وكلاء الذكاء الاصطناعي

من الإجابة إلى الفعل

المستوى	الوصف
استدعاء واحد	سؤال ← إجابة
سير عمل محدد	خطوات ثابتة يحددها المطور (مثل RAG)
وكيل	النموذج يقرر الخطوة التالية والأداة المناسبة في حلقة

المكونات

• النموذج: يفسر الهدف ويقرر.
• الأدوات: بحث، قاعدة بيانات، حاسبة، تشغيل شيفرة في بيئة معزولة، واجهات برمجية.
• الذاكرة: سجل الخطوات، وملخصات، واسترجاع من مخزن طويل المدى.
• التخطيط: تقسيم الهدف إلى مهام فرعية ومراجعتها.

حلقة ReAct

الهدف: كم عدد الدروس في مسار تعلم الآلة، وما أول درس فيه؟
تفكير: أحتاج إلى بيانات المسار.
فعل: search_tracks("تعلم الآلة")
ملاحظة: {"slug": "machine-learning", "lessons": 17, "first": "مقدمة في تعلم الآلة"}
تفكير: لدي ما أحتاجه.
إجابة: يضم المسار 17 درساً، أولها «مقدمة في تعلم الآلة».

هيكل حلقة مبسطة

def run_agent(goal, llm, tools, max_steps=8):
    history = [{"role": "user", "content": goal}]
    for _ in range(max_steps):
        decision = llm(history, tools=list(tools))          # يعيد إما إجابة أو طلب أداة
        if decision["type"] == "final":
            return decision["content"]
        name, args = decision["tool"], decision["args"]
        if name not in tools:
            result = {"error": f"unknown tool {name}"}
        else:
            result = tools[name](**args)                    # نفّذ بعد التحقق من المعاملات
        history.append({"role": "tool", "name": name, "content": result})
    return "توقف الوكيل: تجاوز الحد الأقصى للخطوات."

الدالة llm هنا تجريد لأي مزود؛ صيغة الطلب الفعلية تختلف بين الواجهات.

مبادئ التصميم

• ابدأ بأبسط حل وأضف الاستقلالية فقط عند الحاجة.
• حدد سقفاً للخطوات والتكلفة والزمن.
• صمم أدوات واضحة الوصف بمعاملات محددة.
• اطلب موافقة بشرية قبل الأفعال غير القابلة للتراجع.
• سجّل كل خطوة لتتبع الأخطاء وتقييمها.

التحديات

تراكم الأخطاء، والحلقات غير المنتهية، والتكلفة، وحقن الموجّهات عبر نتائج الأدوات، وصعوبة التقييم لأن المسار نفسه قد يختلف بين التشغيلات.