Factory AI تضاعف سرعة التكرار مرتين باستخدام LangSmith من LangChain
Factory AI شركة ناشئة تطوّر وكلاء ذكاء اصطناعي لكتابة الشيفرة البرمجية، وقد أتمتت حلقة معالجة التغذية الراجعة باستخدام LangSmith. وبنى الفريق تتبّعاً لكل طلب، وتقييمات تلقائية للـ prompts، وآلية سريعة لعزل حالات التراجع في الأداء. ونتيجة لذلك تضاعفت سرعة التكرار مرتين: فقد أصبحت دورة «تعديل الـ prompt ← التحقق ← اتخاذ القرار» أقصر بمقدار النصف.
معالج بواسطة الذكاء الاصطناعي من LangChain Blog؛ بتحرير Hamidun News
ضاعفت Factory AI، وهي شركة تطوّر وكلاء ذكاء اصطناعي لأتمتة كتابة الشيفرة البرمجية، سرعة التكرار مرتين بعد دمج LangSmith. وهذه الأداة من LangChain مخصصة لتتبّع خطوط معالجة LLM وتقييمها، وقد مكّنت الشركة من أتمتة حلقة التغذية الراجعة.
لماذا يصعب العمل دون observability
عندما يصل منتج الذكاء الاصطناعي إلى بيئة الإنتاج، يفقد الفريق في كثير من الأحيان الرؤية الواضحة لما يجري. فلا يتبيّن لماذا قدّم الوكيل إجابة خاطئة، ولا في أي خطوة تحديداً تعطّل خط المعالجة، ولا أي تعديل على الـ prompt حسّن سلوك النظام أو أضعفه. وواجهت Factory AI هذه الاختناقة الكلاسيكية: استغرق تصحيح الأخطاء ساعات، ولم يكن إعادة إنتاج خطأ بعينه ممكناً دائماً، وأبطأ التحليل اليدوي للسجلات العمل على المنتج بأكمله.
LangSmith منصة من LangChain لتتبّع تطبيقات LLM وتقييمها ومراقبتها. فهي تسجّل كل خطوة في خط المعالجة: الـ prompt الوارد، واستدعاءات النموذج، والنتائج الوسيطة، والإجابة النهائية، وزمن الاستجابة. وبذلك يصبح تصحيح الأخطاء حتمياً: يرى الفريق لقطة دقيقة لكل طلب، ويستطيع إعادة إنتاج أي حالة مباشرة من بيئة الإنتاج.
كيف أُغلقت حلقة التغذية الراجعة
كان التغيير الجوهري هو أتمتة حلقة التغذية الراجعة (feedback loop). فقد كان المسار من «اشتكى المستخدم» إلى «وجدنا السبب» يستغرق وقتاً طويلاً جداً، خصوصاً حين تكون المشكلة غير مستقرة في إعادة إنتاجها. وبعد دمج LangSmith، بنى فريق Factory AI عملية منظّمة:
- يُتتبَّع كل طلب موجّه إلى الوكيل ويمكن استعراضه بالتفصيل في الوقت الفعلي
- تعمل التقييمات التلقائية (evals) على بيانات حديثة من بيئة الإنتاج دون تشغيل يدوي
- تُقارَن إصدارات الـ prompts عبر إطار التجارب المدمج
- تُعزل حالات التراجع بعد النشر خلال دقائق، لا ساعات
- تُضاف الحالات الإشكالية الحقيقية تلقائياً إلى مجموعة بيانات الاختبار لاستخدامها في الفحوص المستقبلية
وحلّ هذا النهج المنظّم محل التحليل اليدوي: أصبح كل تغيير يُختبر على حركة المرور الفعلية، وكفّ الفريق عن انتظار تراكم الشكاوى ليدرك أن خللاً ما قد حدث.
النتيجة: سرعة التكرار ×2
وفق بيانات Factory AI، تضاعفت سرعة التكرار مرتين. فقد قصرت دورة «تعديل الـ prompt ← التقييم على بيانات حقيقية ← اتخاذ القرار» إلى النصف من حيث الزمن. وما كان يستغرق يوم عمل كاملاً بات يُنجَز في بضع ساعات.
وهذا أمر جوهري لفرق المنتجات: فكلما قصرت الدورة، أمكن اختبار عدد أكبر من الفرضيات خلال السبرنت الواحد، وارتفعت جودة الوكلاء أسرع، وقلّ الوقت الهندسي المهدور في أعمال التحري بدلاً من تطوير قدرات جديدة.
