دليل المبتدئين في الذكاء الاصطناعي: ابدأ من هنا

لن تحتاج إلى أن تطلب في كل مرة «ابدأ بالخلاصة» و«أجب بالعربية»، فيكفي أن تكتب ذلك مرة واحدة في خانة التعليمات التي تسري تلقائيًا على كل المحادثات. وهي «التعليمات المخصصة» في ChatGPT، و«Instructions for Claude» في Claude، و«تعليمات لـ Gemini» في Gemini، لكنها تختلف في اسمها على الشاشة، وفي مكانها، وفي عدد الأحرف الذي تسمح به. ففي ChatGPT يبلغ الحدّ 1,500 حرف في Free وGo، و5,000 حرف في Plus فأعلى (بعد رفعه في يوليو 2026)، أما Claude وGemini فلا ينشران حدًّا أقصى. يتحقّق هذا المقال من المكان والحدّ في مراكز المساعدة الرسمية للشركات الثلاث، ثم يعرض، استنادًا إلى دليل كتابة المُوجّهات الرسمي من Anthropic، طريقة كتابة تنجح مع مثال. كما يجمع في قائمة تحقّق «المواقف التي لا تسري فيها التعليمات» كما تنصّ عليها مراكز المساعدة الرسمية، مثل داخل المشاريع، وداخل Gem، وفي الدردشات المؤقتة، وفي حسابات الشركات.

الآن وقد أصبح للذكاء الاصطناعي «يدٌ تكتب الشيفرة»، دخلنا زمنًا يستطيع فيه الفرد وحده أن يبني منتجًا ويطرحه للعالم. لكن المعلومات مبعثرة بين المراحل، فيضيع المرء حائرًا من أين يبدأ. هذه المقالة خريطة شاملة تمتد من الفكرة ← التصميم ← التنفيذ ← النشر ← التربّح، تنظّم التطوير الفردي في خمس مراحل: التقرير ← التحضير للبناء ← البناء ← الإطلاق ← النمو، وتبيّن في كل مرحلة ماذا تفعل وأي أداة تستخدم، وتحيلك في المراحل التي تحتاج تعمّقًا إلى دليل مخصّص — فهي مقالة مركزية (Hub). وترشدك عبر مسارين: 🌱 المبتدئ الذي لا يكتب شيفرة تقريبًا، و🔧 التطبيق الذي تكتب فيه الشيفرة بمحرّر ذكاء اصطناعي، لتصل بالمسار المناسب لك إلى شيء يعمل دون التواء. تجمع في صفحة واحدة: التطوير القائم على المواصفات، وأدوات بناء التطبيقات، وClaude Code / Cursor، ودمج ميزات الذكاء الاصطناعي (API / RAG / البوابة)، والنشر، وجذب المستخدمين عبر SEO/AEO، والتربّح، وإدارة التكلفة، وخمس عثرات في التطوير الفردي — مع روابط إلى الأدلة التطبيقية الموجودة.

الأشخاص الذين تخلّوا عن الرسم لأنهم "لا يجيدونه" هم بالضبط من يصبح الرسم بالذكاء الاصطناعي ملعباً لهم. حوّل الصورة التي في رأسك إلى كلمات فتتحوّل إلى عمل فني؛ وصورة من الهاتف أو خربشة طفل تصبح قطعة فنية في أقل من دقيقة. هذا ليس مقارنة أدوات ولا دورة جادّة — إنه دليل أفكار للمرح فردياً أو عائلياً. من أدوات مجانية للبداية (ChatGPT وGoogle Gemini وMicrosoft Copilot وCanva) إلى 10 أفكار (① تحويل الخربشة إلى فن ② صورة بأسلوب جديد ③ شخصيتك عبر مشاهد مختلفة ④ رسم طفل كصفحة كتاب قصص ⑤ رموز تعبيرية أصلية ⑥ قصص من أربع لوحات ⑦ دمجات ماذا لو ⑧ صفحات تلوين خاصة بك ⑨ تجديد ديكور الغرفة ⑩ مبارزات الرسم)، وحيل صغيرة للحصول على صور أفضل، وثلاثة أمور يجب معرفتها قبل أن تلعب (لا تستخدم وجوه الآخرين، تحقّق من الحقوق والاستخدام التجاري، ضع علامة أنها من صنع الذكاء الاصطناعي).

