الذكاء الاصطناعي

أمازون بيدروك تدعم المخرجات المهيكلة لنماذج كلود

تتيح أمازون بيدروك الآن لنماذج كلود توليد مخرجات JSON مطابقة للمخطط بدقة، مما يلغي الحاجة إلى برمجيات معالجة معقدة ويضمن موثوقية أعلى للتطبيقات الإنتاجية.

رضوان عبدالهاديمحرر وكاتب تقني

نُشر: 20 أكتوبر 2026 · آخر تحديث: 20 أكتوبر 2026 · 4 دقائق قراءة

أمازون بيدروك تدعم المخرجات المهيكلة لنماذج كلود — الصورة: AWS Machine Learning Blog

إطلاق الميزة على منصة أمازون بيدروك

أعلنت أمازون ويب سيرفيسز (AWS) عن إضافة دعم رسمي للمخرجات المهيكلة لجميع نماذج Anthropic Claude المتوفرة على منصة Amazon Bedrock. تشمل هذه الميزة كلا من نقاط النهاية bedrock-runtime و bedrock-mantle، مما يتيح للمطورين الحصول على استجابات JSON مطابقة للمخطط (Schema-compliant) دون الحاجة إلى كتابة منطق مخصص لتحليل البيانات أو إعادة المحاولة عند حدوث أخطاء.

آلية العمل: من الاحتمالي إلى الحتمي

تعتمد المخرجات المهيكلة على تقنية فك الترميز المقيد (Constrained Decoding) التي تفرض مخطط JSON الخاص بالمستخدم أثناء عملية توليد الرموز (Tokens)، وليس بعد انتهائها. هذا يعني أن النموذج لا ينتج أي رموز قد تنتهك المخطط المحدد، مما يحوّل تنسيق المخرجات من عملية احتمالية إلى عملية حتمية. نتيجة لذلك، تصبح كل استجابة ملف JSON صالحاً، مما يقضي على أخطاء التحليل الشائعة ويضمن وجود الحقول المطلوبة بأنواعها الصحيحة دائماً.

يوفر هذا النهج أماناً نوعياً (Type Safety) للمخرجات، حيث يتم فرض أنواع الحقول وضمان وجود الحقول الإلزامية. كما أن تقييد المخرجات على الحقول المعرّفة فقط في المخطط يقلل من عدد رموز المخرجات، مما قد يؤدي إلى خفض تكاليف الاستدلال (Inference Costs) خاصة في الأحمال التشغيلية عالية الحجم. هذه الخصائص تجعل الميزة جاهزة للاستخدام في بيئات الإنتاج دون الحاجة إلى إضافة كود تحقق إضافي من المخطط.

التوافق مع خدمات أمازون الأخرى

تتكامل المخرجات المهيكلة بسلاسة مع خدمات أمازون الأخرى، بما في ذلك الاستدلال الدفري (Batch Inference)، مما يسمح بمعالجة كميات كبيرة من الطلبات بشكل غير متزامن مع الحفاظ على مطابقة المخرجات للمخطط. كما أن الميزة تعمل مع الاستدلال عبر المناطق (Cross-Region Inference) على نقطة نهاية bedrock-runtime، مما يتيح للمطورين استخدام الخدمة عبر مناطق AWS المختلفة دون إعدادات إضافية. وفي الحالات التي تتطلب استجابة فورية، يمكن بث المخرجات المهيكلة ك أحداث مبرمجة (Typed Events).

ما يحدث خلف الكواليس

عند إرسال طلب يتضمن مخطط JSON، تمر العملية بعدة مراحل داخل Amazon Bedrock. أولاً، يتم التحقق من صحة المخطط مقابل مجموعة فرعية مدعومة من JSON Schema Draft 2020-12. ثانياً، للمخططات الجديدة، يجمع النظام قطعة نحوية (Grammar Artifact)، مما قد يجعل الطلب الأول يستغرق وقتاً أطول قليلاً. ثالثاً، يتم تخزين هذه القطع النحوية المؤلفة في ذاكرة مؤقتة (Cache) لمدة 24 ساعة، مما يجعل الطلبات اللاحقة باستخدام نفس المخطط أسرع بكثير. وأخيراً، يقوم النموذج بتوليد رموز تنتج JSON صالحاً يطابق المخطط.

تتأثر ذاكرة التخزين المؤقت بتعديلات المخطط؛ فأي تغيير في بنية المخطط يلغي الكاش ويحفز عملية تجميع جديدة، بينما تغيير أسماء الحقول أو أوصافها فقط لا يؤثر على الكاش المخزن. هذا التصميم يهدف إلى تحسين الأداء العام وتقليل زمن الاستجابة في التطبيقات التي تعيد استخدام نفس المخططات بشكل متكرر.

استخدامات عملية في التطبيقات الوكيلية

تقدم Amazon Bedrock Mantle، المصممة للتطبيقات الوكيلية (Agentic Applications)، آلية إضافية تسمى الاستخدام الصارم للأدوات (Strict Tool Use). عند تعيين الخاصية strict: true، يتم ضمان أن معاملات الأدوات تطابق مخطط الإدخال بدقة. على سبيل المثال، إذا حدد المخطط أن حقل الوحدة يجب أن يكون إما مئوية أو فهرنهايت، فإن النموذج لن يتمكن من إضافة حقول خارج المخطط أو استخدام قيم غير صالحة. هذا يضمن أن مدخلات الأدوات تحتوي فقط على ما يحدده المخطط، وهو أمر قيم جداً في سير العمل متعدد الخطوات التي تتضمن أدوات مثل البحث في الويب أو مفسر الكود.

تقلل المخرجات المهيكلة من تعقيد معالجة الأخطاء في ثلاثة أنماط شائعة: استخراج البيانات من الفواتير والعقود والبريد الإلكتروني لتحميلها في قواعد البيانات أو أنظمة إدارة علاقات العملاء (CRM)؛ والتحقق من صحة حجة الأدوات أثناء التوليد لضمان سير عمل الوكلاء دون فشل بسبب مدخلات مشوهة؛ والتصنيف على نطاق واسع للتذاكر أو المحتوى حسب النية والأولوية والمشاعر لأغراض التوجيه والاعتدال.

إرشادات الاستخدام الأمثل

لتحقيق أفضل النتائج مع المخرجات المهيكلة على Amazon Bedrock، توصي أمازون بعدة ممارسات. أولاً، يجب تعيين additionalProperties: false على جميع الكائنات، حيث أن هذا شرط إلزامي لقبول المخطط. ثانياً، استخدام أسماء حقول وأوصاف وصفية تساعد النموذج على فهم البيانات المطلوبة، فاسم مثل customer_email أفضل من field1. ثالثاً، استخدام enum لتقييد القيم عند وجود مجموعة محدودة من القيم الصالحة. رابعاً، البدء بمخططات بسيطة وإضافة التعقيد تدريجياً، لأن المخططات الأساسية تُجمَّع أسرع وأسهل في التصحيح.

كما ينصح بإعادة استخدام المخططات للاستفادة من ذاكرة التخزين المؤقت لمدة 24 ساعة، وفحص سبب التوقف (Stop Reason) في كل استجابة للتعامل مع حالات الرفض الأمني أو بلوغ حد الرموز. وأخيراً، اختبار المخططات ببيانات واقعية قبل النشر لضمان توافقها مع المدخلات الإنتاجية. توفر هذه الميزة للمطورين أساساً قوياً لبناء تطبيقات ذكاء اصطناعي موثوقة ودقيقة.