دليل المبتدئين في الذكاء الاصطناعي: ابدأ من هنا

بعد استيعاب المفهوم في «ما هو نظام الوكلاء المتعددين؟»، هذا هو الجزء العملي التالي. باستخدام نمط supervisor المعياري لعام 2026، يرشد المبتدئين عبر بناء من 5 خطوات. المبدأ الأساسي: ابنِ بوكيل واحد أولاً وأضِف الوكلاء بأقل قدر فقط بعد بلوغ حد ما (نحو 80% من الحالات تكفيها واحد؛ واستخدام نظام متعدد لعمل بسيط أحادي المسار يضخّم التكلفة 3-10x ويخفض الدقة -39-70% في المهام التسلسلية حسب أبحاث Google). ثلاث علامات للانتقال: فصل التخصصات، التوازي، فصل القرار. نمط supervisor (يتلقى المهمة الكلية، يقسّمها، يفوّضها إلى workers متخصصين، ويجمّع النتائج) هو ما تقاربت عليه وكلاء Claude Code الفرعيون وLangGraph Supervisor وOpenAI Agents SDK، لأوسع دعم ونمط فشل معروف وسهولة التدقيق. الخطوات الخمس: التقسيم، تعريف الـ workers، تصميم الـ supervisor، التسليم، القياس مع حدود قصوى وعمليات تقييم وحواجز أمان. الدرس: الموجّهات والأدوات وحزمة التقييم تحدد النجاح أكثر من إطار العمل.

«قسّم مهمة معقدة لا يقدر عليها وكيل ذكاء اصطناعي واحد على عدة وكلاء» هي الفكرة وراء الأنظمة متعددة الوكلاء. يشرح هذا الدليل المبسّط للمبتدئين الآلية والأنماط الرئيسية وأبرز أطر العمل، والأهم القاعدة الواقعية لاتخاذ القرار حول متى تستخدم عدة وكلاء ومتى يكفي وكيل واحد بلا مبالغة. يعمل في النظام متعدد الوكلاء عدة نماذج ذكاء اصطناعي بأدوار مختلفة معاً على مهمة كبيرة واحدة؛ فمقابل وكيل واحد يتولى كل شيء (يكفي لنحو 80% من حالات الاستخدام، رخيص وسهل التصحيح)، يقسّم العمل حسب التخصص للتنفيذ المتوازي والتدقيق المتبادل، مع تكلفة تنسيق واستهلاك رموز أعلى. الأنماط الأربعة المهيمنة للتنسيق هي: orchestrator-worker (قائد يفكّك ويوزّع العمال بالتوازي ثم يجمع؛ الأوسع استخداماً مع أثر قابل للتدقيق)، والتسليم المتسلسل (تمرير السياق للوكيل التالي)، والمحادثة الجماعية (تتناقش الوكلاء في خيط واحد مع مُحدِّد لمن يتحدث؛ مفيد للتحقق المتبادل)، وآلة الحالة الرسومية (الوكلاء عُقد والانتقالات حواف وحالة صريحة؛ قوي في التفرّعات ونقاط التحقق). تقلّصت أطر العمل في 2026 إلى LangGraph (الأوسع حضوراً في الإنتاج)، وCrewAI (أقل منحنى تعلّم، للنماذج الأولية)، وAutoGen/AG2 (النقاش والتحقق، للبحث)، وOpenAI Swarm (عمليات التسليم الخفيفة). لكنه ليس دواءً لكل داء: المهام المعقدة متعددة المجالات تشهد حتى +23% في معايير الاستدلال، لكن في المهام المتسلسلة أحادية المسار وجدت أبحاث Google −39-70% مقابل وكيل واحد، وغالباً ما يضاهي وكيل واحد بنفس القدرة الحوسبية أو يتفوّق، و7 من كل 10 عمليات نشر أضافت تكلفة دون عائد عند استهلاك ~15x من الرموز (متوسط العائد 2.5-3.5x، الربع الأعلى 4-6x عند التوجيه الجيد). المسار الموصى به: ابنِ بواحد أولاً، حدّد سقفاً ملموساً (أدوار متداخلة، عمل قابل للتوازي)، ثم أضف فريق نمط القائد بأدنى حدّ من 2-3 وكلاء مع حدّ أقصى للتكلفة والتسجيل، وقِس ما إذا كان مكسب الدقة يبرّر الزيادة. A2A (بروتوكول التواصل) وMCP (ربط الأدوات) تقنية أساسية تدعم متعدد الوكلاء. واحد لـ 80%، وتعدّد للأجزاء الصعبة فقط. الأرقام مقتبسة من استطلاعات وأبحاث ومرتبطة بالظروف، اتجاهية.

