الذكاء الاصطناعي الفاعل مقابل الذكاء الاصطناعي التوليدي: من إنشاء المحتوى إلى اتخاذ الإجراء

الذكاء الاصطناعي الفاعل مقابل الذكاء الاصطناعي التوليدي: من إنشاء المحتوى إلى اتخاذ الإجراء

هيمن الذكاء الاصطناعي التوليدي على النقاش الدائر حول الذكاء الاصطناعي خلال السنوات القليلة الماضية. فأدوات كتابة المقالات، وتوليد الصور، وتركيب الأكواد البرمجية أصبحت أدوات أساسية في سير العمل المهني والشخصي على حد سواء. ومع ذلك، فبينما ننظر إلى أحدث التطورات من منظمات مثل OpenAI وMicrosoft وAnthropic وNVIDIA، يظهر نموذج جديد وأكثر طموحًا: **الذكاء الاصطناعي الفاعل (Agentic AI)**. فبدلاً من مجرد إنتاج المحتوى، تستطيع الأنظمة الفاعلة التفكير في هدف، وتخطيط سلسلة من الإجراءات، وتنفيذها عبر أدوات وواجهات برمجة تطبيقات متعددة.

هذا التحول أكثر من مجرد كلمة رنانة تسويقية. إنه يعيد تعريف دور الذكاء الاصطناعي من مساعد يستجيب للاستعلامات إلى عامل مستقل يسعى لتحقيق الأهداف. في هذه المقالة، سنوضح الفرق بين الذكاء الاصطناعي التوليدي والذكاء الاصطناعي الفاعل، ونستكشف مسارات التنفيذ العملية، ونريكم كيفية الانتقال من إنشاء المحتوى إلى اتخاذ الإجراء مع كود برمجي حقيقي.

فهم الذكاء الاصطناعي التوليدي

يشير الذكاء الاصطناعي التوليدي إلى فئة من النماذج — عادةً نماذج اللغة الكبيرة (LLMs) ونماذج الانتشار — المدربة على توليد محتوى جديد. تتعلم هذه النماذج الأنماط الإحصائية من مجموعات بيانات ضخمة وتستخدمها لإنتاج نص وصور وصوت وفيديو بناءً على استعلام يقدمه المستخدم. العملية الأساسية واضحة ومباشرة: عند إدخال معطى، يتم إنتاج مخرجات احتمالية تواصل أو تحول أو تكمل المدخلات.

تشمل الأمثلة الأكثر شهرة سلسلة GPT من OpenAI، ونماذج Claude من Anthropic، وعمل NVIDIA في البنية التحتية للذكاء الاصطناعي التوليدي. يتفوق الذكاء الاصطناعي التوليدي في مهام مثل صياغة رسائل البريد الإلكتروني، وتلخيص المستندات، وترجمة اللغات، وإنشاء أعمال فنية أصلية. إنه تفاعل من خطوة واحدة: يرسل المستخدم استعلامًا، ويعيد النموذج استجابة. حتى عندما يتضمن النظام عدة استدعاءات للنموذج، يظل كل استدعاء مستقلًا ما لم يقم المطور بربط النتائج بشكل صريح.

القيد الأساسي للذكاء الاصطناعي التوليدي هو أنه يعيش داخل سياق النموذج. يمكنه التفكير في مستند موضوع في استعلامه، لكنه لا يستطيع تصفح الويب، أو فحص قاعدة بيانات، أو تعديل ملف ما لم يتم دمج هذه الإمكانيات يدويًا وتنسيقها بواسطة المطور. الذكاء هنا توليدي، وليس تشغيليًا.

تقديم الذكاء الاصطناعي الفاعل

يوسع الذكاء الاصطناعي الفاعل من الذكاء الاصطناعي التوليدي بإضافة عنصر حاسم واحد: **الاستقلالية**. الوكيل (Agent) هو نظام يستخدم نموذج لغة كبيرًا (LLM) كنواة "للتفكير" ولكنه مغلف في حلقة تدرك بيئته، وتتخذ القرارات، وتنفذ الإجراءات. عندما نقول إن ذكاءً اصطناعيًا "فاعل" (Agentic)، فإننا نعني أنه يستطيع متابعة هدف بأقل تدخل بشري، وتقسيم هذا الهدف إلى مهام فرعية، واستدعاء أدوات خارجية، وتقييم النتائج، وتكييف خطته أثناء سيره.

على سبيل المثال، يمكن لنظام الذكاء الاصطناعي التوليدي كتابة مسودة لتقرير أسبوعي. بينما يمكن لنظام الذكاء الاصطناعي الفاعل جمع بيانات المبيعات من نظام إدارة علاقات العملاء (CRM)، والاستعلام من قاعدة بيانات التحليلات، وإنشاء الرسوم البيانية، وكتابة السرد، وإنشاء ملف PDF، وإرساله بالبريد الإلكتروني إلى فريق القيادة — كل ذلك دون أن يقوم إنسان بصياغة كل خطوة.

