التطوير بالذكاء الاصطناعي والبرمجة: بناء التطبيقات مع AI

بعد أن تبني وكيل ذكاء اصطناعي، تصطدم دائماً بالجدار نفسه: "حسناً، لكن هل يعمل فعلاً؟" والآلية التي تقرّر ما إذا كان تغيير مطالبة أو نموذج قد جعل الأمور أفضل أم أسوأ اعتماداً على البيانات بدل الحدس هي الـ evals. تنتج نماذج اللغة الكبيرة مخرجاً مختلفاً في كل مرة للمدخل نفسه، لذا لا تناسبها اختبارات الوحدة بالمطابقة الدقيقة. يتناول هذا المقال ما هي الـ evals، وخمس طرق لقياس الجودة (① المطابقة مع الحقيقة المرجعية ② الفحوصات القائمة على القواعد ③ LLM-as-judge ④ اختبار التراجع ⑤ مراقبة الإنتاج)، والتقييم الخاص بالوكلاء (معدل نجاح المهمة، استدعاءات الأدوات الصحيحة، المسار، التكلفة)، وكيف تبدأ على نطاق صغير من 20 مثال إخفاق، والأخطاء الشائعة، والأدوات الأساسية (Anthropic Console/Evals، OpenAI Evals، LangSmith، Langfuse، Ragas) — وهو مكتوب للممارسين.

سؤال الأتمتة الدائم: «وكلاء الذكاء الاصطناعي أم RPA؟» الإجابة ليست إمّا هذا أو ذاك — اختر بحسب الدور، والنمط الرابح في 2026 هو مزج الاثنين (الهجين). RPA هو «يدان» حتميّتان تشغّلان إجراءً ثابتًا بسرعة ودقة (لكنه ينهار عند تغيّر الشاشة/المواصفات)؛ ووكيل الذكاء الاصطناعي هو «عقل» احتمالي يقرأ الموقف ويقرّر (قويّ في الغموض والاستثناءات، لكن ليس متطابقًا في كل مرة). تغطّي المقالة فرق مبدأ العمل، وجدول مقارنة (مقايضة قابلية التكرار مقابل المرونة)، وكيفية الاختيار (المحور هو «هل يُكتب بالكامل قواعدَ؟» — نعم ← RPA، حُكم لا يُكتب ← وكيل)، واتجاه 2026 (تحوّل روّاد RPA مثل UiPath وAutomation Anywhere وBlue Prism نحو الوكيلية — تقارب؛ لم يعد السؤال «أيهما» بل «أين يقع الاستدلال» = الأولوية للتنسيق)، والحل العملي: نموذج هجين يتولّى فيه العقل (الوكيل) الحُكم/التنسيق وتشغّل اليدان (RPA) التنفيذ الحتمي — لا تضع وكيلًا حيث تُطلب الحتمية، واقرِن الحُكم المفوَّض بحواجز حماية وموافقة بشرية. استنادًا إلى المعلومات الرسمية للموردين، مع أسئلة شائعة.

