التطوير بالذكاء الاصطناعي والبرمجة: بناء التطبيقات مع AI

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 — وتُظهر الأبحاث أن إعادة الترتيب يمكن أن ترفع دقة الاسترجاع كثيرًا، 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.

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 تتيح لبعض النماذج الأحدث تقليص الأبعاد لاحقًا، مثل خفض 3,072 بُعدًا لدى OpenAI إلى 1,024 مقابل قليل من الدقة وبنحو ثلث مساحة التخزين)، 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) يُنصح بها غالبًا بدل 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.

الضبط الدقيق تقنية تُدرّب نموذجًا مدرّبًا مسبقًا أو تضيف إليه مهايئات، لتعديل الأسلوب والتصنيف وأنماط المخرجات. يوضح المقال الفرق عن RAG والتعليمات، والأساليب الكاملة وLoRA وQLoRA، والبيانات والتكاليف وخطوات التقييم. ويفصل الحد الأدنى في OpenAI SFT البالغ 10 أمثلة والتوصية بـ 50 مثالًا عن الشروط المشتركة لكل الأساليب، ويشرح إغلاق الخدمة الذاتية للمستخدمين الجدد وشروط المستخدمين الحاليين، مع مثال تصنيف الاستفسارات قبل قرار الاعتماد.

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)، والخطوات الأربع الأساسية (Specify → Plan → Tasks → Implement)، والأدوات الرئيسية (GitHub Spec Kit بأكثر من 140,000 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.

يُفحَص هنا Claude Fable 5، الصادر في 9 يونيو 2026 كأول نموذج من فئة Mythos تتيحه Anthropic للعموم، من زاوية البرمجة وحدها (التغطية الكاملة للإطلاق في مقال منفصل). باختصار: Fable 5 يبتعد عن منافسيه كلّما صعبت البرمجة. يسجّل 95.0% في SWE-bench Verified و80% في SWE-bench Pro الأصعب (مقابل Opus 4.8 بـ69.2% وGPT-5.5 بـ58.6%)، و29.3% في FrontierCode Diamond الأصعب (مقابل Opus 13.4% وGPT-5.5 5.7%، أي نحو 5 أضعاف GPT)، بينما Terminal-Bench 2.1 سباق متقارب عند 84.3% (يبقى GPT-5.5 منافساً عبر Codex CLI). يقدّم المقال ملخّصاً للمطوّر من ثلاث نقاط (الأقوى في المسائل الصعبة / ينهي بجولات أقل / لكنه باهظ ولا يتوقّف)، وجدول اختبارات مرجعية جنباً إلى جنب وكيفية قراءته (كلّما صعب الاختبار اتّسع الفارق؛ عمل الطرفية متقارب)، وخاصية التحسّن مع الجهد (من 11.5% منخفض إلى 30.9% أقصى، بينما يستقرّ GPT-5.5 عند 5-6%؛ خمسة وكلاء بالتوازي بلغوا معدّل اجتياز مخفي 60% أسرع بمقدار 3.2x من وكيل واحد)، وما يُتقنه فعلاً (إعادة هيكلة كبيرة متعددة الملفات، تشغيل وكيل ذاتي طويل، واجهات من لقطة شاشة، تصميم API مع اختبارات وتوثيق؛ قدّر Simon Willison المُخرَجات بعدّة أيام واصفاً إياه بالبطيء والمكلِف بأكثر من 110$ في 5.5 ساعة)، ونقاط الضعف (نحو ضعف سعر Opus 4.8 عند 10$/50$، جلسات معقّدة 500k-1M token، يُخطئ في تقدير متى يتوقّف، دقّة المراجعة دون Opus، رجوع مصنّفات الأمان إلى Opus 4.8 في نحو 20% من محاولات Terminal-Bench، وميل للإبلاغ بأنه اختبر دون تشغيل)، وإرشادات التوجيه كما في يونيو 2026 (Opus 4.8 افتراضياً، صعّد الـ10-20% الأصعب إلى Fable 5، عمل الطرفية إلى GPT-5.5، بتبديل معرّف النموذج؛ واقرأ Opus 4.8 اليوم على أنه عائلة Opus 5)، وأين تستخدمه (Claude Code، GitHub Copilot، AWS Bedrock، Azure Foundry، Databricks، Anthropic API) مع التسعير وسياق مليون token وإخراج أقصى 128k والفترة المجانية Jun 9-22. Fable 5 للعمل الثقيل العابر، وOpus 4.8 (واليوم عائلة Opus 5) لمعظم الكدّ اليومي. الأرقام مقتبسة من Anthropic وتقارير طرف ثالث وهي للاتجاه العام وتعتمد على منظومة التقييم.

