كيف يخطط جيميني لإجازات سياحية مفصلة بهذا الشكل من أجلك

كيف يخطط Gemini لإجازات مفصّلة بهذه الدقة من أجلك

هناك ثورة هادئة تجري في مجال التخطيط للسفر. لم تعد بحاجة إلى فتح أحد عشر تبويبًا في المتصفح، أو مطابقة ساعات فتح المتاحف، أو تقدير زمن القيادة بين المعالم السياحية، أو التخمين فيما إذا كان مطعم الغداء الشهير يقع فعلًا على الطريق إلى الفندق. بدلًا من ذلك، يمكنك وصف رحلة بلغة عادية خلال ثوانٍ، لتحصل على خط سير متماسك، يومًا بيوم. ومن أبرز الأمثلة على هذه القدرة ما تقدّمه Google، إذ يُظهر مساعدها Gemini موهبة شبه خارقة في بناء خطط سفر مفصّلة.

منشور مدونة من Google نُشر في 6 أغسطس 2026 – والمتاح على blog.google/products-and-platforms/products/gemini/how-gemini-plans-trips – يشرح كيف ينجز Gemini هذه المهمة. المنشور نظرة نادرة إلى عملية التفكير الكامنة خلف المنتج، ويعطينا صورة واضحة عن المشكلة التي يحلّها Gemini. سيقوم هذا المقال بثلاثة أمور. أولًا، سيشرح المشكلة الأساسية للتخطيط الآلي لرحلات السفر. ثانيًا، سيحلّل كيفية معالجة Gemini لتلك المشكلة، بالاعتماد فقط على ما يذكره منشور المدونة الرسمي. أخيرًا، سيزوّدك بطريقة عملية تطبيقية لبناء نسخة مبسّطة من هذا المخطّط بنفسك باستخدام Gemini API، مع خطوات التثبيت وأمثلة عمل من التعليمات البرمجية.

هذا ليس إعادة إنتاج للبنية الداخلية لـ Google. بل هو تمرين هندسي: سكربت صغير يستخدم الواجهة العامة نفسها لإعادة إنتاج السلوك الأساسي — أخذ تفضيلات المستخدم، وإنتاج خط سير منظّم، والتحقق منه بما يكفي ليكون مفيدًا.

مشكلة تخطيط الرحلات

لماذا يجد الكمبيوتر صعوبة في تخطيط إجازة سفر من البداية؟ لأن خط السير الجيد ليس قائمة بالأماكن. إنه حل لمجموعة من القيود المتفاعلة.

تخيّل أنك تريد قضاء ثلاثة أيام في باريس. قد تتضمن قيودك:

• قيود زمنية: متحف اللوفر مغلق أيام الثلاثاء. زيارة برج إيفل عند الغروب رائعة، لكن طابور الانتظار يستغرق ساعتين. يجب أن يكون الغداء بين الساعة 12:00 و14:00.
• قيود مكانية: لا يمكنك أن تكون في مونمارتر عند الساعة 10:00 وفي الحي اللاتيني عند الساعة 10:30. أوقات التنقّل مهمة.
• قيود تفضيلية: أنت تحب الفن، وتكره الزحام، وتريد تجربة مخبز معيّن.
• قيود تسلسلية: تذوّق النبيذ يكون أكثر متعة قبل نزهة طويلة، وليس بعدها.

الخوارزمية الساذجة قد تكتفي بضمّ قائمة من المعالم الشهيرة. النتيجة ستكون قائمة مسطّحة تتجاهل الواقع: فـ"يومك الأول" قد يضع متحفًا في الطرف الآخر من المدينة بعد حفلة موسيقية مباشرة، مما يرغمك على ركض محموم في المترو.

التحدي إذن هو شكل من أشكال تلبية القيود (Constraint Satisfaction). البشر يجيدون ذلك لأننا نفكّر لا شعوريًا في الوقت والمسافة والتعب. أما البرمجيات التقليدية فكانت سيئة في ذلك، لأن هذه القيود تُعبَّر بلغة طبيعية غامضة.

وهنا تحديدًا يأتي دور Gemini.

كيف يعالج Gemini المشكلة

وفقًا لمنشور مدونة Google، فإن قدرة Gemini على تخطيط الرحلات ليست نتيجة استعلام واحد متجانس. بدلًا من ذلك، صُمم النظام ليحاكي التفكير المنظّم لدى وكيل سفر بشري. يسلّط المنشور الضوء على بعض السلوكيات الرئيسية.

