كيف تبني وكيل ذكاء اصطناعي في Google Colab دون أي أطر عمل: دليل تطبيقي مع الذاكرة وMCP

يمكن بناء وكيل ذكاء اصطناعي متكامل في Google Colab، بذاكرته وأدواته وخادم MCP الخاص به، دون ربط أي إطار عمل خارجي. يوضح دليل تطبيقي جديد كيف تعيد إنتاج بنية nanobot من الصفر بلغة Python الخالصة، وتفهم ما يجري فعليًا «تحت الغطاء» في حلقة عمل الوكيل.

ما هو نهج nanobot

يقدّم nanobot رؤية مبسّطة لبناء وكلاء الذكاء الاصطناعي: لا اعتماديات ثقيلة مثل LangChain أو AutoGPT، بل لبنات بناء شفافة يتحكم فيها المطوّر بالكامل. يتجنّب مؤلفو الدليل عمدًا الأطر الجاهزة ليفكّكوا حلقة عمل الوكيل إلى أجزائها. ويشير الاسم نفسه إلى فكرة الوحدات الصغيرة المتخصصة بدلًا من الأنظمة المتراصّة الضخمة.

حين تبني الوكيل يدويًا، تعرف بدقة أين تنشأ نقطة الاختناق: في الذاكرة، أو في توجيه استدعاءات الأدوات، أو في تكوين الموجّه (prompt). أما الأطر الجاهزة فتُخفي هذه التفاصيل، وتجعل تصحيح الأخطاء أصعب بكثير في الحالات غير المعتادة.

مما يتكوّن الوكيل

ينقسم الدليل إلى مراحل متتالية. تضيف كل مرحلة طبقة وظيفية جديدة فوق سابقتها:

• طبقة تجريد المزوّد — واجهة موحّدة لا ترتبط بنموذج LLM بعينه: OpenAI أو Anthropic أو نموذج محلي أو أي نموذج آخر
• تسجيل الأدوات — آلية تتيح للوكيل استدعاء دوال خارجية: البحث، والآلة الحاسبة، والعمل مع الملفات
• ذاكرة الجلسة — حفظ سجل الحوار ضمن جلسة واحدة، مع إدارة طول السياق
• Lifecycle hooks — نقاط اعتراض للأحداث قبل استدعاء الأداة، وبعد رد النموذج، وعند وقوع خطأ
• المهارات (Skills) — مجموعات سلوك قابلة لإعادة الاستخدام، تُربط بالوكيل كوحدات مستقلة
• خادم بأسلوب MCP — خادم أدوات محلي مستوحى من Model Context Protocol من Anthropic

يُبنى كل مكوّن من الصفر، وهذا يتيح رؤية كيف تتصل الرسائل واستدعاءات الأدوات وردود النموذج في حلقة عمل واحدة متكاملة.

لماذا نفهم الأساسيات

يتعامل معظم المطوّرين مع الوكلاء عبر أغلفة عالية المستوى مثل LangChain وCrewAI وAutoGen. هذا مريح للانطلاق السريع، لكنه يخلق مشكلات عندما يسوء شيء ما. فحين «يتعطل» الوكيل، فيفقد السياق أو يدخل في حلقة مفرغة أو يستدعي أداة خاطئة، يصبح تحديد السبب عبر عدة طبقات من التجريد أمرًا بالغ الصعوبة.

يحل فهم الآليات الأساسية هذه المشكلة: ترى نقطة العطل وتعالجها بدقة، بدلًا من إعادة تشغيل المنظومة كلها على أمل أن «تُصلح نفسها بنفسها».

«نعيد بناء كل لبنة لنرى كيف تتكامل الرسائل والأدوات والذاكرة وردود

النموذج معًا»، هكذا يصيغ المؤلفون هدف الدليل.

وتجعل الحلقة المحايدة تجاه المزوّد الوكيلَ قابلًا للنقل: فتغيير مزوّد LLM لا يتطلب إعادة كتابة منطق العمل.

Google Colab كمنصة

يعمل الدليل بالكامل داخل Google Colab، أي دون أي بنية تحتية: لا حاجة إلى إعداد بيئة محلية أو Docker أو خادم سحابي. يكفي فتح الدفتر وتشغيل الخلايا بالترتيب. وهذا هو الشكل الأمثل للتعلّم، إذ يعزل Colab التجارب، ويتيح التكرار السريع، ويُظهر المخرجات فورًا في كل خطوة. ويمكن توسيع الوكيل الذي تبنيه ليعمل مع مزوّدي LLM حقيقيين في دفتر لاحق.

ماذا يعني ذلك

يسد الدليل فجوة حقيقية بين «تشغيل إطار عمل جاهز» و«فهم كيف يعمل الوكلاء من الداخل». وإذا كنت تخطط لبناء منتجات قائمة على الوكلاء، فإن هذا الفهم الأساسي سيوفّر عليك ساعات طويلة من تصحيح الأخطاء.