يمكن تلخيص الفرق في جملة واحدة: **الذكاء الاصطناعي التوليدي ينشئ المحتوى، بينما الذكاء الاصطناعي الفاعل ينفذ سير العمل.**

تقود شركات التكنولوجيا الرائدة هذا المجال بنشاط. تناقش مدونة Microsoft للذكاء الاصطناعي كيف تتطور المساعدات الذكية من واجهات محادثة بسيطة إلى طبقات تنسيق تنسق العمليات التجارية. وتؤكد إعلانات Anthropic الإخبارية على قدرات النماذج التي تدعم استخدام الأدوات والمهام طويلة الأمد. وتسلط NVIDIA، من خلال مدونتها حول الذكاء الاصطناعي التوليدي، الضوء على البنية التحتية المطلوبة لدعم كل من الاستدلال التوليدي والتفكير الفاعل على نطاق واسع. التقارب واضح: تسعى الصناعة نحو بناء أنظمة لا تتحدث فحسب، بل تنجز العمل.

الاختلافات الرئيسية: التوليدي مقابل الفاعل

| الجانب | الذكاء الاصطناعي التوليدي | الذكاء الاصطناعي الفاعل | |--------|---------------------------|---------------------------| | الوظيفة الأساسية | إنتاج المحتوى | إكمال الأهداف | | نموذج التفاعل | دورة استعلام/استجابة واحدة | حلقة متعددة الخطوات مع تغذية راجعة | | الأدوات الخارجية | عادةً لا شيء | يستدعي واجهات برمجة التطبيقات، وقواعد البيانات، والويب، والملفات | | الذاكرة | محدودة بسياق الاستعلام | حالة مستمرة عبر الخطوات | | التعافي من الفشل | لا شيء—محاولة واحدة | يمكنه إعادة المحاولة، والتكيف، وإعادة التخطيط | | الدور البشري | يكتب الاستعلام | يحدد الهدف ويشرف |

الذكاء الاصطناعي الفاعل ليس بديلاً عن الذكاء الاصطناعي التوليدي؛ بل هو مجموعة فائقة (Superset) منه. يعتمد كل وكيل على نموذج توليدي لقدراته في التفكير وتوليد المحتوى. يكمن الابتكار في البنية المحيطة: يقرر الوكيل *متى* يستدعي النموذج، و*ماذا* يفعل بالمخرجات، و*أي* إجراء يتخذه بعد ذلك.

من الناحية العملية، يعني هذا أن المطورين بحاجة إلى مجموعة جديدة من الأدوات. فبدلاً من كتابة استدعاء بسيط لواجهة برمجة التطبيقات، يجب عليهم بناء حلقات تنسيق، وتحديد مخططات الأدوات، وإدارة الحالة، والتعامل مع أخطاء التنفيذ.

المتطلبات

لمتابعة الأمثلة العملية في هذه المقالة، ستحتاج إلى:

• **Python 3.9 أو أحدث** مثبتًا على نظامك.
• مفتاح API صالح من مزود ذكاء اصطناعي توليدي. تستخدم الأمثلة واجهة برمجة تطبيقات OpenAI لأنها مستخدمة على نطاق واسع وموثقة جيدًا في إعلاناتها الإخبارية. تنطبق نفس الأنماط على واجهة برمجة تطبيقات Claude من Anthropic.
• `pip` لتثبيت حزم Python.
• معرفة أساسية بلغة Python وأدوات سطر الأوامر.

سنبني وكيلًا بسيطًا من الصفر. الهدف هو فهم البنية، وليس الاعتماد على إطار عمل ضخم. بمجرد فهمك للحلقة، يمكنك اعتماد أطر عمل إنتاجية مثل LangChain أو CrewAI أو Microsoft AutoGen بثقة.

التثبيت خطوة بخطوة

أولاً، أنشئ بيئة Python معزولة للحفاظ على نظافة التبعيات:

mkdir agentic-demo && cd agentic-demo
python3 -m venv venv
source venv/bin/activate

يقوم هذا بإنشاء وتفعيل بيئة افتراضية باسم `venv`.

بعد ذلك، ثبّت حزمة OpenAI SDK، التي سنستخدمها للوصول إلى النموذج التوليدي:

pip install openai

توفر حزمة OpenAI واجهة العميل لكل من الإكمالات التوليدية وأنماط استدعاء الأدوات الفاعلة.

الآن، عيّن مفتاح API الخاص بك كمتغير بيئة. استبدل `your-api-key` بمفتاح حقيقي من مزودك:

export OPENAI_API_KEY="your-api-key"

إن الاحتفاظ بالمفتاح في متغير بيئة يتجنب ترميزه في الملفات ويبسط إدارة الأمان.

