الذكاء الاصطناعي الفاعل: التطور التالي بعد الذكاء الاصطناعي التوليدي

الذكاء الاصطناعي الفاعل: التطور التالي بعد الذكاء الاصطناعي التوليدي

إذا كنت تتابع مشهد تعلّم الآلة خلال السنوات القليلة الماضية، فأنت تعرف بالفعل كيف غيّر الذكاء الاصطناعي التوليدي سير العمل بشكل جذري. فالنماذج التي تُنتج النصوص والصور والبرمجيات والصوتيات انتقلت من كونها مجرد فضول بحثي إلى أنظمة إنتاجية يستخدمها الملايين. ومع ذلك، يعيد القطاع تركيزه مرة أخرى. التطور التالي هو *الذكاء الاصطناعي الفاعل* — أنظمة لا تكتفي بتوليد المحتوى، بل تخطّط وتُفكّر وتتصرف من تلقاء نفسها لإنجاز مهام متعددة الخطوات.

يشير كبار المزوّدين الذين يتابعون هذا التحول — NVIDIA عبر مدوناتها للمطورين والذكاء الاصطناعي، وOpenAI عبر غرفة أخبارها، وMicrosoft عبر مدونة أبحاث الذكاء الاصطناعي، وAnthropic عبر إعلاناتها حول المنتجات والسلامة — جميعهم يشيرون إلى اتجاه موحّد. لم تعد قيمة الذكاء الاصطناعي تكمن فقط في الإجابة التي ينتجها؛ بل في العمل الذي يمكنه إنجازه بشكل مستقل. تشرح هذه المقالة ما هو الذكاء الاصطناعي الفاعل، ولماذا هو مهم، وكيف يمكنك البدء في بناء وكلائك الخاصين اليوم باستخدام أدوات مفتوحة ومجانية.

التحول: من الإجابة إلى الفعل

النماذج التوليدية للذكاء الاصطناعي تُدرَّب على التنبؤ بالرمز التالي في تسلسل. أعطِها مطالبةً، وسترد باستمرار معقول. هذه القدرة الواحدة تشغّل برامج الدردشة الآلية، والمساعدين البرمجيين، وأدوات التلخيص، ومولّدات الصور. كلها أنظمة *تفاعلية*: تنتظر المدخلات، تُنتج المخرجات، ثم تتوقف.

الذكاء الاصطناعي الفاعل يغيّر نموذج التفاعل بشكل جوهري. فبدلاً من الاستجابة لمطالبة واحدة، يستقبل الوكيل *هدفًا*، ثم يقرر الخطوات التي يجب اتخاذها لتحقيق هذا الهدف. يمكنه تقسيم المهمة إلى مهام فرعية، واستدعاء أدوات خارجية، واسترجاع المعلومات من الويب أو قواعد البيانات، وكتابة وتنفيذ البرمجيات، وفحص نتائج أفعاله الخاصة، والتكرار حتى اكتمال الهدف.

النظام الفاعل يعمل بحلقة، تقريبًا:

1. لاحظ الحالة الحالية. 2. فكّر في الإجراء الذي يجب اتخاذه بعد ذلك. 3. نفّذ هذا الإجراء (مثل استدعاء أداة، أو تشغيل سكربت، أو الاستعلام عن قاعدة بيانات). 4. لاحظ النتيجة. 5. كرّر حتى يتحقق الهدف.

هذا هو نموذج ReAct (التفكير + الفعل) الكلاسيكي، وهو العمود الفقري البنيوي لمعظم أطر العمل الحديثة للوكلاء. النموذج الأساسي لا يزال نموذجًا توليديًا — لكن *النظام المحيط به* هو ما يجعل الذكاء الاصطناعي فاعلًا.