أولًا، يفكّك Gemini طلب المستخدم غير المقيّد إلى أهداف فرعية. إذا قلت "خطط لرحلة إلى كيوتو لمدة 4 أيام لشخصين، مهتمين بالمعابد وأكل الشارع، ومن دون تسرّع"، فإن النظام لا يحاول حلّ ذلك في خطوة واحدة. بل يجزّئ المشكلة إلى مكوّنات: عدد الأيام، وإيقاع السفر، وفئة المعالم، والقيود المكانية، وتفضيلات الوجبات.

ثانيًا، يفكّر النظام في الوقت بشكل صريح. خط السير المفصّل هو في الأساس جدول مواعيد، والجداول تتطلب نموذجًا للوقت. يصف منشور المدونة كيف يقيّم Gemini ما إذا كانت الأنشطة تتناسب مع الوقت المتاح، وكيف يتحقق من التعارضات، مثل يوم الإغلاق أو حدث يتداخل مع آخر. وهذا هو النوع نفسه من التفكير الذي يقوم به الإنسان عندما يقول "لا، المتحف مغلق، لنبدّل الاثنين والثلاثاء."

ثالثًا، يقوم النظام بنوع من النقد والتنقيح. في البنية الموصوفة، يتم توليد خطة، ثم مراجعتها، ثم تعديلها. هذا يشبه حلقة "خطّط، انتقد، حسّن". قد يلاحظ الناقد أن مكان الغداء المقترح يبعد 45 دقيقة عن مسار فترة ما بعد الظهر، أو أن اليوم يحتوي على أنشطة كثيرة تتطلب المشي على التوالي. بعدها يعدّل المخطّط خط السير لحلّ هذه المشكلات.

النتيجة هي خط سير يبدو وكأنه أُعدّ بواسطة إنسان دقيق، بتدفّق منطقي، وتوقيت واقعي، واهتمام بالتفضيلات الشخصية. يشير منشور المدونة إلى هذا باسم التخطيط "المفصّل" — وهو مصطلح تقني مفيد. لا يتعلق الأمر بسرد المزيد من الوجهات، بل بنسجها معًا في تسلسل متماسك.

فارق مهم: منشور المدونة هو إعلان عن منتج، وليس ورقة تقنية كاملة. فهو يصف السلوك والبنية عالية المستوى، لكنه لا يكشف أوزان النموذج، ولا بيانات التدريب، ولا كل وحدة داخلية. لذلك، فإن الدليل العملي أدناه هو إعادة إنشاء معقولة للسلوك باستخدام Gemini API العام، وليس انعكاسًا لنظام Google الداخلي بالضبط.

نسخة عملية يمكنك بناؤها بنفسك

الآن لنحوّل النظرية إلى تطبيق عملي. سنبني سكربت "مخطّط رحلات" صغيرًا لكنه وظيفي بلغة Python. سيقوم بما يلي:

1. قبول وصف رحلة من المستخدم (المدينة، عدد الأيام، الاهتمامات).
2. إرسال هذا الوصف إلى Gemini API، مع تعليمات النموذج بإرجاع خط سير بصيغة JSON منظمة.
3. تحليل JSON، والتحقق منه، وعرض خطة منسّقة يومًا بيوم.

يوضح هذا السكربت الأفكار الأساسية من منشور المدونة: التقسيم إلى أيام، وفترات زمنية صريحة، وبنية JSON لقراءة آلة لها. إنها نسخة مبسّطة مما قد يراه المستهلك في تطبيق Gemini، لكنها تُظهر النمط الهندسي.

المتطلبات

قبل أن نبدأ، ستحتاج إلى:

• Python 3.9 أو أحدث مثبتًا على جهازك.
• مفتاح Google AI API. يمكنك الحصول عليه من Google AI Studio (الخطة المجانية كافية للاختبار).
• اتصال بالإنترنت لاستدعاء الواجهة.
• حزمة Google AI SDK للغة Python (google-generativeai). سنثبّتها في القسم التالي.

لست بحاجة إلى جهاز كمبيوتر قوي؛ فالحوسبة الثقيلة تتم على خوادم Google.