يمكن للذكاء الاصطناعي أن يكون صديقًا واسع المعرفة يواكب أسئلة الطفل «لماذا؟»، وراويًا يحكي قبل النوم، لكن الأمان مع الأطفال يأتي قبل المتعة. يبدأ هذا الدليل بـ5 وعود للأمان (يشغّله بالغ ويتحقق / التحقق من حدود العمر / منع أي معلومات شخصية / تعليم أن الذكاء الاصطناعي قد يخطئ / ضبط النبرة والوقت)، ثم يقدّم جدولًا بشروط العمر كما وردت في شروط كل شركة (ChatGPT من 13 عامًا مع إذن ولي الأمر لمن هم دون 18، وCopilot من 13، وClaude من 18، وGemini لمن هم دون 13 عبر Family Link حيث يكون متاحًا وبإذن أحد الوالدين)، وخطوات إعدادات الوالدين (الرقابة الأبوية في ChatGPT، وGoogle Family Link، وMicrosoft Family Safety، والدردشة المؤقتة على حساب بالغ)، والأخطاء الشائعة. ثم 10 أنشطة جاهزة للنسخ: قصة بطلها طفلك، وقصة يقرر الأطفال أحداثها، وحكاية هادئة قبل النوم، وأستاذ يعرف كل شيء، ومسابقة عن الحيوانات والديناصورات، وتحيات بلغات أخرى، ورسم مخلوق متخيَّل، ورسومات للتلوين، وأفكار للأشغال اليدوية، وتمثيل أدوار عن المشاعر. مع نصائح حسب العمر وأسئلة شائعة.

لمن يتوقّف عند سؤال «حسنًا، وماذا أسأل الذكاء الاصطناعي أصلًا؟»: جمعنا 30 «موضوعًا» يكفي نسخه ولصقه لتحصل على ردٍّ ممتع. ستة أصناف × خمسة أسئلة: اعرف نفسك (مواطن القوة الخفيّة، القيَم، لو شبّهتك بحيوان)، وتوسيع الخيال وعوالم «ماذا لو» (استخدامات غير متوقّعة لشيء عادي، لو صارت الجاذبية نصفًا، اختراع عطلة غير موجودة)، وشروحٌ تُشعرك أنك فهمت (ميكانيكا الكمّ لطفل في الخامسة، الفائدة المركّبة بثلاث استعارات، الإنترنت كتوصيل بيتزا)، واللعب بالكلمات (إعادة الصياغة بعشرة أساليب، قصة في جملتين، ابتكار لقب، الجُمَل المقلوبة)، وتقمّص الأدوار والاستشارة (مدرّب حياة صارم، حكيمٌ يبتكر مثلًا، رسالة من نفسك المستقبلية، كائن فضائي متحيّر)، وعمليٌّ لكنه ممتع (تحويل العذر إلى حكمة، خمس درجات للرفض، تحسين رسالة باهتة، أسماء قوائم درامية، بند مرح في مهامّك). كلها تعمل على ChatGPT وClaude وGemini مجانًا. مع حِيَل المتعة (راكِم «زدني»، أضِف دورًا وقيدًا، بدّل بين النماذج) وتحذيرات، ورابط للمقال الشقيق «15 طريقة ممتعة لاستخدام الذكاء الاصطناعي».

عندما يُذكر الذكاء الاصطناعي يدور الحديث دائمًا حول الأمور الجادّة، لكنه قد يتألّق أكثر ما يتألّق في اللعب. يقدّم هذا المقال 15 طريقة ممتعة لاستخدامه، مع أمر جاهز للنسخ واللصق تستطيع تجربته الآن. اللعب بالكلمات والكوميديا (① معارك الكوميديا ② آلة الأغاني الساخرة والراب ③ مصنع الأسماء)، وتقمّص الأدوار والحوار (④ حديث مع شخصية تاريخية ⑤ مناظرة بين ذكاءين ⑥ التمرّن على الجدال مع روبوت محامي الشيطان)، والألعاب (⑦ مغامرة نصّية والذكاء الاصطناعي قائد اللعبة ⑧ عرض ألغاز من ابتكارك ⑨ لعبة ألغاز جنائية)، والإبداع (⑩ دليل ميداني لكائن خيالي ⑪ قصة تكون فيها البطل ⑫ اللعب مع توليد الصور)، والحياة اليومية والمفاجآت (⑬ طاهي البقايا ⑭ خطط سفر إلى روما القديمة أو القمر ⑮ عرّاف على سبيل التسلية). كلها تعمل على ChatGPT أو Claude أو Gemini مجانًا (ما عدا رقم 12، توليد الصور، الذي لا يستطيعه Claude، فاستخدم ChatGPT أو Gemini). ومفاتيح المتعة الثلاثة — امنحه دورًا، قيّده بقيود، راكِم المزيد — هي نفسها أسس هندسة الأوامر العملية. مع تحذيرات (الحقيقة مقابل الخيال، المعلومات الشخصية، اللعب مع الأطفال) وأسئلة شائعة.