تحقق من التثبيت بطباعة الإصدار المثبت:

python -c "import openai; print(openai.__version__)"

إذا طبع الأمر رقم إصدار، فأنت جاهز للمتابعة.

أمثلة الاستخدام

الخطوة 1: استدعاء توليدي أساسي

لنبدأ بالنمط التوليدي الكلاسيكي: استعلام واحد واستجابة واحدة.

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Write a two-sentence project summary."}
    ]
)

print(response.choices[0].message.content)

في هذا الكود، نُهيّئ عميل OpenAI، ونرسل قائمة الرسائل إلى النموذج، ونطبع المحتوى المُعاد. يبدأ التفاعل وينتهي ضمن هذا الاستدعاء الواحد.

الخطوة 2: إضافة حلقة الوكيل الفاعل

يتم الانتقال من التوليدي إلى الفاعل من خلال تغليف استدعاء النموذج في حلقة وإعطاء النموذج إمكانية الوصول إلى الأدوات. إليك تنفيذًا بسيطًا:

import json
from openai import OpenAI

client = OpenAI()

# Define a simple tool: get the current weather for a city.
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get the current weather for a given city.",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "City name"}
                },
                "required": ["city"]
            }
        }
    }
]

def get_weather(city: str) -> str:
    """Mock implementation of a weather tool."""
    return f"The weather in {city} is 21°C with clear skies."

messages = [
    {"role": "user", "content": "What is the weather in Berlin? Provide one sentence."}
]

# Agentic loop: call the model, check for tool calls, execute them, repeat.
for _ in range(5):
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        tools=tools,
    )

    message = response.choices[0].message

    # If the model asks for a tool, execute it and append the result.
    if message.tool_calls:
        messages.append(message)
        for tool_call in message.tool_calls:
            if tool_call.function.name == "get_weather":
                arguments = json.loads(tool_call.function.arguments)
                result = get_weather(arguments["city"])
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": result
                })
    else:
        # No tool call means the model is done.
        print(message.content)
        break

لنفحص ما يحدث هنا:

1. يستقبل النموذج سؤال المستخدم بالإضافة إلى إعلان عن الأداة المتاحة. 2. يستجيب النموذج مع `tool_call`، مشيرًا إلى أنه يريد استدعاء `get_weather` مع `{"city": "Berlin"}`. 3. ينفذ كودنا الدالة ويضيف النتيجة إلى المحادثة كرسالة أداة. 4. تتكرر الحلقة، وترسل المحادثة الموسعة مرة أخرى إلى النموذج. 5. في هذه المرة، يدرج النموذج الطقس في إجابته ويعيد محتوى عاديًا، فتنتهي الحلقة.

هذا هو جوهر الذكاء الاصطناعي الفاعل: يستدعي النظام بنشاط دالة خارجية لجمع المعلومات، ثم يستخدم تلك المعلومات لإكمال هدفه.

الخطوة 3: وكيل متعدد الخطوات

وسّع النمط إلى وكيل أكثر واقعية قليلًا يمكنه جلب البيانات وإجراء العمليات الحسابية:

def calculate(expression: str) -> str:
    """Safely evaluate a math expression."""
    return str(eval(expression))

def fetch_document(url: str) -> str:
    """Mock fetching of a document."""
    return "Quarterly revenue is 1.4M USD across three regions."

سجّل هذه الدوال بجانب `get_weather` في قائمة `tools`. ثم اطلب من الوكيل: *"اجلب التقرير ربع السنوي واحسب الإيراد لكل منطقة."* سيقوم الوكيل بما يلي:

1. استدعاء `fetch_document` لقراءة المستند. 2. ملاحظة أن المستند يقول "1.4 مليون دولار أمريكي عبر ثلاث مناطق." 3. استدعاء `calculate` مع `"1400000 / 3"`. 4. إرجاع `466666.67`.

تتعامل الحلقة مع جميع التفكير الوسيط تلقائيًا.

من العرض التوضيحي إلى الإنتاج

الحلقة البسيطة أعلاه تعمل، لكن الأنظمة الفاعلة في الإنتاج تحتاج إلى مكونات إضافية:

• **إدارة الحالة**. تحتاج الوكلاء إلى تذكر السياق عبر سير عمل طويلة. استخدم قاعدة بيانات، أو مخزن متجهات، أو سجل محادثة منظمًا.
• **معالجة الأخطاء وإعادة المحاولة**. تفشل واجهات برمجة التطبيقات، وتعيد الأدوات صيغًا غير متوقعة، وقد تهلوس النماذج أحيانًا بشأن وسائط الأدوات. لفّ استدعاءات الأدوات في كتل try-catch وأعد مطالبة النموذج عند حدوث أخطاء.
• **السلامة والقيود الوقائية**. يمكن للوكيل المستقل اتخاذ إجراءات لا رجعة فيها، مثل إرسال رسائل بريد إلكتروني أو حذف ملفات. أضف خطوات تأكيد، وفحوصات إذن، وتسجيل تدقيق.
• **قابلية المراقبة**. نظرًا لأن الوكلاء يتخذون قرارات متعددة، تتبع كل خطوة: الاستعلام، واستدعاء الأداة، والنتيجة، ومسار التفكير. هذا يجعل تصحيح الأخطاء ممكنًا.

