلات مقابل المخططات ونظّف المخرجات. استخدم قوائم السماح للأدوات والمعلمات المسموح بها.
خصوصية البيانات والامتثال: اتبع اللوائح مثل GDPR أو HIPAA. سجل جميع استدعاءات الأدوات وحدد سياسات واضحة للاحتفاظ بالبيانات.
التدخل البشري في الإجراءات الحاسمة: بالنسبة للعمليات الحساسة أو التي لا رجعة فيها، قم بمقاطعة حلقة الوكيل لطلب موافقة بشرية صريحة قبل تنفيذ استدعاء الأداة.

ما الذي يجعل النموذج جيدًا لاستدعاء الأدوات؟

تعتمد فعالية نموذج اللغة الكبير (LLM) في استدعاء الأدوات على عدة خصائص رئيسية مثل:

الالتزام العالي بالمخرجات المهيكلة (JSON/الصيغة النحوية): يُخرج نموذج استدعاء الأدوات الجيد باستمرار وبدقة تنسيق JSON المهيكل المطلوب، بما في ذلك أسماء الأدوات الصحيحة والوسائط جيدة التكوين، دون انحرافات أو صيغة نحوية "متخيلة".
قدرات قوية على الاستدلال واتخاذ القرار: يجب أن يفهم النموذج نية المستخدم بفعالية، ويميز متى تكون الأداة ضرورية، ويختار منطقيًا الأداة الأنسب من قائمة الأدوات المتاحة. يجب أن يكون قادرًا أيضًا على ربط استدعاءات أدوات متعددة إذا تطلبت المهمة المعقدة ذلك.
التدريب الأصلي على استدعاء الأدوات: النماذج التي تم ضبطها بدقة أو تدريبها مسبقًا بشكل صريح باستخدام مجموعات بيانات استدعاء الأدوات تؤدي أداءً أفضل بكثير. فهي تتعلم أنماط تحديد استخدام الأداة، واستخراج المعلمات، وتنسيق المخرجات، مما يؤدي إلى موثوقية أعلى من النماذج التي تم تكييفها باستخدام هندسة الأوامر وحدها.
موثوقية عالية و"هلوسة أدوات" منخفضة: يجب أن نادرًا ما "يهلوس" النموذج أو يخترع أسماء أدوات أو معلمات غير موجودة. يحتاج إلى ربط طلبات المستخدم بدقة بالأدوات المتاحة ومخططاتها.
إدارة فعالة للسياق والمعلمات: تعد القدرة على إدارة سجل المحادثات، ودمج مخرجات الأدوات، واستخلاص معلمات دقيقة من مدخلات اللغة الطبيعية المتنوعة أمرًا بالغ الأهمية. وبالنسبة للسيناريوهات المعقدة، يجب أن يتعامل النموذج بكفاءة مع عدد أكبر من الأدوات، وغالبًا ما يقترن ذلك باستراتيجيات مثل البحث عن الأدوات (Tool Search) لإدارة قيود نافذة السياق.

الخلاصة

يحوّل استدعاء الأدوات في نماذج اللغة الكبيرة (LLM tool calling) هذه النماذج من مجرد مولدات نصوص أساسية إلى عوامل ديناميكية وتفاعلية وكلاء ذكاء اصطناعي. فهو يسمح لها بالوصول إلى واجهات برمجة التطبيقات الخارجية وقواعد البيانات والتعليمات البرمجية لاسترداد المعلومات في الوقت الفعلي، وإجراء حسابات معقدة، وتنفيذ إجراءات عملية.

لتطبيق ذلك بفعالية، تحتاج إلى البنية التحتية المناسبة التي تتعامل مع التعقيد دون إبطائك.

تُمكّنك TrueFoundry من نشر أنظمة الذكاء الاصطناعي وتأمينها وتوسيع نطاقها، مع دعم مدمج لعمليات دمج الأدوات، وضوابط الوصول، والمراقبة. وهذا يسهّل إدارة سلوك النموذج وبناء تطبيقات ذكاء اصطناعي موثوقة وجاهزة للإنتاج تتجاوز المحادثات البسيطة.

Table of Contents

This is some

Govern, Deploy and Trace AI in Your Own Infrastructure

Book a 30-min with our AI expert

Book a Demo

Frequently Asked Questions

كيف يتم تدريب النماذج اللغوية الكبيرة على استدعاء الأدوات؟

يتم تدريب النماذج اللغوية الكبيرة (LLMs) عبر الضبط الدقيق أو التدريب المسبق باستخدام مجموعات بيانات تربط بين مطالبات المستخدم واستدعاءات الأدوات المهيكلة. وتتعلم هذه النماذج تحديد متى تكون الأدوات الخارجية مطلوبة، واختيار الأداة المناسبة، وتنسيق الاستدعاءات بدقة، مع تحليل تعريفات الأدوات الديناميكية في بعض الأحيان.

