وكلاء Codex أجروا 1700 تحقيق في بطء ChatGPT وعثروا على السبب في 600 منها
عندما تكتب الوكلاء الشيفرة البرمجية، قد يتباطأ ChatGPT بعد أي عملية طرح، ولا يتسنّى للمهندسين البحث عن السبب يدوياً في الوقت المناسب. في OpenAI أصبح تنبيه تراجع السرعة يشغّل وكيل Codex، فيبحث عن السبب ويقترح تصحيحاً، ثم يراجعه مهندس. خلال أكثر من ثلاثة أشهر بقليل، أجرى النظام ما يزيد على 1700 تحقيق وعثر على السبب في أكثر من 600 حالة، أي نحو 17 حالة يومياً. وعلى الفرق التي تطرح إصدارات بوتيرة عالية أن تُسند البحث عن الأسباب إلى الوكلاء، وأن تترك قرار الطرح للبشر.
معالج بواسطة الذكاء الاصطناعي من OpenAI Blog؛ بتحرير Hamidun News
تخيّل أن ChatGPT أصبح بعد عملية طرح جديدة يجيب أبطأ قليلاً. على سبيل المثال، ارتفع ما يُعرف بزمن أول رمز (token)، أي الفاصل بين السؤال وبداية الإجابة. في السابق كان مهندس OpenAI يلجأ إلى المقاييس والسجلات والتتبعات (traces) ليحدد يدوياً أي تغيير هو المسؤول.
أما اليوم فالوكلاء هم من يكتب الشيفرة، وتزداد الإصدارات باطراد، ولم يعد ممكناً تحليل كل تراجع يدوياً. لذلك بنت الشركة Performance Factory، وهي نظام سحابي قائم على Codex: عند إطلاق تنبيه بتراجع الأداء، يحقق الوكيل بنفسه في السبب ويقترح إصلاحاً، ثم يراجعه إنسان. وخلال أكثر من ثلاثة أشهر بقليل، تتبّع أول سيناريو عمل في النظام أكثر من 1700 تحقيق، وحدد السبب الجذري (أي التغيير المحدد الذي تسبب في البطء) في أكثر من 600 حالة.
وهذا يعادل نحو 17 تحقيقاً تلقائياً كل يوم. وبالنسبة إلى فريقكم، هذا مثال على كيفية تخفيف العبء الروتيني للبحث عن الأسباب عن الموظفين، دون أن يُترك للوكلاء قرار ما يصل إلى بيئة الإنتاج.
كيف وصلت OpenAI إلى «المصنع»
مرّ المسار بست خطوات. في البداية كان كل شيء يدوياً: مراجعة المقاييس، ومقارنة التتبعات، وتصحيح الأخطاء على أجهزة حيّة، وقراءة الشيفرة. وللمشكلات المتكررة، مثل تراجع زمن أول رمز، كتب الفريق أدوات خاصة، وتراكم لديه مع الوقت أكثر من 30 أداة، منها أدوات تحليل أداء CPU وتخصيص الذاكرة.
ثم أصبح Codex شريكاً في العمل: يسأل المهندس «لماذا أصبح النظام أبطأ؟»، فيبحث الوكيل عن المقاييس والتتبعات والشيفرة اللازمة حتى في نظام غير مألوف له. لكن توجيه التحقيق ظل مع ذلك مهمة الإنسان. عندها دُوّنت طريقة عمل الفريق في مهارة مشتركة باسم perf-forensics. تخبر هذه المهارة الوكيل بالأدوات المتاحة، ومتى يستخدمها، وكيف يتصرف: يحدد لحظة بدء التراجع، ويعيّن الطلبات المتأثرة، ويتحقق مما إذا كانت عمليات الطرح أو تغييرات الإعدادات تفسّره. واختُبرت المهارة على اختبارات تقييم مبنية على حالات تراجع سابقة، وأصبح Codex يقدّم التشخيص في تشغيل واحد لأنواع محددة من المشكلات (مثل تراجع سرعة ChatGPT وتوافره).
