توجيه نماذج الذكاء الاصطناعي: من اختيار النموذج إلى اختبار الجودة

ينبغي أن يتولى أقوى نموذج لديك العمل الذي يحتاج فعلًا إلى قدراته. فالرد على استفسار عن حالة طلب بعد التحقق من هوية صاحبه، والنظر في نزاع على استرداد مبلغ تتضارب بشأنه السجلات، لا ينبغي أن يسلكا المسار نفسه تلقائيًا. الصعوبة هي تمييز الحالتين قبل أن يتحول الرد منخفض التكلفة إلى عمل إضافي مكلف.

جرى في 21 أكتوبر 2026 التحقق من سلوك المنتجات الوارد أدناه بالرجوع إلى وثائقها المتاحة آنذاك. أما عبء عمل الدعم والحسابات فهما مثالان توضيحيان، وليسا قياسات من بيئة إنتاج أو ادعاءات من المورّدين بشأن الوفورات.

ما وظيفة توجيه نماذج الذكاء الاصطناعي؟

موجّه النماذج هو قاعدة أو مُصنِّف تعلّم من البيانات، يختار نموذج اللغة الكبير، أو LLM، الذي يجيب عن كل طلب. والمُصنِّف يُسند المدخل إلى فئة محددة. وقد يستند الموجّه في اختياره إلى نوع المهمة في تطبيقك، أو المحادثة، أو الأدوات المطلوبة، أو حجم المدخلات، أو تقدير صعوبة الطلب.

تخيّله مسؤولًا عن توزيع العمل على فريق دعم. يُسند الاستعلام المعتاد إلى موظف يستطيع إنجازه بكفاءة، ويحيل الحالة المتنازع عليها إلى مختص. ويحتاج هذا المسؤول أيضًا إلى قاعدة لتصعيد العمل الذي لا يملك أحد صلاحية إنجازه.

في التطبيق، يعني ذلك التحقق من الأهلية قبل السعي إلى التحسين: هل يستطيع النموذج معالجة المدخلات، واستدعاء الأدوات المطلوبة، والعمل عبر مزوّد معتمد؟ وحدها النماذج المؤهلة ينبغي أن تدخل المقارنة على أساس التكلفة أو الجودة المتوقعة.

توجيه النماذج، وتوجيه المزوّدين، واللجوء إلى البدائل عند الفشل، تجيب عن أسئلة مختلفة. فتوجيه النماذج يختار النموذج الذي سيجيب، وتوجيه المزوّدين يختار أين يعمل النموذج المحدد، مثل المفاضلة بين جهات الاستضافة. أما اللجوء إلى البدائل فيحدد ما الذي ستجرّبه إذا فشلت المحاولة. ويمكن لبوابة، وهي طبقة الوصول بين تطبيقك وواجهات API للنماذج، أن تنفّذ هذه الوظائف كلها. لكن إضافة بوابة وحدها لا تنشئ آلية لاختيار النماذج تراعي جودة الإجابة.

نقصد بالنموذج المتقدم هنا أقوى نموذج عام الأغراض ضمن الخيارات التي تدرسها. وهذا النموذج أيضًا قد يجيب إجابة خاطئة. فالتوجيه يوزّع القدرات، ولا يثبت صحة المعلومات.

الأساليب الثلاثة لتوجيه النماذج

ابدأ بقواعد تستطيع شرحها. يصبح الاختيار الآلي مفيدًا عندما يتعامل مع تنوّع لا تستوعبه تلك القواعد، مع الاستمرار في اجتياز معايير القبول. هذه ثلاثة خيارات للتنفيذ تتداخل فيما بينها؛ إذ يمكن للبوابة أن تستضيف موجّهًا مدرَّبًا.

قواعد يضعها فريقك

يربط تطبيقك أنواع المهام والقيود المعروفة بالنماذج المناسبة. فالطلب الوارد من نقطة نهاية للاستعلام عن حالة الطلبات، والمرفق ببيانات طلب موثّقة وقالب رد معتمد، أنسب للنموذج الصغير من رسالة صُنّفت سهلة لمجرد أنها قصيرة.