القدرات الأساسية للوكيل

لكي أسمّي نظامًا "فاعلًا"، أبحث عن أربع قدرات:

**استخدام الأدوات.** يمكن للوكيل استدعاء دوال خارجية — عمليات بحث على الويب، ومفسّرات أكواد، وآلات حاسبة، وواجهات REST API، وعمليات على نظام الملفات. هذه هي السمة المميزة لأنها تسمح للنموذج بالتأثير على العالم الحقيقي. النموذج لا يكتفي بالادعاء "الطقس مشمس في لشبونة"؛ بل يستدعي واجهة برمجة الطقس ويتحقق من الاستجابة.

**التخطيط.** بمجرد وجود هدف عالي المستوى، يمكن للوكيل تحليله إلى سلسلة من الخطوات القابلة للتنفيذ، وإعادة ترتيبها عند الحاجة، والتعافي من الفشل في منتصف الخطة.

**الذاكرة.** يحتاج الوكيل إلى ذاكرة قصيرة المدى (حالة المحادثة والمهمة الحالية) وذاكرة طويلة المدى (تضمينات التفاعلات السابقة أو المعرفة المخزنة في قاعدة بيانات متجهات). الذاكرة تتيح له الحفاظ على الترابط عبر مهام طويلة تستغرق ساعات.

**التأمل الذاتي.** الوكيل يقيّم مخرجاته بنفسه. يمكنه تشغيل اختبار على الكود المولّد، ويرى أن الاختبار فشل، ويحاول مرة أخرى بطريقة مختلفة. هذا يُغلق الحلقة ويجعل النظام مفيدًا حقًا للمهام المعقدة بدلاً من كونه مولّدًا لمرة واحدة.

عندما تتحد هذه القدرات الأربع، يصبح نظام الذكاء الاصطناعي أقرب إلى زميل عمل مستقل منه إلى برنامج دردشة آلي.

المتطلبات

لمتابعة الأمثلة العملية أدناه، ستحتاج إلى جهاز يتوفر على ما يلي:

• **نظام التشغيل:** Linux أو macOS أو Windows (يُنصح مستخدمو Windows بتثبيت WSL2 للحصول على أفضل تجربة).
• **Python 3.10 أو أحدث** — بايثون هي اللغة الأساسية لأطر عمل الوكلاء.
• **~8 جيجابايت من الذاكرة العشوائية الحرة** — كافية لتشغيل نموذج لغوي محلي متواضع. للنماذج الأكبر، يُنصح بـ 16 جيجابايت أو أكثر.
• **مفتاح API مجاني** (اختياري لكن موصى به) إذا كنت تفضّل استخدام نموذج مستضاف بدلاً من نموذج محلي. في الأمثلة أدناه، أستخدم نموذجًا محليًا عبر Ollama، لذلك لا يلزم مفتاح API سحابي إطلاقًا.
• **Git** (اختياري، لاستنساخ المستودعات).

حزمة البرامج الأساسية التي سنستخدمها:

• **Ollama** — بيئة تشغيل بسيطة تشغّل النماذج مفتوحة الأوزان (Llama وMistral وQwen وغيرها) محليًا وتعرض واجهة API متوافقة مع OpenAI.
• **حزم Python:** `openai` (SDK الرسمية، التي تعمل ليس فقط مع نقاط نهاية OpenAI بل مع أي خادم متوافق مع OpenAI)، و`python-dotenv` لإدارة الأسرار، واختياريًا `langchain` أو `crewai` لمستوى أعلى من التجريد. في هذه المقالة، سأتجنب الأطر الثقيلة وأعرض لك حلقة وكيل بسيطة تمنحك رؤية كاملة لما يحدث.

التثبيت خطوة بخطوة

جميع الأوامر أدناه لصدفة bash على Linux/macOS (أو WSL2 على Windows).

