الذكاء الاصطناعي الفاعل مقابل الذكاء الاصطناعي التوليدي: صعود الوكلاء المستقلين

الذكاء الاصطناعي الوكيل مقابل الذكاء الاصطناعي التوليدي: صعود الوكلاء المستقلين

وصل الذكاء الاصطناعي إلى نقطة تحول محورية. على مدى السنوات القليلة الماضية، كان الضوء مسلطًا على **الذكاء الاصطناعي التوليدي** — النماذج التي يمكنها إنتاج نصوص، صور، أكواد برمجية، والمزيد استجابةً لاستفسارات البشر. أدوات مثل ChatGPT وDALL·E وGitHub Copilot جعلت العمل الإبداعي والتقني متاحًا للجميع. لكن موجة جديدة بدأت في الظهور: **الذكاء الاصطناعي الوكيل**. بدلاً من مجرد توليد إجابة واحدة، يمكن للأنظمة الوكيلة التخطيط، وتنفيذ مهام متعددة الخطوات، واستخدام أدوات خارجية، وتكييف سلوكها بناءً على النتائج. تستكشف هذه المقالة الفروق بين هذين النموذجين، وتشرح لماذا تكتسب الوكلاء المستقلون زخمًا، وتقدم دليلًا عمليًا لبناء وكيل خاص بك.

ما هو الذكاء الاصطناعي التوليدي؟

يشير الذكاء الاصطناعي التوليدي إلى النماذج المدربة على إنتاج محتوى جديد يشبه الأنماط الموجودة في بيانات تدريبها. نماذج اللغة الكبيرة مثل GPT‑4 وClaude وLlama هي أبرز الأمثلة. عند إعطائها استفسارًا، تُنتج ردًا عن طريق توقع الرموز التالية الأكثر احتمالًا. هي تفاعلية: ينتهي التفاعل بعد تسليم المخرجات.

تتفوق هذه النماذج في مهام مثل:

• صياغة رسائل البريد الإلكتروني، التقارير، أو الأكواد البرمجية.
• الإجابة عن الأسئلة الواقعية (مع السياق).
• تلخيص المستندات الطويلة.
• إنشاء الصور من الأوصاف النصية.

ومع ذلك، فإن الذكاء الاصطناعي التوليدي له حدود متأصلة. فهو يفتقر إلى ذاكرة التفاعلات السابقة (ما وراء نافذة السياق)، ولا يمكنه استخدام أدوات خارجية بشكل أصلي، ولا يخطط لتسلسلات الإجراءات. استفسار واحد ينتج ردًا واحدًا، وإذا كان هذا الرد غير صحيح أو غير كامل، يجب على المستخدم تحسين المدخلات يدويًا.

ما هو الذكاء الاصطناعي الوكيل؟

يقدم الذكاء الاصطناعي الوكيل الاستقلالية والسلوك الموجه نحو الهدف. **الوكيل** هو نظام يمكنه:

• التفكير في هدف عالي المستوى.
• تقسيم هذا الهدف إلى مهام فرعية.
• استخدام أدوات خارجية (بحث الويب، الآلات الحاسبة، واجهات API، قواعد البيانات) لجمع المعلومات.
• تقييم النتائج الوسيطة وتعديل خطته.
• الاحتفاظ بالذاكرة عبر التفاعلات.

الوكيل لا يقوم ببساطة بتوليد نص؛ إنه يعمل كعامل رقمي يمكنه تنفيذ سير العمل. تسارع ظهور الذكاء الاصطناعي الوكيل بفضل أطر عمل مثل **LangChain** و**AutoGPT** و**النظام البيئي لـ Copilot من Microsoft**. هذه الأطر تغلف نموذج لغة كبير بقدرات التخطيط، واستخدام الأدوات، والذاكرة.