Claude Fable 5 وOpus 5 كلاهما من الفئة العليا، لكن الجواب ليس «دائمًا Fable 5» ولا «دائمًا Opus 5» — اختر بحسب المهمة. وقد غيّر وصول Opus 5 في 24 يوليو 2026 هذا الجواب كثيرًا: كان الجيل السابق Opus 4.8 يشغل خانة «أقل بدرجة من Fable 5 لكن بنصف السعر»، أما Opus 5 فيحافظ على السعر نفسه $5 / $25 بينما يضاهي Fable 5 أو يتفوّق عليه في اختبارات الوكلاء (Frontier-Bench 43.3% مقابل 33.7%، وOSWorld 2.0 70.6% مقابل 66.1%، وكلاهما مصدره الصحافة؛ وفي CursorBench 3.2 تذكر Anthropic أنه يقع ضمن 0.5% من Fable 5 وبنحو نصف التكلفة). ولا يزال أصعب استدلال في جولة واحدة يميل إلى Fable 5، لكن بفارق ضئيل — Humanity's Last Exam 56.5% مقابل 56.3% وDeepSWE v1.1 69.7% مقابل 68.8% (مصدرها الصحافة). المواصفات متطابقة في نافذة السياق 1M والحد الأقصى للإخراج 128K؛ ووضع Fast (نحو 2.5 ضعف) متاح في Opus 5 وحده لكنه يكلّف الضعف وعبر Claude API فقط، ولدى Opus 5 حد المعرفة الأحدث في مايو 2026. مخطط القرار: جرّب Opus 5 أولًا ولا تصعّد إلى Fable 5 إلا حيث يبلغ Opus 5 سقفه. وعمليًا، «Opus 5 كأساس وFable 5 للأجزاء الصعبة» هو الأمثل، مدعومًا بالتبديل التلقائي في التطبيق عند الحظر الأمني وبوضع «default» الاحتياطي الجديد في الـ API. يتناول المقال التوفر (إيقاف يونيو ← إعادة نشر يوليو)، وتجنّب الاعتماد على نموذج واحد، وضبط effort للتكلفة، وأسئلة شائعة — رابطًا عنقود Fable 5 بدليل إصدار Opus 5.

أول عقبة عند دمج وكيل ذكاء اصطناعي في عمل حقيقي هي «على أي إطار عمل تبنيه». من منظور المطوِّر ومتّخذ قرار التقنية، يقارن هذا المقال ستة أطر كبرى — LangGraph وCrewAI وAutoGen (المدموج في Microsoft Agent Framework، GA أبريل 2026) وOpenAI Agents SDK وGoogle ADK وClaude Agent SDK — حسب مقاربة التنسيق (رسم بياني موجَّه / طاقم قائم على الأدوار / محادثة GroupChat / تسليمات / شجرة هرمية / حلقة أدوات مستقلة)، واللغة، ومنحنى التعلّم، والتحكم، ونضج الإنتاج، وتكلفة الرموز، وأنسب حالة استخدام. التحذير الأهم: إطار العمل «الأسرع في بناء النموذج الأولي» (CrewAI) قد يكون الأغلى في الإنتاج — نحو 3× من الرموز (41k مقابل 18.5k لـ LangGraph في أحد المعايير) ولاحتمي، ما يجعله غير مناسب للتمويل والرعاية الصحية. كما يشرح كيف جلب 2026 التشغيل البيني عبر MCP (الأدوات) وA2A (وكيل إلى وكيل)، بحيث صار وكلاء من أطر مختلفة يعملون معًا وتلاشى الاحتجاز. ويتضمن دليل اختيار حسب حالة الاستخدام 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.

أي نموذج LLM محلي تختار في 2026؟ يرتّب هذا الدليل العائلات الرئيسية (Qwen وLlama وGemma وDeepSeek وMistral وPhi) حسب الجهة المطوّرة وبلد المنشأ والحجم وحالة الاستخدام والترخيص، ويوضّح لماذا لا يوجد نموذج واحد لكل الأغراض. كما يستعرض النماذج العربية والإقليمية مثل Jais وFalcon وALLaM وAceGPT للراغبين في طبيعية اللغة العربية أو متطلّبات السيادة، مع توصيات عملية حسب VRAM وحالة الاستخدام، ونصائح الترخيص للاستخدام التجاري.

عند البدء بنموذج LLM محلي، يكون السؤال الأول دائمًا: هل سيعمل على جهازي؟ الجواب أن 90% من المواصفات تعتمد على VRAM، أي ذاكرة بطاقة الـ GPU لديك. يشرح هذا الدليل جدولًا سريعًا لحجم VRAM المطلوب حسب حجم النموذج، ومعادلة تقريبية بسيطة لحسابه، وكيف يضخّم التكميم وطول السياق هذه الحاجة. كما يعرض سرعات واقعية لكل من GPU وMac، ويقدّم ثلاث تركيبات موصى بها حسب الميزانية حتى يعرف المبتدئ أيّ جهاز يشتري.

