ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارHabr AI→ المصدر

مطوّر يبني بديلًا لـ Discord بمساعدة الذكاء الاصطناعي: تقليص تسرّب الذاكرة من 305,8 إلى 30,3 ميغابايت

كلّف مطوّر الذكاء الاصطناعي بكتابة معظم كود Nimbo، وهو بديل مجاني لـ Discord للعب مع الأصدقاء، لكن الذكاء الاصطناعي لم ينتبه إلى تسرّبات الذاكرة. بعد خمس مرات تشغيل وإيقاف للكاميرا ومشاركة الشاشة، ظل عميل Windows يستهلك 305,8 ميغابايت من الذاكرة العشوائية رغم إيقاف الفيديو. وبعد الإصلاح انخفض الاستهلاك إلى 30,3 ميغابايت. وفي اختبار إزالة الضوضاء، كتم GTCRN صوت قضم التفاحة بمقدار 21,29 ديسيبل، بينما كتمه RNNoise السابق بمقدار 0,35 ديسيبل فقط. الخلاصة: يبني الذكاء الاصطناعي الهيكل الأساسي بسرعة، أما تسرّبات الذاكرة وجودة الصوت فيجب فحصها يدويًا.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
مطوّر يبني بديلًا لـ Discord بمساعدة الذكاء الاصطناعي: تقليص تسرّب الذاكرة من 305,8 إلى 30,3 ميغابايت
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حقيقة رئيسية #1يضيف GTCRN تأخيرًا قدره 32 مللي ثانية، مقابل 21 مللي ثانية لدى RNNoise
التقنيات المستخدمةVue وTypeScript، والخادم بلغة Go، والصوت والفيديو عبر LiveKit
حقيقة رئيسية #3الكود بترخيص MIT، وملف الملف الشخصي .nimbo محفوظ في ملف محمي بكلمة مرور

تخيّل أنك شغّلت الكاميرا أو مشاركة الشاشة وأوقفتها خمس مرات خلال مكالمة واحدة، والفيديو متوقف منذ وقت طويل، ومع ذلك يواصل البرنامج استهلاك 305,8 ميغابايت من الذاكرة العشوائية. هكذا تصرّف عميل Windows الخاص بـ Nimbo، وهو تطبيق دردشة صوتية مجاني للعب مع الأصدقاء كتب مؤلفه معظمه بمساعدة الذكاء الاصطناعي. كان السبب بسيطًا: المرمِّز الذي يضغط الفيديو قبل إرساله لم يكن يُحرَّر من الذاكرة بعد إيقاف الكاميرا. وبعد الإصلاح، استهلك السيناريو نفسه 30,3 ميغابايت. وتفيد هذه القصة كل من ينوي كتابة الكود بالاشتراك مع شبكة عصبية: يقدّم الذكاء الاصطناعي الهيكل والواجهة بسرعة، أما تسرّبات الذاكرة وجودة الصوت وثغرات الأمان فعلى المطوّر أن يبحث عنها بنفسه.

لماذا ظهرت الحاجة إلى دردشة أخرى

أراد المؤلف ببساطة أن يلعب مع أصدقائه، وكان يحتاج إلى غرف صوتية ودردشة نصية ومشاركة للشاشة وإزالة جيدة للضوضاء وعميل لا يستنزف موارد اللعبة. سئم من الإعلانات وعروض Nitro في Discord، كما أنه لا يعمل دون حلول التفافية. وفي TeamSpeak كانت إزالة الضوضاء ضعيفة، أما Mumble فتنقصه مشاركة الشاشة. كتب الذكاء الاصطناعي الكود الأساسي لـ Nimbo، بينما تولّى الإنسان المنطق والواجهة واختيار التقنيات والبنية.

بدأ المؤلف بعميل لنظام Windows بلغة C++ وإطار Qt، لأن C++ تتيح التحكم الدقيق في الذاكرة، ولدى أصدقائه حواسيب محمولة قديمة. لكن كل تعديل كان يتطلب انتظار بناء ملف EXE وتوزيعه على الأصدقاء. وبتقدير المؤلف، كانت دورة العمل هذه تستهلك رموزًا (توكنات) أكثر بثلاثة أضعاف في تصميم الواجهة وتجربة المستخدم. لذلك جُمِّد العميل وانتقل المشروع إلى الويب: Vue وTypeScript، والخادم بلغة Go، وأُسند نقل الصوت والكاميرا والشاشة إلى LiveKit الجاهز.

ساعدت حيلة صغيرة في التصميم. فقد اصطدمت مجموعات واجهات المستخدم الجاهزة دائمًا بقيودها، وكانت الصفحة الفارغة تعيق شرح المطلوب للشبكة العصبية. فجمع المؤلف مراجع بصرية من حيث الأجواء والألوان وقدّمها للذكاء الاصطناعي بدلًا من إطار عمل جاهز. ظهرت الشاشة الأولى بسرعة، لكن النموذج تعثّر في التفاصيل الصغيرة، كالمسافات والزوايا المستديرة والحدود والفواصل، ولذلك كثرت التعديلات.

