ai-agent-book/book-ar/afterword.ar.md

# الخاتمة: العودة إلى الصيغة: Agent = LLM + السياق + الأدوات {.unnumbered}

طرح هذا الكتاب في بدايته صيغة أساسية: **Agent = LLM + السياق + الأدوات**. وعلى مدى الفصول العشرة كاملة، دار التناول حول هذه الكلمات الثلاث.

**الفصل الأول** أسس فهمًا ثلاثي المستويات لهذه الصيغة — المستوى التنفيذي، الحدسي، والأكاديمي — وقدم طيف التنظيم من مسارات العمل إلى الوكلاء الذاتيين. ثم استمرت الفصول التالية بالتدريج عبر محور "البناء — التقييم والتطور — التعاون".

- **بناء Agent (الفصول من الثاني إلى السادس).** هندسة السياق تحدّد ما يراه Agent في مهمة واحدة، والذاكرة وقواعد المعرفة تمدّان المعلومات عبر جلسات متعددة؛ والأدوات تحدّد ما يستطيع فعله، وتوليد الشيفرة يمنحه القدرة العليا على إنشاء أدوات وأنظمة جديدة؛ ثم يدفع فصل التفاعل فضاءَي الملاحظة والفعل من التناوب النصّي إلى الصوت والواجهات الرسومية والعالم الفيزيائي.
- **التقييم والتطوّر (الفصول من السابع إلى التاسع).** التقييم يحوّل الأداء إلى إشارات موثوقة، وما بعد التدريب يكتب القدرات عالية الأبعاد في معاملات النموذج، والتطوّر المستمر يحوّل خبرة الإنتاج إلى تحديثات منضبطة للمعرفة أو التعليمات أو البرامج أو المعاملات.
- **التعاون (الفصل العاشر).** التعاون متعدد الوكلاء يغيّر كذلك طريقة تنظيم السياق والأدوات والمسؤولية.

هذه المستويات الثلاثة ليست رفوفًا منفصلة. يعتمد الفصل التاسع على كافة الأسس السابقة: فبدون المسارات وأنظمة المعرفة لا مكان لحفظ الخبرة؛ وبدون القدرة البرمجية لا يمكن لـ Agent تعديل الأدوات والـ Harness؛ وبدون التقييم لا يستطيع النظام معرفة ما إذا كان التعديل تقدمًا أم تراجعًا. ومن هنا يصبح هذا الفصل نقطة الالتقاء والتحول من "كيف نبني Agent" إلى "كيف نجعله يتحسن على المدى الطويل".

## سحابتان مظلمتان {.unnumbered}

في عام 1900، قال اللورد كلفن إن السماء الصافية للفيزياء لا تزال تظللها سحابتان مظلمتان — تحولت إحداهما لاحقًا إلى النظرية النسبية والأخرى إلى ميكانيكا الكم. واليوم، ليست سماء الـ Agent صافية تمامًا أيضًا، وأرى فيها سحابتين مظلمتين.

**السحابة الأولى، هي كيف يتفاعل Agent مع البيئة بشكل تدفقي وفي الوقت الفعلي.** لا تزال معظم الوكلاء اليوم تعمل بنمط "طلب — استجابة" القائم على النوبية (Turn-by-Turn): تتحدث أنت بجملة، فيفكر هو في فقرة كاملة، ثم يخرج النتيجة دفعة واحدة. لكن العالم الحقيقي لا يتوقف لينتظر انتهاء تفكيره — فالحديث قد يُقطع، والمشهد يتغير باستمرار، والبريد يصل بلا انقطاع. يجب أن يكون Agent "الحي" بحق قادرًا على التفكير أثناء الاستماع، والتفكير أثناء الحديث، والقدرة على البدء في التخطيط في منتصف حديثك، واكتشاف "أن هذا البريد ينبغي معالجته" تلقائيًا دون انتظار أمر من أحد. وهناك طريقان نحو هذا الزمن الفعلي يسيران جنبًا إلى جنب: الأول **الفصل بين السرعة والبطء في البنية** — فالزمن الفعلي والذكاء محوران متعامدان تقريبًا يصعب على نموذج واحد الجمع بينهما، مما يدعو لجعل النموذج الأمامي السريع يحافظ على إيقاع الحوار، بينما يتولى النموذج الخلفي البطء التفكير العميق؛ والثاني **تسريع عملية الاستدلال نفسها** — فعندما تصبح سرعة الفك عالية بدرجة كافية، يقل زمن الانتظار حتى يتلاشى تقريبًا. وهذا الطريق يتطور بسرعة بفضل الشرائح ومحركات الاستدلال: فقد دفع Xiaomi MiMo نموذجًا بحجم 1T إلى أكثر من 1000 رمز/ثانية على عقدة 8-GPU واحدة[^mimo]، بينما تدفع الحلول المخصصة التي تقوم بتثبيت النموذج بالكامل على الشريحة (مثل Taalas HC1) نموذجًا بحجم 8 مليارات معامل إلى نحو 17000 رمز/ثانية بزمن استجابة أقل من 100 مللي ثانية[^taalas].