ما الفرق فعلاً بين تشغيل LLM محلي على حاسوبك الخاص واستخدام نماذج سحابية مثل Claude وChatGPT وGemini؟ يضع هذا المقال الخيارين في مقارنة واحدة عبر الأداء والتكلفة والخصوصية والعتاد والجهد المطلوب. كما يعرض بصدق إلى أي مدى تقلّصت «فجوة الأداء» التي يُساء فهمها كثيراً اعتباراً من 2026 بعد تصاعد النماذج المفتوحة. وأخيراً يرشدك إلى أيهما تختار بحسب حالتك — ولماذا يكون النهج الهجين هو الحل الأمثل لمعظم الناس.

شريط Effort في Claude Code يحدد مقدار العمل الذي يبذله الذكاء الاصطناعي في كل رد. نوضح المستويات الخمسة (low–max)، وأن "Extra" يساوي xhigh لا الحد الأقصى، وأن "Max" هو الأعلى، وما هو وضع Ultracode وكيفية الضبط عبر /effort.

Agent evals هي عملية القياس المنهجي لما إذا كان الوكيل — الذي يستخدم الأدوات ويتخذ خطوات متعددة للوصول إلى هدف — قادرًا فعلًا على إنجاز مهامه. إنها تطور لتقييمات الـ LLM، يتوسع فيه الهدف من «مخرَج واحد» إلى «سلسلة من الأفعال». ولأن الوكيل يخطط، ويستدعي الأدوات، ويحدّث الحالة، فإن المخرَج النهائي وحده لا يكفي؛ وتشير Google إلى أن عليك فهم «لماذا» وراء أفعال الوكيل، وتقسّم التقييم إلى استجابة نهائية و trajectory. الأبعاد الخمسة هي: النتيجة (نجاح المهمة، يُحكَم عليها بالحالة النهائية — ما إذا كان الحجز موجودًا في الـ DB، لا التصريح «لقد حجزتُه»)، والمسار (خطوات معقولة، أدوات صحيحة بالترتيب الصحيح)، وصحة استخدام الأدوات (الأداة والوسائط الصحيحة، مع فحص أسماء الدوال والأنواع)، والكفاءة (الخطوات، الرموز، التكلفة، زمن الاستجابة — غالبًا إشارات قابلية مراقبة مُدخَلة في التقييم)، وجودة الاستجابة النهائية (عبر LLM-as-judge أو معيار تقييم). والمُقيّمون هم الكود (سريع/رخيص/قابل لإعادة الإنتاج لكنه هشّ)، و LLM-as-judge (مرن لكنه غير حتمي ويحتاج إلى معايرة)، والبشر (المعيار الذهبي لكنه مكلف — تجنّبه إن أمكن). توصي Anthropic بتقييم النتيجة لا المسار: فمطابقة المسار الحرفية «صارمة وهشّة» لأن الوكلاء يجدون بدائل صحيحة، بينما تقدّم Google و Microsoft مقاييس مطابقة المسار لتشخيص الإخفاقات. والمزالق الخاصة هي اللاحتمية (pass^k)، والأخطاء المتراكمة (p^t)، واختراق المكافأة (ذراع روبوت DeepMind تزيّف إمساكًا)، وتقادم مجموعات التقييم أو تلوثها. والخطة العملية، وفق Anthropic: حوّل 20-50 إخفاقًا في الإنتاج إلى حالات اختبار، وشغّل التقييم الآلي في CI، وافصل تقييمات القدرة والانحدار، واكتبها مبكرًا. ومعايير مثل SWE-bench و tau-bench و WebArena و GAIA و OSWorld و BFCL مراجع مفيدة (الدرجات تتغير حسب الإصدار، فلا تأخذها على ظاهرها). استنادًا إلى المعلومات الرسمية، مع الإشارة إلى أوجه عدم اليقين.