1. تثبيت Ollama

Ollama هي أبسط طريقة للحصول على نقطة نهاية نموذج محلية متوافقة مع OpenAI. على Linux و macOS، شغّل:

curl -fsSL https://ollama.com/install.sh | sh

عندما يكتمل التثبيت، ابدأ تشغيل خادم Ollama في الخلفية:

ollama serve

أبقِ هذا الطرفية مفتوحة أو شغّله كخدمة. الخادم يستمع على `http://localhost:11434` افتراضيًا.

2. سحب نموذج

بعد ذلك، قم بتنزيل نموذج مضبوط بالتعليمات وقادر على الأداء. نقطة بداية جيدة تعمل على 8 جيجابايت من الذاكرة هي `llama3.1:8b`:

ollama pull llama3.1:8b

إذا كان لديك جهاز أقل إمكانيات، فإن `qwen2.5:3b` مناسب أيضًا. تحقق من استجابة النموذج:

ollama run llama3.1:8b "Say hello in one sentence."

يجب أن ترى تحية قصيرة. اضغط Ctrl+D أو اكتب `/bye` للخروج من واجهة الدردشة.

3. إعداد بيئة بايثون

أنشئ دليلاً لمشروع الوكيل وبيئة افتراضية:

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

البيئة الافتراضية تعزل تبعياتك عن بقية النظام.

4. تثبيت حزم بايثون المطلوبة

نحتاج إلى SDK بايثون الخاص بـ OpenAI حتى نتمكن من التحدث مع نقطة نهاية Ollama المتوافقة مع OpenAI:

pip install --upgrade openai python-dotenv

حزمة `openai` تعمل مع Ollama إذا قمنا بتجاوز `base_url`. حزمة `python-dotenv` ليست ضرورية للغاية هنا، لكنها مفيدة إذا قررت لاحقًا التبديل إلى نموذج مستضاف بمفتاح API.

أمثلة الاستخدام: بناء وكيل بسيط

الآن نصل إلى جوهر هذه المقالة. سنبني وكيلًا صغيرًا لكنه كامل الوظائف بلغة بايثون خالصة. سيستخدم قدرة نموذج Llama على *استدعاء الأدوات* ليقرر متى يستخدم الآلة الحاسبة، ويستدعي دالة بايثون محلية، ثم يقدم إجابة نهائية.

حلقة الوكيل

أنشئ ملفًا باسم `agent.py`:

import json
from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:11434/v1",
    api_key="ollama"  # required by the SDK, any string works
)

MODEL = "llama3.1:8b"

# ----------------------------------------------------------------------
# 1. Define the tools available to the agent
# ----------------------------------------------------------------------

def calculator(expression: str) -> float:
    """Evaluate a simple arithmetic expression safely."""
    # Only allow numbers, operators, and whitespace
    allowed = set("0123456789+-*/(). ")
    if not all(c in allowed for c in expression):
        raise ValueError("Disallowed characters in expression")
    return eval(expression, {"__builtins__": {}}, {})  # noqa: S307 - sanitized above

TOOLS = [
    {
        "type": "function",
        "function": {
            "name": "calculator",
            "description": "Evaluate a numeric arithmetic expression.",
            "parameters": {
                "type": "object",
                "properties": {
                    "expression": {
                        "type": "string",
                        "description": "The expression to evaluate, e.g. '3 * (2 + 5)'",
                    }
                },
                "required": ["expression"],
            },
        },
    }
]

# ----------------------------------------------------------------------
# 2. Agent main loop
# ----------------------------------------------------------------------

def run_agent(user_prompt: str, max_iterations: int = 5) -> None:
    messages = [{"role": "user", "content": user_prompt}]

    for step in range(max_iterations):
        print(f"\n--- Step {step + 1} ---")

        response = client.chat.completions.create(
            model=MODEL,
            messages=messages,
            tools=TOOLS,
        )

        message = response.choices[0].message

        # The model may ask us to invoke a tool
        if message.tool_calls:
            messages.append(message)

            for tool_call in message.tool_calls:
                fn_name = tool_call.function.name
                args = json.loads(tool_call.function.arguments)
                print(f"  [Agent] calling {fn_name}({args})")

                if fn_name == "calculator":
                    result = calculator(args["expression"])
                else:
                    result = "Unknown tool"

