الذكاء الاصطناعي الفاعل مقابل الذكاء الاصطناعي التوليدي: من إنشاء المحتوى إلى الفعل المستقل

الذكاء الاصطناعي الفاعل مقابل الذكاء الاصطناعي التوليدي: من إنشاء المحتوى إلى الفعل المستقل

إذا كنت تتابع تطوّرات الذكاء الاصطناعي على أي نحو، فمن المرجح أنك صادفت عبارتين تبدوان متداخلتين: *الذكاء الاصطناعي التوليدي* و*الذكاء الاصطناعي الفاعل*. فالتقارير الصادرة عن كبرى المؤسسات البحثية، بما في ذلك مدونة المطوّرين في NVIDIA، والغرفة الإخبارية في OpenAI، ومدونة مايكروسوفت للذكاء الاصطناعي، تتعامل بشكل متزايد مع هاتين العبارتين باعتبارهما محطّتين متميزتين. ومع ذلك، فإن الحدود بينهما قد تبدو ضبابية بالنسبة للممارسين.

الذكاء الاصطناعي التوليدي يُنتج محتوى — نصًا، أو صورًا، أو كودًا، أو صوتًا — استنادًا إلى أنماط تعلّمها من بيانات التدريب. أما الذكاء الاصطناعي الفاعل، فهو على النقيض من ذلك، لا يكتفي بإنتاج إجابة؛ بل يتخذ إجراءات. فهو يخطّط، ويستخدم أدوات، ويفكّك الهدف إلى خطوات، ويستدعي واجهات برمجة تطبيقات خارجية، ويكرّر العملية حتى يكتمل الهدف. يشرح هذا المقال الفرق بينهما، ويبيّن لك كيفية إعداد بيئة عمل لكليهما، ويستعرض أمثلة عملية حتى تتمكن من رؤية التحوّل من "إنشاء المحتوى" إلى "الفعل المستقل" في الطرفية الخاصة بك.

---

من التوليد إلى الفعل

الذكاء الاصطناعي التوليدي هو ما واجهه معظم الناس أولًا. اطلب من نموذج لغة كبير (LLM) كتابة ملخص، أو صياغة بريد إلكتروني، أو إنشاء سكربت بايثون، وسيُنتج سلسلة من الرموز المترابطة إحصائيًا. النموذج هو محرك محتوى. يستجيب للاستفسار ويتوقف عند ذلك. وكل ما بعد ذلك — نسخ الإجابة، ولصقها في نظام، وتنفيذ الكود — يقع على عاتقك.

الذكاء الاصطناعي الفاعل يقلب هذه العلاقة. فبدلًا من أن يتصرف الإنسان بناءً على مخرجات الآلة، تتصرّف الآلة بناءً على نيّة الإنسان. يتلقى النظام الفاعل هدفًا عالي المستوى، مثل "حلّل بيانات مبيعاتنا وأرسل لي ملخصًا أسبوعيًا عبر البريد الإلكتروني". ثم يقرر الأدوات التي سيستخدمها، ويسترجع البيانات، ويجري التحليل، ويكتب الملخص، ويرسل البريد الإلكتروني — وكل ذلك بأقل قدر من التدخل البشري.

تصف الصفحة الإخبارية لـ Anthropic وإعلانات OpenAI تقدمًا مطردًا في هذا الاتجاه: نماذج يمكنها استخدام الأدوات، واستدعاء الدوال، وربط خطوات متعددة معًا. يصبح النموذج أقل شبَهًا بآلة كاتبة وأكثر شبَهًا بزميل يعرف كيف يفوّض المهام، ويتحقق من النتائج، ويغيّر المسار عندما يفشل نهج معيّن. وكما لاحظت مدونة مايكروسوفت للذكاء الاصطناعي، فإن هذا ينقل الذكاء الاصطناعي من تقديم الاقتراحات إلى تنفيذ سير العمل.