التثبيت خطوة بخطوة

أولًا، أنشئ دليل عمل نظيفًا وبيئة افتراضية. البيئة الافتراضية تحافظ على عزل تبعيات مشروعك عن بقية نظامك.

mkdir gemini-trip-planner
cd gemini-trip-planner

الآن أنشئ البيئة الافتراضية:

python3 -m venv venv

فعّلها. على macOS وLinux، شغّل:

source venv/bin/activate

على Windows، شغّل:

venv\Scripts\activate

بعد ذلك، ثبّت Google AI SDK:

pip install google-generativeai

الآن عيّن مفتاح API الخاص بك كمتغير بيئة. هذا أكثر أمانًا من تضمين المفتاح في السكربت. استبدل YOUR_API_KEY بمفتاحك الفعلي:

export GOOGLE_API_KEY="YOUR_API_KEY"

على Windows PowerShell، استخدم هذا:

$env:GOOGLE_API_KEY="YOUR_API_KEY"

أمثلة الاستخدام

الآن سنكتب السكربت الرئيسي. أنشئ ملفًا باسم planner.py:

touch planner.py

افتحه في محرّر النصوص المفضّل لديك والصق الكود التالي. يرسل هذا السكربت موجهًا منظمًا إلى Gemini ويطلب مخرجات JSON — وهو نمط بالغ الأهمية لبناء أنظمة آلية موثوقة، لأن المخرجات المنظمة أسهل في التحليل بكثير من النثر الحر.

import os
import json
import google.generativeai as genai

# Configure the SDK with the API key from the environment
genai.configure(api_key=os.environ["GOOGLE_API_KEY"])

# Use the model name available in your region; examples include
# "gemini-2.0-flash" and "gemini-2.0-pro"
MODEL_NAME = "gemini-2.0-flash"
model = genai.GenerativeModel(MODEL_NAME)

# The prompt structure prompts the model to decompose the trip into days
# and use explicit time slots, mirroring the planning behavior described
# in the Google blog post.
TRIP_PROMPT_TEMPLATE = """
You are an expert travel planner. Create a detailed daily itinerary for a trip.

User request: {user_request}

Return your answer in JSON format with this exact structure:
{{
  "trip": {{
    "city": "string",
    "days": [
      {{
        "day_number": 1,
        "date": "Day 1",
        "activities": [
          {{
            "time": "09:00",
            "activity": "string",
            "location": "string",
            "reason": "string"
          }}
        ]
      }}
    ]
  }}
}}

Rules:
- Each day must have 3 to 6 activities.
- Use realistic opening hours and logical geographic grouping.
- Include travel time between locations in the "reason" field.
- Do not invent closed days; if uncertain, mention it in the reason.
"""

def build_prompt(user_request: str) -> str:
    return TRIP_PROMPT_TEMPLATE.format(user_request=user_request)

def parse_itinerary(response_text: str) -> dict:
    # The model may wrap JSON in markdown code fences; strip them.
    text = response_text.strip()
    if text.startswith("```"):
        text = text.split("```", 2)[1]
        if text.startswith("json"):
            text = text[4:].strip()
    return json.loads(text)

def print_itinerary(itinerary: dict) -> None:
    trip = itinerary["trip"]
    print(f"City: {trip['city']}")
    for day in trip["days"]:
        print(f"\n{day['date']} (Day {day['day_number']})")
        for act in day["activities"]:
            print(f"  {act['time']} - {act['activity']}")
            print(f"    Location: {act['location']}")
            print(f"    Why: {act['reason']}")

def main() -> None:
    user_request = (
        "Plan a 3-day trip to Kyoto for two people. "
        "Interests: temples, street food, and gardens. "
        "We prefer a relaxed pace and want to try local coffee."
    )
    prompt = build_prompt(user_request)

    response = model.generate_content(
        prompt,
        generation_config=genai.types.GenerationConfig(
            temperature=0.4,
            response_mime_type="application/json"
        ),
    )

    itinerary = parse_itinerary(response.text)
    print_itinerary(itinerary)

if __name__ == "__main__":
    main()

قبل تشغيله، دعنا نتفحّص ما يفعله هذا السكربت في كل خطوة.

السطر genai.configure(api_key=os.environ["GOOGLE_API_KEY"]) يقرأ المفتاح من متغير البيئة الذي عيّناه سابقًا. السلسلة MODEL_NAME تُستخدم لاختيار نموذج Gemini؛ ويعتمد الاسم الدقيق على تشكيلة الواجهة الحالية في منطقتك. المتغير معرّف في أعلى الملف تحديدًا ليتمكن من تغييره بسهولة.