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 في بيئة الإنتاج، 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.

بنيت نظام RAG لكن جودة البحث متوسطة — وهنا بالضبط تساعد إعادة الترتيب. تعيد إعادة الترتيب تقييم المرشحين الذين جُمعوا بشكل تقريبي عبر البحث بالتضمين (المتجهات) حسب صلتهم بالاستعلام، ثم تعيد ترتيبهم وتُبقي الأفضل فقط؛ وهذه الخطوة الواحدة قد تُغيّر جذريًا جودة إجابات نظام RAG. يغطي هذا الدليل للمبتدئين ما هي إعادة الترتيب (بتشبيه الفرز الأولي والمقابلة النهائية)، ولماذا نحتاجها (البحث بالتضمين يحوّل الاستعلام والمستندات إلى متجهات بشكل منفصل، فيحكم على الصلة بخشونة فقط، والترتيب السيئ يخفض جودة الإجابة مباشرةً — وتذكر الأبحاث مكسبًا في دقة RAG يبلغ نحو 40% من إضافة إعادة الترتيب، وأصبح طبقها فوق البحث الهجين معيار 2026)، وكيف يعمل الاسترجاع على مرحلتين ("اجمع بسعة" بالبحث بالتضمين السريع من أجل الاستدعاء، ثم "صفِّ بذكاء" بالمُعيد للترتيب من أجل الدقة، ثم سلِّم الأعلى إلى نموذج اللغة الكبير)، ولماذا يكون المُعيد للترتيب أدق (المُرمِّز الثنائي bi-encoder يحوّل الاستعلام والمستند إلى متجهين على حدة وهو سريع لكنه تقريبي؛ والمُرمِّز المتقاطع cross-encoder يُدخلهما معًا ويُخرج درجة صلة 0–1، دقيق لكنه ثقيل — لذا تجمع بالمُرمِّز الثنائي السريع وتصفّي بالمُرمِّز المتقاطع الدقيق)، ثم النماذج والتنفيذ (نوع الـ API مثل Cohere Rerank وVoyage وJina؛ ومفتوح المصدر مثل BGE reranker وmixedbread وFlashRank؛ والتقييم بنموذج لغة كبير مثل RankLLM — فقط استرجع 50–100 وصفِّ إلى أعلى 5). المبدأ: اجمع بسعة، صفِّ بذكاء، واضبط الأعداد بتقييمات الذكاء الاصطناعي.

بعد أن تتمكّن من بناء تطبيقات الذكاء الاصطناعي، تأتي المرحلة التالية وهي تشغيلها بأمان. يمكن خداع نماذج اللغة الكبيرة بمدخلات خبيثة، أو تسريب بيانات سرية، أو الجزم بهراء بثقة؛ والآلية الأمنية التي تمنع ذلك هي حواجز الأمان للذكاء الاصطناعي، التي أصبحت جزءاً أساسياً من الإنتاج في 2026 مع وقوع حوادث وكلاء الذكاء الاصطناعي فعلياً. حواجز الأمان قواعد ومرشّحات تكبح المدخلات الخطيرة والمخرجات غير المرغوبة، فتفحص مدخلات المستخدم قبل أن تصل إلى النموذج والإجابة قبل أن تعود — طبقة أمان مستقلة منفصلة عن النموذج نفسه. التهديدات الرئيسية هي حقن الأوامر (الأكبر) وكسر القيود وتسريب البيانات (البيانات السرية، PII، موجّه النظام) والهلوسة أو المخرجات الضارة. تعمل الحماية على طبقتين: حواجز الإدخال (كشف الحقن وكسر القيود، كشف/إخفاء PII، تقييد المواضيع، التعقيم) وحواجز الإخراج (تصفية المحتوى الضار، منع التسريب، فحص الهلوسة، التحقق من التنسيق). حقن الأوامر — المصنّف الأكثر خطورة على OWASP LLM Top 10 — يأتي بصيغة مباشرة (يكتب المستخدم «تجاهل كل التعليمات السابقة») وغير مباشرة (أوامر مخفية في صفحة ويب أو مستند RAG)، والحقن غير المباشر لا يحجبه RAG وحده، لذا تحتاج المستندات المسترجعة إلى فحص خاص بها. يغطّي هذا الدليل للمبتدئين أيضاً الأدوات (LLM Guard، Guardrails AI، NeMo Guardrails، Llama Guard، وميزات الأمان السحابية من Azure وAWS وOpenAI) والمبادئ العملية للدفاع المتعمّق وأقل امتياز والموافقة البشرية والمراقبة المستمرة.