                # Send the tool result back to the model
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": str(result),
                })
                print(f"  [Tool]  returned {result}")
            continue  # loop again so the model can produce a final answer

        # No tool calls -> final answer
        print(f"  [Answer] {message.content}")
        break
    else:
        print("Max iterations reached without a final answer.")


if __name__ == "__main__":
    prompt = (
        "What is the result of (1234 * 4321) - (99 / 3)? "
        "Use the calculator tool, then give me the final number."
    )
    run_agent(prompt)

تشغيل الوكيل

قم بتنشيط بيئتك وشغّل السكربت:

source venv/bin/activate
python agent.py

ما يجب أن يحدث هو بالضبط حلقة الوكيل الموضحة في بداية هذه المقالة:

1. يستقبل النموذج المطالبة الحسابية. 2. يُفكّر في أنه لا يمكنه حساب الناتج بشكل موثوق، ويستدعي أداة `calculator` مع تعبير. 3. تُرجع الأداة الرقم. 4. يستقبل النموذج هذا الرقم ويصدر إجابة نهائية موثقة.

سيكون النص المطبوع مشابهًا لما يلي:

--- Step 1 ---
  [Agent] calling calculator({'expression': '(1234 * 4321) - (99 / 3)'})
  [Tool]  returned 5332759.0
--- Step 2 ---
  [Answer] The result of (1234 × 4321) - (99 ÷ 3) is 5,332,759.

توسيع الوكيل

النمط قابل للتوسع. لإعطاء وكيلك مزيدًا من القدرات، ما عليك سوى إضافة دوال إضافية إلى قائمة `TOOLS` والمزيد من الفروع داخل كتلة استدعاء الأدوات. على سبيل المثال، يمكنك إضافة أداة `web_search` تستدعي واجهة بحث، أو أداة `read_file`، أو أداة `run_python` لتنفيذ كود معزول.

النهج الأقرب للإنتاجية هو استخدام إطار عمل مثل LangGraph أو CrewAI أو OpenAI Agents SDK، والتي تتولى حالة المحادثة واستدعاءات الأدوات المتوازية ونقاط التحقق البشرية. لكن الحلقة البسيطة أعلاه مثالية لفهم ما تفعله هذه الأطر وراء الكواليس. بمجرد أن ترى هذه الحلقة المكونة من عشر خطوات، تتوقف أطر عمل الوكلاء عن كونها سحرًا.

المشهد العام: من المساعدين البرمجيين إلى زملاء العمل

التحول من الذكاء الاصطناعي التوليدي إلى الفاعل ليس مجرد تمرين هندسي؛ إنه تغيير في كيفية تفكير الشركات في الأتمتة. خلال العصر التوليدي، تطلبت منتجات مثل برامج الدردشة الآلية والمساعدين البرمجيين بقاء الإنسان في الحلقة لكل خطوة ذات معنى. أحدث إعلانات OpenAI وAnthropic وMicrosoft جميعها تؤكد على وكلاء يعملون على مدى زمني أطول وباستقلالية أكبر. مدونة Microsoft لأبحاث الذكاء الاصطناعي، على سبيل المثال، تصوّر الذكاء الاصطناعي بشكل متسق كـ"مساعد عمل" يتصرف نيابة عنك، بينما تخصص صفحات أخبار وسلامة Anthropic مساحة كبيرة لـ"استخدام الكمبيوتر" والتفاعل المسؤول للأدوات الفاعلة. أما NVIDIA، فترى الوكلاء كعبء العمل التالي الذي يقود كفاءة النماذج وطلب مراكز البيانات، حيث تتابع مدونتها للمطورين الحزمة الكاملة من الأطر ووحدات معالجة الرسومات وبرمجيات الاستدلال التي تجعل أنظمة الوكلاء المتعددة عملية.