#### الفروق الرئيسية

| الميزة | الذكاء الاصطناعي التوليدي | الذكاء الاصطناعي الوكيل | |---------|---------------|------------| | نوع التفاعل | استفسار لمرة واحدة → رد | متعدد الخطوات، موجه نحو الهدف | | الذاكرة | محدودة بنافذة السياق | مستمرة، غالبًا خارجية | | استخدام الأدوات | لا شيء (باستثناء استدعاء API من المستخدم) | استدعاء أدوات أصلي | | التخطيط | لا شيء | تفكيك المهام ذاتيًا | | القدرة على التكيف | لا شيء | يمكنه إعادة المحاولة، التحسين، أو تغيير النهج |

الاثنان ليسا متعارضين. الذكاء الاصطناعي الوكيل يبني على النماذج التوليدية؛ نموذج اللغة الكبير يوفر محرك التفكير، بينما يضيف إطار الوكيل التنسيق.

لماذا التحول نحو الوكلاء؟

تؤكد الإعلانات الصناعية الكبرى هذا الاتجاه. تقديم OpenAI لـ **Assistants API**، وتكاملات **Copilot** من Microsoft، وأبحاث Anthropic حول **استخدام الأدوات**، كلها تشير إلى مستقبل لا يقوم فيه الذكاء الاصطناعي بالإجابة عن الأسئلة فحسب، بل بإنجاز المهام. مدونة NVIDIA للذكاء الاصطناعي تناقش بشكل متكرر دمج الوكلاء في المحاكاة والروبوتات. الخيط المشترك هو أن النماذج التوليدية قوية ولكنها سلبية؛ الوكلاء نشطون.

متطلبات بناء وكيل

لمتابعة الأمثلة العملية في هذه المقالة، ستحتاج إلى:

• **Python 3.9 أو أحدث** مثبتًا على جهازك.
• مدير الحزم **pip**.
• **مفتاح API** من مزود ذكاء اصطناعي توليدي (مثل OpenAI، Anthropic، أو نموذج محلي عبر Ollama).
• **اتصال بالإنترنت** لتثبيت الحزم وإجراء استدعاءات API.

سنستخدم إطار **LangChain** لأنه واسع الانتشار، موثق جيدًا، ويدعم نماذج لغة متعددة. للتبسيط، سنستخدم GPT‑4o (أو GPT‑4‑turbo) من OpenAI كمحرك تفكير.

التثبيت خطوة بخطوة

#### 1. إعداد بيئة Python افتراضية

من الجيد عزل التبعيات. افتح الطرفية وشغّل:

python3 -m venv agent_env

ينشئ هذا دليلاً باسم `agent_env` مع بيئة Python محلية.

قم بتفعيلها:

• على macOS/Linux: `source agent_env/bin/activate`
• على Windows: `agent_env\Scripts\activate`

سيتغير رمز الطرفية ليشير إلى البيئة النشطة.

#### 2. تثبيت حزم Python المطلوبة

نحتاج إلى `langchain`، و`langchain-openai` (للتواصل مع OpenAI)، و`python-dotenv` (لإدارة مفاتيح API)، و`openai` نفسه.

pip install langchain langchain-openai python-dotenv openai

إذا كنت تنوي استخدام البحث على الويب كأداة، فقم أيضًا بتثبيت `duckduckgo-search` (مجاني ولا يحتاج مفتاح API):

pip install duckduckgo-search

#### 3. تكوين مفتاح API

أنشئ ملفًا باسم `.env` في مجلد مشروعك وأضف مفتاح OpenAI API الخاص بك:

echo "OPENAI_API_KEY=sk-your-key-here" > .env

**هام:** لا تقم أبدًا بتضمين مفاتيح API مباشرة في نصوصك البرمجية. استخدم متغيرات البيئة، كما سنفعل بتحميلها باستخدام `python-dotenv`.

#### 4. التحقق من التثبيت

شغّل نص Python سريعًا للتأكد من أن كل شيء يعمل:

# agentic_ai_vs_generative_ai.py
from dotenv import load_dotenv
import os
from langchain_openai import ChatOpenAI

load_dotenv()
api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
    raise ValueError("API key not found. Check your .env file.")

llm = ChatOpenAI(model="gpt-4o", temperature=0)
response = llm.invoke("Say 'Hello from Agentic AI'")
print(response.content)

إذا رأيت المخرجات `Hello from Agentic AI`، فبيئتك جاهزة.

