Context Graph: باحثون يعلّمون وكلاء الذكاء الاصطناعي في الشركات العمل دون انتظار الطلبات

نشر فريق من الباحثين في 10 يوليو 2026 ورقة على arXiv تتضمن بنية Context Graph، وهي بنية بيانات علائقية حيّة تنقل وكلاء الذكاء الاصطناعي في الشركات من نمط «انتظر السؤال» السلبي إلى نمط استباقي. وفي اختبارات على ثلاثة سيناريوهات عمل، انخفض متوسط الوقت اللازم للحصول على المعلومة المطلوبة من 47 دقيقة إلى أقل من 30 ثانية.

لماذا يُبطئ النمط التفاعلي الذكاء الاصطناعي في الشركات

يشير المؤلفون إلى مشكلة جوهرية في أنظمة RAG الحالية والأطر الوكيلية: فهي تنتظر الطلب. وعلى الموظف أن يدرك بنفسه حاجته إلى المعلومة، وأن يصوغها بشكل صحيح، ثم يتوجّه إلى النظام، وهذا يسبّب تأخيرًا يتراوح بين دقائق وساعات. وفي الوقت نفسه تضيع نسبة كبيرة من الإشارات الحرجة: فالشخص ببساطة لم يكن يعلم أنه ينبغي أن يسأل، أو كان منشغلًا بمهمة أخرى لحظة وقوع الحدث المهم.

يغيّر Context Graph هذا المنطق من أساسه. فبدلًا من الرد على الاستعلام، يبني النظام نموذجًا حيًّا للمؤسسة ويُصدر إشعارًا بنفسه عند حدوث تغيير مهم. ويخزّن الرسم البياني كيانات العمل، من عقود وحوادث وصفقات ومهام، إضافة إلى الروابط بينها وتاريخ انتقالها بين الحالات. ويجري تحديث كل ذلك باستمرار وفي الوقت الفعلي، دون تدخل من المستخدم.

كيف تُبنى مكوّنات النظام الثلاثة

تتألف بنية Context Graph من ثلاث طبقات متتابعة، تؤدي كل منها دورًا مستقلًا في السلسلة الممتدة من الحدث إلى الإشعار:

• Delta Detection Engine — يراقب الرسم البياني باستمرار بحثًا عن التغيّرات: تحديثات الحالات، وتغيّر المسؤولين، وظهور روابط جديدة، وتجاوز المواعيد النهائية. وهذا المكوّن هو الذي «يلاحظ» أن أمرًا ما قد حدث.
• Proactivity Scorer — يرتّب الإشعارات المحتملة وفق ثلاثة معايير: إلحاح الحدث، وصلته بالمستخدم المعيّن، وملاءمته لدوره وسياقه (persona-fit). وقد اشتقّ المؤلفون صيغة موحّدة باسم Proactivity Score تجمع المؤشرات الثلاثة في أولوية رقمية واحدة.
• Surfacing Layer — يولّد نموذج LLM الرسالة النهائية للموظف مع التعليل والسياق المستمد من الرسم البياني. وفي تنفيذ المؤلفين، تتولى Anthropic Claude API هذه الطبقة.

يعتمد التنفيذ بلغة Python بالكامل على NetworkX، وهو مدرج كاملًا في نص الورقة، ويمكن إعادة إنتاجه من الصفر دون أي تبعيات إضافية.

ما الذي أظهرته الحالات المؤسسية الثلاث

اختُبر النظام في ثلاثة سيناريوهات «عامة» عن قصد، بهدف إظهار شمولية البنية لا تخصيصها لقطاع بعينه:

• إدارة دورة حياة العقود — تتبّع الحالات والمواعيد وتغيّر المسؤولين
• الاستجابة للحوادث في الفرق الهندسية — تصعيد مبكر قبل أن «يلاحظ» المطوّر المشكلة
• متابعة «سلامة» مسار المبيعات — رصد الصفقات المتعثرة والأنشطة الفائتة

المقاييس النهائية مقارنةً بالنمط التفاعلي الأساسي:

• Precision@5 = 0,83 — من بين أفضل 5 إشعارات، تكون 83% منها ذات صلة فعلية
• False positive rate = 0,11 — 11% فقط من الإشعارات زائدة
• متوسط الوقت اللازم لتقديم المعلومة: من 47 دقيقة (النمط التفاعلي) إلى أقل من 30 ثانية — أي انخفاض بأكثر من 90 مرة

ماذا يعني هذا

ينقل هذا العمل مفهوم «الوكيل الاستباقي» من النقاش الأكاديمي إلى نموذج أولي عامل بشيفرة مفتوحة. وإذا أمكن تكرار النتائج في بيئة الإنتاج، فسيصبح بإمكان أنظمة الذكاء الاصطناعي في الشركات تقديم السياق المناسب في اللحظة المناسبة دون طلب، وهو أمر ذو قيمة خاصة حيث يكلّف التأخر في الحصول على المعلومة مالًا: الحوادث الهندسية، والعقود المتأخرة، ومسار المبيعات (pipeline) المتعثر.

الأسئلة الشائعة

أي LLM مسؤول عن الإشعارات النهائية؟

في طبقة Surfacing Layer يستخدم المؤلفون Anthropic Claude API، وهي التي تولّد الإشعارات مع شرح السياق وتعليل الأولوية لكل موظف على حدة.

أين يمكن العثور على شيفرة التنفيذ؟

يتضمن نص ورقة arXiv 2607.07721 التنفيذ الكامل بلغة Python القائم على NetworkX وAnthropic Claude API من البداية إلى النهاية، والورقة متاحة مجانًا على arxiv.org.