تفيد القواعد عندما يعرف التطبيق مسار العمل مسبقًا. لكن الغموض يحدّ من فائدتها: فقد تستقبل نقطة النهاية نفسها استعلامًا مباشرًا أو شكوى تتضمن سجلات متضاربة. أبقِ مسارًا واضحًا للحالات غير المحسومة، بدلًا من إطالة قائمة من الكلمات المفتاحية الهشة.

التوجيه الآلي عبر بوابة

ترسل الطلب إلى اسم مستعار للتوجيه، فتختار البوابة النموذج. وقد يستند الاختيار، بحسب المنتج، إلى مُصنِّف أو مستويات معدّة مسبقًا أو إشارات أخرى. بذلك تحصل على سلوك مركزي، لكنك تعتمد أيضًا تعريف الموجّه لما يُعد اختيارًا مناسبًا.

يناسب هذا الخيار المهام الواردة المتنوعة، عندما تكون إدارة آلية اختيار خاصة بك أكبر مما تبرره الحاجة. احتفظ بمجموعة معتمدة من النماذج المرشحة، وسجّل النموذج الذي أجاب فعلًا. فالاسم المستعار لا يعبّر عن هوية نموذج ثابتة.

كيف يتعلّم موجّه نماذج اللغة من النتائج؟

يتعلّم الموجّه المدرَّب، من الأمثلة وتسميات النتائج، أيّ المرشحين يُرجّح أن يقدّم أداءً أفضل. والسؤال المفيد عند التدريب هو: هل يضيف النموذج الأقوى قيمة في هذا الطلب؟ لا مجرد: هل يبدو النص معقدًا؟

يوثّق RouteLLM، وهو إطار مفتوح المصدر لتشغيل الموجّهات وتقييمها، الاختيار بين نماذج أقوى وأضعف بالتدريب على بيانات التفضيل، ومعايرة عتبة الاختيار. تتحكم هذه العتبة في معدل اختيار النموذج الأقوى. ولا تثبت نتائجه المنشورة مستوى الأداء على تذاكر الدعم الخاصة بك. وثائق RouteLLM.

أما تحدي الصيانة فهو تغيّر توزيع البيانات: قد تُبطل أنواع جديدة من المهام أو نماذج بديلة صلاحية عتبة كانت مفيدة من قبل. درّب الموجّه أو عايره على أمثلة التطوير، ثم قيّمه على حالات منفصلة لم تُستخدم قط في ضبطه.

مثال تطبيقي: سياسة توجيه لتطبيق دعم العملاء

وجّه الردود المحددة النطاق والمستندة إلى أدلة إلى النموذج الصغير، والمسائل التي تتطلب استدلالًا لم يُحسم إلى النموذج المتقدم. وأبقِ قرارات الصلاحيات ضمن سياسة التطبيق. فلا يكتسب أيّ من النموذجين صلاحية رد الأموال لمجرد قدرته على شرح عملية الاسترداد.

تخيّل متجرًا يعمل بنظام الاشتراكات، يسترجع تطبيقه طلب العميل والسياسة ذات الصلة وسجل المحادثة قبل صياغة الرد. السياسة التالية مقترحة، ولا تعني أن نموذجًا صغيرًا بعينه قد اجتاز معاييرها بالفعل.

ينبغي أن يمتنع مسار النموذج الصغير عن الإجابة عند غياب الأدلة المطلوبة. يستطيع التطبيق اكتشاف حقول الطلب المفقودة، أو بنية المخرجات غير الصالحة، أو إجراء مطلوب يتجاوز مسار العمل المسموح. أما التناقض في الوقائع فقد يحتاج إلى أداة تحقق منفصلة أو مراجعة بشرية. فقد تكون الإجابة سليمة البنية وخاطئة في الوقت نفسه.

استخدم النموذج المتقدم للحالات الصعبة، ولا تصعّد إليه محاولة فاشلة من النموذج الصغير إلا إذا كان الفشل قابلًا للاكتشاف. السجلات المفقودة تحتاج إلى استرجاع أو استيضاح؛ وتمرير الأدلة الناقصة نفسها إلى نموذج أكبر لا يسد هذا النقص.

