الذكاء الاصطناعي الفاعل مقابل الذكاء الاصطناعي التوليدي: كيف تعيد العوامل المستقلة تعريف سير العمل الذكي

الذكاء الاصطناعي الوكيل مقابل الذكاء الاصطناعي التوليدي: كيف يعيد الوكلاء المستقلون تعريف مسارات العمل الذكية

لقد تجاوز الذكاء الاصطناعي عتبةً جديدة. لسنوات، ركّزت الصناعة على بناء نماذج قادرة على توليد النصوص والصور والأكواد بطلاقة مذهلة. أصبح الذكاء الاصطناعي التوليدي مصطلحًا مألوفًا، حيث يشغّل روبوتات المحادثة والأدوات الإبداعية التي تستجيب للطلبات بمخرجات شبيهة بالمخرجات البشرية. لكن موجة جديدة من الذكاء الاصطناعي تحوّل هذه القدرات إلى شيء أكثر عملية بكثير: الفعل.

هذا هو عصر الذكاء الاصطناعي الوكيل (Agentic AI). فبدلاً من مجرد الإجابة عن الأسئلة، تقوم الأنظمة الوكيلة بتفسير الأهداف، وتقسيمها إلى خطوات، واستخدام الأدوات، وتنفيذ المهام بأقل قدر من التدخل البشري. إن التحول من توليد الاستجابة إلى إنجاز المهمة يعيد تشكيل طريقة أتمتة المؤسسات لمسارات العمل. في هذا المقال، سنقارن بين الذكاء الاصطناعي التوليدي والذكاء الاصطناعي الوكيل، ونشرح لماذا تُعد الوكلاء المستقلون مهمة، وسنستعرض مثالًا تقنيًا ملموسًا حتى تتمكن من بناء وكيل بسيط اليوم.

الذكاء الاصطناعي التوليدي: الأساس

يشير الذكاء الاصطناعي التوليدي إلى نماذج التعلم الآلي التي تنتج محتوى جديدًا — نصوصًا أو أكوادًا أو صورًا أو صوتًا أو فيديو — استنادًا إلى أنماط تعلّمتها من مجموعات بيانات ضخمة. تُعد نماذج اللغة الكبيرة (LLMs) مثل سلسلة GPT من OpenAI وClaude من Anthropic أبرز الأمثلة على ذلك. السمة المميزة لها هي القدرة على تلقي تعليمات باللغة الطبيعية وإرجاع مخرجات متماسكة وذات صلة بالسياق.

لقد غطّت مدونة NVIDIA AI Blog على نطاق واسع كيفية تدريب نماذج الذكاء الاصطناعي التوليدي باستخدام المحولات (Transformers) والحوسبة المتسارعة. تتعلم هذه النماذج الأنماط الإحصائية من تريليونات الرموز (tokens) وتصبح قادرة على التلخيص والترجمة والاستدلال والمساعدة في البرمجة. كما تسلط إعلانات OpenAI الإخبارية الضوء بانتظام على التحسينات في قدرات النماذج، من نوافذ سياق أطول إلى تحسين اتباع التعليمات. في الوقت نفسه، وثّقت مدونة Microsoft AI Blog كيف يتم دمج الذكاء الاصطناعي التوليدي في منتجات مثل Microsoft 365 Copilot، محوّلةً قوة النموذج الخام إلى أدوات إنتاجية مواجهة للمستخدم.

يتفوق الذكاء الاصطناعي التوليدي في خطوة واحدة: التنبؤ بالرمز الصحيح التالي (أو البكسل، أو إطار الصوت) استنادًا إلى المدخلات. وهو تفاعلي وليس استباقيًا. إذا طلبت منه صياغة بريد إلكتروني، فسوف يصوغ البريد الإلكتروني. إذا طلبت منه تصحيح نص برمجي، فسوف يعيد النص المصحح. لكنه لا *يفعل* أي شيء يتجاوز الاستجابة. لا يمكنه الاستعلام عن قاعدة بيانات ما لم يقم شخص ما بجلب البيانات أولاً. لا يمكنه نشر كود على خادم ما لم يُطلق عملية خارجية ذلك النشر. هذا القيد هو بالضبط ما يعالجه الذكاء الاصطناعي الوكيل.

