سبير تكشف عن Universal Agent: النموذج نفسه يحل مهام أكثر بفارق 24 نقطة بفضل بيئة تنفيذ جديدة

افتح الشفرة البرمجية لأي وكيل، وستجد الشيء نفسه تقريبا: يختار النموذج أداة، وينفذها برنامج تقليدي، ثم تعاد النتيجة إلى النموذج. تتكرر الدورة حتى تنجز المهمة. هذا هو نهج ReAct، ويمكن التعبير عنه في عشرة أسطر من الشفرة الزائفة. فلماذا توجد منتجات كثيرة جدا مبنية على هذه الدورة، ولماذا تعمل بطرق مختلفة؟

أجابت مجموعة GigaCode R&D التابعة لسبير عن هذا السؤال من خلال مقال ومشروع Python مفتوح المصدر باسم GigaCode Universal Agent. وتتمثل أطروحتها في أن العمل الهندسي كله موجود في الـharness، أي بيئة التنفيذ المحيطة بالدورة.

ما الذي يحيط بالأسطر العشرة

تخيل المهمة التالية: لديك مواصفات فنية وثلاثة عروض من مقاولين. تغطي الأسعار فترات مختلفة، وتختبئ الشروط داخل الملاحق، كما يفتقر أحد العروض إلى عمل إلزامي. على الوكيل قراءة كل شيء، وتوحيد أسس المقارنة، وكتابة مذكرة تتضمن المصادر.

يتطلب ذلك ثلاثة عناصر. تصف المهمة ما يجب أخذه وما يجب إرجاعه. أما المهارة فهي إجراء قابل لإعادة الاستخدام يشبه تعليمات الموظف الجديد: كيفية توحيد الأسعار على فترة واحدة، وكيفية وضع علامة «غير مذكور»، وإضافة سؤال بدلا من احتساب العنصر الناقص كخدمة مجانية. وتتيح الأدوات الوصول إلى البيانات والإجراءات، بينما تتصل الأنظمة الخارجية عبر MCP. تقيم القواعد داخل المهارة، ويقيم الوصول داخل الأدوات، فيما تظل النواة من دون تغيير.

بعد ذلك تبدأ الأسئلة التي لا تظهر في الشفرة الزائفة. لا يوجد مراقب للمهمة التي تعمل في الخلفية، ولذلك تكون وحدة التنفيذ هنا هي Run، مع تثبيت النموذج، وإصدار المهارة، والأدوات، وحدود الوقت والتوكنات والخطوات والاستدعاءات. عند نفاد أحد الحدود يتوقف التشغيل، ويحفظ ما أنجزه، ويذكر السبب. ويترك كل تشغيل سجل تتبع يوضح مصدر الاستنتاج، ولماذا كان النظام يعمل بالأمس ولا يعمل اليوم.

يقارن حَكَم منفصل، أي نموذج ثان له تعليماته الخاصة، التقرير وسجل التتبع بالمهمة. وإذا ضاع أحد المتطلبات أو ورد استنتاج بلا مصدر، يتلقى الوكيل ملاحظات ويواصل العمل. وحيث يمكن إجراء التحقق برمجيا — مثل إنشاء ملف، أو اجتياز اختبار، أو صلاحية JSON — فمن الأفضل تنفيذه بالشفرة. وللمهام الطويلة توجد آلية تسجيل تلقائي: يضغط الوكيل حالته في ملاحظة موجزة، ثم يواصل العمل خارج حدود نافذة سياق واحدة.

تعالج بيئة التنفيذ الأمن أيضا. فإذا نصت التعليمات على «لا ترسل أي شيء»، فيجب ببساطة ألا تتاح للوكيل أداة إرسال البريد الإلكتروني. ويضاف إلى ذلك التحقق من صلاحيات القراءة والكتابة، ومراجعة الحَكَم للأوامر، وفصل الحاويات.

ما الذي أظهرته الأرقام

قورنت Universal Agent مع OpenCode وQwen Code باستخدام نموذج Qwen3.6-35B-A3B نفسه. في SWE-bench Verified سجلت 69.9%، مقابل 66.4% و65.0%. وفي Terminal Bench 2.1 سجلت 65.5%، مقابل 62.1% و41.4%. أما في SWE-bench Pro وMultilingual، فكانت النتائج متقاربة تقريبا. واستنتاج المؤلفين هو أن النموذج نفسه يعطي نتيجة مختلفة عندما يوضع في harness مختلفة.

في الأمن السيبراني، ضمن CyberGym lvl1 وباستخدام DeepSeek-V4-Flash، رفعت مهارة متخصصة النتيجة من 70.6% إلى 76.7% من دون تغيير النواة. ومن حيث التكلفة على SWE-bench Verified، كان الوكيل أرخص بنحو الثلث من Qwen Code. ويحسب المؤلفون تكلفة المهمة الناجحة بقسمة تكلفة جميع عمليات التشغيل، بما فيها الفاشلة والتحسين اليدوي، على عدد المهام المحلولة. ونقل التوجيه التلقائي light/default/max ما بين 50–60% من الطلبات إلى نماذج أصغر، مع جودة قريبة من مستوى max، لكن هذا المسار لا يزال تجريبيا.

القيود وما ينبغي فعله

هذا مقال كتبه المطورون عن منتجهم، كما أجريت المقارنة وفقا لمجموعة الشروط التي وضعوها هم. قد يخطئ الحَكَم، وقد تضيع التفاصيل عند ضغط السياق، كما يستهلك الوكيل كثيرا من التوكنات في المهام الصعبة. ولا تزال قدرات البحث العلمي لدى جميع المشاركين في المقارنة محدودة. أما في سيناريوهات الأعمال مثل مقارنة المقاولين، فيجب قياس الجودة باستخدام أمثلة المؤسسة نفسها.

الخلاصة العملية بسيطة. عند اختيار وكيل أو بنائه، لا تحصروا النقاش في النموذج، بل اختبروا الـharness: هل توجد حدود وسجلات تتبع؟ هل يجري التحقق من النتيجة بصورة مستقلة عن ادعاءات النموذج نفسه؟ هل صلاحيات الأدوات مقيدة؟ وهل تحسب تكلفة المهمة المنجزة لا تكلفة التوكن؟ هنا تحديدا يكمن الفارق اليوم.