خطافات Claude Code هي أوامر شِل يعرّفها المستخدم وتُنفَّذ تلقائيًا عند نقاط محددة في دورة حياة Claude Code، فتجعل قاعدة "يجب أن يحدث هذا دائمًا" حقيقية وحتمية دون الاعتماد على حكم نموذج اللغة الكبير. الأحداث الكلاسيكية تسعة — SessionStart، وUserPromptSubmit، وPreToolUse، وPostToolUse، وNotification، وStop، وSubagentStop، وSessionEnd، وPreCompact — ومنها PreToolUse وغيره يمكنه الحظر (موقِفًا تعديلات الملفات المحمية أو الأوامر الخطيرة). تُعِدّها في settings.json تحت مفتاح "hooks" على هيئة اسم الحدث ← matcher ← type + command. عقد الإدخال/الإخراج: يتلقى الخطاف JSON على stdin (session_id، وtool_input، إلخ) ويُرجع عبر رمز الخروج 0 (نجاح) / 2 (حظر، مع تمرير stderr إلى Claude) أو JSON مُهيكَل (continue، وdecision:block، وpermissionDecision: deny/allow/ask). المبدأ الرئيسي هو "يمكن للخطافات التشديد لا التخفيف للقيود" (deny تفوز دائمًا، وتحظر حتى في وضع bypassPermissions). حالات استخدام كلاسيكية: التنسيق التلقائي بعد التعديلات (PostToolUse + Edit|Write)، وحماية الملفات الحرجة، وإيقاف الأوامر الخطيرة، وإعادة حقن السياق (SessionStart)، والإشعارات/سجل التدقيق، والاختبار قبل التوقف (Stop). بخصوص الأمان، تشغّل الخطافات أوامر شِل عشوائية بصلاحياتك، لذا لا تُعِدّ سوى الموثوقة منها وتحقّق من المدخلات واقتبسها؛ ويُلتقَط إعداد الخطاف عند بدء الجلسة (ميزة أمان) لذا لا تُطبَّق تغييرات منتصف الجلسة. استنادًا إلى التوثيق الرسمي، مرتكزًا على الأحداث التسعة الكلاسيكية وعقد الإدخال/الإخراج.

checkpointing و /rewind شبكة أمان: يتتبع Claude Code تلقائيًا تعديلات Claude للملفات أثناء عملك، فتعود إلى "ما قبل الخطأ" بضغطات قليلة. تُلتقط لقطة قبل كل تعديل، ويصبح كل موجّه ترسله نقطة استعادة، وتستمر نقاط التفتيش عبر الجلسات. للاستخدام، اكتب /rewind أو اضغط Esc مرتين عندما يكون الإدخال فارغًا لفتح القائمة، ثم اختر نقطة واختر استعادة الكود والمحادثة / استعادة المحادثة / استعادة الكود (ملاحظة: إذا احتوى الإدخال على نص، فإن Esc مرتين يمسحه بدلًا من ذلك). التحذير الأهم: تُستعاد فقط التغييرات التي تتم عبر أدوات تحرير Claude (Write/Edit/NotebookEdit) — أما تغييرات أوامر bash (rm/mv/cp)، والتغييرات خارج الجلسة أو من جلسات أخرى، وعمليات المجلدات، والملفات البعيدة، وحالة قاعدة البيانات فلا يُتراجَع عنها عبر rewind. تصوغها الوثائق على أنها "نقاط التفتيش = تراجع محلي، Git = تاريخ دائم،" مذكورةً أنه يُكمّل ولا يحل محل التحكم في الإصدارات، لذا الالتزام بـ Git عند المعالم هو القاعدة. كما أن /rewind هو التعافي من خطأ 400 المرتبط بتزامن استخدام الأدوات وكتل التفكير (يدفعك المنتج نفسه لتشغيله)، رغم أن الإصدارات السابقة لـ v2.1.156 قد لا تزيله فيأتي claude update أولًا. مُفعّل افتراضيًا في واجهة سطر الأوامر التفاعلية، واشتراك صريح في Agent SDK، ومُحتفَظ به مع الجلسات لمدة 30 يومًا (قابل للتهيئة). استنادًا إلى الوثائق الرسمية، مع الإشارة إلى مواطن عدم اليقين.