AgentLens: تقييم وكلاء البرمجة ينتقل من النتيجة النهائية إلى مسار العمل

قدّم باحثون AgentLens، وهو اختبار معياري لتقييم وكلاء البرمجة، في يوليو 2026. وعلى عكس الاختبارات التقليدية التي تختزل النتيجة في pass/fail بسيط، يحلّل AgentLens مسار عمل الوكيل بأكمله: كيف يتبع التعليمات، وكيف يستخدم الأدوات المتاحة، وكيف يتحقق من شيفرته، وكيف يتعافى بعد الأخطاء، وكيف يتواصل مع المستخدم.

لماذا لا تكفي الأساليب القديمة

يعمل الاختبار المعياري المعتاد لوكلاء البرمجة بأبسط صورة ممكنة: تُعطى مهمة، ثم يُنظر هل حُلّت أم لا. وتُختزل النتيجة في قيمة ثنائية واحدة: 1 أو 0، pass أو fail. وهذا مناسب للترتيب السريع للنماذج، لكنه لا يعكس إطلاقًا تجربة المستخدم الفعلية.

أما من يعملون مع وكلاء البرمجة في بيئة الإنتاج (production) فيرون أكثر من ذلك بكثير. فهم يتفاعلون مع الوكيل طوال عمله، ويتابعون سير استدلاله، ويلاحظون الأخطاء التي يرتكبها، ويراقبون كيف يتعافى منها ويغيّر استراتيجيته. كما يطرحون عليه أسئلة توضيحية، ويطلبون منه إعادة كتابة الشيفرة، ويشيرون إلى الأخطاء البرمجية (bugs).

ولا تلتقط الاختبارات المعيارية القياسية شيئًا من ذلك. فهي لا تفسّر لماذا اختار الوكيل هذا النهج بالذات، ولا أي الخطوات الوسيطة بدت له منطقية، ولا أين تعثّر. وقد تكون النتيجة النهائية صحيحة من الناحية التقنية، بينما يكون الطريق إليها طويلًا وغير فعّال ومليئًا بالمحاولات الفاشلة.

كيف يعمل AgentLens

يجمع AgentLens عدة مقاربات للتقييم في نظام واحد:

• التحقق الصوري — فحوصات موضوعية حيثما أمكن ذلك (صياغة الشيفرة، والمنطق، ونتائج اختبارات الوحدة unit tests)
• مراجعات المسار (trajectory reviews) التي تكتبها نماذج LLM — نماذج مدرَّبة خصيصًا تحلّل مسار الوكيل بالكامل، وتقيّم كل خطوة وكل قرار
• المقارنات جنبًا إلى جنب (side-by-side) — يعرض النظام مقارنة بصرية بين إصدارات الوكلاء، ويبرز الفروق في السلوك

ونتيجة كل تشغيل ليست مجرد درجة من 1 إلى 10، بل شرح نصي مفصّل بلغة طبيعية. ويصف النظام: لماذا نال الوكيل هذا التقييم بالذات، وأي القرارات كانت منطقية وصحيحة، وأين أخطأ، وكيف خرج من أخطائه، وهل كان فعّالًا في استخدام الأدوات.

أين يُستخدم AgentLens

لم يثبت الاختبار فائدته في ترتيب النماذج المختلفة فحسب. فالمطوّرون يستخدمونه لثلاثة أغراض رئيسية:

• تشخيص السلوك — فهم عميق للمواضع التي يخطئ فيها الوكيل بصورة منهجية، وأصعب فئات المهام عليه، والأدوات التي لا يستفيد منها بالقدر الكافي
• مقارنة إصدارات الوكيل الخاص — تتبّع ما إذا تحسّنت الجودة بين الإصدارات أو حدث تراجع (regression) في جانب معيّن
• المراقبة الآلية — خطوط اختبار ليلية (pipelines) ترصد المشكلات قبل أن تصل إلى الأنظمة الفعلية

ماذا يعني ذلك

يجسّد AgentLens اتجاهًا أوسع في مجتمع الذكاء الاصطناعي (AI): فتقييم وكلاء البرمجة ينتقل من المقاييس البسيطة إلى تحليل شامل لعملية العمل بأكملها. وبدلًا من الإجابة الثنائية بنعم/لا (yes/no)، يقدّم النظام الآن صورة كاملة: ما القرارات التي اتخذها الوكيل، ولماذا، وما الذي نجح، وما الذي لم ينجح.

ويساعد ذلك المطوّرين على تحسين النتائج النهائية، وعلى فهم أعمق لكيفية استدلال أنظمة AI لديهم، وأي أنواع المهام تُنجَز بسهولة وأيها تثير المشكلات.

وقد أُتيح الاختبار مفتوح المصدر على GitHub، ما يسمح للباحثين والمطوّرين حول العالم باستخدامه في مشاريعهم.