عند البدء مع النماذج اللغوية المحلية، يُعدّ Ollama الأداة المفضّلة لتثبيتها أولاً، إذ يتولّى عنك معظم متاعب الإعداد المعقّدة حتى تتمكن من تنزيل نموذج وبدء المحادثة بأمر واحد. يأخذك هذا الدليل الموجّه للمبتدئين خطوة بخطوة من البداية إلى النهاية عبر التثبيت على Windows وMac وLinux، والأوامر الأساسية، وكيفية الحصول على النماذج واختيارها حسب VRAM، واستخدام واجهة رسومية مثل Open WebUI، وتسخير الـ API المحلي المتوافق مع OpenAI لدمجه في تطبيقاتك، إضافة إلى التخصيص عبر Modelfile ومتغيرات البيئة، وحل المشكلات الشائعة.

إعادة تدريب ذكاء اصطناعي ضخم من الصفر مكلفة للغاية، لكنك تريد تعديله ليناسبك فقط؛ يحقق LoRA (Low-Rank Adaptation) هذه الأمنية بتجميد النموذج الأصلي وتدريب جزء إضافي صغير (محوّل) فقط، مقلّصًا المعاملات القابلة للتدريب إلى أقل من 1% من النموذج الأصلي. يجعل LoRA عملية fine-tuning أرخص وأسرع بكثير، وهو شائع جدًا في توليد الصور مثل Stable Diffusion بوصفه ملفًا صغيرًا يضيف شخصية أو أسلوبًا. يشرح هذا المقال الفكرة عبر تشبيه الرقعة. LoRA رائد fine-tuning كفؤ المعاملات (PEFT): اترك الأوزان الأصلية الضخمة مجمّدة، وأدرج مصفوفة إضافية صغيرة في كل طبقة، ودرّب تلك فقط (W = W0 + BA)؛ ويقوم على فرضية أن الرتبة المنخفضة تكفي، وقد دعمتها تجارب الورقة الأصلية (مع تقارير بأنه يتأخر عن التدريب الكامل في الرياضيات والبرمجة). من فوائده: معاملات أقل من 1% من الأصل (نحو جزء من عشرة آلاف مع GPT-3 175B في الورقة الأصلية)، وذاكرة GPU أقل أثناء التدريب (من 1.2TB إلى 350GB في التجربة نفسها)، وتدريب أسرع وأرخص، ودون زمن استجابة إضافي بعد دمج المحوّل، ونسيان أقل للقدرات الأصلية. أكبر قوته هي المحوّلات القابلة للتبديل: أبقِ أساسًا مشتركًا واحدًا وبدّل ملفات LoRA الصغيرة لكل حالة استخدام فوريًا. يلتقي كثيرون بـ LoRA أولًا في توليد الصور حيث تُشارَك LoRA الخاصة بـ Stable Diffusion التي تعلّمت شخصية أو أسلوبًا. يدمج QLoRA الـ quantization، فيدرّب LoRA فوق أساس 4-bit، مما يتيح fine-tuning نموذج 65B — الذي يتطلب أكثر من 780GB عند تدريبه بالكامل بدقة 16-bit — على GPU واحدة بسعة 48GB، ونموذج 33B على GPU استهلاكية بسعة 24GB، بنتائج مماثلة للطرق بدقة 16-bit في مقارنات الورقة (والورقة نفسها تذكر أنها لم تتحقق من مضاهاة 33B و65B للتدريب الكامل). ومقابل fine-tuning الكامل، يكفي LoRA لمعظم العمل. الأرقام مأخوذة من ظروف تجارب الورقة الأصلية وغيرها وهي إرشادية.