**السحابة الثانية، هي كيف يراكم Agent الخبرات باستمرار من نجاحات وفشل التفاعل مع البيئة تمامًا كالبشر.** تشبه نماذج اليوم عبقريًا مفرط الذاكرة لكنه يعجز عن تعلم أي شيء جديد: يحفظ المعرفة البشرية عن ظهر قلب أثناء التدريب، لكنه يتوقف تقريبًا عن النمو بعد توليه العمل — فمع نهاية كل مهمة، تضيع معظم الدروس والخدع التي اكتشفها مع السياق. ويعتمد كون هذه المسألة مشكلة حقيقية أم لا على فرضيتين متناقضتين.

تسمى الأولى **"فرضية العالم الصغير"**: نموذج كبير بدرجة كافية — بضعة تريليونات من المعاملات مثلًا — يتسع بطبعه لجميع المعارف العامة المهمة في العالم الفيزيائي، والتعلم مرة واحدة يكفي. ويشير أصحاب هذا الرأي (ومنهم باحثون في OpenAI وAnthropic) إلى أن تفوق AI اليوم في البرمجة ليس لأن الشفرة ذات طبيعة خاصة للنموذج، بل لأن البرمجة هي المجال الأكثر انفتاحًا للبشرية: حيث تتوفر شفرات المصادر المفتوحة للتعلم، في حين تفتقر معظم القطاعات إلى البيانات المفتوحة.

لكن **«فرضية العالم الكبير»** تشير إلى طبقة لا يمكن استكمالها بمجرد «التدريب مرة واحدة»: المعرفة الخاصة بمستخدم معين أو شركة معينة. فمعايير الشفرة في شركة بعينها، وتفضيلاتها في إعداد العروض التقديمية، وطباع عميل محدد لا تظهر في أي مادة تدريبية وتتغير باستمرار. وللتكيف مع هذا «العالم الكبير» المكوّن من مواقف محددة لا حصر لها، لا بد للنموذج من مواصلة التعلم بعد دخوله العمل؛ ولا يمكن توقع تجهيزه بكل شيء دفعة واحدة عند خروجه من المصنع. وهذا هو الاتجاه الذي تستكشفه الذاكرة في الفصل الثالث والتطور المستمر في الفصل التاسع: هل تُكتب الخبرة في وثائق معرفة أو تعليمات أو برامج، أم تُنتقى لتحديث معلمات النموذج؟ وإلى جانب ذلك، يدفع كل من «RSI» (التحسين الذاتي العودي) و«AI for Science» الوكلاء إلى حدود لا توجد فيها إجابات جاهزة؛ وهناك لا يمكن للوكيل إلا أن يتعلم ذاتيًا من نجاح التجارب وإخفاقاتها المتكررة بدلًا من الرجوع إلى البشر في كل قرار. ولذلك ستكون أقوى قدرات النموذج في النهاية هي التعلم والتكيف، لا الحفظ.

إن هاتين السحابتين لن تتبددا بمجرد ترقية واحدة للنموذج. ولفهم كيفية تجاوزها في النهاية، يجب أولاً إدراك حقيقة واحدة: **النموذج وAgent ليسا في علاقة من الأعلى إلى الأسفل، بل يسيران معًا إلى الأمام.**

## التطور المشترك للنموذج والـ Harness {.unnumbered}

بالنظر إلى طبقات الحماية والتوجيه المتراكمة في الـ Harness — الضغط متعدد المستويات للسياق، وإعادة المحاولة التي لا تتوقف إلا بعد آلاف الإخفاقات، وتقديرات الصلاحيات المحافظة التي تفترض عدم الأمان افتراضيًا — فإن كل جزء من الشفرة المكتوبة هناك يسجل النقاط التي لا يزال النموذج عاجزًا عن أدائها بثبات في هذه اللحظة. وعندما يدمج الجيل التالي من النماذج هذه القيود داخليًا، يمكن حذف طبقات الشفرة المقابلة؛ وسبب قدرة النموذج على دمجها داخليًا يعود بدقة إلى أن Agent قد خاض هذه الصعاب مسبقًا في الأعمال الحقيقية وحولها إلى إشارات للتدريب التالي. يطرح المستخدمون تحديات حقيقية، فتستخدم طبقة التطبيق Harness لتعويض ما لا يجيده النموذج بعد، ثم تتحول هذه المعالجات بدورها إلى إشارات تدريب للنسخة التالية من النموذج. هذه عجلة ذاتية التعزيز.