يمكن تلخيص التمييز الأساسي على النحو التالي:

• **الذكاء الاصطناعي التوليدي** يجيب على سؤال *"ماذا يجب أن أقول؟"*
• **الذكاء الاصطناعي الفاعل** يجيب على سؤال *"ماذا يجب أن أفعل؟"* — ثم يقوم بذلك فعليًا.

يعتمد كلاهما على نفس النماذج الأساسية القائمة على المحوّلات (Transformers). يكمن الاختلاف في البنية المعمارية والأدوات وتدفّق التحكم.

---

المتطلبات

لمتابعة التثبيت والأمثلة الواردة في هذا المقال، ستحتاج إلى:

• **Python 3.10 أو أحدث** (يُفضَّل تثبيته في بيئة افتراضية)
• **`pip`** لتثبيت الحزم
• **مفتاح OpenAI API** (أو مزوّد نماذج لغوية كبير بديل مثل Anthropic أو نموذج محلي عبر Ollama)
• **اتصال بالإنترنت** لتنزيل الحزم واستدعاء واجهات البرمجة
• **إلمام أساسي بسطر الأوامر**

تستخدم الأمثلة أدناه OpenAI Python SDK وإطار عمل LangChain. وسنستخدم أيضًا `requests` لاستدعاء أداة بسيط عبر HTTP. إذا كان Python مثبتًا لديك بالفعل، يمكنك التحقق من الإصدار باستخدام:

python --version

إذا كان هذا الأمر يُرجع رقم إصدار أقل من 3.10، أو إذا أظهر خطأً، فثبّت إصدارًا حاليًا من Python من الموقع الرسمي قبل المتابعة.

---

التثبيت خطوة بخطوة

1. إنشاء بيئة افتراضية

البيئة الافتراضية تحافظ على عزل التبعيات عن Python الخاص بالنظام. وهذا يمنع تعارضات الإصدارات بين المشاريع.

python -m venv agentic_env

بعد تشغيل هذا الأمر، سيتم إنشاء مجلد جديد باسم `agentic_env` في المجلد الحالي.

2. تفعيل البيئة الافتراضية

يغيّر التفعيل مسار الصدفة بحيث يشير `python` و `pip` إلى الإصدارات المحلية الخاصة بالبيئة.

على Linux أو macOS:

source agentic_env/bin/activate

على Windows (موجه الأوامر أو PowerShell):

agentic_env\Scripts\activate

يجب أن يظهر الآن `(agentic_env)` كبادئة في الموجه.

3. تثبيت حزم Python المطلوبة

سنثبّت OpenAI SDK وحزم تكامل LangChain وبعض الأدوات المساعدة.

pip install openai langchain langchain-openai langchain-community python-dotenv requests

إليك ما توفّره كل حزمة:

• `openai` – SDK الرسمي لاستدعاء نماذج OpenAI.
• `langchain` – إطار عمل لبناء السلاسل وسير عمل الذكاء الاصطناعي الفاعل.
• `langchain-openai` – أدوات تكامل OpenAI الخاصة بـ LangChain.
• `langchain-community` – أدوات وأغلفة مساهَم بها من المجتمع.
• `python-dotenv` – تحميل مفاتيح API من ملف `.env`.
• `requests` – إجراء استدعاءات HTTP لمثال الأداة لدينا.

4. تعيين مفتاح API الخاص بك

أنشئ ملفًا باسم `.env` في نفس المجلد. يمنعك ملف `.env` من تضمين الأسرار في نصوصك البرمجية.

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

استبدل `your-key-here` بمفتاح OpenAI API الفعلي الخاص بك. إذا كنت تستخدم مزوّدًا مختلفًا، فاضبط اسم المتغير وأسماء النماذج في الأمثلة أدناه.