يعتمد RAG والبحث الدلالي والتوصيات جميعًا على بطل خفي: embedding (التضمين / المتجه). embedding هو معنى النص (أو الصورة) مُحوَّلًا إلى سلسلة من الأرقام — أي متجه. تصبح كلمة «كلب» قائمة من مئات إلى آلاف الأرقام تعمل بوصفها «إحداثيات للمعنى»، فتقع الكلمات المتقاربة في المعنى قرب بعضها (كلب وجرو متقاربان؛ كلب وسيارة متباعدان)، ويُقاس القرب بمقاييس مثل cosine similarity. مثال شهير: «ملك − رجل + امرأة ≈ ملكة». ولذلك يمكن للآلة أن تحكم على قرب المعنى حتى عندما لا تتطابق الحروف. يغطي هذا الدليل للمبتدئين ما هو embedding («خريطة للمعنى»)، ولماذا يقيس القرب المعنى (الأبعاد وcosine similarity)، وفيمَ يُستخدم (RAG والبحث الدلالي والتصنيف وإزالة التكرار والتوصيات والوسائط المتعددة)، وكيف تختار نموذج embedding (نوع API مثل OpenAI text-embedding-3 وCohere وGemini وVoyage؛ ونوع مفتوح المصدر مثل BGE-M3 وNomic وQwen3؛ إضافةً إلى Matryoshka التي يمكنها تقليص 3,072 بُعدًا إلى 1,024 مع الحفاظ على نحو 95% من الجودة بثلث التكلفة تقريبًا)، وقواعد بيانات المتجهات (Pinecone وWeaviate وQdrant وChroma وpgvector) مع بداية من ثلاث خطوات (اختر نموذجًا، حوّل الوثائق إلى متجهات وخزّنها، حوّل السؤال إلى متجه وابحث). التضمينات هي أساس تنفيذ RAG.

صقلت مطالباتك، وأضفت معرفة عبر RAG، وربما أجريت الضبط الدقيق — فكيف تتأكد أنه تحسّن فعلًا؟ هنا تتصدّر تقييمات الذكاء الاصطناعي المشهد، وبحلول 2026 صار التقييم جوهريًا إلى حدّ تسميته "بنية تحتية". تعني تقييمات الذكاء الاصطناعي قياس جودة مخرجات LLM بشكل منهجي (الدقة، الهلوسات، الالتزام بالصيغة، النبرة) على مقياس ثابت بدل الإحساس؛ وبدونها يبقى التحسين مجرد حدس. هناك طريقتان: التقييم القائم على الكود للعناصر القابلة للقياس آليًا (المطابقة التامة، الصيغة، الكلمات المطلوبة أو المحظورة — سريع ورخيص ومستقر)، وLLM-as-judge للعناصر الذاتية (استخدام نموذج LLM قوي بوصفه حَكَمًا لمنح درجات للمخرجات، عبر المقارنة الزوجية أو تسجيل مخرج واحد). والمبدأ: قِس بالكود كل ما يستطيع الكود قياسه. لـ LLM-as-judge تحيّزات الإطناب والموضع وتفضيل الذات؛ وحلولها استخدام عائلة نماذج مختلفة كمُقيّم، وتبديل الترتيب والتقييم مرتين، ووضع الإيجاز في معيار التصحيح، والمعايرة مقابل الحكم البشري. المقاييس الخشنة (pass/fail أو 1–3) تتفوّق على الدقيقة 1–10. وفي الممارسة، شغّل ثلاث طبقات — فحوصات كود فورية عند كل تغيير، واختبارات تراجع ليلية بـ LLM-as-judge، ومراقبة إنتاج مستمرة — مستخدمًا أدوات مثل DeepEval وPromptfoo وRAGAS لـ CI إضافةً إلى Braintrust وLangSmith وArize للمراقبة. ابدأ بجمع 10 مخرجات جيدة و10 سيئة وتقييمها.