هذا التقارب هو إشارة قوية: يعتقد القطاع أن المرحلة التالية من قيمة الذكاء الاصطناعي لن تأتي من القطع المولّدة بل من *النتائج المنجزة*.

من الجدير أيضًا أن نكون صريحين بشأن التحديات المفتوحة. الأنظمة الفاعلة أكثر تعقيدًا في التقييم. يمكن الحكم على محادثة واحدة من خلال ترابطها؛ بينما يجب الحكم على الوكيل من خلال معدل إنجاز المهمة، والتكلفة لكل مهمة ناجحة، والسلامة. كما تقدم أنماط فشل جديدة: يمكن أن يفشل استدعاء أداة، أو تخرج الخطة عن مسارها، أو يهلوس النموذج بوظيفة غير موجودة. لذلك يعتمد تصميم الأنظمة الإنتاجية بشكل كبير على الحواجز الوقائية: قوائم الأدوات المسموح بها، والأوضاع القابلة للقراءة فقط، وميزانيات الرموز، ونقاط التحقق بالموافقة البشرية للإجراءات عالية التأثير. كما تشير كتابات Anthropic حول سلامة الذكاء الاصطناعي، كلما منحنا النماذج مزيدًا من الاستقلالية، كلما أصبح عملنا في المواءمة والتقييم أكثر صرامة.

إذا كنت تبدأ الانتقال من الذكاء الاصطناعي التوليدي إلى الفاعل، فإليك المسار العملي الذي أوصي به:

1. **أتقن الحلقة البسيطة.** افعل بالضبط ما فعلناه أعلاه: نموذج واحد، أداة واحدة، هدف واضح. 2. **أضف الأدوات تدريجيًا** — بحث الويب، ذاكرة المتجهات، تنفيذ البرمجيات — ولاحظ أين ينجح النموذج وأين يفشل. 3. **أضف قابلية المراقبة.** سجّل كل مطالبة واستدعاء أداة ونتيجة. الأنظمة الفاعلة تتطلب الكثير من التنقيح، وستشكر نفسك على التتبع الجيد. 4. **ثم انتقل إلى الأطر** بمجرد فهمك للحلقة. ستتمكن من قراءة وثائقها بفهم حقيقي، بدلاً من التعامل مع تجريداتها كصناديق سوداء.

الخلاصة

أعطانا الذكاء الاصطناعي التوليدي نماذج يمكنها تأليف الكلمات والصور والبرمجيات. الذكاء الاصطناعي الفاعل يأخذ تلك القدرة الخام ويغلفها في حلقة من التخطيط، واستخدام الأدوات، والذاكرة، والتأمل الذاتي — محولًا النموذج إلى فاعل في عالم من واجهات البرمجة والملفات. النتيجة هي تحول من "اسألني أي شيء" إلى "أنجز الأمر".

البنية التحتية التقنية لهذا التحول أصبحت الآن في متناول أي مطور يملك حاسوبًا محمولاً. باستخدام Ollama ونموذج محلي مفتوح الأوزان وحوالي أربعين سطرًا من بايثون، يمكنك بناء وكيل يُفكر ويستدعي الأدوات ويتحقق من النتائج ويكمل مهمة من البداية إلى النهاية. قادة النظام البيئي — NVIDIA وOpenAI وMicrosoft وAnthropic — جميعهم يبنون على نفس الفرضية الأساسية: أن النماذج الاستدلالية مقترنة بحلقات العمل ستحدد العقد القادم من الذكاء الاصطناعي التطبيقي. لم يعد السؤال هو *هل* سيتصرف الذكاء الاصطناعي؛ بل *ما مدى جودة* تعليمنا له التصرف بأمان وموثوقية، في خدمة أهداف إنسانية حقيقية.