ما هو طلب نموذج اللغة الكبير (LLM call)؟

يُقصد بطلب نموذج اللغة الكبير (LLM call) أي تفاعل يتم فيه إرسال مطالبة (prompt) إلى نموذج لغة كبير، ليقوم بدوره بإرجاع استجابة. قد يكون هذا الطلب بسيطاً كإنشاء نص، أو قد يتضمن مهام سير عمل معقدة، مثل الاستنتاج متعدد الخطوات، أو استخدام الأدوات، أو التوليد المعزز بالاسترجاع (RAG).

كيف تستدعي النماذج اللغوية الكبيرة أدوات MCP؟

تستدعي النماذج اللغوية الكبيرة (LLMs) أدوات بروتوكول سياق النموذج (MCP) من خلال تلقي تعريفات أدوات متوافقة مع هذا البروتوكول، ثم اختيار الأداة المناسبة بناءً على قصد المستخدم، وإنشاء استدعاء منظم، وإرساله إلى طبقة التنفيذ، وأخيراً تلقي نتائج موحدة لمزيد من المعالجة أو للحصول على المخرجات النهائية.

ما الفرق بين استدعاء الوظائف وأدوات النماذج اللغوية الكبيرة (LLM tools)؟

غالباً ما يتم استخدام المصطلحين بالتبادل. كان مصطلح "استدعاء الوظائف" (Function calling) هو المصطلح الأصلي الذي استخدمته شركات مثل OpenAI، بينما يُعد "استدعاء الأدوات" (Tool calling) المصطلح الأوسع والأكثر تداولاً حالياً، والذي يشمل الوظائف، وواجهات برمجة التطبيقات (APIs)، وتنفيذ الأكواد، وغيرها من القدرات الخارجية. من الناحية الدقيقة، تُعتبر "الوظيفة" نوعاً واحداً من الأدوات، لكن من الناحية العملية، يظل الفرق بينهما لغوياً إلى حد كبير.

Grey wavy lines on white background, abstract wave pattern with multiple curved lines intersecting smoothly.

GenAI infra- simple, faster, cheaper

Trusted by Top Teams to Scale GenAI

Try it now

Talk to Experts

ما هو استدعاء الأدوات في نماذج اللغة الكبيرة وكيف يعمل؟

ما هو استدعاء الأدوات في نماذج اللغة الكبيرة (LLM)؟

ما الذي يعتبر "أداة"؟

ما لا يعنيه استدعاء الأدوات

كيف يعمل استدعاء أدوات نموذج اللغة الكبير (LLM)؟

الخطوة 1: التعرف على الحاجة إلى أداة

الخطوة 2: اختيار الأداة

الخطوة 3: بناء وإرسال استعلام

الخطوة 4: تلقي ومعالجة الاستجابة

الخطوة 5: تقديم المعلومات أو اتخاذ الإجراء

الخطوة 6: تحسين العملية

لماذا يُعد استدعاء الأدوات مهمًا

ما هي أنواع استدعاء الأدوات؟

1. استرجاع المعلومات والبحث

2. تنفيذ التعليمات البرمجية

3. أتمتة العمليات

4. الأجهزة الذكية ومراقبة إنترنت الأشياء (IoT)

ما هي الأمثلة الشائعة لاستدعاء الأدوات؟

1. استرجاع المعلومات في الوقت الفعلي

2. تنفيذ العمليات الرياضية والتعليمات البرمجية

3. إجراءات قاعدة البيانات

4. أتمتة الإجراءات

استدعاء الأدوات مقابل البحث عن الأدوات مقابل بروتوكول سياق النموذج (MCP)

الأمن والحوكمة لاستدعاء الأدوات

ما الذي يجعل النموذج جيدًا لاستدعاء الأدوات؟

الخلاصة

Govern, Deploy and Trace AI in Your Own Infrastructure

Frequently Asked Questions

كيف يتم تدريب النماذج اللغوية الكبيرة على استدعاء الأدوات؟

ما هو طلب نموذج اللغة الكبير (LLM call)؟

كيف تستدعي النماذج اللغوية الكبيرة أدوات MCP؟

ما الفرق بين استدعاء الوظائف وأدوات النماذج اللغوية الكبيرة (LLM tools)؟

GenAI infra- simple, faster, cheaper

الموارد

لماذا TrueFoundry؟

اشترك في نشرتنا الإخبارية