تقييم وكلاء الذكاء الاصطناعي: 5 طرق لقياس الجودة (2026)

بعد أن تبني وكيل ذكاء اصطناعي، تصطدم دائماً بالجدار نفسه: "حسناً، لكن هل يعمل فعلاً؟" لقد غيّرت المطالبة، وبدّلت النموذج، وأضفت أداة — والآلية التي تقرّر ما إذا كان ذلك قد جعل الأمور أفضل أم أسوأ اعتماداً على البيانات بدل الحدس هي الـ evals (التقييمات).

يمكن لنموذج اللغة الكبير أن ينتج مخرجات مختلفة في كل مرة للمدخل نفسه (فهو احتمالي). لذا فإن الإطلاق بناءً على "يبدو أنه يعمل" يؤدي إلى تراجعات صامتة وإخفاقات في الحالات الطرفية داخل بيئة الإنتاج. يتناول هذا المقال ما هي الـ evals، وخمس طرق لقياس الجودة، والتقييم الخاص بالوكلاء، وكيف تبدأ على نطاق صغير — وهو مكتوب للممارسين.

1. لماذا تحتاج إلى الـ Evals

البرمجيات العادية حتمية: المدخل نفسه يعطي المخرَج نفسه. لهذا يعمل اختبار الوحدة الذي يتحقق من "هل يطابق المخرَج القيمة المتوقعة". أما نموذج اللغة الكبير فهو احتمالي — حتى السؤال نفسه يعود مصاغاً أو مؤطراً بشكل مختلف قليلاً في كل مرة. وبمصطلحات الوكلاء الأذكياء مقابل RPA، فهو ليس "يداً" حتمية بل "دماغاً" احتمالياً، لذا فإن اختبارات المطابقة الدقيقة لا تنجح كما هي.

ثلاثة أنماط من الفشل تظهر عادةً هنا.

الـ evals تمنع الثلاثة دفعة واحدة. حضّر مجموعة بيانات تقييم، وسجّل النقاط للمجموعة كاملةً عند كل تغيير، وقارن النتائج — هذا وحده يحوّل "الحدس" إلى "بيانات" ويجعل التراجعات مرئية. وكلما فوّضت المزيد من الحكم إلى وكيل، أصبحت الـ evals أساس الجودة، جنباً إلى جنب مع حواجز الحماية.

2. ما هي الـ Evals

الـ Evals (التقييمات) = قياس ما إذا كان مخرَج الذكاء الاصطناعي أو سلوك الوكيل يعمل بشكل صحيح ومستقر كما هو متوقع. بلغة البشر، إنه تصحيح أوراق الاختبار. لبِنات البناء بسيطة وتنقسم إلى ثلاثة أجزاء.

الـ evals ليست "ابنِها مرة واحدة وانتهى الأمر" — جوهرها تشغيلها بوصفها اختبار تراجع في كل مرة تغيّر فيها مطالبة أو نموذجاً أو أداة. وكشيفرة الاختبار، هي أصل تنمّيه مع الوقت.

3. خمس طرق لقياس الجودة

هناك خمسة أساليب تسجيل تمثيلية. والقاعدة العملية هي الاختيار بحسب طبيعة المهمة والجمع بين عدة أساليب.

المفتاح هو التدرّج في الطبقات: "قِس آلياً ما يمكن قياسه (① ②)، واستخدم LLM-as-judge للجودة التي لا يمكن قياسها آلياً (③)، وواصل تشغيلها عبر التراجع والإنتاج (④ ⑤)." إن LLM-as-judge (③) عملي، لكن النموذج الحَكَم نفسه متغيّر، لذا اكتب المعيار بوضوح، وعايِره حيثما أمكن مقابل تصحيحات بشرية.

4. تقييم خاص بالوكلاء

لاستجابة واحدة (مدخل واحد ← مخرَج واحد)، تكفي الطرق الخمس أعلاه. لكن وكيل الذكاء الاصطناعي يأخذ خطوات متعددة، ويستدعي الأدوات بنفسه، ويتخذ قرارات في الطريق. لذا يجب أن تقيّم ليس المخرَج النهائي فحسب بل العملية.

مراقبة هذه الأمور تتطلب تتبّعاً (tracing) يسجّل كل خطوة (المدخل، التفكير، استدعاء الأداة، النتيجة). كثير من أطر العمل والأدوات أدناه تأتي بالتتبّع والتقييم معاً. ولإعداد متعدد الوكلاء، احتفظ بتتبّعات هرمية كي تحدّد بدقة أيّ وكيل أخفق.

5. كيف تبدأ — ابنِ على نطاق صغير

لست بحاجة إلى منصة تقييم مثالية من اليوم الأول. البدء بمجموعة بيانات من 20 عنصراً واقعيّ.