الذكاء الاصطناعي الوكيل: من التنبؤ إلى الفعل

يصف الذكاء الاصطناعي الوكيل الأنظمة التي تستخدم النماذج الأساسية كمحرك استدلال لها، لكنها تغلّفها في حلقة من الإدراك والتخطيط والفعل. يستقبل الوكيل هدفًا عالي المستوى، ويفسّره، ويقسمه إلى مهام فرعية، ويختار الأدوات المناسبة (واجهات برمجة التطبيقات، ومفسّرات الأكواد، والبحث عبر الويب، وأنظمة الملفات)، وينفّذ تلك الأدوات، ويلاحظ النتائج، ويكرر العملية حتى يتحقق الهدف.

سلّط قسم الأخبار في Anthropic الضوء على كيفية تطور المساعدين الأذكياء من مستجيبين سلبيين إلى متعاونين نشطين يمكنهم استخدام أجهزة الكمبيوتر، وإدارة المهام الطويلة، وتسليم السيطرة عبر الخطوات. وقد وصفت مدونة Microsoft AI Blog أطر عمل الوكلاء التي يتم فيها تعزيز تجارب Copilot بمسارات عمل مستقلة. هذه الوكلاء ليست نوعًا منفصلاً من النماذج؛ بل هي طبقة معمارية فوق النماذج التوليدية.

الفرق دقيق لكنه حاسم. الذكاء الاصطناعي التوليدي يسأل: *ما هي الكلمة التالية الأكثر ترجيحًا؟* بينما يسأل الذكاء الاصطناعي الوكيل: *ما هو الفعل التالي الذي يقربني من الهدف؟*

![المقارنة غير متاحة] — لكن من الناحية المفاهيمية، تخيّل موظفين اثنين. الأول محلل لامع يمكنه الإجابة عن أي سؤال تطرحه عليه لكنه لا يغادر مكتبه أبدًا. والثاني مدير مشروع قد لا يعرف كل شيء، لكنه يخطط ويوزع المهام ويتابع التقدم وينجز العمل. الذكاء الاصطناعي التوليدي هو المحلل. والذكاء الاصطناعي الوكيل هو المدير مع المحلل تحت الطلب.

الاختلافات الرئيسية بين الذكاء الاصطناعي الوكيل والتوليدي

| البُعد | الذكاء الاصطناعي التوليدي | الذكاء الاصطناعي الوكيل | | --- | --- | --- | | **الوظيفة الأساسية** | ينتج محتوى (نصوص، أكواد، صور) | ينفّذ مسارات عمل متعددة الخطوات | | **نموذج التفاعل** | طلب ← استجابة | هدف ← خطة ← فعل ← ملاحظة ← تكرار | | **الذاكرة** | عديمة الحالة (أو سياق محدود) | حالة داخلية، وتأمل، وسجل أدوات | | **استخدام الأدوات** | لا شيء افتراضيًا | استدعاء واجهات برمجة التطبيقات، والوصول إلى نظام الملفات، وتنفيذ الأكواد | | **المشاركة البشرية** | كل طلب هو تعليمات صريحة | الهدف عالي المستوى فقط؛ الوكيل يصحح نفسه بنفسه | | **نمط الفشل** | مخرجات معقولة لكن غير صحيحة | سلسلة إجراءات خاطئة أو الوقوع في حلقة مفرغة | | **مثال** | ChatGPT يكتب تقريرًا | وكيل يبحث ويكتب ويرسل التقرير عبر البريد الإلكتروني |

يظل الذكاء الاصطناعي التوليدي هو المحرك داخل الأنظمة الوكيلة. في الواقع، غالبًا ما تكون النماذج الوكيلة في السوق هي نفس نماذج اللغة الكبيرة بالإضافة إلى التنسيق. الجديد ليس النموذج؛ بل حلقة التحكم.

كيف يعيد الوكلاء المستقلون تعريف مسارات العمل

إن وعد الذكاء الاصطناعي الوكيل ليس مجرد توفير الراحة. بل هو أتمتة *الحكم* — الجزء من العمل المكتبي الذي يتضمن تحديد ما يجب فعله بعد ذلك.

1. من الأدوات الصغيرة إلى مسارات العمل

تعتمد الأتمتة التقليدية على تسلسلات مكتوبة بشكل ثابت. يقوم النص البرمجي باستخراج ملف، وتحويله، وتحميله. إذا كان حقل ما مفقودًا، ينهار النص البرمجي أو يتصرف بشكل غير صحيح. أما الوكيل، في المقابل، فيمكنه التفكير في شكل البيانات، واختيار طرق استخراج بديلة، والتعافي من الحالات الشاذة. إنه يحوّل خطوط المعالجة الهشة إلى خطوط تكيفية.

