Как устроен AI-агент: слои-обёртки вокруг LLM и где искать источник бага
AI-агенты собирают из фреймворков, MCP-серверов и облачных «агентов из коробки», но в центре любой схемы — одна LLM: она читает контекст и формулирует следующий шаг. Вокруг модели нарастает «луковица» обёрток, и, как показывает разбор на Habr, поломки чаще случаются в этих слоях, а не в самой модели. Разбор идёт от модели наружу — так проще искать источник бага.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
نشر مطوّر من خلفية ML على Habr في يوليو 2026 تحليلاً للبنية الداخلية لوكلاء الذكاء الاصطناعي (AI): في مركز أي مخطط وكيل يبقى LLM واحد، بينما ينمو حوله "بصل" من طبقات التغليف، ومعظم الأعطال تحدث بالضبط في هذه الطبقات، وليس في النموذج نفسه.
ما الذي يختبئ خلف كلمة "وكيل"
وكيل الذكاء الاصطناعي ليس الشبكة العصبية نفسها، بل عدة طبقات من الكود حولها. الأطر (frameworks) تتغير، وتظهر خوادم MCP، وتَعِد المنصات السحابية بـ"وكيل جاهز من الصندوق"، لكن النواة في كل مكان واحدة: نموذج لغوي كبير (LLM) يقرأ السياق ويقترح الخطوة التالية. كل ما هو في الخارج هو البنية المحيطة التي تُجهّز المدخلات وتعالج مخرجات النموذج.
يعدد الكاتب المستويات النموذجية التي يُبنى منها الوكيل فوق النموذج:
- LLM — النواة، يتنبأ باحتمالات الرمز (token) التالي
- طبقة الـ prompt والسياق — ما الذي يدخل بالضبط إلى النموذج
- التنسيق (orchestration) واستدعاء الأدوات — كيف تتحول استجابة النموذج إلى إجراء
- خوادم MCP — وصول موحّد للوكيل إلى البيانات والوظائف الخارجية
- الأطر (frameworks) والأغلفة السحابية — "وكيل جاهز من الصندوق" فوق كل هذا
تضيف كل طبقة منطقها الخاص: واحدة تجمع السياق، وأخرى تقرر أي أداة تُستدعى، وثالثة تربط بيانات خارجية. النموذج نفسه لا ينفذ أياً من هذه الخطوات — فهو فقط يتنبأ بالنص.
لماذا الخلل عادةً ليس في النموذج
مصدر العطل في الوكيل يكمن عادةً ليس في LLM، بل في إحدى الطبقات الخارجية: في كيفية تجميع الـ prompt، وكيفية تمرير السياق، وكيفية معالجة استدعاء الأداة. النموذج نفسه، بحسب صياغة الكاتب، يفعل شيئاً واحداً بالضبط — يتنبأ بالرمز التالي؛ وكل ما عدا ذلك تضيفه الأغلفة المحيطة به.
«النموذج نفسه لا يفعل سوى التنبؤ باحتمالات الرمز التالي؛ وفي الخارج ينمو بصل من الأغلفة» — كاتب المقال على
Habr.
لهذا بالتحديد، يلاحظ الكاتب، من المهم عند التصحيح (debugging) فهم البنية بأكملها: إذا لم يُجمَّع الوكيل من طقم جاهز، فإن معرفة الطبقات تساعد على تحديد موقع المشكلة بسرعة أكبر. فحص النموذج أولاً خطأ شائع: إذا بدت استجابة الوكيل غير صحيحة، فالسبب غالباً هو أن سياقاً خاطئاً وصل إلى النموذج، أو أن طبقة مجاورة أساءت تفسير استجابته. أما النموذج فقد عمل بشكل طبيعي تماماً.
لماذا ننظر من النموذج إلى الخارج
بُني التحليل من النواة إلى المحيط — من LLM إلى الأغلفة الخارجية — لأن الكاتب جاء إلى الوكلاء من عالم ML، حيث تستقر كل طبقة جديدة فوق شيء مألوف بالفعل. هذا الترتيب، بحسب كلامه، يجعل الصورة أوضح: أولاً ما الذي يفعله النموذج، ثم ما الذي يفعله كل غلاف فوقه. المسار العكسي — من "وكيل جاهز من الصندوق" إلى الداخل — يُخفي بالضبط أين يمر حد مسؤولية كل طبقة.
مناسبة المقال يومية عادية: وُلدت الملاحظات بعد بحث مشترك آخر عن خلل (bug) مع الفريق التقني. جمعها الكاتب في استعراض واحد ليكون من الأسهل في المرة القادمة شرح للزملاء أين يقع كل شيء في مخطط الوكيل وأين ينبغي النظر عند حدوث عطل. في جوهره، هذه خريطة للمستويات يسهل الرجوع إليها أثناء التصحيح.
ما الذي يعنيه هذا
خلف الكلمة الرائجة "وكيل" تقف حزمة من عدة طبقات، وفهم هذه البنية مهارة عملية في التصحيح: عندما يتصرف الوكيل بشكل خاطئ، يجب أن يبدأ التحليل ليس من LLM، بل من الأغلفة المحيطة به، حيث تختبئ معظم الأخطاء.
هل تحتاج إلى ذكاء اصطناعي يعمل داخل شركتك — وليس فقط في موجز الأخبار؟
أبني ذكاءً اصطناعياً جاهزاً للإنتاج للشركات — أنظمة CRM مخصّصة، أدوات داخلية، وكلاء مستقلون، أتمتة سير العمل. ملك لك، مصمّم وفق عمليتك، دون رسوم لكل مستخدم. من إعداد جمال خميدون، مدير المنتجات في AlpinaGPT (منصة ذكاء اصطناعي، أكثر من 6000 مستخدم).
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.