احسب الاستدعاءات الناتجة عن التصعيد

لنفترض دفعة توضيحية تضم 1,000 طلب. تُرسل سياستك 700 منها إلى النموذج الصغير، و300 مباشرة إلى النموذج المتقدم. ومن الاستدعاءات الأولية للنموذج الصغير، تفشل 70 في اجتياز أحد اختبارات التحقق، فتُعاد على النموذج المتقدم.

أنت تدفع الآن مقابل 700 استدعاء للنموذج الصغير و370 استدعاء للنموذج المتقدم، إضافة إلى التوجيه والتحقق. أي 1,070 استدعاء لنماذج الإجابة، وليس 1,000. فإعادة المحاولة عمل إضافي، حتى لو لم يرَ المستخدم سوى الرد النهائي.

لنرمز بـ r إلى متوسط تكلفة التوجيه لكل طلب أصلي، وبـ s إلى متوسط تكلفة استدعاء النموذج الصغير، وبـ f إلى متوسط تكلفة استدعاء النموذج المتقدم، وبـ g إلى رسوم البوابة أو التحقق الإضافية على مستوى الدفعة. ولتبسيط المثال، نفترض أن متوسط تكلفة النموذج المتقدم متساوٍ في خط الأساس والاستدعاءات المباشرة وحالات التصعيد:

التكلفة مع التوجيه = 1,000r + 700s + 370f + g

خط الأساس عند استخدام النموذج المتقدم لجميع الطلبات = 1,000f

لا يكون التوجيه أقل تكلفة إلا عندما 700(f − s) > 70f + 1,000r + g. يمثّل الطرف الأيسر تكلفة الإجابة الأولية التي تجنبتها عبر المسار الصغير؛ ويمثّل الطرف الأيمن الاستدعاءات الإضافية للنموذج المتقدم والنفقات المصاحبة.

احسب تكلفة الاستدعاء باستخدام النماذج والأسعار التي تختارها: تكلفة الاستدعاء = (رموز الإدخال غير المخزنة مؤقتًا × سعر الإدخال + رموز الإدخال المخزنة مؤقتًا × سعر الإدخال المخزن مؤقتًا + رموز الإخراج المفوترة × سعر الإخراج) / 1,000,000، عندما تكون الأسعار لكل مليون رمز؛ ثم أضف رسوم الأدوات والطلبات التي تُفوْتر على حدة.

في بيئة الإنتاج، استبدل هذه المتوسطات المبسّطة بالاستخدام الفعلي لكل مهمة ومسار. فقد تنتج التذاكر الصعبة إجابات أطول، وتحمل المحاولات المعادة سياقًا أكبر، ويغيّر تبديل النماذج فرص إعادة استخدام التخزين المؤقت. أدرج رموز مُصنِّف التوجيه ورموز الاستدلال المفوترة حيثما تنطبق، دون احتساب الرسم نفسه مرتين. وقارن النظامين وفق سياسة إعادة المحاولة نفسها.

النتيجة المفيدة هي خفض التكلفة لكل حل مقبول، مع الحفاظ على الحد الأدنى للجودة. أما انخفاض الفاتورة المصحوب بمزيد من الوعود غير المسندة برد الأموال، فلا يجتاز هذا الاختبار.

ما الذي تفعله خيارات التوجيه الموثّقة؟

افحص آلية الاختيار قبل اعتماد نقطة نهاية للتوجيه. تتيح هذه المنتجات قرارات مختلفة؛ واشتراكها في كلمة «موجّه» لا يجعل سلوكها الافتراضي متكافئًا.

OpenRouter: اختيار آلي يراعي نوع المهمة عبر Auto Router

يوفّر OpenRouter، وهو بوابة مُدارة إلى مزوّدين متعددين للنماذج، ميزة Auto Router عبر openrouter/auto. تصف وثائقه الحالية آلية تبدأ بتصنيف المهمة، ثم ترتّب النماذج وفق إنفاق مجتمع المستخدمين على نوع المهمة خلال نافذة متحركة من 7 أيام، وبعد ذلك تُرشّحها بحسب شريحة التكلفة والأهلية. هذه إشارة مجمّعة عن الاستخدام، وليست معاييرك لتقييم جودة الدعم. وثائق Auto Router.

