تكلفة النماذج اللغوية الكبيرة: طرق عملية لتخفيض فاتورة الـAPI دون خسارة الجودة

النموذج الأولي للذكاء الاصطناعي رخيص دائمًا. ثم ينتقل إلى الإنتاج، ويكبر حجم الاستخدام، ويضيف أحدهم حلقة وكيل ذكي، فتصبح الفاتورة الشهرية بندًا يسأل عنه قسم المالية. معظم هذا الإنفاق يمكن تجنبه، ونادرًا ما تحتاج إلى التضحية بالجودة لتخفيضه.

هذه هي القائمة التي أمرّ عليها عندما يكلّف نظام مبني على النماذج اللغوية أكثر مما ينبغي. لا شيء هنا مرتبط بمزوّد واحد. والأسعار والميزات تتغير كثيرًا، فراجع صفحة الأسعار الحالية لدى مزوّدك للتفاصيل.

من أين تأتي تكلفة النماذج اللغوية فعلًا

أنت تدفع مقابل "التوكنات": ما ترسله (المدخلات) وما يكتبه النموذج في الرد (المخرجات). وتوكنات المخرجات أغلى عادة من توكنات المدخلات. فالفاتورة تتحدد تقريبًا بـ:

• عدد الطلبات التي ترسلها،
• حجم السياق الذي ترسله مع كل طلب،
• طول الإجابات،
• والنموذج الذي ترسلها إليه.

كل أسلوب أدناه يعالج واحدًا من هذه الأربعة.

1. قِس التكلفة لكل مهمة قبل التحسين

معظم الفرق تعرف إجمالي الشهر ولا شيء غيره. وهذا لا يكفي للتصرف. سجّل لكل طلب: أي ميزة أو عملية أرسلته، والنموذج، وعدد توكنات المدخلات والمخرجات، وهل استُخدمت النتيجة فعلًا.

ثم احسب التكلفة لكل مهمة: لكل تذكرة دعم، أو لكل مستند، أو لكل عميل محتمل تم تأهيله. ستكتشف غالبًا أن عملية أو اثنتين تستهلكان معظم الإنفاق، وأن بعض الطلبات تنتج نتائج لا يستخدمها أحد. ابدأ بها.

2. اختر النموذج المناسب لكل خطوة

أكبر رافعة هي ألّا ترسل كل طلب إلى أغلى نموذج. معظم المنظومات تجمع بين أنواع مختلفة من الخطوات:

• خطوات سهلة: تصنيف رسالة، واستخراج حقول من نموذج، وتحديد اللغة، وتوجيه الطلب. النماذج الصغيرة تؤديها جيدًا.
• خطوات متوسطة: صياغة ردود بصيغة معروفة، وتلخيص مستند. النماذج المتوسطة تكفي عادة.
• خطوات صعبة: الاستدلال متعدد الخطوات، والحالات المعقدة، وكتابة الشيفرة. هنا تستحق النماذج الأكبر سعرها.

موجّه بسيط يرسل كل طلب إلى أرخص نموذج يتعامل معه بموثوقية كثيرًا ما يخفّض الفاتورة بوضوح. اختبره على بياناتك: ابنِ مجموعة تقييم صغيرة وتأكد أن إجابات النموذج الأرخص ما زالت كافية لتلك الخطوة.

3. استخدم التخزين المؤقت للتعليمات

كثير من الطلبات تبدأ بالمقدمة الطويلة نفسها: تعليمات النظام، وتعريفات الأدوات، ووثيقة سياسة، وكتالوج منتجات. وعدة مزوّدين كبار يقدمون تخزينًا مؤقتًا للتعليمات (prompt caching)، فيحتسبون المقدمة المكررة بسعر أقل من المدخلات الجديدة.

للاستفادة منه، رتّب التعليمات بحيث يأتي الجزء الثابت أولًا والجزء المتغير (رسالة المستخدم) أخيرًا. ولا تضع الطوابع الزمنية أو أرقام الطلبات في بداية التعليمات، وإلا فلن تتطابق المقدمة أبدًا.

4. أرسل سياقًا أقل

السياق الطويل مريح ومكلف. ومن أشكال الهدر الشائعة:

• حشو مستندات كاملة في الطلب بينما فقرتان فقط مفيدتان. استرجع المقاطع المناسبة بدلًا من ذلك (وهذا دور RAG؛ انظر بناء منظومة RAG تصمد في الإنتاج).
• إعادة إرسال سجل المحادثة كاملًا في كل جولة. لخّص الجولات القديمة أو احتفظ بالضروري فقط.
• مخرجات الأدوات تُلقى في السياق كما هي. اختصر السجلات ونتائج البحث قبل أن يراها النموذج.

والسياق الأقصر غالبًا أدق أيضًا، لأن النماذج يشتتها النص غير المتعلق بالموضوع.