5. التحقق من التثبيت

قم بتشغيل اختبار استيراد سريع للتأكد من أن جميع الحزم متاحة.

python -c "import openai, langchain; print('OK')"

إذا ظهرت لك `OK`، فهذا يعني أن البيئة جاهزة.

---

أمثلة الاستخدام

سنكتب الآن سكربتين توضيحيين يبرزان التباين بين الذكاء الاصطناعي التوليدي والفاعل. السكربت الأول توليدي بحت: يطلب محتوى ويطبعه. أما السكربت الثاني فيبني وكيلًا بسيطًا ينفّذ مهمة عبر استدعاء أداة.

مثال 1: الذكاء الاصطناعي التوليدي — إنشاء محتوى فقط

أنشئ ملفًا باسم `generate.py`:

from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

client = OpenAI()

prompt = "Write a concise, professional one-paragraph summary of the benefits of using AI-powered developer tools."

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "You are a technical writer."},
        {"role": "user", "content": prompt},
    ],
    max_tokens=300,
)

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

قم بتشغيل السكربت:

python generate.py

يرسل البرنامج رسالة المستخدم إلى النموذج، ويستلم نصًا في الاستجابة، ويطبعه. هذا كل شيء. لا يمتلك السكربت ذاكرة تتجاوز الرسائل المضمّنة في الطلب. ولا يوجد إجراء لاحق. المخرجات ثابتة. إذا أردت استخدام النص المُولَّد في تطبيق آخر، فعليك نسخه أو كتابة كود إضافي للتعامل معه. هذا هو الذكاء الاصطناعي التوليدي الكلاسيكي: استفسار كمدخل، وإكمال كمخرج، وجسر بشري بينهما.

مثال 2: الذكاء الاصطناعي الفاعل — التخطيط واستخدام الأدوات والفعل المستقل

الآن سنبني وكيلًا بسيطًا. يستقبل الوكيل هدفًا، ويقرر أي أداة يجب استدعاؤها، ويقرأ نتيجة الأداة، وينتج إجابة نهائية. ولإبقاء المثال خاليًا من التبعيات، سنستخدم أداة حاسبة بسيطة معرّفة كدالة بايثون.

أنشئ ملفًا باسم `agent.py`:

import json
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, ToolMessage
from langchain_core.tools import tool

load_dotenv()

# Define a tool the agent can call.
@tool
def multiply(a: int, b: int) -> int:
    """Multiply two integers and return the product."""
    return a * b

# Define a second tool.
@tool
def add(a: int, b: int) -> int:
    """Add two integers and return the sum."""
    return a + b

# Register both tools with the model.
tools = [multiply, add]

model = ChatOpenAI(model="gpt-4o-mini")
model_with_tools = model.bind_tools(tools)

# The goal: perform a small arithmetic calculation.
messages = [
    HumanMessage(content="What is 7 multiplied by 8, plus 9? Use the tools when appropriate.")
]

# Step 1: Ask the model what to do.
response = model_with_tools.invoke(messages)

# Step 2: If the model requested tool calls, execute them.
if response.tool_calls:
    for tool_call in response.tool_calls:
        selected_tool = {"multiply": multiply, "add": add}[tool_call["name"]]
        result = selected_tool.invoke(tool_call["args"])
        # Append the tool output to the conversation history.
        messages.append(ToolMessage(content=str(result), tool_call_id=tool_call["id"]))
    # Step 3: Ask the model again, now with tool results in hand.
    final_response = model_with_tools.invoke(messages)
    print(final_response.content)
else:
    print(response.content)

قم بتشغيل الوكيل:

python agent.py

المخرجات المتوقعة تكون شيئًا مثل:

65

أو، إذا اختار النموذج أن يشرح:

7 multiplied by 8 is 56, and adding 9 gives 65.