بعد ذلك شعر المهندسون بأنهم صاروا «وسيطاً بشرياً»: يصل التنبيه، فينسخه الإنسان إلى Codex، ثم يلصق النتيجة في Slack. فنُقلت التحقيقات إلى السحابة، وصار التنبيه نفسه يطلق الجلسة. لكن الأتمتة توقفت عند هذا الحد: فقد ظل الإنسان هو من ينفذ الإصلاح ويتحقق منه بعد الطرح، وكان على المهندسين أن يحددوا في سلاسل رسائل Slack أي حالات التراجع تستحق الاهتمام أصلاً. وجاءت Performance Factory لتغلق السلسلة بأكملها.
مكوّنات النظام
يتألف النظام من أربعة أجزاء. أولها خدمة المهام: يصف المهندسون سير العمل في ملفات إعدادات وتعليمات (prompts) بصيغة Markdown، تحدد حالات المهمة والانتقالات المسموحة والخطوات التي تتطلب تدخل إنسان. ثانيها المُرسِل (dispatcher): يتحقق دورياً من المهام الجاهزة للخطوة التالية، ويشغّل لها Codex مع تعليمات خاصة بالحالة الراهنة. وثالثها واجهة API سحابية: تشغّل Codex داخل شبكة OpenAI مع صلاحية الوصول إلى المستودعات وأدوات المراقبة (observability)، أي المقاييس والسجلات والتتبعات وملفات تعريف CPU ولقطات الذاكرة. يعمل الوكيل بحساب خدمة، ولذلك يمكن تقييد صلاحياته، ويسهل تمييز أفعاله عن أفعال البشر. وأخيراً الاشتراكات: المهمة التي تنتظر إنساناً أو عملية طرح «تنام» ثم تستيقظ عند وقوع حدث، مثل تعليق على pull request أو فشل فحص CI.
أول سير عمل هو Regression Workflow. يفتح التنبيه مهمة، فيعثر الوكيل على السبب ويقترح تصحيحاً، ويراجعه المهندس ويقرر ما يُطرح، وبعد النشر يتحقق وكيل آخر من عودة المؤشرات إلى قيمها الأصلية. وإذا بقي التراجع قائماً، تعود المهمة إلى مرحلة التحقيق. وتُحفظ الحالة والاستنتاجات في المهمة نفسها لا في ذاكرة وكيل واحد، ولذلك يمكن لوكلاء آخرين أو لأشخاص أن يتابعوا العمل.
نقاش مع الذات وصعوبة الإصلاحات
يبحث الوكيل عن اللحظة التي ساء فيها المقياس لأول مرة (أحياناً قبل التنبيه بعدة ساعات)، ويقارن مجموعات الطلبات: هل أصبحت الطلبات المتشابهة أبطأ، أم أن حصة الطلبات البطيئة أصلاً هي التي ارتفعت فحسب. ثم يراجع عمليات الطرح وتغييرات الأعلام (flags)، ويقرأ الشيفرة، ويتحقق عبر السجلات والتتبعات مما إذا كان بإمكانها أن تسبب هذا الأثر.
في البداية كانت الوكلاء كثيراً ما تتوقف عند أول تفسير معقول، وتبيّن أن جزءاً من التشخيصات خاطئ. وكان الحل هو المراجعة التنافسية: جلسة Codex منفصلة تحاول دحض التشخيص. إذا كان الطرح هو المسؤول، فهل بقيت الطلبات المشابهة التي لم يمسسها سليمة؟ وإذا جرى التراجع عن التغيير، فهل استعاد المقياس عافيته؟ في إحدى الحالات ربط الوكيل أعطال محادثات ChatGPT بأخطاء تحميل الصور، واعتبر أنه وجد السبب. لكن المراجع لاحظ أن خدمة البحث الداخلية عن الملفات كانت قد تعافت بالفعل، بينما ظلت الطلبات المتضمنة صوراً تفشل. فالتشخيص لم يفسّر العَرَض، ولذلك أُعيد فتح التحقيق.
