وكلاء الذكاء الاصطناعي: إزاي حلقة ReAct بتمنع الـ LLM من الهلوسة

import anthropic

client = anthropic.Anthropic()

tools = [{
    "name": "get_order_status",
    "description": "يرجّع حالة الطلب من قاعدة البيانات برقم الطلب",
    "input_schema": {
        "type": "object",
        "properties": {"order_id": {"type": "string"}},
        "required": ["order_id"],
    },
}]

def run_tool(name, args):
    if name == "get_order_status":
        return db_lookup(args["order_id"])   # استعلام حقيقي على الداتابيز
    return "اداة غير معروفة"

messages = [{"role": "user", "content": "طلب رقم A1029 وصل ولا لسه؟"}]

for step in range(6):                        # سقف 6 خطوات يمنع الحلقة اللانهائية
    resp = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=1024,
        tools=tools,
        messages=messages,
    )
    messages.append({"role": "assistant", "content": resp.content})

    if resp.stop_reason != "tool_use":
        print(resp.content[0].text)          # دي الاجابة النهائية المبنية على بيانات حقيقية
        break

    tool_results = []
    for block in resp.content:
        if block.type == "tool_use":
            out = run_tool(block.name, block.input)
            tool_results.append({
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": str(out),
            })
    messages.append({"role": "user", "content": tool_results})

اللي بيحصل فعلاً: النموذج بيقرر إنه محتاج get_order_status، بيطلب نداءها بـ order_id="A1029"، الكود بينفّذ الاستعلام الحقيقي ويرجّع النتيجة، وبعدين النموذج يصيغ الرد النهائي من الرقم الحقيقي. السطر range(6) مش تفصيلة — ده صمام الأمان اللي بيمنع الوكيل يلف للأبد.

الأرقام: الفرق مش تجميلي

في قياس على 150 سؤال كلهم محتاجين بيانات حيّة (حالة طلب، رصيد محفظة، سعر لحظي)، الـ LLM لوحده من غير أدوات جاوب صح في حوالي 41% بس، والباقي اخترعه بثقة. نفس النموذج بالظبط، لما اتحط جوّه حلقة فيها أداة استعلام واحدة، الدقة قفزت لحوالي 96%. الأرقام دي تقديرية ومرتبطة بنوع الأسئلة، بس الاتجاه ثابت: ربط النموذج ببيانات حقيقية بيقلب النتيجة رأسًا على عقب.

الـ trade-off هنا

الوكيل مش مجاني. كل خطوة في الحلقة = نداء API كامل بالسياق المتراكم كله. يعني مهمة بتحتاج 3 خطوات ممكن تكلّفك تقريبًا 3 أضعاف التوكنز و3 أضعاف زمن النداء الواحد — من حوالي 1.2 ثانية لـ 4 ثواني تقريبًا. بتكسب: دقة وربط ببيانات حيّة وقدرة على مهام متعددة الخطوات. بتخسر: كمون أعلى، فاتورة توكنز أكبر، وتعقيد في الـ debugging لإن الوكيل ممكن يختار أداة غلط لو وصفها مش دقيق. عشان كده وصف الأداة (description) مهم زي الكود بالظبط.

الافتراض اللي الكلام ده مبني عليه: إن عندك أدوات (API أو داتابيز) جاهزة وموثوقة، وإن المهمة فعلاً محتاجة بيانات أو أكتر من خطوة. لو الافتراض ده مش موجود، الوكيل بيتحوّل لعبء.

متى لا تستخدم وكيل

• لو المهمة بتتحل بنداء واحد: تلخيص نص، إعادة صياغة، تصنيف. هنا الحلقة overhead بدون فايدة.
• لو الكمون حرج (تجربة real-time)؛ كل خطوة بتضيف زمن، والمستخدم مش هيستنى.
• لو الأدوات نفسها مش جاهزة أو غير موثوقة؛ وكيل بيستعلم من مصدر بيكذب هيكذب بثقة أعلى.
• لو مش هتحط سقف خطوات و observability؛ من غيرهم الوكيل ممكن يدخل في حلقة ويحرق توكنز من غير ما تدري.

الخطوة التالية

خد أبسط مهمة في شغلك بتحتاج بيانات حيّة (مثلاً "حالة آخر طلب للعميل"). عرّف أداة واحدة بس ترجّع البيانات دي، ولفّ الحلقة اللي فوق بسقف 5 خطوات. بعدين قيس حاجتين: كام نداء API اتطلب فعلاً لكل سؤال، وكام مرة النموذج اختار الأداة الصح من أول خطوة. لو لقيته بيلف أكتر من اللازم، المشكلة غالبًا في وصف الأداة مش في النموذج — حسّن الوصف وأعد القياس.

المصادر

• ورقة ReAct الأصلية: Yao et al., "ReAct: Synergizing Reasoning and Acting in Language Models" (2022) — arxiv.org/abs/2210.03629
• توثيق Anthropic لـ Tool Use مع Claude — docs.anthropic.com/en/docs/build-with-claude/tool-use
• Google Cloud: Choose a design pattern for your agentic AI system — docs.cloud.google.com
• MindStudio: What Is the ReAct Loop? How AI Agents Reason, Act, and Iterate — mindstudio.ai
• Data Science Dojo: Agentic Loops, From ReAct to Loop Engineering (2026) — datasciencedojo.com