الأهم من الإجابة المحددة هو سير العمل. لم يكتفِ الوكيل بتوليد نص في تمريرة واحدة. بل استقبل هدفًا، وأصدر طلبًا منظمًا لاستدعاء `multiply(7, 8)`، وتلقى النتيجة (`56`)، ثم استدعى `add(56, 9)` (أو ببساطة احتسب المجموع باستخدام القيمة المعادة)، وتلقى `65`، وأخيرًا صاغ إجابة بلغة طبيعية. عمل النموذج كوحدة تحكم قررت ما يجب فعله، ونفذته فعليًا، وتحققت من النتيجة.

إذا كان استدعاء الأداة قد فشل أو أعاد قيمة غير متوقعة، لكان بإمكان الوكيل التعامل مع ذلك عبر استدعاء أداة أخرى أو طلب توضيح. تلك الحلقة المغلقة — *فعل، ملاحظة، استمرار* — هي جوهر السلوك الفاعل.

توسيع الوكيل ليشمل واجهات برمجة تطبيقات خارجية

يعمل النمط نفسه مع واجهات برمجة تطبيقات الويب. على سبيل المثال، يمكنك تعريف أداة تستدعي واجهة برمجة تطبيقات للطقس أو استعلام قاعدة بيانات. سيقوم الوكيل باستدعاء دالة الأداة، وستقوم الدالة بإجراء طلب HTTP باستخدام `requests`، وسيتم إرجاع النتيجة إلى النموذج. النظام الفاعل المبني بهذه الطريقة يمكنه التفاعل بشكل حقيقي مع العالم الخارجي: حجز المواعيد، وتحديث جداول البيانات، وتشغيل خطوط CI/CD، أو إرسال الرسائل.

إليك هيكلًا أساسيًا لأداة تعتمد على HTTP:

import requests
from langchain_core.tools import tool

@tool
def fetch_article_snippet(url: str) -> str:
    """Fetch a plain-text snippet from a given URL."""
    response = requests.get(url, timeout=10)
    response.raise_for_status()
    return response.text[:500]

استبدل أداتي `multiply` و `add` في سكربت الوكيل بـ `fetch_article_snippet`، وسيتمكن الوكيل من تصفح الويب وفقًا لتعليماتك.

---

متى تستخدم كل نهج

الذكاء الاصطناعي التوليدي فعّال عندما يكون المطلوب هو المحتوى نفسه. استخدمه في الصياغة، والتلخيص، والترجمة، وإكمال الكود، والكتابة الإبداعية. إنه سريع وغير مكلف ويمكن التنبؤ به. يبقى عبء دمج المخرجات في عملية أكبر على عاتقك.

يتألق الذكاء الاصطناعي الفاعل عندما يكون المطلوب هو مهمة مكتملة. استخدمه عندما يتضمن العمل خطوات متعددة أو مصادر بيانات خارجية أو نقاط قرار. تشمل المرشحات الشائعة:

• مساعدو البحث الذين يجمعون المعلومات من صفحات متعددة ويولّفونها.
• وكلاء هندسة البرمجيات الذين يقرؤون مستودعًا، ويعدّلون الملفات، ويشغّلون الاختبارات.
• وكلاء العمليات الذين يراقبون السجلات، ويكتشفون الحالات الشاذة، ويطلقون إجراءات المعالجة.
• المساعدون الشخصيون الذين يديرون التقويم والبريد الإلكتروني والتذكيرات.

تكلفة الأنظمة الفاعلة هي تعقيد أعلى. يجب عليك تعريف واجهة الأداة، والتعامل مع الأخطاء، وتحديد عدد مرات التكرار لمنع السلوك الجامح، ووضع ضمانات حول الإجراءات التي لها تأثيرات جانبية غير قابلة للتراجع. الاستدعاء التوليدي البحت يكتب نصًا؛ أما الوكيل فقد يحذف صفًا من قاعدة بيانات إذا سمحت له بذلك. أضف الأذونات ونقاط التحقق البشرية في الحلقة وفقًا لذلك.