«لا يمكننا تحسين ما لا نستطيع قياسه» — هذا المبدأ المأخوذ من الهندسة الكلاسيكية يبدأ أخيراً بالتطبيق المنهجي في منتجات LLM.
ماذا يعني ذلك
تعكس حالة Factory AI اتجاهاً أوسع: بدأت شركات الذكاء الاصطناعي تتعامل مع خطوط معالجة LLM بوصفها أنظمة إنتاجية حقيقية، تتوافر فيها observability وتنبيهات وإدارة إصدارات للـ prompts وعملية تقييم صارمة ضمن CI/CD. ودون أدوات مثل LangSmith، تتحول التكرارات في منتجات الذكاء الاصطناعي إلى تخمين، وتنفق الفرق وقتها في البحث عن المشكلات بدلاً من حلّها.
أما الفرق التي ما زالت تعمل دون مراقبة لخطوط معالجة LLM، فتقدّم لها هذه النتيجة حجة ملموسة: الاستثمار في observability يؤتي ثماره بتسريع قابل للقياس في التطوير وبانخفاض عدد المشكلات «المظلمة» في بيئة الإنتاج.
- 8 يوليو 2026LangChain: كيف تحسّن وكلاء الذكاء الاصطناعي عبر تحليل البيانات
- 30 يونيو 2026LangChain تطلق Promptim: مكتبة للتحسين الآلي للموجّهات النصية
- 30 يونيو 2026New Computer ترفع دقة البحث في ذاكرة الوكيل الذكي بنسبة 50% بفضل LangSmith
- 31 مايو 2026LangChain تطلق Mission Control لإدارة LangSmith على Kubernetes
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول لماذا يصعب العمل دون observability؟
عندما يصل منتج الذكاء الاصطناعي إلى بيئة الإنتاج، يفقد الفريق في كثير من الأحيان الرؤية الواضحة لما يجري. فلا يتبيّن لماذا قدّم الوكيل إجابة خاطئة، ولا في أي خطوة تحديداً تعطّل خط المعالجة، ولا أي تعديل على الـ prompt حسّن سلوك النظام أو أضعفه. وواجهت Factory AI هذه الاختناقة الكلاسيكية: استغرق تصحيح الأخطاء ساعات، ولم يكن إعادة إنتاج خطأ بعينه ممكناً دائماً، وأبطأ التحليل اليدوي للسجلات العمل على المنتج بأكمله. LangSmith منصة من LangChain لتتبّع تطبيقات LLM وتقييمها ومراقبتها.
ما أبرز التفاصيل حول كيف أُغلقت حلقة التغذية الراجعة؟
كان التغيير الجوهري هو أتمتة حلقة التغذية الراجعة (feedback loop). فقد كان المسار من «اشتكى المستخدم» إلى «وجدنا السبب» يستغرق وقتاً طويلاً جداً، خصوصاً حين تكون المشكلة غير مستقرة في إعادة إنتاجها. وبعد دمج LangSmith، بنى فريق Factory AI عملية منظّمة: يُتتبَّع كل طلب موجّه إلى الوكيل ويمكن استعراضه بالتفصيل في الوقت الفعلي تعمل التقييمات التلقائية (evals) على بيانات حديثة من بيئة الإنتاج دون تشغيل يدوي تُقارَن إصدارات الـ prompts عبر إطار التجارب المدمج تُعزل حالات التراجع بعد النشر خلال دقائق،…
ما أبرز التفاصيل حول النتيجة: سرعة التكرار ×2؟
وفق بيانات Factory AI، تضاعفت سرعة التكرار مرتين. فقد قصرت دورة «تعديل الـ prompt ← التقييم على بيانات حقيقية ← اتخاذ القرار» إلى النصف من حيث الزمن. وما كان يستغرق يوم عمل كاملاً بات يُنجَز في بضع ساعات. وهذا أمر جوهري لفرق المنتجات: فكلما قصرت الدورة، أمكن اختبار عدد أكبر من الفرضيات خلال السبرنت الواحد، وارتفعت جودة الوكلاء أسرع، وقلّ الوقت الهندسي المهدور في أعمال التحري بدلاً من تطوير قدرات جديدة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.