نموذج ضخم بحجم 70B يعمل على حاسوب منزلي واحد بدل رفّ من بطاقات GPU في مركز بيانات (مع إسناد ما لا تتسع له بطاقة GPU استهلاكية إلى المعالج والذاكرة الرئيسية)، وما يجعل هذا ممكناً هو التكميم الذي يخفض الدقة العددية لأوزان النموذج لتقليص الحجم والذاكرة بشكل كبير. بينما ينقل تقطير النماذج المعرفة إلى نموذج أصغر منفصل، يجعل التكميم النموذج نفسه أخف. يشرح المقال الفكرة عبر تشبيه ضغط الصور: يستبدل التكميم الأوزان المخزَّنة بصيغة FP16/FP32 بأعداد صحيحة INT8 أو INT4، فيقلل البايتات لكل وزن (FP32=4، INT8=1، INT4=0.5)؛ ومثل ضغط صورة RAW إلى JPEG تضحي بقليل من الدقة مقابل تخفيف كبير، والمفاجأة هي قلة ما تتنازل عنه. على صعيد الذاكرة، يستخدم 4-bit نحو ربع FP16: ينخفض نموذج 70B من نحو 140GB إلى 35GB، ونموذج 8B بـ4-bit يصبح نحو 4.5-5GB، فيتسع في GPU متوسط بذاكرة 8GB للاستخدام المحلي (دمقرطة LLM). على صعيد الدقة، INT8 شبه خالٍ من الفقد وINT4 يتدهور بحسب ما ورد أقل من 4% في مهام المعرفة العامة، لكن الفقد أوضح في الرياضيات وتوليد الشيفرة والاستدلال الصعب (يظهر كارتفاع طفيف في perplexity)، فاختر عدد البتات للمهمة. الطرق الرئيسية: GPTQ (رائد 4-bit الدقيق)، وAWQ (يحمي أهم ~1% من الأوزان، وتفوّقه على GPTQ يختلف بحسب التقييم)، وGGUF (صيغة llama.cpp/Ollama، من Q2_K إلى Q8_0، مزج CPU+GPU، للتشغيل المحلي)، وQLoRA (أساس 4-bit مع LoRA للضبط الدقيق على GPU استهلاكي). يختلف عن التقطير (الانتقال إلى نموذج أصغر منفصل) والضبط الدقيق (إضافة معرفة المهمة)، وتُستخدم الثلاثة عادةً مجتمعة. للبدء، شغّل نموذج GGUF بـOllama بأمر واحد، واختر Q4/Q8 حسب VRAM، وتجنّب INT4 للشيفرة أو الحساب الدقيق. معظم النماذج الرئيسية تُوزَّع مُكمَّمة سلفاً فتنزّلها وتستخدمها فقط. احتفظ بالذكاء وأسقط الوزن فقط.

الذكاء الاصطناعي الضخم وعالي الأداء ذكي لكنه ثقيل ومكلف؛ ويحل تقطير النماذج (تقطير المعرفة) ذلك بنقل معرفة نموذج معلّم كبير إلى نموذج طالب صغير، مع الحفاظ على أداء قريب من المعلّم بحجم أصغر بكثير وسرعة أكبر. يشرح المقال ذلك بتشبيه المعلّم والطالب. المفتاح هو الـ soft labels: التدريب العادي يُعلّم فقط «الجواب قطة» (hard label)، بينما يمرّر التقطير توزيع الاحتمالات الكامل للمعلّم مثل «90% قطة، 8% كلب، 2% ثعلب»، حيث تحمل درجة التردد معلومات غنية؛ ويقوم معامل temperature بتليين الاحتمالات لكشف العلاقات الدقيقة (مثال واقعي: ميزة OpenAI في واجهتها البرمجية عام 2024 لتدريب نماذج صغيرة على مخرجات نماذج كبيرة). الفوائد: سريع ورخيص، أصغر بكثير مع أداء قريب من المعلّم (TinyBERT أصغر بـ7.5 مرة مع أكثر من 96.8%)، يعمل على الـ edge، وقوي في التخصص. منهجان: white-box (وصول كامل للأوزان والتمثيلات الداخلية، نقل أعمق؛ لنماذجك أو نماذج OSS) و black-box (المخرجات/استجابات API فقط؛ استخدام API شركة أخرى كمعلّم قد يخالف الشروط). ويختلف عن quantization (ضغط دقة أوزان النموذج نفسه) و fine-tuning (مواصلة تدريب نموذج موجود لمهمة) — فالتقطير ينقل المعرفة إلى نموذج صغير منفصل، والثلاثة قابلة للدمج. كان الواقع القانوني وشروط الخدمة قضية كبيرة في 2026: التقنية مشروعة، لكن لدى OpenAI و Anthropic و xAI بنود منع تقطير منافس تحظر استخدام المخرجات لبناء نماذج منافسة. نزاع OpenAI ضد DeepSeek يُظهر أن التقييم يعتمد على شروط API مَن تنطبق، وتحوّل Claude Fable 5/Mythos 5 الطلبات المُصنّفة كتقطير إلى نموذج Opus أقل قدرة. نصائح: استخدم نماذجك أو نماذج OSS مرخّصة كمعلّم، وتحقق من بنود منع التقطير قبل استخدام API تجاري. الأرقام مقتبسة من مواد عامة وتوجيهية.