كما أكد كل من المسار العام لمنتجات OpenAI ومدونة مايكروسوفت للذكاء الاصطناعي، فإن الصناعة تتجه نحو أنظمة تُدمج فيها النماذج في سير العمل بدلًا من استخدامها كنقاط نهاية محادثة معزولة. تصف موارد المطورين في NVIDIA النمط نفسه: النماذج تتصرف بشكل متزايد نيابةً عن المستخدمين، وتعمل عبر بيئات مختلفة مع تفكيرها الخاص واسترجاعها للأدوات. البنية التحتية ما تزال ناضجة، لكن الاتجاه واضح.

---

الطريق إلى الأمام

الخط الفاصل بين الذكاء الاصطناعي التوليدي والفاعل ليس جدارًا. الوكلاء الحديثون مبنيون على نماذج توليدية، والنماذج التوليدية غالبًا ما تُستخدم كمكوّنات داخل الوكلاء. التحوّل العملي هو تحوّل في تركيز التصميم:

• **الذكاء الاصطناعي التوليدي يحسّن جودة تدفق رموز المخرجات.**
• **الذكاء الاصطناعي الفاعل يحسّن نجاح تنفيذ المهمة بأكملها.**

النظام الفاعل يعامل كل مخرج نصي كخطوة وسيطة. يسأل: "بالنظر إلى هذه النتيجة، ماذا يجب أن أفعل بعد ذلك؟" تفكير النموذج هو المنسّق؛ والأدوات هي يداه؛ والملاحظة هي عيناه؛ وتعليماتك هي التي تحدّد المهمة.

بالنسبة للمطورين، الخلاصة المباشرة عملية. إذا كنت تستخدم حاليًا نموذج لغة كبير لتوليد الكود، ففكّر فيما إذا كان ينبغي للنموذج أن يصدر الكود فقط أم أن ينفّذه بالفعل ضد مجموعة اختبارات، ويقرأ رسائل الخطأ، ويكرّر حتى تنجح الاختبارات. إذا كنت تستخدم نموذج لغة كبير لصياغة تقارير الحالة، ففكّر فيما إذا كان ينبغي له أيضًا جمع البيانات، وإنشاء الرسم البياني، وإرسال البريد الإلكتروني.

الأمثلة في هذا المقال صغيرة عمدًا، لكنها توضح العملية المعرفية المكوّنة من خطوتين والتي تفصل chatbot عن وكيل: *قرر ما الذي ستستدعيه*، ثم *استدعه*. وبمجرد إضافة أدوات أكثر تطورًا، وذاكرة، وسياسات تنفيذ محروسة، فإن البنية نفسها تتوسع لتناسب المهام التشغيلية الحقيقية.

ابدأ بالتوليد. ثم لفّه في الفعل. هذا هو أقصر طريق من إنشاء المحتوى إلى الفعل المستقل.

---

الخاتمة

يمثل الذكاء الاصطناعي التوليدي والفاعل مرحلتين من نفس التقنية. الأولى تنتج محتوى متطورًا استجابةً لاستفسار. والثانية تحوّل الاستفسارات إلى مشاريع، والمشاريع إلى خطط، والخطط إلى إجراءات منفذة. من خلال إعداد بيئة Python، وتثبيت OpenAI SDK و LangChain، والاطلاع على المثالين أعلاه، تكون قد شاهدت النموذجين في أبسط صورهما: استدعاء نموذج واحد، وحلقة متعددة الخطوات مع استخدام الأدوات.

الأنظمة الأكثر إنتاجية في السنوات القادمة ستجمع على الأرجح بين النهجين — باستخدام النماذج التوليدية لطلاقتها وإبداعها، ودعمها ببنى معمارية فاعلة تخطّط وتعمل وتتكيف. وأيًا كان الجانب الذي تبدأ منه، فإن الهدف هو نفسه: نقل الآلة من مولّد كلمات إلى شريك في إنجاز الأمور.