خيارات cost_tier هي low وmedium وhigh وxhigh وmax؛ ويقارب السلوك الافتراضي خيار low. والمستوى شريحة تكلفة، وليس سقفًا صارمًا للإنفاق. قيّد المرشحين باستخدام allowed_models وexcluded_models، وسجّل حقل model في الاستجابة. قد يساعد تثبيت الاختيار خلال المحادثة على الإبقاء على النموذج المختار، لكنه لا يضمن ثباته.

بعد ضبط مفتاح API في بيئتك، يرسل المثال التالي طلب توجيه بسيطًا:

curl --fail-with-body https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openrouter/auto",
    "messages": [{"role": "user", "content": "Rewrite this status politely: Your parcel is in transit."}],
    "plugins": [{"id": "auto-router", "cost_tier": "low"}]
  }'

استخدم مجموعة محددة من المرشحين في التقييم. وإلا فإن تغيّر مجموعة النماذج سيجعل تفسير نتائج الجودة السابقة أصعب.

LiteLLM: افصل بين توجيه عمليات النشر وAuto Router

يوثّق LiteLLM، وهو بوابة قابلة للتهيئة لنماذج اللغة الكبيرة، استراتيجيات لتوجيه عمليات النشر تشمل الاختيار المرجّح، والأقل انشغالًا، والتوجيه بحسب زمن الاستجابة أو التكلفة. أما استراتيجيته الافتراضية simple-shuffle فليست مُصنِّفًا لصعوبة تذاكر الدعم. وثائق Router.

وتوثّق ميزة Auto Router المنفصلة مُصنِّفات استرشادية، وأخرى تعتمد على نماذج اللغة الكبيرة، وقواعد الكلمات المفتاحية، وإضافات مخصصة. وترتبط مستويات SIMPLE وMEDIUM وCOMPLEX وREASONING بنماذج أو مجموعات مُعدّة مسبقًا. وفي لوحة التحكم، يبدأ الإعداد الموثّق من Models + Endpoints → Add Model → Auto Router، ثم التهيئة وTest Routing. وثائق Auto Router.

يناسب هذا الخيار المطوّرين الذين يحتاجون إلى التحكم في النماذج المرشحة وسلوك التصنيف. لكن مسؤولية التشغيل تقع عليهم: فربط المستويات بالنماذج لا يثبت صلاحية هذا الربط وفق معايير القبول الخاصة بهم. وتتناول مقارنة LiteLLM وOpenRouter قرار البنية التحتية هذا بمزيد من التفصيل.

Vercel AI Gateway: اختيار المزوّد وضوابط توجيه صريحة

تختار Vercel AI Gateway، وهي طبقة وصول مُدارة إلى واجهات API للنماذج، المزوّدين الافتراضيين استنادًا إلى بيانات التوافر وزمن الاستجابة الحديثة. وتتحكم خيارات المزوّدين في الترتيب والتصفية؛ أما بدائل النماذج المحددة بسلاسل نصية فتجرّب نماذج احتياطية عند فشل النموذج الأساسي أو تعذّر الوصول إليه. هذه آليات مفيدة لزيادة الاعتمادية، لكنها لا تقرر وحدها ما إذا كانت تذكرة الدعم تحتاج إلى نموذج متقدم. وثائق توجيه المزوّدين واللجوء إلى البدائل.

وتدعم قواعد التوجيه في البوابة أيضًا استبدال النموذج المطلوب بنموذج آخر، أو رفض الطلب. يتيح الاستبدال نقل الطلبات مركزيًا، لكن استبدال كل طلب موجّه إلى نموذج معين يختلف عن تصنيف صعوبة كل طلب على حدة. وثائق قواعد التوجيه.

استخدم هذه الضوابط تحت سياسة اختيار على مستوى التطبيق عندما تحتاج إلى سلوك محدد بوضوح. والمطب هنا هو افتراض أن اختيار المزوّد آليًا يشمل اختيار النموذج آليًا وفق جودة أدائه في المهمة. وللمقارنة الأوسع بين طبقات الوصول، راجع بوابات الذكاء الاصطناعي للتطبيقات متعددة النماذج.

