سلسلة وكلاء تضغط 32 غيغابايت من بيانات شركة في تقرير واحد عبر فتح 30 ألف تذكرة
كيف تدفع الذكاء الاصطناعي إلى تحليل 32 غيغابايت من وثائق شركة، وهي كمية لا تتسع في سياق النموذج؟ وزّع صاحب قناة «LLM под капотом» أجزاء البيانات على الوكلاء وفق نمط Map Reduce، وساعدتهم التذاكر على تنسيق العمل كما في أي فريق عادي. فتح النظام أكثر من 30 ألف تذكرة، وعمل أكثر من يوم، وأنتج تقريرًا موجزًا للمديرين. الخلاصة العملية: الأفضل حفظ ذاكرة الوكلاء في ملفات مقروءة يمكن التحقق منها.
معالج بواسطة الذكاء الاصطناعي من TG: @llm_under_hood (LLM под капотом)؛ بتحرير Hamidun News
تخيّل أنهم سلّموك 32 غيغابايت من مخرجات بيانات شركة (نصوص مختلطة بملفات JSON)، وطلبوا منك أن تحدد للإدارة في جلسة واحدة ما يجب إصلاحه أولًا في العمل. لا تتسع هذه الكمية في أي نافذة سياق لأي نموذج، ولا فائدة هنا من محادثة عادية. حلّ صاحب قناة «LLM под капотом» على Telegram هذه المهمة الأسبوع الماضي: بنى سلسلة وكلاء فتحوا أكثر من 30 ألف تذكرة، وعملوا أكثر من يوم، وضغطوا كل شيء في تقرير صغير يبدو كأن مستشارين باهظي الأجر كتبوه. إذا كنت تبني أنظمة وكلاء للعمل الفعلي لا للعروض التجريبية، فهذه البنية جديرة بالاهتمام.
كيف جرى العمل فعليًا
شُغّل الوكلاء بالتسلسل، ولكل وكيل خطوته الخاصة. تولّى Fable 5.2 في وضع البحث الخطوات الأولى. كانت مهمته إيجاد أفضل الممارسات لشركة من هذا النوع وجمعها في تقرير يتضمن روابط إلى الحالات والدراسات. شكّل ذلك «النموذج المثالي» الذي قورن به الواقع لاحقًا.
بعد ذلك دخل الوكلاء العاملون على Codex. مشطوا مجموعة البيانات كلها وجمعوا الحالات، وبنوا خريطة لعمليات الشركة، وأجروا تحليل الفجوات (gap analysis): بماذا تختلف العملية الفعلية عن العملية المثالية. وكان الناتج تقريرًا مرتب الأولويات للمديرين: ما الذي يجب إصلاحه أولًا ولماذا.
قبل بدء العمل، كان كل وكيل يحمّل في مطلع نافذة السياق وصف المشروع والسياق العام من «Company Brain» (الاسم الذي يطلقه المؤلف على قاعدة معارفه). ويشبه المؤلف ذلك بتحميل نواة النظام: يرى الوكيل أولًا الصورة العامة، ثم ينتقل إلى مهمته.
كيف تُوضع 32 غيغابايت في نوافذ لا تتسع إلا لبضع صفحات
ابتكر المؤلف صيغة محسّنة لتمثيل البيانات، وقسّم العمل وفق مبدأ Map Reduce. وببساطة، يأخذ كل وكيل جزءه من مجموعة البيانات، ثم تُجمع النتائج معًا. للتوضيح، إليك مثالًا: يقرأ أحد الوكلاء وثائق المبيعات ويدوّن ملاحظة «العقود تختلف عما تصفه اللائحة من سير العملية»، ثم يأخذ وكيل آخر هذه الملاحظة ويبحث عن تباينات مماثلة في المشتريات. هذا توضيح للمبدأ، وليس مثالًا من الحالة نفسها.
كانت البيانات مخزنة في Company Brain على شكل ملفات، على غرار نظام تشغيل شخصي. لا يقرأ الوكيل كل شيء بالتتابع، بل ينتقل من العام إلى الخاص (progressive disclosure)، ويستعين بالسكربتين docs/tools/tree.py وoutline.py اللذين يعرضان بنية المجلدات والوثائق. ولتنسيق العمل ونقل السياق بين الوكلاء، أضاف المؤلف أداة جديدة للعمل مع التذاكر.
لم يكن في هذه البنية مكان لقواعد البيانات المتجهية ولا لما يشبهها من الصناديق السوداء. كان لا بد من إعادة ضبط خط المعالجة ومسار استدلاله باستمرار بما يلائم أولويات المديرين الذين سيقرؤون التقرير. ولهذا أعاد المؤلف بناء عملية التحليل نفسها بحيث يمكن تحسينها. فالتذاكر والملفات النصية يمكن قراءتها وتعديلها ونقلها يدويًا. أما محتوى الفهرس المتجهي فلا يمكن تصحيحه بهذه الطريقة.
ما النتيجة وما الخطوة التالية
جاء الاستنتاج النهائي مثيرًا للاهتمام. فإلى جانب قائمة الأولويات مع التعليل والروابط إلى المصادر، نصح الوكيل بإرسال قائمة قصيرة من الأسئلة إلى أشخاص محددين، وجمع إجاباتهم وتحميلها مجددًا. أي أن الآلة أدركت بنفسها أن البيانات ناقصة لديها، وعرفت بمن تحديدًا يجب أن تستعلم عنها.