2. من روبوتات المحادثة إلى زملاء عمل

غالبًا ما يُعامل روبوتات المحادثة القائمة على الذكاء الاصطناعي التوليدي على أنها محركات بحث بدون بحث. يطلب المستخدمون، ثم يستلمون، ثم ينسخون ويلصقون في أدوات أخرى. تقضي الوكلاء على هذا التنقل بين السياقات. يمكن إعطاء الوكيل هدفًا: «ابحث عن جميع الفواتير المفتوحة التي تتجاوز 10,000 دولار، واكتب رسائل تذكير، وجدول اجتماع متابعة». إنه ينسق بين واجهة برمجة تطبيقات المالية، وعميل البريد الإلكتروني، ونظام التقويم. يقوم الإنسان بالمراجعة في النهاية بدلاً من المشاركة في كل خطوة.

3. من الاستدلال عديم الحالة إلى الاستدلال ذو الحالة

من الاختلافات الرئيسية في الأنظمة الوكيلة مفهوم الذاكرة عبر استدعاءات الأدوات. تحافظ البنية على قائمة من الملاحظات والقرارات والنتائج الجزئية. وهذا يتيح التفكير الاستدلالي المتسلسل الذي يستمر إلى ما بعد الطلب الواحد. يمكن للوكيل أن يقول: «لقد جربت الطريقة أ، لكن واجهة البرمجة أعادت خطأً. سأتحول إلى الطريقة ب وسأوثّق الفرق». هذا التأمل الذاتي هو المكان الذي تنبثق منه القدرة الحقيقية.

4. نضج النظام البيئي

تصف كل من مدونة Microsoft AI Blog ومدونة NVIDIA AI Blog التوسع السريع لأطر عمل الوكلاء: النوى الدلالية (semantic kernels)، وخطوط التوليد المعزز بالاسترجاع (RAG)، وخدمات التنسيق التي تدير استدعاء الأدوات، وإعادة المحاولات، وميزانيات الرموز. وقد غطت أخبار Anthropic كيفية تدريب النماذج الآن على فهم الشاشات وتشغيل واجهات الكمبيوتر مباشرة، مما يزيل الحدود بين تكامل واجهات برمجة التطبيقات وأتمتة واجهات المستخدم العامة.

تتجه الصناعة نحو مستقبل تكون فيه الوكلاء مكونات بنية تحتية قياسية — تُنشر وتُراقب وتُدار إلى جانب التطبيقات وقواعد البيانات. بالنسبة للمطورين، يخلق هذا حاجة ملحة لفهم كيفية بناء هذه الوكلاء وتقييمها.

برنامج تعليمي عملي: بناء وكيل بحث باستخدام بايثون

دعنا ننتقل من النظرية إلى التطبيق. سنبني وكيلًا صغيرًا يستقبل سؤالًا بحثيًا، ويجري بحثًا على الويب، ويستخرج ملخصات من النتائج، وينتج تقريرًا منظمًا. سيستخدم واجهة برمجة تطبيقات OpenAI للاستدلال واستدعاء الدوال، بالإضافة إلى أداة بحث بسيطة. هذا الوكيل بسيط عمدًا، لكن بنيته تعكس النمط المستخدم في الأنظمة الإنتاجية: حلقة، وسجل أدوات، ونموذج بمخرجات منظمة.

المتطلبات

• بايثون 3.10 أو أحدث
• مفتاح واجهة برمجة تطبيقات OpenAI (أو أي واجهة LLM متوافقة)
• `pip` لتثبيت الحزم
• اتصال بالإنترنت لاستدعاءات الواجهات البرمجية

سنستخدم حزمة `openai` الخاص ببايثون، و`python-dotenv` للمتغيرات البيئية، و`requests` لاستدعاء واجهة بحث عامة. للتبسيط، سأستخدم نقطة نهاية HTML الخاصة بـ DuckDuckGo — لا تتطلب مفتاح API — لكن يمكنك استبدالها بواجهة بحث رسمية لاحقًا.