Microsoft Foundry: موجّه مدرَّب يديره المزوّد

موجّه النماذج في Microsoft Foundry هو آلية اختيار مدرَّبة متاحة بوصفها عملية نشر. تصف Microsoft الاختيار بأنه يستند إلى التعقيد والاستدلال ونوع المهمة وسمات أخرى. ويوفّر أوضاع Balanced وQuality وCost، إلى جانب مجموعات فرعية من النماذج. مفاهيم موجّه النماذج.

يناسب هذا الخيار تطبيقًا يستخدم Foundry بالفعل، ويريد اختيارًا مُدارًا بين النماذج المؤهلة. والقيد المهم هو مجموعة المرشحين: فالمنطقة وصلاحيات الوصول تؤثران في التوافر، وتحذّر وثائق Microsoft من أن أصغر نافذة سياق بين النماذج الأساسية تحدّ مما يستطيع الموجّه قبوله بصورة موثوقة. احصر المجموعة الفرعية في النماذج التي تستوفي متطلبات مدخلاتك.

تسمية وضع ما Quality لا تغني عن تقييمه على المهمة. اختبر المجموعة الفرعية المختارة بأطوال المحادثات والأدوات ومعايير القبول الفعلية لديك.

كيف تختار موجّه نماذج مناسبًا؟

احتفظ بقواعد التطبيق عندما تستطيع تحديد العمل السهل بموثوقية. وفكّر في التوجيه الآلي المُدار عندما يجعل تنوّع المهام تلك القواعد هشة. أما تدريب آلية اختيار، فيستحق النظر عندما تملك نتائج ممثّلة وموسومة بقدر يكفي لتبرير صيانتها.

للبدائل المتعلقة بالبنية التحتية خارج هذه الآليات، انتقل إلى دليل بدائل OpenRouter. ويظل قرارك الأول هو سياسة التوجيه والأدلة التي تسندها، لا إطالة قائمة المزوّدين.

كيف تقيس أداء الموجّه بمجموعة تقييم؟

قِس الإجابات التي ينتجها التوجيه، لا مدى توافقه مع تسميات مثل «سهل» و«صعب». فقد يصنّف الموجّه فئات المهام بدقة، ومع ذلك يرسل الحالات غير المناسبة إلى النموذج الصغير.

مجموعة التقييم هي مجموعة قابلة لإعادة الاختبار من الطلبات والسياق ومعايير القبول. وفي تطبيق الدعم، ينبغي أن تتضمن كل حالة المحادثة، ولقطة من بيانات الطلب، والسياسة المنطبقة، والحقائق المتوقعة، والادعاءات أو الإجراءات المحظورة، وسلوك التصعيد المطلوب.

ينبغي أن تُظهر لوحة القياس الأخطاء المكلفة بوضوح:

إذا لم توجد أي حالة تنطبق عليها شروط مقام أحد المقاييس، فسجّله بوصفه غير معرّف، لا صفرًا. قدّر معدل الإحالة الضارة إلى النموذج الصغير باستخدام مخرجات النموذجين التي جرى تقييمها بصورة مستقلة، وسجّل أيضًا الأخطاء النهائية بعد أي تصعيد. وافصل الحالات التي يفشل فيها النموذجان معًا: فآلية الاختيار لا تستطيع صنع إجابة مقبولة من هذين المرشحين.

حدّد قبل الاختبار الفارق المقبول في الجودة بالنسبة إلى الأخطاء غير الحرجة، وحقّق في كل تراجع حرج جديد. استخدم فترات ثقة مناسبة للعينة المقترنة؛ وإذا كان نطاق عدم اليقين لا يزال يشمل خسارة غير مقبولة في الجودة، فاجمع أدلة إضافية قبل إعلان التكافؤ.

أخيرًا، شغّل الموجّه في وضع الظل على عينة محدودة من الطلبات الحية، بينما يظل النموذج الحالي هو من يجيب العملاء. استدعاءات الظل تضيف تكلفة. وبعد مراجعة النتائج، ابدأ إطلاقًا محدودًا يتيح العودة فورًا إلى سياسة النماذج القائمة. واصل المراقبة بحسب نوع الطلب، وأعِد التقييم عند تغيّر التعليمات أو الأدوات أو النماذج أو سلوك التوجيه.