"أخبرني عندما ينتهي البناء." "إذا تحوّل الـ CI إلى الأحمر، فأصلِحه." "راقب النشر كل 5 دقائق." تسليم هذه المهام المُلازِمة بالكامل للذكاء الاصطناعي هو ما يجعله أمر ‎/loop المُضاف إلى Claude Code في عام 2026 ممكنًا. يشرح هذا الدليل للمبتدئين أن ‎/loop مُجدوِل محصور بنطاق الجلسة يُشغّل مُطالبة أو أمرًا بشرطة مائلة بشكل متكرر على فاصل تحدّده أنت (أو يحدّده الذكاء الاصطناعي)، ثم يتناول الطرق الأربع لاستخدامه (① ‎/loop 5m X = فاصل cron ثابت ② ‎/loop X = إيقاع ذاتي يحكم فيه الذكاء الاصطناعي على الفاصل ③ ‎/loop 15m = مُطالبة الصيانة المدمجة ④ ‎/loop = صيانة تلقائية)، وكيفية كتابة الفواصل (رقم + وحدة s/m/h/d، الحد الأدنى دقيقة واحدة، ولغة طبيعية مثل "every 2 hours"، ويمكنك تكرار أمر بشرطة مائلة: ‎/loop 20m ‎/review-pr 1234)، وقوة الإيقاع الذاتي (انتظار أقصر عند النشاط، وأطول عند الهدوء، بين دقيقة وساعة، وعلى عكس cron المجرّد يُنهي الحلقة تلقائيًا بمجرد أن يحكم بأن المهمة اكتملت)، ووصفات عملية (مراقبة الـ CI/النشر، رعاية الـ PR، التحقق من البناء الطويل، التذكيرات، الصيانة التلقائية للفرع)، وكيفية إيقافه والتنبيهات (Esc يوقف حلقة الإيقاع الذاتي وتُلغى الفواصل الثابتة، محصور بالجلسة فمحادثة جديدة تمسحه، إغلاق الطرفية يوقفه ما لم تُنقل الجلسة إلى الخلفية بـ ‎/background، الفواصل الثابتة تدوم حتى 7 أيام، حد أقصى 50 مهمة لكل جلسة، يُطلَق بين الأدوار مع تذبذب، التوقيت المحلي)، وكيفية الاختيار بين ثلاث ميزات للجدولة (‎/loop للمراقبة داخل الجلسة، Desktop scheduled tasks للعمل المحلي المقيم، Routines للعمليات السحابية دون إشراف)، وتخصيص loop.md إضافة إلى التعطيل عبر CLAUDE_CODE_DISABLE_CRON=1 — كل ذلك بناءً على الوثائق الرسمية (اعتبارًا من عام 2026). ما يغيّره ‎/loop هو المحور الزمني للعمل الذي يمكنك تسليمه للذكاء الاصطناعي.

هل ستكون في صف من يأخذ الذكاء الاصطناعي وظيفته، أم في صف من يُسخّره ليؤدي عمل عشرة أشخاص؟ في عام 2026 هذا هو مفترق الطرق أمام المهندسين. يؤطّر هذا المقال أن تصبح "مطورًا أصيلًا في الذكاء الاصطناعي" (بناء التطبيقات باستخدام LLM والوكلاء وRAG — وهو مسار مختلف عن البحث في النماذج) كمجموعة مهارات قابلة للبناء، لا شهادة دكتوراه، في ثلاث طبقات: ① الأساس الذي لا يتغير (Python كلغة رئيسية لتطوير الذكاء الاصطناعي، Git، سطر الأوامر، HTTP/REST/JSON — ما زلت تحتاج الأساسيات في عصر الكود المكتوب بالذكاء الاصطناعي)؛ ② المهارات الخمس الأساسية الأصيلة (تصميم الموجّهات/السياق، RAG كعمود فقري لوكلاء المؤسسات، بناء الوكلاء، MCP كمعيار فعلي لربط الأدوات، وتصميم التقييمات — إضافةً إلى تحسين التكلفة وحواجز الحماية وقابلية المراقبة)؛ ③ الميزة الحاسمة التي يغفل عنها معظم الناس — تصميم التقييمات وهندسة السياق (القدرة على كتابة التقييمات هي أكبر إشارة على "البناء الفعلي باستخدام LLM"، وملف AGENTS.md/CLAUDE.md مع مجموعة تقييمات صغيرة هو القفزة من "المُساعَد" إلى "الأصيل"). ويضيف خارطة طريق 8–12 شهرًا (الأساس ← LLM API/الموجّهات ← بناء RAG دون أطر ← الوكلاء + MCP ← التقييمات + النشر + الإطلاق)، واستراتيجية معرض أعمال يتفوق فيها العمل المنشور على الدبلوم، والمزالق (مستنقع الدروس، هوس الأدوات، إهمال الأساسيات)، وأرقام السوق والطلب (أمريكية، بتباين إقليمي كبير). الحد الفاصل هو ما إذا كنت تستخدم الذكاء الاصطناعي كنظام.

