أدلة ومقارنات وأحدث الأخبار عن أدوات الذكاء الاصطناعي

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.

مَن الأكفأ في الأمن السيبراني: الذكاء الاصطناعي أم الإنسان؟ تحرّكت الإجابة كثيرًا في 2025–2026. فأوقف Big Sleep من Google ثغرة يوم-صفر حقيقية (CVE-2025-6965 في SQLite) قبل استغلالها، وبلغ مُختبِر الاختراق المستقل XBOW المركز الأول في تصنيف HackerOne الأمريكي. وفي المقابل، تبيّن أن 45% من الشيفرة المولّدة بالذكاء الاصطناعي بها ثغرات (نحو 2.74 ضعف ما يكتبه البشر)، ووقع أول هجوم سيبراني واسع يقوده الذكاء الاصطناعي عبر إساءة استخدام Claude (نُفّذ 80–90% منه ذاتيًا). يقارن المقال، استنادًا إلى مصادر أوّلية من Google وAnthropic وDARPA وVeracode، بين الذكاء الاصطناعي المتفوّق في السرعة والحجم والشمول، والإنسان المتفوّق في منطق العمل وتسلسل الهجوم والحُكم النهائي، عبر جدول مرجعي حسب المهمة. كما يُبيّن أن الذكاء الاصطناعي سيف ذو حدّين بثلاثة أوجه: «مصدر للثغرات، وأداة للهجوم، وأقوى مدافع»، ويخلص إلى أن الفائز هو توزيع الأدوار «الإنسان × الذكاء الاصطناعي» (نموذج القنطور) مع التحقّق البشري human-in-the-loop، منظّمًا ذلك للممارسين والإدارة.

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.

يشرح هذا المقال مخاطر الاعتماد على الذكاء الاصطناعي بعد أن سُحب نموذجا Claude Fable 5 و Mythos 5 بين عشية وضحاها في يونيو 2026 بسبب التنظيم ثم أُعيد نشرهما بعد 19 يومًا في 1 يوليو 2026. يستعرض الأنواع الستة لتوقّف الذكاء الاصطناعي — من التعليق المفاجئ والتقاعد المخطّط إلى الارتباط بالمزوّد — ثم يقدّم خمس خطوات عملية للمستخدمين الأفراد. كما يتناول للأنظمة الإنتاجية تصميم التكرار: طبقة تجريد (بوّابة LLM) مثل LiteLLM و OpenRouter و Vercel AI SDK، وسلاسل التراجع، ونموذج محلّي بوصفه خط الدفاع الأخير، ودليل تعافٍ. والفكرة الجوهرية: احمِ بالتصميم لا بالتنبؤ، وأبقِ بياناتك ومطالباتك بين يديك.

تتيح لك قواعد الأذونات في Claude Code كتابة إدخالات allow / ask / deny في settings.json للتحكم بدقة فيما يُشغَّل دون سؤال، أو يطلب التأكيد، أو يُمنع. يشرح هذا الدليل الفرق بين القواعد والأوضاع، وأولوية deny ← ask ← allow، وصيغة Tool(specifier)، وتسلسل ملفات settings.json، إضافة إلى وصفات عملية لإعداد آمن.

يحدد محدِّد "Permission Mode" في Claude Code عدد مرات توقف Claude لطلب الإذن قبل تعديل ملف أو تشغيل أمر. يشرح هذا الدليل الأوضاع الخمسة (Ask permissions وAccept edits وPlan mode وAuto mode وBypass permissions) إضافةً إلى dontAsk، وكيفية التبديل بينها، ومتى تختار كل وضع بأمان.

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.