5. اطلب مخرجات أقل

توكنات المخرجات أغلى، فاطلب ما تحتاجه بالضبط. إذا كانت شيفرتك تحتاج إلى ثلاثة حقول، فاطلب ثلاثة حقول بصيغة JSON، لا فقرة لطيفة تتضمنها. والمخرجات المنظمة تقلل أيضًا إعادة المحاولة: عندما يعيد النموذج بيانات صالحة وقابلة للقراءة من المرة الأولى، لا تدفع ثمن طلب ثانٍ لتصحيح الصيغة.

6. عالج بالدفعات ما ليس عاجلًا

ليس كل شيء يحتاج إلى إجابة خلال ثانيتين. التقارير الليلية، وإعادة تصنيف أرشيف، وإثراء نظام إدارة العملاء: يقدم المزوّدون الكبار معالجة بالدفعات بسعر مخفّض، مقابل نتائج تصل لاحقًا. إذا كانت العملية تحتمل الانتظار ساعات، فالأرجح أنها لا تحتاج إلى سعر الوقت الفعلي.

7. خزّن النتائج، لا التعليمات فقط

إذا سأل مستخدمون كثيرون السؤال نفسه، أو عولج المستند نفسه مرتين، فاحفظ الإجابة. ذاكرة مؤقتة بسيطة مبنية على المدخلات بعد توحيدها تكفي غالبًا. وأسئلة العملاء المتكررة تميل إلى تكرار نفسها فعلًا.

8. ضع سقفًا للوكلاء

حلقات الوكلاء هي حيث تنفجر التكاليف بصمت. وكيل يعيد محاولة استدعاء أداة فاشلة، أو يواصل "الاستكشاف" بسياق يكبر، يمكن أن يستهلك كمية كبيرة من التوكنات في مهمة واحدة. ضع حدودًا صارمة: عددًا أقصى من الجولات، وميزانية توكنات لكل مهمة، ومهلة زمنية. وسجّل كل مرة يُبلغ فيها حد ما، لأن ذلك يدل غالبًا على خلل. (في Claude Code مثلًا، للوكلاء الفرعيين إعداد maxTurns، وقد شرحته في كتابة وكلاء Claude Code الفرعيين.)

9. شغّل العمل الثابت كبير الحجم محليًا

في الأحمال التي تعمل طوال اليوم بحجم متوقع، قد يكون الدفع لكل توكن أغلى من امتلاك العتاد أو استئجاره. النموذج المفتوح على وحدة GPU خاصة بك يكلّف المبلغ نفسه سواء عالجت مئة مستند أو مئة ألف.

ومثالي الخاص هو VidForge، منظومة متعددة الوكلاء تعمل ذاتيًا وتحوّل موضوعًا مختارًا إلى فيديو يوتيوب جاهز. الجزء الثقيل (التعليق الصوتي، والصور المولّدة، والمقدّم على الشاشة، وتحسين الدقة) يعمل على نماذج محلية على بطاقة رسوميات استهلاكية واحدة بسعة 16 غيغابايت، مع طابور يشغّل نموذجًا واحدًا في كل مرة. ولهذا لا يكاد الفيديو الجاهز يكلّف شيئًا.

والنماذج المحلية تبقي البيانات داخل الشركة أيضًا، وهذا مهم للخصوصية وحماية البيانات. شرحت الموازنات في الذكاء الاصطناعي الخاص وتشغيل النماذج اللغوية داخل الشركة.

10. انتبه إلى اللغة

عدد التوكنات يتوقف على اللغة. النص العربي مثلًا يحتاج غالبًا إلى توكنات أكثر من الإنجليزية للمعنى نفسه، فقد يكلّف المساعد نفسه أكثر لكل رسالة بالعربية. قِس ذلك على حركة رسائلك الفعلية، وخذه في الحسبان عند اختيار النموذج. تحدثت عن هذا في شات بوت عربي للشركات.

بأي ترتيب تبدأ

إذا كنت تبدأ من فاتورة كبيرة، فهذا الترتيب يعطي عادة أسرع النتائج:

1. قِس التكلفة لكل مهمة واحذف الطلبات غير المفيدة.
2. ضع حدودًا لحلقات الوكلاء.
3. وجّه الخطوات السهلة إلى نماذج أصغر.
4. أعد ترتيب التعليمات للاستفادة من التخزين المؤقت وقلّل السياق.
5. انقل المهام غير العاجلة إلى المعالجة بالدفعات.
6. للعمل الثابت كبير الحجم، قيّم نموذجًا محليًا.

أعد تشغيل مجموعة التقييم بعد كل تغيير. النظام الأرخص الذي يعطي إجابات أسوأ ليس أرخص حين تحسب تكلفة إصلاح أخطائه.

لنعمل معًا

أنا إدريس بريكسين، مهندس برمجيات وتعلّم آلة. أبني أنظمة الذكاء الاصطناعي من البداية إلى النهاية وأشغّل جزءًا كبيرًا من عملي على نماذج محلية، فالتكلفة عندي قيد تصميمي منذ اليوم الأول لا فكرة لاحقة. اطّلع على أعمالي، أو أرسل لي وصفًا موجزًا إذا كانت فاتورة النماذج اللغوية لديك تكبر أسرع من استخدامك.