التثبيت خطوة بخطوة

أولاً، أنشئ بيئة افتراضية معزولة. هذا يمنع تعارضات التبعيات مع مشاريع بايثون الأخرى:

python -m venv agent_env

فعّل البيئة الافتراضية. يختلف الأمر حسب نظام التشغيل؛ على macOS وLinux، شغّل:

source agent_env/bin/activate

على ويندوز، شغّل:

agent_env\Scripts\activate

الآن قم بتثبيت الحزم المطلوبة. توفر حزمة `openai` وصول العميل إلى الواجهة، بينما تقوم `python-dotenv` بتحميل مفتاحنا السري من ملف محلي:

pip install openai python-dotenv requests

بعد ذلك، أنشئ ملف `.env` في جذر المشروع. يخزّن هذا الملف مفتاح الواجهة خارج الكود المصدري:

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

افتح الملف واستبدل `your-key-here` بمفتاحك الفعلي من منصة OpenAI. لا تقم أبدًا بتضمين `.env` في نظام التحكم بالإصدارات. أضفه إلى `.gitignore` الخاص بك:

echo ".env" >> .gitignore

أمثلة الاستخدام

أنشئ ملفًا جديدًا باسم `research_agent.py`. سنكتب الوكيل في ثلاثة أجزاء: سجل الأدوات، وحلقة الاستدلال، ونقطة دخول رئيسية.

أولاً، استورد المكتبات وحمّل المتغيرات البيئية:

import json
import os
import re
import requests
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()
client = OpenAI()  # reads OPENAI_API_KEY automatically

بعد ذلك، قم بتعريف أداة البحث. تستعلم عن بحث HTML الخاص بـ DuckDuckGo وتستخرج أول عدد من مقتطفات النتائج باستخدام تعبيرات نمطية بسيطة. في الإنتاج، ستستبدل هذا بواجهة بحث مدفوعة تُرجع JSON منظمًا:

def web_search(query: str, max_results: int = 5) -> list[dict]:
    """Perform a simple web search and return top results."""
    url = "https://html.duckduckgo.com/html/"
    params = {"q": query, "ia": "web"}
    headers = {"User-Agent": "Mozilla/5.0"}
    resp = requests.get(url, params=params, headers=headers, timeout=10)
    resp.raise_for_status()

    results = []
    # Extract result blocks with regex (simplified, not production-ready)
    for block in re.findall(r'<a rel="nofollow" class="result__a" href="([^"]+)">(.*?)</a>', resp.text):
        link, title = block
        # Remove HTML tags from title
        title = re.sub(r'<[^>]+>', '', title)
        results.append({"title": title, "link": link})
        if len(results) >= max_results:
            break

    return results

الآن قم بتعريف سجل الأدوات. يربط هذا القاموس اسم الدالة بوصفها والاستدعاء البرمجي الخاص بها. سيقوم الوكيل باستدعائها بناءً على قرار النموذج:

TOOLS = {
    "web_search": {
        "function": web_search,
        "description": "Search the web. Input: a simple search query string.",
    }
}

جوهر الوكيل هو حلقة الاستدلال. نستدعي النموذج بموجه نظام يشرح كيفية استخدام الأداة، ثم نحلل الاستجابة. إذا طلب النموذج استدعاء أداة، ننفذها، ونضيف النتيجة إلى سجل الرسائل، ونكرر الحلقة. إذا أعاد النموذج إجابة نهائية، نتوقف:

def run_agent(user_goal: str, max_iterations: int = 5):
    messages = [
        {"role": "system", "content": (
            "You are a research agent. You have access to a web_search tool. "
            "Use it to gather facts, then write a concise final report. "
            "Do not invent data. If search fails, say so."
        )},
        {"role": "user", "content": user_goal},
    ]

    for i in range(max_iterations):
        response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=messages,
            tools=[
                {
                    "type": "function",
                    "function": {
                        "name": "web_search",
                        "description": "Search the web for information",
                        "parameters": {
                            "type": "object",
                            "properties": {
                                "query": {"type": "string"}
                            },
                            "required": ["query"],
                        },
                    },
                }
            ],
            tool_choice="auto",
        )

        msg = response.choices[0].message

        # If the model wants to call a tool
        if msg.tool_calls:
            for tool_call in msg.tool_calls:
                # Parse the query argument
                args = json.loads(tool_call.function.arguments)
                query = args["query"]
                print(f"→ Calling web_search for: '{query}'")

                # Execute the search
                search_results = TOOLS["web_search"]["function"](query)
                serialized_results = json.dumps(search_results, ensure_ascii=False)

                # Append the assistant's tool-call request and the tool result
                messages.append({
                    "role": "assistant",
                    "tool_calls": [
                        {
                            "id": tool_call.id,
                            "type": "function",
                            "function": {
                                "name": "web_search",
                                "arguments": tool_call.function.arguments,
                            },
                        }
                    ],
                })
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": serialized_results,
                })

            continue  # loop again so the model can use the search results

        # If no tool calls, this is the final answer
        if msg.content:
            return msg.content

    return "Reached maximum iterations without a final answer."

