Habr AI→ المصدر

جيفري هانتلي يقسّم أدوات المطورين إلى S-tier وF-tier: الحسم لـ --help وأوزان النماذج

دخل جيفري هانتلي في الجدل الدائر حول «MCP مقابل CLI»، وقسّم الشركات التي تقدم أدوات للمطورين إلى معسكرين: S-tier وF-tier. ويرى أن الحد الفاصل بينهما تحدده أوزان النماذج. فالوكلاء يتعاملون مع GitHub عبر gh CLI دون مهارات (skills) ودون MCP، لأنهم يعرفونه من التدريب. وللوافدين الجدد يقدّم هانتلي ثلاث نصائح: تحسين مخرجات --help، وتهيئة الوثائق لبحث الوكلاء على الويب، والتفاوض مع المختبرات لإدراج الوثائق في بيانات التدريب. • معسكران: S-tier وF-tier • يعمل gh CLI دون MCP ودون مهارات • ثلاث توصيات: --help، ووثائق مهيأة للبحث على الويب، وبيانات التدريب

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
جيفري هانتلي يقسّم أدوات المطورين إلى S-tier وF-tier: الحسم لـ --help وأوزان النماذج
المصدر: Habr AI. كولاج: Hamidun News.
◐ استمع للمقال

يقترح جيفري هانتلي النظر إلى سوق أدوات المطورين عبر مقياس بسيط من درجتين: S-tier وF-tier. ووفقاً له، لا يرتبط المعيار بجمال SDK ولا بميزانية التسويق. فكل شيء تحسمه أوزان النماذج. فإذا كان الوكيل يعرف الأداة مسبقاً من التدريب، فهو يستغني عن المهارات (skills) وعن MCP. والمثال الأبرز هو GitHub: تتعامل النماذج معه عبر gh CLI، ولا تحتاج إلى أي طبقة إضافية.

الجدل بين MCP وCLI

قدمت Anthropic بروتوكول MCP، أي Model Context Protocol، في أواخر 2024 بوصفه طريقة موحدة لربط الأدوات الخارجية بالنماذج. وسرعان ما أصبح البروتوكول معياراً بحكم الأمر الواقع للتكاملات، ونشأ حوله نظام متكامل من الخوادم. لكن هذا النهج وجد من ينتقده. وحجة المنتقدين أن لدى المطورين منذ زمن طويل واجهة مفهومة للإنسان والآلة معاً، هي سطر الأوامر.

يقف هانتلي إلى جانب CLI، من دون أن يرفض كل ما سواه. ومنطقه بسيط. فالنموذج الذي رأى آلاف الأمثلة على استخدام gh في المستودعات والـ issues والأدلة يستدعي الأوامر بثقة. ولا يحتاج تقريباً إلى وصف الأداة داخل السياق. أما كل طبقة إضافية، سواء كانت خادم MCP أو مجموعة مهارات، فتشغل حيزاً من نافذة السياق وتضيف نقاط فشل جديدة.

لماذا يفترق المعسكران؟

يضم S-tier الشركات التي تعرف النماذج أدواتها معرفة تشبه العادة. ويُعدّ GitHub نموذجاً لذلك: فقد استقر gh منذ زمن في المستودعات المفتوحة والوثائق والنقاشات، أي في البيانات التي تتدرب عليها النماذج. أما F-tier فتقع فيه الشركات التي لم تدخل منتجاتها في عينات التدريب. وفي هذه الحالة إما أن يختلق الوكيل أعلاماً (flags) غير موجودة، وإما أن يطلب تعليمات مفصلة في كل جلسة.

وهذا ينقل الميزة التنافسية إلى مستوى آخر. فقبل ذلك كان يفوز من تتميز واجهته بسهولة الاستخدام للإنسان. أما الآن فيفوز من استقرت واجهته بالفعل في الأوزان. ويصعب اللحاق بقائد كهذا: فتدريب نموذج جديد يستغرق أشهراً، ويكاد يستحيل التأثير فيه من الخارج.

ثلاث نصائح لمن يتأخر عن الركب

لا يترك هانتلي الوافدين الجدد بلا خطة. فهو يحدد ثلاث خطوات:

  • تحسين --help ليصبح مناسباً لقراءة الوكيل: أوصاف واضحة للأوامر، وأمثلة، وصيغة مخرجات يمكن توقعها؛
  • تهيئة الوثائق لبحث الوكلاء على الويب، لأن النماذج تبحث عن المراجع بنفسها بوتيرة متزايدة بدلاً من الاعتماد على الذاكرة؛
  • التفاوض مع المختبرات لإدراج الوثائق في بيانات التدريب.

الخطوتان الأوليان متاحتان لأي فريق منذ اليوم وكلفتهما قليلة. أما الثالثة فتتطلب مفاوضات وتتوقف على رغبة المختبرات، لكنها وحدها تنقل الأداة من F-tier إلى S-tier في الجيل القادم من النماذج.

ماذا ينبغي أن تفعل الفرق الآن؟

افحصوا واجهة CLI الخاصة بكم بعيون الوكيل. شغّلوا نموذجاً دون تلميحات واطلبوا منه حل مهمة نمطية باستخدام أداتكم. فإذا أخطأ في الأعلام أو لم يجد الأمر المطلوب، فالمشكلة في --help وليست في النموذج. أعيدوا كتابة المرجع إلى أن ينجح الوكيل من المحاولة الأولى.

بعد ذلك انتقلوا إلى الوثائق. فالصفحات القصيرة التي تحوي أمثلة جاهزة للأوامر وعناوين واضحة وتخلو من النصوص التسويقية تُفهرس بصورة أفضل في بحث الوكلاء، ويسهل استخراجها إلى السياق. وانشروها حيث تبحث النماذج فعلاً: على الويب المفتوح، لا خلف صفحة تسجيل دخول.

وأخيراً، لا تتعجلوا في كتابة خادم MCP لمجرد أن ذلك رائج. تأكدوا أولاً من أن CLI لا يحل المشكلة. فإذا كان يحلها، سيصبح MCP طبقة زائدة. وإذا كان لا يحلها، فلديكم حجة محددة لصالح البروتوكول. وموقف هانتلي في هذا الشأن براغماتي: اختاروا الواجهة التي يفهمها النموذج بالفعل، واجعلوها شفافة قدر الإمكان.

ZK
Hamidun News
أخبار الذكاء الاصطناعي بدون ضوضاء. اختيار تحريري يومي من أكثر من 50 مصدر. منتج من جمال حميدون، رئيس الذكاء الاصطناعي في Alpina Digital.
✦ Autonomous AI Agents

Delegate Deep Research, Coding & Workflows to an AI Agent

Deploy autonomous multi-step execution with NomadNet Agent (agent.nomadnet.ai) — automated web research, data synthesis, code generation, and complex task orchestration.

Launch NomadNet Agent →NomadNet AI Platform
ما رأيك؟
جارٍ تحميل التعليقات…