أمثلة الاستخدام

سنقوم الآن بتنفيذ سيناريوهين: استعلام **توليدي خالص** ومهمة **وكيلة** تستخدم أداة.

#### مثال 1: الذكاء الاصطناعي التوليدي – سؤال وجواب بسيط

هذا هو النهج الكلاسيكي غير الوكيل. يتلقى نموذج اللغة الكبير استفسارًا واحدًا ويعيد إجابة واحدة.

# generative_example.py
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
import os

load_dotenv()
llm = ChatOpenAI(model="gpt-4o", temperature=0)

prompt = "What is the capital of France and what is its population?"
response = llm.invoke(prompt)
print(response.content)

**المخرجات:** *عاصمة فرنسا هي باريس. اعتبارًا من عام 2024، يبلغ عدد سكانها حوالي 2.1 مليون نسمة داخل حدود المدينة، وأكثر من 11 مليونًا في المنطقة الحضرية.*

يجيب النموذج مباشرة. لا يوجد متابعة أو تحقق. إذا هلوس النموذج برقم خاطئ، لا يمكن للبرنامج النصي اكتشاف ذلك.

#### مثال 2: الذكاء الاصطناعي الوكيل – استخدام أداة البحث على الويب

الآن ننشئ وكيلًا يمكنه أن يقرر متى يبحث على الويب للعثور على معلومات حالية. يستخدم هذا الوكيل أداة DuckDuckGo لجلب بيانات حية.

# agentic_example.py
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, Tool
from langchain_community.tools import DuckDuckGoSearchRun
import os

load_dotenv()

# 1. تعريف نموذج اللغة
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 2. تعريف أداة بحث
search_tool = DuckDuckGoSearchRun()

# 3. تغليف الأداة في تنسيق Tool الخاص بـ LangChain
tools = [
    Tool(
        name="web_search",
        func=search_tool.run,
        description="مفيد للإجابة عن أسئلة حول الأحداث الجارية أو المعلومات في الوقت الفعلي."
    )
]

# 4. إنشاء وكيل باستراتيجية zero-shot-react (يقوم النموذج بالتفكير قبل التصرف)
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent="zero-shot-react-description",
    verbose=True,  # يعرض أفكار الوكيل وإجراءاته
    handle_parsing_errors=True
)

# 5. طرح سؤال يتطلب معلومات محدثة
query = "What is the current population of Paris according to the most recent data?"
result = agent.run(query)
print("\nFinal answer:\n", result)

عند تشغيل هذا البرنامج النصي، سترى التفكير الداخلي للوكيل. قد يخرج شيئًا مثل:

> **Thought:** I need to find the current population of Paris. I should search the web. > **Action:** web_search > **Action Input:** "Paris population 2025" > **Observation:** [مقتطف من تعداد حديث أو ويكيبيديا] > **Thought:** I now know the answer. > **Final Answer:** According to the most recent data (mid‑2024), the population of Paris is approximately 2.1 million.

الفرق الرئيسي؟ قام الوكيل بجلب المعلومات الخارجية بنشاط، وقيمها، وأنتج إجابة مدعومة. إذا كانت نتيجة البحث الأولى قديمة، يمكنه أن يقرر تحسين الاستعلام.

#### مثال 3: وكيل متعدد الخطوات (تخطيط)

دعنا ندفع الوكيل أبعد. سنعطيه هدفًا يتطلب مهام فرعية متعددة: العثور على عدد سكان باريس، حساب الكثافة السكانية، ومقارنتها بمدينة أخرى.

# multi_step_agent.py
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, Tool
from langchain_community.tools import DuckDuckGoSearchRun
import os

load_dotenv()

llm = ChatOpenAI(model="gpt-4o", temperature=0)
search = DuckDuckGoSearchRun()

tools = [
    Tool(name="web_search", func=search.run,
         description="ابحث عن معلومات محدثة على الويب.")
]

agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

query = (
    "Find the current population of Paris, France. "
    "Then find the surface area of Paris (in square kilometers). "
    "Calculate the population density (people per km²). "
    "Finally, compare this density to that of Tokyo."
)

result = agent.run(query)
print(result)

سينفذ الوكيل سلسلة من الخطوات: البحث عن عدد السكان، البحث عن المساحة، حساب الكثافة (يمكنه استخدام أداة حاسبة إذا كانت متاحة – يدعم LangChain أدوات حسابية)، البحث عن كثافة طوكيو، وتجميع المقارنة. في الوضع المفصل يمكنك مشاهدة سلسلة التفكير.