دالة build_prompt تُدخل طلب المستخدم في قالب مفصّل. يطلب القالب JSON بمخطط محدد، وهي أهم تقنية في هذا المقال: بإجبار المخرجات على اتخاذ بنية ثابتة، نجعل الاستجابة قابلة للحساب برمجيًا. القواعد الواردة في الموجه ("3 إلى 6 أنشطة في اليوم"، "ساعات فتح واقعية") هي طريقتنا لحقن سلوك تلبية القيود الموصوف في منشور مدونة Google. يستخدم النموذج معرفته بساعات الفتح والجغرافيا — المكتسبة أثناء التدريب — لتلبية تلك القيود.

دالة parse_itinerary تنظّف الاستجابة. أحيانًا يعيد Gemini JSON ملفوفًا داخل علامات Markdown للكود، لذا تزيل الدالة هذه العلامات قبل التحليل. ثم تنسّق دالة print_itinerary محتوى JSON في خط سير نصي مقروء.

الآن شغّل السكربت:

python planner.py

يجب أن ترى مخرجات مشابهة لهذا (ستختلف التفاصيل الدقيقة):

City: Kyoto

Day 1 (Day 1)
  09:00 - Visit Fushimi Inari Taisha
    Location: Fukakusa Yabunouchicho, Fushimi Ward
    Why: Early arrival avoids the crowds and the hike is cooler in the morning.
  12:30 - Lunch at Nishiki Market
    Location: Nishikikoji, Nakagyo Ward
    Why: Street food stalls open by midday; short train ride from Fushimi.
  ...

لاحظ ما الذي لا يفعله السكربت. إنه لا يتحقق من أن خط السير المولّد دقيق في الوقت الفعلي. إذا غيّر متحف ساعاته أمس، فقد لا يعرف النموذج ذلك. هذا قيد في هذا الأسلوب، ولهذا السبب، في منتج Google، يقترن المخطّط غالبًا بمصادر بيانات مباشرة. لكن كنقطة بداية، يوضح السكربت النمط الأساسي: التخطيط المقسّم، والمخرجات المنظمة، والتفكير الزمني الصريح.

لنجعل السكربت أكثر تفاعلية. عدّل دالة main بحيث تقبل وسيطًا من سطر الأوامر بدلًا من طلب مكتوب:

python planner.py "Plan a 2-day trip to Rome for a vegetarian couple. Include art and food."

لدعم ذلك، حدّث main ليقرأ sys.argv:

import sys

def main() -> None:
    if len(sys.argv) > 1:
        user_request = " ".join(sys.argv[1:])
    else:
        user_request = (
            "Plan a 3-day trip to Kyoto for two people. "
            "Interests: temples, street food, and gardens. "
            "We prefer a relaxed pace and want to try local coffee."
        )
    # ... rest unchanged

وهكذا تحصل على مخطّط رحلات قابل لإعادة الاستخدام عبر سطر الأوامر. يمكنك تمرير مخرجاته إلى أدوات أخرى أو حفظه في ملف:

python planner.py "Plan a 4-day Iceland road trip in September with two hikes per day" > itinerary.json

إذا كنت تفضل اختبار الواجهة مباشرةً دون Python، يمكنك استخدام curl. هذا مفيد لتصحيح الموجه قبل بناء تطبيق كامل. أولًا، أنشئ ملف طلب JSON:

cat > request.json <<EOF
{
  "contents": [{
    "parts": [{
      "text": "Plan a 1-day itinerary in Lisbon. JSON format with time, activity, location, reason."
    }]
  }],
  "generationConfig": {
    "response_mime_type": "application/json"
  }
}
EOF

ثم أرسله إلى الواجهة:

curl -X POST \
  -H "Content-Type: application/json" \
  -H "x-goog-api-key: $GOOGLE_API_KEY" \
  -d @request.json \
  "https://generativelanguage.googleapis.com/v1beta/models/YOUR_MODEL_NAME:generateContent"

استبدل YOUR_MODEL_NAME بمعرّف النموذج الصحيح لمنطقتك، على سبيل المثال gemini-2.0-flash. يتيح لك هذا الاستدعاء الخام للواجهة نظرة مباشرة على JSON الذي يعيده النموذج، وهو أمر مفيد غالبًا عند تحسين الموجه.