تؤكد مدونة Microsoft على أهمية دمج الذكاء الاصطناعي في أنظمة تنسيق أكبر مع حوكمة بمستوى المؤسسات. وتسلط مدونة NVIDIA الضوء على الحاجة إلى بنية تحتية مسرّعة للتعامل مع الحمل الحسابي المتزايد للتفكير التكراري وتنفيذ الأدوات. هذه ليست اعتبارات اختيارية بمجرد تجاوز العروض التوضيحية.

اختيار النهج الصحيح

هل يجب عليك بناء نظام توليدي أم فاعل؟ يعتمد ذلك على المشكلة.

استخدم **الذكاء الاصطناعي التوليدي** عندما تكون المهمة خطوة واحدة محددة جيدًا لتوليد المحتوى:

• كتابة وصف منتج.
• تلخيص مستند طويل.
• ترجمة رسالة مستخدم.
• توليد مقتطف كود برمجي.

استخدم **الذكاء الاصطناعي الفاعل** عندما تتضمن المهمة خطوات متسلسلة متعددة، أو بيانات خارجية، أو اتخاذ قرارات مستقلة:

• مراقبة صندوق وارد وفرز رسائل البريد الإلكتروني العاجلة.
• بحث في سوق، وتجميع النتائج، وإعداد عرض شرائح.
• إصلاح بناء CI (تكامل مستمر) الفاشل تلقائيًا من خلال قراءة السجلات وتعديل الكود وتشغيل الاختبارات.
• إدارة تذاكر دعم العملاء من البداية إلى النهاية.

القاعدة التقريبية البسيطة: إذا كان بإمكانك تحقيق النتيجة باستدعاء واحد لنموذج LLM، فابقَ توليديًا. إذا كان إكمال المهمة يتطلب حلقة من الإجراءات، ففكر في استخدام وكيل.

الطريق إلى الأمام

سيستمر الخط الفاصل بين الذكاء الاصطناعي التوليدي والفاعل في التلاشي. ستدعم النماذج المستقبلية بشكل أصلي التخطيط طويل المدى واستخدام الأدوات. يقدم مزودون مثل OpenAI وAnthropic بالفعل واجهات برمجة تطبيقات مصممة لسير العمل الفاعل، بما في ذلك واجهات استدعاء الأدوات والمخرجات المنظمة. تقوم Microsoft بدمج هذه القدرات في أدوات الإنتاجية، بينما تبني NVIDIA حزمة البرامج والأجهزة لجعل التفكير الفاعل في الوقت الفعلي فعالاً من حيث التكلفة.

بالنسبة للمطورين، الخلاصة واضحة: أتقن أساسيات الذكاء الاصطناعي التوليدي، ولكن استثمر الوقت في تعلم الأنماط الفاعلة. إن القدرة على بناء أنظمة تتخذ إجراءً — بدلاً من مجرد إنتاج المحتوى — ستحدد الموجة التالية من تطبيقات الذكاء الاصطناعي.

الخاتمة

يحول الذكاء الاصطناعي التوليدي الاستعلامات إلى محتوى. يحول الذكاء الاصطناعي الفاعل الأهداف إلى نتائج. الأول كحاسبة للكلمات والصور؛ والآخر عامل يخطط ويستخدم الأدوات وينفذ. إن التحول من التوليد إلى الفاعلية ليس مجرد ترقية تقنية — إنه تغيير في كيفية تعريفنا لدور الذكاء الاصطناعي في عملنا وحياتنا.

مع حلقة Python البسيطة التي بنيناها أعلاه، تكون قد عبرت بالفعل العتبة. من خلال إضافة تعريفات الأدوات، وحلقة القرار، ومعالجة الأخطاء بشكل أنيق، يمكنك تجاوز مطالبة ذكاء اصطناعي بالكتابة نيابة عنك، والسماح له بالتصرف بدلاً منك. البنية التحتية من NVIDIA، وواجهات برمجة التطبيقات من OpenAI وAnthropic، ومنصات التنسيق من Microsoft، كلها تتقارب نحو هذه الرؤية. السؤال العملي لم يعد ما إذا كان الذكاء الاصطناعي يستطيع اتخاذ إجراء؛ بل ما إذا كنت ستبني الأنظمة التي تسمح له بذلك.