يرى المؤلف أن الخطوة التالية هي تغيير زاوية النظر. فبدلًا من «مستشار باهظ» واحد، تُمرَّر المجموعة عبر عدة مستشارين: أكثر أخصائيي الموارد البشرية فهمًا، وأشد خبراء الأمن ارتيابًا، وأبرز خبير في العمليات التشغيلية. ويمكن بناء منهجية لكل منهم من أفضل الكتب والدراسات.
وبحسب المؤلف، يمكن إعداد هذه المنهجيات ذاتيًا. يكفي توجيه ChatGPT أو Claude إلى المقالات والفيديوهات المنشورة علنًا للشركات القوية، من OpenAI وAnthropic إلى شركات التكامل، وطلب تنظيمها في قاعدة معارف. وكل ذلك متاح للجميع.
تحفّظات. هذه رواية شخصية وليست دراسة. لا يذكر المؤلف تكلفة التشغيل، ولا يقارن التقرير بعمل مستشارين حقيقيين، ولا يشرح كيف تحقق من دقة الاستنتاجات. وهو نفسه يكتب «لنرَ ما سيحدث»: فردّ فعل المديرين على التقرير غير معروف حتى الآن.
والخلاصة العملية للمطورين ومديري المنتجات هي التالية. إذا كانت البيانات أكبر من النافذة، فقسّموا العمل وفق Map Reduce، واحفظوا الذاكرة في ملفات مقروءة، ونسّقوا الوكلاء عبر التذاكر، وأعطوا كل وكيل سياقًا عامًا في البداية. وفكّروا مسبقًا في الكيفية التي سيتمكن بها الإنسان من التحقق من الخطوات الوسيطة.
- 19 نوفمبر 2026Anthropic تطرح أسهمها في البورصة وتجمع 81.3 مليار دولار، متجاوزة رقم SpaceX القياسي البالغ 75 مليار دولار
- 19 نوفمبر 2026إنفوستارت تربط Yandex Direct وYandex Metrica وWordstat بـ ChatGPT: 6 أوامر ووصول مشترك
- 19 نوفمبر 2026تقييم حصتي Amazon وGoogle في Anthropic بنحو 308 مليار دولار عند الطرح العام بسعر 83 دولارًا للسهم
- 19 نوفمبر 2026Gemini 4 Neon من Google تعمل بسرعة تبلغ ضعف Carbon تقريبًا وبتكلفة أقل بنسبة 17% للمهمة الواحدة
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف جرى العمل فعليًا؟
شُغّل الوكلاء بالتسلسل، ولكل وكيل خطوته الخاصة. تولّى Fable 5.2 في وضع البحث الخطوات الأولى. كانت مهمته إيجاد أفضل الممارسات لشركة من هذا النوع وجمعها في تقرير يتضمن روابط إلى الحالات والدراسات. شكّل ذلك «النموذج المثالي» الذي قورن به الواقع لاحقًا. بعد ذلك دخل الوكلاء العاملون على Codex. مشطوا مجموعة البيانات كلها وجمعوا الحالات، وبنوا خريطة لعمليات الشركة، وأجروا تحليل الفجوات (gap analysis): بماذا تختلف العملية الفعلية عن العملية المثالية.
ما أبرز التفاصيل حول كيف تُوضع 32 غيغابايت في نوافذ لا تتسع إلا لبضع صفحات؟
ابتكر المؤلف صيغة محسّنة لتمثيل البيانات، وقسّم العمل وفق مبدأ Map Reduce. وببساطة، يأخذ كل وكيل جزءه من مجموعة البيانات، ثم تُجمع النتائج معًا. للتوضيح، إليك مثالًا: يقرأ أحد الوكلاء وثائق المبيعات ويدوّن ملاحظة «العقود تختلف عما تصفه اللائحة من سير العملية»، ثم يأخذ وكيل آخر هذه الملاحظة ويبحث عن تباينات مماثلة في المشتريات. هذا توضيح للمبدأ، وليس مثالًا من الحالة نفسها. كانت البيانات مخزنة في Company Brain على شكل ملفات، على غرار نظام تشغيل شخصي.
ما أبرز التفاصيل حول ما النتيجة وما الخطوة التالية؟
جاء الاستنتاج النهائي مثيرًا للاهتمام. فإلى جانب قائمة الأولويات مع التعليل والروابط إلى المصادر، نصح الوكيل بإرسال قائمة قصيرة من الأسئلة إلى أشخاص محددين، وجمع إجاباتهم وتحميلها مجددًا. أي أن الآلة أدركت بنفسها أن البيانات ناقصة لديها، وعرفت بمن تحديدًا يجب أن تستعلم عنها. يرى المؤلف أن الخطوة التالية هي تغيير زاوية النظر. فبدلًا من «مستشار باهظ» واحد، تُمرَّر المجموعة عبر عدة مستشارين: أكثر أخصائيي الموارد البشرية فهمًا، وأشد خبراء الأمن ارتيابًا، وأبرز خبير في العمليات التشغيلية.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
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.