6. أخطاء شائعة

• مجموعة بيانات صغيرة جداً / منحرفة جداً: جمع النجاحات فقط يُغفل إخفاقات العالم الحقيقي. اخلط عمداً الإخفاقات والحالات الطرفية.
• الثقة العمياء بـ LLM-as-judge: النموذج الحَكَم أيضاً متغيّر ولديه تحيّزات. اكتب المعيار بوضوح وعايِره دورياً مقابل تصحيحات بشرية. احذر المحاباة الذاتية (النموذج نفسه يكتب مخرجاته ويمتدحها).
• النظر إلى المخرَج النهائي فقط: العملية هي كل شيء للوكلاء. من دون استدعاءات الأدوات والمسار والتكلفة، ستبارك نتيجة "جاءت بالحظ".
• الحكم بناءً على تشغيل واحد: بما أنه احتمالي، فللتقييمات المهمة شغّل عدة مرات وانظر إلى التباين.
• عدم تحديث الـ evals: المواصفات والاستخدام يتغيّران. واصل إضافة إخفاقات الإنتاج الجديدة إلى مجموعة التقييم.

7. أدوات أساسية

يمكنك البدء بسكربتاتك الخاصة، لكن هناك مجموعة متنامية من الأدوات المخصّصة التي تتولّى التتبّع والتقييم معاً. أمثلة تمثيلية (جميعها مواقع رسمية).

أياً كان ما تستخدمه، فالجوهر نفسه: مجموعة بيانات + أداة تسجيل + انضباط المقارنة. الأدوات تجعل ذلك أسهل فحسب. وأفضل بداية هي مجموعة تقييم صغيرة واحدة، ولو في سكربت على جهازك.

الخلاصة

• ما هي الـ evals: "تصحيح" يقيس مخرَج الذكاء الاصطناعي وسلوكه بالأرقام — تقرير الأفضل/الأسوأ بالبيانات لا بالحدس.
• لماذا تحتاجها: نماذج اللغة الكبيرة احتمالية ومتغيّرة، لذا اختبارات الوحدة لا تناسبها والتراجعات والحالات الطرفية تتسلّل.
• خمس طرق: ① الحقيقة المرجعية ② القائمة على القواعد ③ LLM-as-judge ④ التراجع ⑤ مراقبة الإنتاج. قِس آلياً ما يمكن، واحكم على الجودة بنموذج، وواصل تشغيلها.
• الوكلاء تحتاج تقييم العملية أيضاً: معدل نجاح المهمة، واستدعاءات الأدوات، والمسار، والتكلفة. التتبّع شرط مسبق.
• كيف تبدأ: 20 مثال إخفاق. ضع لها خطاً أساسياً، ثم شغّلها عند كل تغيير.

بين "لقد بنيته" و"إنه صالح للاستخدام" يقع جسر اسمه الـ evals. فإن كانت حواجز الحماية هي الدفاع الذي يوقف السلوك الجامح، فالـ evals هي الهجوم الذي يقيس الجودة ويواصل رفعها. مجموعة تقييم صغيرة واحدة تحوّل تطوير الوكلاء من "حدس" إلى هندسة.

الأسئلة الشائعة

س. كيف تختلف الـ evals عن اختبارات الوحدة العادية؟

تتحقّق اختبارات الوحدة من "هل يطابق المخرَج القيمة المتوقعة تماماً". لكن نموذج اللغة الكبير احتمالي وينتج مخرجاً مختلفاً في كل مرة، فالمطابقة الدقيقة لا تنجح كما هي. تختلف الـ evals بجمعها قياساً ملائماً للمخرَج الاحتمالي — الفحوصات القائمة على القواعد، والتصحيح بواسطة نموذج، ومراقبة التباين عبر عدة تشغيلات — فوق المطابقة مع الحقيقة المرجعية.

س. هل يمكنني الوثوق بـ LLM-as-judge (ترك الذكاء الاصطناعي يصحّح)؟

إنه عملي لكنه ليس حلاً سحرياً. النموذج الحَكَم قد يتغيّر ويتحيّز. المهم هو كتابة معيار محدّد، والمعايرة مقابل التصحيحات البشرية دورياً، وفصل الأدوار/النماذج للتوليد والتصحيح لتجنّب المحاباة الذاتية. المقارنة النسبية (أيّهما أفضل A أم B) تميل إلى أن تكون أكثر استقراراً من النقاط المطلقة.

س. كم عنصر تقييم أحتاج؟

يمكنك البدء جيداً بـ 10–20. حتى القليل يساعد في المقارنة النسبية لـ "هل ارتفعت النقطة أم هبطت بعد التغيير". وواقعياً، نمّها بإضافة الإخفاقات المكتشَفة في الإنتاج. الأهم من العدد هو التضمين الصحيح للإخفاقات والاستثناءات والحالات الطرفية.

س. هل أحتاج فعلاً إلى تقييم "مسار" الوكيل؟

إن شغّلته في الإنتاج، فنعم. حتى عندما يكون المخرَج النهائي صحيحاً، فإن الالتفافات واستدعاءات الأدوات غير الضرورية والحلقات اللانهائية تضرّ بالتكلفة والموثوقية. أضف تتبّعاً يسجّل كل خطوة وانظر إلى العملية جنباً إلى جنب مع معدل نجاح المهمة. وكلما اشتملت حالة الاستخدام على صلاحيات وآثار جانبية — مثل حالات استخدام أتمتة الأعمال أو أتمتة عمليات السحابة — زاد مردود تقييم العملية.