سير العمل الوكيلي (Agentic Workflow)
سير العمل الوكيلي عبارة عن خط أنابيب منظم يقوم فيه agent واحد أو أكثر بتنفيذ مهام متعددة الخطوات بشكل مستقل—باستخدام tools والذاكرة والمنطق الاتخاذي—لإكمال هدف يتطلب أكثر من استدعاء نموذج واحد.
سير العمل الوكيلي هو نمط تصميم يتم فيه دمج نماذج اللغة ضمن تدفق تحكمي يمكّنها من اتخاذ سلاسل من الإجراءات واستدعاء tools خارجية وتوجيه المخرجات بين مكونات متخصصة والتكرار بناءً على التغذية الراجعة لتحقيق هدف معقد. ينحل هذا النمط عن القيد الأساسي لاستدعاءات LLM أحادية الجولة: المهام التي تتطلب عشرات الخطوات أو معلومات فورية أو آثارًا جانبية في الأنظمة الخارجية لا يمكن التعامل معها في تبادل واحد بين الفوري والاستجابة.
في سير عمل وكيلي نموذجي يتلقى orchestrator هدفًا عالي المستوى ويفككه إلى مهام فرعية ويفوض كل واحدة إلى agent عامل أو tool. يمكن للعاملين استدعاء APIs وتنفيذ الأكواد والبحث عبر الويب وقراءة وكتابة الملفات أو استدعاء نماذج أخرى. تغذي النتائج مرة أخرى إلى orchestrator الذي يقرر الإجراءات اللاحقة. تسمح مكونات الذاكرة—الذاكرة العاملة الموجودة في السياق أو external vector stores أو قواعد البيانات العلائقية—للحالة بالبقاء عبر عدد كبير من التكرارات. توفر أطر عمل مثل LangChain و LlamaIndex و Microsoft Semantic Kernel و Claude Agent SDK من Anthropic تجريدات موحدة لبناء هذه الأنابيب، بما في ذلك tool registration وإدارة السياق ومعالجة الأخطاء.
تمد أسلار العمل الوكيلية القدرة العملية للذكاء الاصطناعي إلى المجالات التي تتطلب جهودًا مستمرة: هندسة البرمجيات (الكتابة والاختبار وتصحيح الأخطاء والنشر) وتجميع البحث (البحث والقراءة والتلخيص والمراجع المتقاطعة) وأتمتة العمليات التجارية (التقاط البيانات وتطبيق القواعد وتوليد المخرجات وتشغيل الأنظمة اللاحقة). تتمحور تحديات التصميم الرئيسية حول الموثوقية—الأخطاء تتراكم عبر السلاسل الطويلة—والأمان—يجب على agents ألا تتخذ إجراءات لا رجعة فيها أو ضارة دون نقاط تفتيش مناسبة.
بحلول عام 2026 أصبحت أسلار العمل الوكيلية نمط نشر معياري في المؤسسات. OpenAI Assistants API و Google Vertex AI Agent Builder و Microsoft Azure AI Agent Service و Claude Agents من Anthropic توفر جميعها بنية تحتية مدارة مع استخدام tools وذاكرة مستمرة ومراقبة. يركز البحث الإنتاجي على تقليل تراكم الأخطاء في المهام الطويلة الأفق وتحسين agent self-correction وتحديد نقاط التحكم المناسبة بين البشر والآلة للإجراءات ذات العواقب مثل المعاملات المالية أو نشر الإنتاج.