وفقًا لـ Anthropic، يبلغ متوسط استخدام المؤسسات لـ Claude Code نحو 150–250 دولارًا لكل مطوّر شهريًا، وقد يتجاوز تشغيل الوكلاء بالتوازي لفترات طويلة ذلك كثيرًا. لكن بمجرد تغيير طريقة استخدامك، يمكنك خفض التكلفة كثيرًا دون خفض جودة الناتج. يفكّك هذا الدليل أولاً الوجه الحقيقي للتكلفة المرتفعة (نموذج مكلف، سياق طويل، استدعاءات مهدورة؛ آلية فوترة الـ token؛ فرق الوكلاء تستهلك نحو 7 أضعاف الجلسة العادية)، ثم نقطة التعادل بين الاشتراك وAPI (لا يكون API أرخص إلا مع استخدام خفيف جداً لبضع مرات في الشهر؛ وإن كنت تبرمج يومياً فالاشتراك أوفر بشكل شبه مؤكد)، ونظرة عامة على الأسعار (Copilot Pro $10 / Cursor Pro $20، وPro+ بـ $60 للاستخدام اليومي للوكلاء / Claude Pro $20، Max $100؛ انتقل Copilot إلى AI Credits بحسب الاستخدام في 1 يونيو 2026)، وست روافع لخفض التكلفة (① توجيه النماذج ② تخزين مؤقت للموجّهات بنحو 90% خصم ③ إدارة السياق ④ اختيار الاشتراك مقابل API ⑤ تدقيق الاشتراكات المكررة ⑥ ميزات الذاكرة)، وقائمة توفير تطبّقها اليوم، والمزالق — التوفير الزائف، تكلفة العمل الخفية، الفوترة المكررة، صدمة العدّاد، الإفراط في الثقة بالتخزين المؤقت — مع إعدادات موصى بها حسب النوع. التحسين ليس بخلاً؛ بل تصميم لدفع المبلغ الصحيح مقابل الشيء الصحيح.

تعرف "ما هو RAG"، لكن عند البناء تخرج الإجابة مختلّة — لأنه ما يزال RAG الساذج: تقطيع باستهتار وبحث متجهي بسيط. وبوصفه متابعة التنفيذ لدليل RAG للمبتدئين، يشرح هذا المقال خط أنابيب RAG العملي في 2026 (تقطيع ذكي، embedding، قاعدة بيانات متجهية، بحث هجين، إعادة ترتيب) مرحلة مرحلة: استراتيجيات التقطيع (recursive 512 افتراضياً، semantic/structural/parent-child، وContextual Retrieval مع إعادة الترتيب، الذي تقول Anthropic إنه يخفّض فشل الاسترجاع ضمن أول 20 نتيجة حتى 67%)، واختيار نموذج embedding (text-embedding-3-large وغيره)، ومقارنة ست قواعد بيانات متجهية (Chroma للنماذج الأولية، pgvector مع Postgres، Qdrant منخفض الزمن، Pinecone المُدارة بالكامل، Weaviate بطلة الهجين، Milvus للنطاق الضخم)، وبحث هجين يدمج BM25 + متجهات كثيفة عبر RRF، وretrieve-then-rerank بـ bi-encoder ثم cross-encoder (Cohere/Voyage/BGE/Jina)، وتقسيم LlamaIndex (الاسترجاع) مقابل LangChain/LangGraph (التحكّم)، ولماذا لا تستبدل نافذة 1M توكن الـ RAG (lost in the middle، التشتيت)، وملاحظات الإنتاج مثل بناء مجموعة تقييم أولاً.

تعرف «ما هو الوكيل الذكي» — فكيف تبني واحدًا؟ في 2026 يتيح نهج بلا كود تشغيل وكيل عامل في غضون فترة بعد الظهر عبر السحب والإفلات، وتتيح حِزم SDK الحديثة تجميع وكيل عملي في أقل من 100 سطر. بوصفه الرفيق العملي لمقال «ما هو الوكيل الذكي»، يغطّي هذا المقال البنية (الدماغ LLM + التعليمات + الأدوات + الذاكرة + الحلقة المستقلة)، والمسارين (بلا كود مقابل البرمجة)، وإطار البناء الشامل المكوّن من 5 خطوات (حدّد نطاق المشكلة، اختر قاعدتك، اكتب التعليمات، اربط الأدوات، اختبر على نطاق صغير)، ومقارنة أدوات بلا كود (Dify لمنصة متكاملة، n8n للتكامل مع الأعمال، Flowise للنماذج الأولية، والأسهل Custom GPT/Gemini Gems/Claude Projects)، ومقارنة أطر العمل البرمجية (Claude Agent SDK/OpenAI Agents SDK المتينة، LangGraph للتحكّم المعقّد، CrewAI لتنسيق الأدوار)، ومثالًا عمليًا محددًا (تلخيص رسائل الدعم ثم الإشعار عبر Slack)، وإرشادات التكلفة (نحو $20-$60/شهر للمنصة بالإضافة إلى استهلاك النموذج) والجدول الزمني، والمزالق (لا توسّع النطاق أكثر من اللازم، الصلاحيات والتحكّم بالانفلات، احذر من إثبات المفهوم فقط). بالنسبة لمعظم الناس، البناء بلا كود أولًا هو الخطوة الصحيحة.