الدروس المستفادة من الأمثلة

• **الذكاء الاصطناعي التوليدي** يجيب مباشرة لكنه لا يستطيع التحقق أو جمع بيانات جديدة. يعتمد فقط على بيانات تدريبه، التي قد تكون قديمة.
• **الذكاء الاصطناعي الوكيل** يمكنه استخدام أدوات لجلب معلومات في الوقت الفعلي، وتقسيم الاستعلامات المعقدة، والتكرار. وهذا يجعله أكثر موثوقية بكثير للمهام التي تتطلب الدقة أو الحداثة أو التفكير متعدد الخطوات.

اعتبارات عملية لبناء الوكلاء

1. **أمان الأداة** – امنح الوكلاء إمكانية الوصول فقط إلى الأدوات التي تثق بها. قد يتسبب استفسار ضار في حذف الوكيل للملفات أو تشغيل أوامر خطيرة. 2. **التكلفة** – حلقات الوكيل تستدعي نموذج اللغة الكبير عدة مرات، مما يزيد من استخدام الرموز. راقب فواتير API الخاصة بك. 3. **معالجة الأخطاء** – قد يدور الوكلاء في حلقات لا نهائية أو يسيئون تفسير مخرجات الأداة. استخدم `handle_parsing_errors=True` وعيّن `max_iterations`. 4. **الذاكرة** – للمهام طويلة المدى، قم بدمج وحدة ذاكرة (مثل `ConversationBufferMemory`) حتى يتذكر الوكيل الخطوات السابقة.

الطريق إلى الأمام

تستثمر الصناعة بكثافة في الأنظمة الوكيلة. تستكشف مدونة NVIDIA للذكاء الاصطناعي كيف يمكن للوكلاء التفاعل مع المحاكيات، وأتمتة وكلاء Copilot من Microsoft لسير العمل، وأظهرت Anthropic إجراءات قائمة على الأدوات في نماذجها. يوفر Assistants API من OpenAI مفسر أكواد مدمجًا، واسترجاعًا، واستدعاء دالة – كلها مكونات أساسية للوكيل.

في المستقبل القريب، سنرى وكلاء يمكنهم:

• حجز خطط السفر عن طريق استدعاء واجهات API لشركات الطيران.
• إدارة التقويمات وإرسال رسائل البريد الإلكتروني.
• كتابة ونشر الأكواد البرمجية بشكل مستقل.
• إجراء بحث علمي عن طريق الاستعلام عن قواعد البيانات.

سيظل الذكاء الاصطناعي التوليدي هو الطبقة الأساسية – "الدماغ". لكن "الجسد" – القدرة على التصرف بشكل مستقل – هو ما يجلبه الذكاء الاصطناعي الوكيل.

الخلاصة

يمثل الذكاء الاصطناعي التوليدي والذكاء الاصطناعي الوكيل مرحلتين من الذكاء الآلي. الأول هو مولد محتوى قوي؛ الثاني هو منفذ مستقل. يعمل الذكاء الاصطناعي الوكيل على تضخيم قدرات النماذج التوليدية عن طريق إضافة التخطيط، واستخدام الأدوات، والذاكرة. كمطورين، يمكننا بالفعل بناء وكلاء وظيفيين ببضعة أسطر من بايثون وأطر عمل مفتوحة المصدر مثل LangChain.

تظهر الأمثلة في هذه المقالة نمطًا واضحًا: للأسئلة البسيطة والمغلقة، يكفي نموذج لغة عادي. للمهام التي تتطلب بيانات حديثة، أو تفكيرًا متعدد الخطوات، أو إجراءات خارجية، فإن الوكيل لا غنى عنه. صعود الوكلاء المستقلين ليس مجرد اتجاه – إنه الخطوة الطبيعية التالية لجعل الذكاء الاصطناعي مفيدًا حقًا في سير العمل الواقعي.