وتجيب هذه **العجلة ذاتية التعزيز (Flywheel)** عن السؤال المعلق في الفصل الأول: **هل سيلتهم النموذج Harness في النهاية؟ يرى هذا الكتاب أن الإجابة نعم، ولكن ليس دفعة واحدة: طبقة بعد طبقة، ولن يكتمل هذا الالتقام يومًا.** فكلما دمج النموذج قدرة معينة بثبات، أمكن حذف طبقة Harness المقابلة لها.

وهذا يعني الكثير بالنسبة لك اعتمادًا على الموقع الذي تقف فيه. فإذا كنت تبني نماذج، فإن حصنك هو إدارة هذه العجلة — لنقل التغذية الراجعة من السيناريوهات الحقيقية بسرعة إلى التدريب. وإذا كنت تبني تطبيقات فوق النماذج، فإن Harness هو رافعتك التقنية الأشد فاعلية في المدى القصير، لكن عليك أن تدرك بثبات: كلما دمج النموذج طبقة من القيود، سيمحو دفعة من المزايا التي اعتمدت على Harness فقط. وتكمن الحصون الحقيقية طويلة الأجل للتطبيق عادة خارج التقنية — في البيانات الحصرية، والقنوات الرفيعة، وثقة المستخدم، وآثار الشبكة، وسيناريوهات العالم المادي التي تتطلب تعاون الإنسان والـ Agent.

لذا، لا داعي للقلق بشأن ما إذا كانت أطرك الحالية ستصبح قادمة من الماضي. فالنماذج تتطور كل بضعة أشهر، والواجهات والأجهزة ستتغير، لكن الأسئلة الثلاثة: "ماذا يرى، ماذا يمكنه أن يفعل، وكيف نتحقق من صحة ما يفعل" لن تتجاوزها الأيام — فهي لا تصف طريقة استخدام نموذج معين، بل تصف الطريقة الأساسية لتفاعل نظام ذكي مع العالم. وإذا أتقنتها، فستعرف أين تضع أي قدرة جديدة يأتي بها الجيل القادم من النماذج في الصيغة الأساسية، وستدرك بلمحة كم يبعد عن تبديد هاتين السحابتين.

لا تزال تقنية Agent تتطور بسرعة فائقة، ولا يمكن لكتاب واحد التنبؤ بكل التغيرات. ولكن إذا كان هذا الكتاب قد منحك ليس مجرد استخدام واجهة معينة، بل قدرة على التفكير بوضوح وسط أمواج التقنية، فقد أدى مهمته. جميع نصوص الكتاب والرسومات وشفرات التجارب هي مصادر مفتوحة، ونرحب بك لتشغيل التجارب بنفسك وتقديم الملاحظات وطلبات التعديل. وأجمل ما في Agent هو قدرته على إبداع قدرات جديدة بل وتحسين نفسه عبر كتابة الشفرة؛ والآن، اذهب وابنِ شيئًا ما.

[^mimo]: نجح Xiaomi MiMo-V2.5-Pro-UltraSpeed عبر تكميم FP4 والاستدلال التخميني المتوازي DFlash وتصميم نظام الاستدلال TileRT في دفع سرعة توليد نموذج بحجم 1T إلى أكثر من 1000 رمز/ثانية لأول مرة على عقدة 8-GPU عامة واحدة. أنظر المدونة التقنية الرسمية لـ Xiaomi MiMo بعنوان "Pushing 1T-Parameter Model Generation Speed to 1000 TPS", 2026. https://mimo.xiaomi.com/blog/mimo-tilert-1000tps

[^taalas]: قام Taalas HC1 بتثبيت نموذج Llama 3.1 8B بالكامل على شريحة 6nm، محققًا سرعة تصل نحو 17000 رمز/ثانية واستجابة أقل من 100 مللي ثانية؛ مقابل التضحية بقصر الشريحة على تشغيل هذا النموذج المحدد فقط. أنظر Karl Freund, “Taalas Launches Hardcore Chip With ‘Insane’ AI Inference Performance,” Forbes, 2026. https://www.forbes.com/sites/karlfreund/2026/02/19/taalas-launches-hardcore-chip-with-insane-ai-inference-performance/