عندما تريد تخصيص الذكاء الاصطناعي ليناسب شركتك، يكون الضبط الدقيق (fine-tuning) أحد الخيارات — لكن الخوض فيه باستهتار مُكلِف وسهل الخطأ. يشرح هذا الدليل للمبتدئين الضبط الدقيق: أخذ نموذج أساسي مُدرَّب بالفعل، وتدريبه أكثر على بيانات مُصمَّمة لاستخدامك، وإعادة تشكيله ليصبح نموذجًا متخصصًا يطبع «السلوك» (أسلوب الشركة، صيغة الإخراج، صياغة المجال) داخل النموذج نفسه عبر إعادة كتابة أوزانه. الضبط الدقيق بارع في تغيير السلوك لكنه ضعيف في حفظ المعرفة المُحدَّثة، لذا فالقاعدة هي «الحقائق والمعرفة ← RAG، والشخصية والقالب ← الضبط الدقيق، والبرومبت أولًا». وكما يشير الخبراء، فإن نحو 80% مما يُقال إنه «يحتاج الضبط الدقيق» يُحَلّ باسترجاع أفضل (RAG) أو ببرومبت، فالترتيب مهم. يغطي المقال ما هو الضبط الدقيق (مع تشبيه تدريب الموظفين الجدد)، وفيمَ يبرع وفيمَ يضعف، وجدول مقارنة بين الضبط الدقيق وRAG والبرومبت، والأساليب الرئيسية (الضبط الدقيق الكامل، وLoRA، وQLoRA — التكميم بـ 4-bit الخفيف بما يكفي للمبتدئين)، وما تحتاجه (500+ مثال عالي الجودة كدليل، مع كون بناء البيانات هو العمل الحقيقي؛ تكاليف من $5,000 إلى أكثر من $50,000، والضبط الدقيق من OpenAI بنحو $25–$100 لكل مليون رمز تدريبي؛ وأدوات مثل OpenAI وUnsloth وAxolotl وHugging Face)، والترتيب الذي تبدأ به. الضبط الدقيق هو الملاذ الأخير.

ربما تفترض أن نموذج LLM لا بد أن يعمل في السحابة، لكن في عام 2026 صار تشغيل الذكاء الاصطناعي بالكامل داخل جهازك الخاص — أي "نموذج LLM المحلي" — خيارًا واقعيًا. ويعني ذلك تشغيل نموذج مثل ChatGPT أو Claude مباشرةً على جهازك بدلًا من السحابة. مزاياه الثلاث الكبرى هي: الخصوصية (المدخلات لا تغادر جهازك)، وانعدام التكلفة (بلا رسوم API)، والعمل دون اتصال (يعمل بلا إنترنت). أما عيوبه: فهو ليس بذكاء الذكاء الاصطناعي السحابي من الطراز الأول، ويحتاج إلى جهاز بقدرات معقولة، ويتطلب بعض الإعداد، ولا يملك معرفة محدّثة. يغطي هذا الدليل للمبتدئين ما هو نموذج LLM المحلي (بتشبيه البث مقابل التنزيل)، والمزايا والعيوب، والمواصفات المطلوبة والكمّنة (صيغة GGUF، مع Q4_K_M المفضّل الذي يحافظ على الجودة بينما يقلّص الذاكرة إلى نحو الربع؛ ونحو 0.5 GB من الذاكرة لكل 1B معامل عند 4 بِت)، وكيف تبدأ (واجهة LM Studio الرسومية للمبتدئين، وسطر أوامر Ollama للمطوّرين — 52 مليون تنزيل شهريًا في الربع الأول من 2026)، والنماذج المُوصى بها لعام 2026 (Llama 3.2 7B، وGoogle Gemma 4، وAlibaba Qwen3.5، إضافةً إلى DeepSeek وMistral — وكلها مفتوحة)، ومتى تستخدم المحلي مقابل السحابة (المحلي للأعمال السرية وكثيفة الحجم والتي تجري دون اتصال؛ والسحابة للمسائل الصعبة). وأسرع خطوة أولى: شغّل نموذجًا صغيرًا واحدًا من فئة 3B–7B في LM Studio.

في عصرٍ تكتب فيه الذكاء الاصطناعية الشيفرة، تنتقل المهارة الأعلى قيمة من «كتابة الشيفرة» إلى «كتابة المواصفات» — والممارسة التي تجسّد هذا التحوّل هي التطوير المدفوع بالمواصفات (Spec-Driven Development، SDD). يضع SDD المواصفات في قلب المشروع بوصفها مصدر الحقيقة، فيشتقّ منها وكيل الذكاء الاصطناعي التصميم والتقسيم والتنفيذ بدلًا من كتابة الشيفرة فورًا. والأساس أنّ كل خطوة تترك وثيقة (غالبًا Markdown) تقرؤها الخطوة التالية. يشرح هذا الدليل المبسّط للمبتدئين ما هو SDD (المواصفات هي المعيار، والشيفرة مشتقّ منها)، ولماذا صار مهمًّا الآن (إذ يمنع «جدار الأشهر الثلاثة» من الدَّيْن التقني وانجراف المتطلبات في vibe coding عند مرحلة التصميم — وتفيد GitHub بانخفاض دورات «إعادة التوليد من الصفر» بمقدار رتبة عشرية تقريبًا)، والخطوات الأربع الأساسية (Specify → Plan → Tasks → Implement)، والأدوات الرئيسية (GitHub Spec Kit بأكثر من 90,000 نجمة ودعم أكثر من 30 وكيلًا، و AWS Kiro بتدفّق Requirements → Design → Tasks وموجّه Auto، إضافةً إلى BMAD و OpenSpec و Tessl و Google Antigravity و Cursor)، ومتى تستخدمه مقابل vibe coding (مزجٌ: vibe للاستكشاف، والمدفوع بالمواصفات للإطلاق، مع مراجعة بشرية إلزامية)، وكيف تجربه اليوم. ففي عصر الذكاء الاصطناعي، لا يصعد مَن يكتب الشيفرة الأسرع، بل مَن يستطيع تحديد ما سيُبنى بدقّة.