ما الذي يجعل خط السير "مفصّلًا"؟

بالعودة إلى منشور مدونة Google، فإن كلمة "مفصّل" محورية. خط السير المفصّل، في هذا السياق، ليس خط سير أطول. إنه خط سير يحلّ الأنواع التي ناقشناها سابقًا من القيود. يسلّط المنشور الضوء على أن Gemini يتحقق من قابلية تنفيذ الخطة: هل الأوقات واقعية؟ هل المواقع مجموعة بمنطق؟ هل الأيام متوازنة؟

يمكنك رؤية ذلك في مخرجات سكربتنا. النموذج لا يكتفي بسرد المعالم؛ بل يقدّم "سببًا" لكل نشاط. وغالبًا ما ترمّز هذه الأسباب تفكيرًا في القيود. على سبيل المثال:

• "البدء هنا عند الساعة 09:00 يتجنّب زحام منتصف النهار."
• "هذا المتحف على بُعد 10 دقائق سيرًا من المحطة السابقة."
• "هذا المطعم مغلق أيام الاثنين، لذا نُقل إلى الثلاثاء."

هذا جوهر الأسلوب. لقد تعلّم نموذج اللغة التفكير في مثل هذه القيود من كميات هائلة من النصوص البشرية، والموجه المنظّم يفرض عليه إظهار ذلك التفكير بطريقة مقروءة آليًا.

القيود والاستخدام المسؤول

من المهم أن نكون صريحين بشأن حدود هذه التقنية. يعتمد السكربت الذي بنيناه على الذاكرة البارامترية للنموذج — معرفته الداخلية بساعات الفتح والمواقع وأوقات التنقّل. هذه المعرفة قد تكون ناقصة أو قديمة. يعترف منشور مدونة Google، ضمنيًا، بأن النظام الإنتاجي يذهب أبعد من ذلك، إذ يندمج على الأرجح مع بيانات مباشرة وحلقات تغذية راجعة من المستخدمين. سكربتنا لا يفعل ذلك.

أيضًا، قد يهلوس النموذج. قد يقترح مطعمًا غير موجود، أو معبدًا مغلقًا للترميم. إذا بنيت منتجًا حقيقيًا، يجب أن تضيف طبقة تحقق: تحقق من ساعات الفتح عبر API، وتحقق من العناوين باستخدام خدمة ترميز جغرافي، وقِس أوقات التنقّل باستخدام خدمة توجيه. الموجه هو نقطة البداية، وليس النهاية.

أخيرًا، منشور المدونة هو المصدر الواقعي الوحيد الذي استخدمناه لوصف سلوك Gemini. البنية الداخلية المحددة، وطرق التدريب، وتقنيات التوجيه الدقيقة التي تستخدمها Google ليست علنية بالكامل. كودنا هو تفسير هندسي للسلوك الموثّق، وليس إعادة إنتاج للنظام الداخلي.

الخلاصة

قدرة Gemini على تخطيط إجازات مفصّلة هي شهادة على المدى الذي بلغته نماذج اللغة الكبيرة في التفكير المنظّم. منشور مدونة Google الصادر في 6 أغسطس 2026 يكشف الأفكار الأساسية: تفكيك الطلب، والتفكير في القيود الزمنية والمكانية، وتنقيح الخطة عبر النقد. والنتيجة هي خط سير يبدو بشريًا — لأنه يرمّز التفكير البشري في الجدولة والتفضيل.

لست بحاجة إلى بنية تحتية ضخمة لإعادة إنتاج هذا النمط. كما أظهرنا، يكفي سكربت Python صغير، وموجه مصاغ بعناية، وGemini API لإنتاج خطة يومية متماسكة بشكل مدهش. البنية بسيطة: مخرجات منظمة، وفترات زمنية صريحة، وطلب للأسباب. هذا المزيج هو ما يفصل القائمة عن خط السير.

في المرة القادمة التي تطلب فيها من ذكاء اصطناعي تخطيط رحلة، ستعرف ما يحدث تحت الغطاء. إنه ليس سحرًا. إنه توجيه دقيق، وفك ترميز منظم، ومعرفة عالمية هائلة مدمجة في نموذج قرأ جزءًا كبيرًا من الإنترنت — بما في ذلك، شبه مؤكد، عدد كبير من مدونات السفر. والآن، مع بضعة أسطر من Python، يمكنك أنت أيضًا أن تفعل ذلك.