أخيرًا، نقطة الدخول الرئيسية. تقرأ هدفًا بحثيًا من سطر الأوامر وتطبع التقرير النهائي:

if __name__ == "__main__":
    goal = input("What should I research? ")
    report = run_agent(goal)
    print("\n--- FINAL REPORT ---\n")
    print(report)

شغّل النص البرمجي:

python research_agent.py

عند ظهور الطلب، أدخل سؤالًا بحثيًا:

What should I research? What are the latest trends in agentic AI according to major AI vendors?

سترى الوكيل يستدعي أداة البحث، ويلاحظ النتائج، ثم يولّد تقريرًا ملخصًا. في المخرجات، لاحظ الحلقة: يختار النموذج البحث، ويستقبل بيانات ويب حقيقية، وبعدها فقط ينتج نصه النهائي. هذا هو جوهر السلوك الوكيل — ليس مجرد توليد إجابة محتملة، بل تأسيسها على معلومات مسترجعة وحديثة، واتخاذ الإجراء اللازم للوصول إلى هناك.

#### ملاحظة السلوك

إذا تابعت مخرجات وحدة التحكم، سترى تفصيلًا مهمًا: الوكيل لا يجيب عن السؤال في محاولة واحدة. بل يقسّم الحاجة إلى استعلام بحث، وينفذ الاستعلام، ثم يجمع النتائج. إذا عدّلت موجّه النظام لتشجيع عمليات بحث متعددة، فقد يصدر النموذج عدة استعلامات بالتسلسل — على سبيل المثال، واحد لـ NVIDIA، وواحد لـ Microsoft، وواحد لـ Anthropic. تُضاف كل نتيجة بحث إلى سجل الرسائل، مما يمنح النموذج شكلاً من الذاكرة العاملة.

يمكنك توسيع هذا الوكيل في عدة اتجاهات:

• أضف المزيد من الأدوات، مثل `calculate` أو `send_email` أو `read_file`.
• أضف خطوة تلخيص لضغط نتائج البحث الطويلة قبل إرسالها إلى النموذج.
• أضف خطوة تحقق تطلب من النموذج مراجعة ادعاءاته عبر إجراء بحث ثانٍ.
• احفظ سجل الرسائل في قاعدة بيانات للوكلاء طويلي الأمد.

الطريق إلى الأمام

التمييز بين الذكاء الاصطناعي التوليدي والذكاء الاصطناعي الوكيل ليس مجرد تحول تسويقي. إنه يمثل تغييرًا في ما نتوقعه من البرمجيات: ليس مجرد إجابات، بل نتائج. يظل الذكاء الاصطناعي التوليدي هو الأساس — محرك استدلال قوي ومتعدد الاستخدامات. بينما يضع الذكاء الاصطناعي الوكيل هذا المحرك في العمل، ويزوّده بالأدوات والذاكرة والاستقلالية لتنفيذ مهام متعددة الخطوات.

يتقارب كل من كبار البائعين والنظام البيئي مفتوح المصدر على بنية مشتركة: نموذج، وحلقة، ومجموعة أدوات، وسياسة. تسلط مدونة NVIDIA AI Blog الضوء على البنية التحتية الحاسوبية التي تجعل أعباء عمل الوكلاء ممكنة. يعرض قسم أخبار OpenAI كيف تتحسن قدرات النماذج في استخدام الأدوات والاستدلال. تصف مدونة Microsoft AI Blog كيف يتم دمج الوكلاء في تجارب Copilot للمؤسسات. تظهر أخبار Anthropic مساعدين يكتسبون القدرة على تشغيل أجهزة الكمبيوتر مباشرة. كل هذه الإشارات تصل إلى نتيجة واحدة: المرحلة التالية من الذكاء الاصطناعي ليست روبوت محادثة أذكى، بل عامل رقمي موثوق.

الأثر العملي للمطورين واضح ومباشر. إذا كنت قد بنيت تطبيقات على الذكاء الاصطناعي التوليدي، فأنت تمتلك بالفعل معظم ما تحتاجه. ابدأ بوكيل بسيط مثل الذي في هذا البرنامج التعليمي. أضف أداة واحدة. لاحظ أين يفشل الوكيل، واضبط الموجّه أو تصميم الأداة. كرر العملية. إنها نفس الحلقة التي تستخدمها الوكلاء نفسها، وهي أسرع طريقة لتعلم إلى أين تتجه هذه التقنية.

مستقبل مسارات العمل الذكية ليس نموذجًا يجيب بإجابات جميلة. بل هو نظام يقوم بالعمل — ولا يقاطع الإنسان إلا عندما يكون الحكم ذو أهمية حقيقية.