يتحوّل مركز الثقل في العمل مع الذكاء الاصطناعي من هندسة الـ prompt إلى هندسة السياق. وباستعارة تعريف Anthropic، هندسة السياق هي «مجموعة الاستراتيجيات الخاصة بانتقاء وصيانة المجموعة المثلى من الرموز (tokens) (أي المعلومات) التي تسلّمها للنموذج أثناء الاستدلال» — وهي لا تشمل الـ prompt وحده، بل كلّ ما يدخل نافذة السياق: الـ system prompt، والأدوات، وسجلّ المحادثة، والبيانات الخارجية. وتهمّ بسبب «context rot»: كلّما أضفتَ مزيدًا من الـ tokens، تراجعت الدقّة فعليًا. فقد اختبرت دراسة Chroma لعام 2025 ثمانية عشر نموذجًا رائدًا (GPT وClaude وGemini وغيرها)، وتدهور كلّ واحد منها كلّما طال المدخل، مع كون المعلومات في منتصف السياقات الطويلة سهلة الإغفال على وجه الخصوص («lost in the middle»). يغطّي هذا الدليل المبسّط للمبتدئين ما هي هندسة السياق وعلاقتها بهندسة الـ prompt، ولماذا يحدث الـ context rot (الانتباه ميزانية محدودة)، وماذا يوجد فعليًا داخل السياق، وستّ تقنيات أساسية (تعليمات على المستوى الصحيح، وانتقاء الأدوات، والاسترجاع عند الطلب، والضغط بالتلخيص، وملاحظات الذاكرة الخارجية، والعزل عبر الوكلاء الفرعيين)، وعلاقتها بالـ RAG وبـ Claude Skills، وعادات يمكنك استخدامها اليوم مثل بدء جلسة جديدة حين يتغيّر الموضوع ولصق النقاط الأساسية فقط. والفكرة الجوهرية: أبقِ على أصغر قدر من الـ tokens الأعلى قيمةً فقط.

دليل مبسّط للمبتدئين حول Claude Skills (مهارات الوكيل)، الآلية التي تنهي عناء إعادة شرح الإجراء نفسه لـ Claude في كل مرّة. تغلّف المهارة التعليمات والنصوص البرمجية والمراجع داخل مجلّد واحد محوره ملف SKILL.md الذي يحتوي على اسم ووصف وخطوات. في معظم الوقت يقرأ Claude الوصف القصير لكل مهارة فقط، ولا يوسّع المحتوى إلا عندما يطابق طلبك ذلك الوصف — تصميمٌ يُسمّى الكشف التدريجي يبقي سياقك خفيفاً حتى مع تثبيت عشرات المهارات. يتناول هذا المقال ما هي Skills، ولماذا تهمّ (نهاية لصق الموجّهات في كل مرّة)، وكيفية كتابة SKILL.md وبنية مجلّد بسيطة، وكيفية بناء واحدة (عبر skill-creator الرسمية أو يدوياً، بوضعها في ‎.claude/skills، مع إعادة التحميل الفورية في يناير 2026)، والفرق بين Skills وبين MCP (الاتصال) والوكلاء الفرعيين (عزل السياق)، والمعيار المفتوح الذي تبنّته Codex CLI وCursor وGemini CLI وGitHub Copilot إلى جانب تطبيقات Claude وClaude Code وAPI وAgent SDK، إضافةً إلى استخدامات ملموسة مثل توليد المستندات وفرض القواعد الداخلية. أعلنت عنها Anthropic في 16 أكتوبر 2025، ووصفها Simon Willison بأنها "ربما أهمّ من MCP".