قلنا في "كيف تبني نظامًا متعدد الوكلاء" إنه يجب تجهيز القياس لكل عملية تسليم قبل إضافة الوكلاء؛ والتقنية التي تشغّل هذا القياس في الإنتاج هي AI observability. فهي تُظهر ما تفعله LLMs والوكلاء فعليًا في الإنتاج (أي نموذج وبأي prompt، وأي أدوات وعمليات بحث، وما الذي أُعيد، وكم استغرق وكلّف) حتى تتبّع رجوعًا إلى السبب. الفرق الحاسم عن مراقبة التطبيقات العادية: قد يعيد الذكاء الاصطناعي 200 OK في 50ms ومع ذلك يهلوس بثقة، فمعظم الإخفاقات إخفاقات جودة (هلوسة، استرجاع ضعيف، إجابات غير آمنة، مهام غير مكتملة) لا إخفاقات بنية تحتية. تقوم الـobservability على ثلاث ركائز: traces (طلب واحد كشجرة spans) وmetrics (زمن الاستجابة والتكلفة والـtokens) وlogs. والمعيار OpenTelemetry GenAI يلتقط الـprompts والاستجابات والـtokens واستدعاءات الأدوات بمخطط محايد قابل للتغذية في Datadog/Grafana. الفرق الأكثر خلطًا هو observability مقابل evals: الأولى تُظهر ما حدث، والثانية تقيس جودة الإجابة (الدقة وgroundedness والأمان). تنقسم المقاييس إلى تشغيلية (تكلفة، زمن استجابة، tokens) وجودة (هلوسة، groundedness الأهم لـRAG، أمان، إتمام المهمة)، مع كشف الهلوسة عبر LLM-as-a-judge ودرجات groundedness. الأدوات الرئيسية: LangSmith وLangfuse وArize Phoenix وMLflow وAgentOps وOpenTelemetry. ابدأ بالتقاط traces ثم صوّر المقاييس واربط evals قبل الإطلاق. للأنظمة متعددة الوكلاء المراقبة ضرورية لأن الإخفاقات تختبئ في سلاسل متعددة الخطوات.

بعد أن أصبح وكلاء الذكاء الاصطناعي أمرًا شائعًا، صار التحدي التالي هو كيفية جعل الوكلاء يتعاونون فيما بينهم. إذا كان MCP يربط الوكيل بأدواته، فإن A2A (Agent2Agent) يربط الوكيل بوكيل آخر — معيار مفتوح يتيح لأنظمة الذكاء الاصطناعي المبنية على مزوّدين وأُطر عمل مختلفة أن تكتشف بعضها وتتواصل وتتعاون عبر اصطلاح مشترك. أطلقته Google في أبريل 2025، وتبرّعت به لمؤسسة Linux Foundation في يونيو، ووصل إلى الإصدار v1.0 في 2026. يغطّي هذا الدليل للمبتدئين ما هو A2A (بتشبيه آداب الشراكة التجارية)، ولماذا نحتاجه (وكلاء متخصّصون يتناوبون العمل — وكيل تخطيط ثم وكيل حجز فنادق ثم وكيل دفع)، وكيف يختلف عن MCP (MCP عمودي، الوكيل ↔ الأدوات؛ وA2A أفقي، الوكيل ↔ الوكيل؛ والجمع بينهما هو الإعداد القياسي ذو الطبقتين)، وكيف يعمل (تُستخدم بطاقة وكيل — ملف JSON يشبه «بطاقة العمل» عند /.well-known/agent-card.json — لاكتشاف القدرات، ثم تحمل المهمة (Task) الطلب عبر حالات مثل working وinput-required وcompleted، وتُعيد النتيجة (Artifact) المُخرَج، كل ذلك عبر HTTP وServer-Sent Events وJSON-RPC 2.0، مع إبقاء الوكلاء دواخلهم خفيّة)، ووضعه الحالي والتطبيق (حتى أبريل 2026: 150+ مؤسسة داعمة، 22,000+ نجمة على GitHub، وحِزم تطوير بخمس لغات — Python وJavaScript وJava وGo و.NET — بمشاركة Microsoft وSalesforce وSAP وServiceNow). القاعدة المساعدة على التذكّر: الاتصال بالأدوات = MCP، والاتصال بالأنداد = A2A.