أين تبدأ المبالغة في وعود توجيه النماذج؟

«الجودة نفسها بتكلفة أقل» نتيجة تخص عبء عمل معينًا، وليست خاصية ملازمة للموجّه. فهي تعتمد على الطلبات الواردة، والنماذج المرشحة المتاحة، وما تعتبره نتيجة مقبولة. ولا تعوّض نسبة وفورات مستمدة من عبء عمل جهة أخرى عن هذه القياسات.

كذلك، لا تكشف استجابة API الناجحة الكثير عن جودة الإجابة. قد يعالج الانتقال إلى بديل عند الخطأ تعذّر الوصول إلى نقطة نهاية، لكنه لا يكتشف سياسة مختلقة داخل إجابة سلسة. والتصعيد بسبب الجودة يحتاج إلى تحقق منفصل، له معدل خطأ وتكلفة خاصان به.

وتستحق درجات الصعوبة التدقيق نفسه. فثقة المُصنِّف لا تساوي تلقائيًا احتمال أن يجيب النموذج المختار إجابة صحيحة. عاير أي عتبة على نتائج المهام المرصودة. ولا تسمح لنص المستخدم، مثل «هذا سهل»، بتجاوز صلاحيات التطبيق أو قيود المرشحين.

وأخيرًا، قد يتغيّر الاختيار الآلي حتى من دون تعديل شفرة تطبيقك. فالنماذج المرشحة في OpenRouter تتغير مع الوقت تبعًا لبيانات الإنفاق؛ وقد تُضاف نماذج أساسية إلى الإصدار الحالي من موجّه النماذج لدى Microsoft. هذه السلوكيات الموثّقة تجعل تسجيل المرشحين وتجديد التقييم جزءًا من تشغيل الموجّه، وليسا مهمتين اختياريتين.

من يبدأ الآن، ومن ينتظر، وما الخطوة التالية؟

على المطوّرين البدء عندما يستطيعون عزل عمل متكرر له شرط نجاح واضح. أضف مسارًا صغيرًا للردود عن الحالة المستندة إلى أدلة، واحتفظ بمسار محافظ للحالات غير المحسومة، واحفظ إصدارات السياسة حتى يمكن إعادة إنتاج الإخفاقات.

وعلى فرق التشغيل طلب أدلة على مستوى مسار العمل. لا يكفي انخفاض فاتورة الاستدلال إذا زادت التذاكر المعاد فتحها، أو المراجعة البشرية، أو مدة الحل. تتبّع هذه النتائج إلى جانب التقييم خارج بيئة الإنتاج.

وعلى المشترين طلب إعادة اختبار حالاتهم هم. اشترط وضوح النماذج المختارة وسلوك اللجوء إلى البدائل. فاختبار أداء عام لا يثبت أن الموجّه يفهم سياسة رد الأموال لديك.

انتظر إذا كنت لا تستطيع تعريف النتيجة الصحيحة، أو تقييد مجموعة المرشحين، أو لا تملك حجم طلبات يكفي لتبرير جهد التشغيل. والتطبيق الذي يستخدم أصلًا نموذجًا صغيرًا جرى التحقق من أدائه في مهمة ثابتة ومحدودة قد لا يستفيد كثيرًا من إضافة آلية اختيار أخرى.

خطوتك العملية مع بداية الأسبوع: صدّر مجموعة ممثّلة من حالات الدعم، وثبّت أدلتها، وقيّم نموذجك الحالي إلى جانب مرشح أصغر. اكتب قاعدة توجيه محدودة للحالات التي ينجح فيها المرشح الأصغر. ولا تمرّر الطلبات إلى موجّه آلي إلا بعد أن يتفوق على تلك القاعدة في التكلفة، مع استيفاء متطلبات الجودة نفسها.

أسئلة شائعة عن توجيه النماذج

اشترك في النشرة البريدية للحصول على أدلة عملية لبناء تطبيقات الذكاء الاصطناعي وتقييمها.