شاندو: أداة بحث مبتكرة بالذكاء الاصطناعي تعزز عصر البحث 2.0

شاندو: البحث باستخدام لانغ تشين وظهور البحث 2.0 شاندو هو أداة بحث مفتوحة المصدر قوية تعتمد على تقنية الذكاء الاصطناعي وتقوم بتبسيط عملية اكتشاف ومزج المعرفة. يتم استضافتها على موقع GitHub الخاص بـ jolovicdev/shandu، ويمكن استخدام شاندو كبديل مبتكر للأنظمة الخاصة مثل DeepResearch من OpenAI، حيث تستفيد من لانغ تشين (LangChain) ولانغ غراف (LangGraph) لتمكين البحث الشامل من مصادر متعددة بشكل آلي. أساس شاندو بلانغ تشين لانغ تشين هي إطار عمل لتطوير تطبيقات تستخدم النماذج اللغوية الكبيرة (LLMs)، بينما لانغ غراف هي مكتبة لإنشاء سير عمل ذات حالة (stateful workflows). تساعد هذه الأدوات شاندو في ت자동ية العملية البحثية بأكملها، بدءًا من توضيح الاستفسارات وحتى إنتاج تقارير منظمة بصيغة Markdown تحتوي على الاقتباسات الكاملة. أدوات لانغ تشين الأخرى البارزة شاندو هي جزء من نظام بيئي يتوسع باستمرار للأدوات التي تعتمد على لانغ تشين. إليكم خمس أمثلة بارزة: Quivr: دماغ ثانية مفتوحة المصدر تستفيد من لانغ تشين لمعالجة الوثائق وقدرات الاسترجاع الموجه (RAG). LangFlow: واجهة مستخدم لـ لانغ تشين تسمح بإنشاء تجارب بصرية مع مكونات لانغ تشين. Flowise: أداة لبناء واجهات المستخدم بطريقة السحب والإفلات مخصصة لإنشاء سير عمل لانغ تشين. Langroid: إطار عمل للتعاون بين عدة وكيلات (agents) يُبنى على أساس لانغ تشين. Camel: إطار عمل للوكيلات التواصلية يستفيد من مكونات لانغ تشين. هناك أيضًا عدة مشاريع أخرى تستفيد بشكل كبير من لانغ تشين، مثل: ChatDev: إطار عمل لتطوير البرمجيات عبر التعاون بين عدة وكيلات. Chainlit: أداة لبناء واجهات ذكية للذكاء الاصطناعي مع تكامل مع لانغ تشين. GPTRouter: نظام لتحويل الاستفسارات إلى نقاط نهاية مختلفة لنماذج اللغوية الكبيرة. BentoML: رغم أنها ليست مبنية بالكامل على لانغ تشين، فإنها تقدم تكاملات قوية لتقديم تطبيقات نماذج اللغوية الكبيرة. PrivateGPT: نظام أسئلة وأجوبة مستند يعتمد على لانغ تشين لمعالجة الوثائق والاستفسارات. Auto-GPT: إطار عمل وكيل مستقل مبكر استخدم مكونات لانغ تشين. دور لانغ تشين كعجلة دوارة تلعب لانغ تشين دورًا محفزًا لتقنيات أخرى من خلال توفير إطار عمل موحد لتحكيم النماذج اللغوية الكبيرة، مما يقلل من وقت التطوير. مكوناتها القابلة للتبديل — مثل السلاسل (chains) والوكيلات (agents) — تمكن من تصميم سريع واختبار النماذج. التكامل مع واجهات برمجة التطبيقات (APIs) ومصادر البيانات الخارجية يعزز الوظائف، بينما يساهم المجتمع المفتوح المصدر في التحسين المستمر. هذا التأثير العجلة الدوارة يضخم الابتكار، مما يجعل أدوات مثل شاندو أكثر قوة وسهولة في الوصول إليها. التحول من البحث 1.0 إلى البحث 2.0 التطور من البحث 1.0 إلى البحث 2.0 يمثل تحولًا جوهريًا في كيفية الوصول إلى المعلومات. في عصر البحث 1.0، كان المستخدمون يواجهون فيضًا من الروابط الرعاية، الضوضاء المحسنة لمحركات البحث (SEO)، والنتائج غير ذات الصلة. كانت عملية العثور على الإجابات تتطلب تصفح صفحات عديدة، فتح تبويبات متعددة، قراءة مصادر متناثرة، ودمج المعلومات يدويًا — وهي عملية مرهقة ومعروضة للأخطاء. بالمقابل، يحول البحث 2.0 هذه التجربة رأسًا على عقب. بدلاً من النتائج البحثية الخام، يقوم شاندو باستخراج، تحليل، وتنظيم البيانات ليقدم مخرجات يمكن استهلاكها بسهولة، مثل تقارير Markdown المنظمة والمدعومة بالاقتباسات. باستخدام النماذج اللغوية الكبيرة والتقنيات الذكية لاستخراج المحتوى، يستطيع شاندو التنقل في المحتوى الويب الديناميكي، تقييم مصداقية المصادر، وتقديم معلومات منظمة تتوافق مع احتياجات المستخدم. على سبيل المثال، يمكن للمستخدم إدخال الأمر shandu research "Quantum Computing and Climate Modeling" --depth 3 --output report.md لإنشاء تقرير شامل في دقائق، مما يتجنب العمل اليدوي المعتاد في البحث التقليدي. تحديات البحث 2.0 رغم أن أدوات البحث 2.0 مثل شاندو تساهم في تسهيل البحث وجعله أكثر شمولية، عليها أن تواجه تحديات مثل التحيز في النماذج اللغوية الكبيرة، موثوقية المصادر، والقابلية للتوسع. مع حل هذه التحديات، يمكن لهذه الأدوات تحقيق إمكاناتها الكاملة في تغيير طريقة الوصول إلى المعلومات وإنتاج المعرفة. هذا التحول يتيح للباحثين والمهنيين الوصول إلى المعلومات بسرعة وأمان، مما يعزز الابتكار والتطور في المجالات المختلفة.