وفي مراجعة يدوية لـ100 سبب مقترح، عُدّ 70% منها دقيقاً، فيما احتاج 30% إلى تحسين أو لم يثبت العلاقة السببية. ولذلك قُسّمت المهمة الكبيرة إلى خطوات ضيقة يتولاها Codex: بعضها يبحث عن السبب، وبعضها يعارضه، وبعضها يقترح الإصلاح. ويصف المؤلفون الإصلاح نفسه بأنه أصعب جزء: فبعد التحقق من التشخيص يكتب Codex التصحيح ويفتح pull request، لكن القرار يبقى بيد المهندس.
- 19 نوفمبر 2026محامٍ يعلّم وكيل ذكاء اصطناعي إجراء تعديلات دقيقة في Word بوضع Track Changes
- 19 نوفمبر 2026RSAC 2026 بعد أشهر: مساعدو الذكاء الاصطناعي اخترعوا 19,7% من الحزم الموصى بها
- 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
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف وصلت OpenAI إلى «المصنع»؟
مرّ المسار بست خطوات. في البداية كان كل شيء يدوياً: مراجعة المقاييس، ومقارنة التتبعات، وتصحيح الأخطاء على أجهزة حيّة، وقراءة الشيفرة. وللمشكلات المتكررة، مثل تراجع زمن أول رمز، كتب الفريق أدوات خاصة، وتراكم لديه مع الوقت أكثر من 30 أداة، منها أدوات تحليل أداء CPU وتخصيص الذاكرة. ثم أصبح Codex شريكاً في العمل: يسأل المهندس «لماذا أصبح النظام أبطأ؟»، فيبحث الوكيل عن المقاييس والتتبعات والشيفرة اللازمة حتى في نظام غير مألوف له. لكن توجيه التحقيق ظل مع ذلك مهمة الإنسان.
ما أبرز التفاصيل حول مكوّنات النظام؟
يتألف النظام من أربعة أجزاء. أولها خدمة المهام: يصف المهندسون سير العمل في ملفات إعدادات وتعليمات (prompts) بصيغة Markdown، تحدد حالات المهمة والانتقالات المسموحة والخطوات التي تتطلب تدخل إنسان. ثانيها المُرسِل (dispatcher): يتحقق دورياً من المهام الجاهزة للخطوة التالية، ويشغّل لها Codex مع تعليمات خاصة بالحالة الراهنة. وثالثها واجهة API سحابية: تشغّل Codex داخل شبكة OpenAI مع صلاحية الوصول إلى المستودعات وأدوات المراقبة (observability)، أي المقاييس والسجلات والتتبعات وملفات تعريف CPU ولقطات الذاكرة.
ما أبرز التفاصيل حول نقاش مع الذات وصعوبة الإصلاحات؟
يبحث الوكيل عن اللحظة التي ساء فيها المقياس لأول مرة (أحياناً قبل التنبيه بعدة ساعات)، ويقارن مجموعات الطلبات: هل أصبحت الطلبات المتشابهة أبطأ، أم أن حصة الطلبات البطيئة أصلاً هي التي ارتفعت فحسب. ثم يراجع عمليات الطرح وتغييرات الأعلام (flags)، ويقرأ الشيفرة، ويتحقق عبر السجلات والتتبعات مما إذا كان بإمكانها أن تسبب هذا الأثر. في البداية كانت الوكلاء كثيراً ما تتوقف عند أول تفسير معقول، وتبيّن أن جزءاً من التشخيصات خاطئ. وكان الحل هو المراجعة التنافسية: جلسة Codex منفصلة تحاول دحض التشخيص.
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.