إزالة الضوضاء: نقرات الفأرة وقضم التفاحة

استُخدم RNNoise في البداية، فهو خفيف ولا يضيف تأخيرًا يُذكر. لكن في جلسات اللعب كانت كل نقرة فأرة وخشخشة كيس المكسّرات مسموعة. وللمقارنة، أُخذت تسجيلات جاهزة لنقرات الفأرة ولقضم التفاحة ومضغها، ومُرّرت عبر ثلاثة مرشحات، وقيس مقدار كتم الضوضاء بالديسيبل: كلما زاد الرقم كان الأداء أفضل.

في ثلاثة تسجيلات للفأرة، سجّل RNNoise القيم 13,55 و15,19 و28,82 ديسيبل، وسجّل GTCRN القيم 19,21 و21,13 و27,66 ديسيبل، وسجّل Speex القيم 0,33 و0,93 و1,61 ديسيبل. أما في تسجيل التفاحة فكان الفرق هائلًا: RNNoise — 0,35 ديسيبل، وGTCRN — 21,29 ديسيبل، وSpeex — 0,17 ديسيبل. وثمن GTCRN أن الصوت يصبح أخفت قليلًا، وأن تأخير المعالجة 32 مللي ثانية مقابل 21 مللي ثانية لدى RNNoise. هذا الفرق غير ملحوظ أثناء اللعب، فصار GTCRN الوضع الافتراضي وبقي RNNoise بديلًا. تجري المعالجة على جهاز المستخدم، وهذه مسألة تحسين مؤجلة إلى المستقبل.

أين لم يساعد الذكاء الاصطناعي: الذاكرة والأمان

اضطر المؤلف في مسألة الذاكرة إلى أن يصبح مختبِرًا: يفتح الدردشة، ويشاهد مقطعًا، ويشغّل الكاميرا ويوقفها، ثم يتتبع النقرة التي لم يعد الاستهلاك بعدها إلى مستواه الأصلي. لم يفكر الذكاء الاصطناعي في هذه السيناريوهات من تلقاء نفسه، مع أن المؤلف يستدرك بأنه ربما أحسن الطلب بدرجة غير كافية. وفي مقاطع الفيديو داخل الدردشة، يحرّر العميل فك الترميز عند الإيقاف المؤقت ويحفظ الموضع. ونتيجة لذلك، شغلت المكالمة الصوتية على بيئة الاختبار 19,9 ميغابايت من الذاكرة الفعلية لعمليات Nimbo، ويُتوقع في الظروف الحقيقية 25–30 ميغابايت.

وتحقق المؤلف من الأمان على النحو التالي: شغّل بعض النماذج محليًا، وشرح للوكلاء (agents) الجزء المطلوب من البنية، ووضع فرضية محددة للالتفاف على الحماية، وكلّفهم باختبارها على بيئة الاختبار. وبهذه الطريقة اكتُشفت ثغرة: كان خروج مجهول الهوية من الخدمة قادرًا على الكتابة فوق قاعدة البيانات بالكامل. ويرجّح المؤلف أن تظهر ثغرات أخرى، وهي مدرجة بالفعل في قائمة المهام المؤجلة (backlog).

ما الحصيلة

لا توجد قاعدة بيانات مشتركة للمستخدمين: يُحفظ الاسم المستعار والإعدادات ومفاتيح الوصول إلى الخوادم في ملف .nimbo، وهو محمي بكلمة مرور إلزامية ويُفتح في أي عميل متوافق. الكود مفتوح بترخيص MIT: الخادم والويب وعميل Windows متاحة على GitHub. والعيب الصريح هنا أن على مالك الخادم استئجار VPS وتعلّم عملية النشر. وتشمل الخطط الرسم فوق الشاشة، وطبقة عرض للألعاب (overlay)، وتشغيل الخادم من التطبيق نفسه، وعملاء لنظامي Mac وAndroid.

الخلاصة العملية: عند البرمجة بأسلوب vibe coding، خصّصوا وقتًا مسبقًا للقياس. فالذكاء الاصطناعي لن يفحص الذاكرة والصوت والأمان من تلقاء نفسه.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لماذا ظهرت الحاجة إلى دردشة أخرى؟

أراد المؤلف ببساطة أن يلعب مع أصدقائه، وكان يحتاج إلى غرف صوتية ودردشة نصية ومشاركة للشاشة وإزالة جيدة للضوضاء وعميل لا يستنزف موارد اللعبة. سئم من الإعلانات وعروض Nitro في Discord، كما أنه لا يعمل دون حلول التفافية. وفي TeamSpeak كانت إزالة الضوضاء ضعيفة، أما Mumble فتنقصه مشاركة الشاشة. كتب الذكاء الاصطناعي الكود الأساسي لـ Nimbo، بينما تولّى الإنسان المنطق والواجهة واختيار التقنيات والبنية. بدأ المؤلف بعميل لنظام Windows بلغة C++ وإطار Qt، لأن C++ تتيح التحكم الدقيق في الذاكرة، ولدى أصدقائه حواسيب محمولة قديمة.

ما أبرز التفاصيل حول إزالة الضوضاء: نقرات الفأرة وقضم التفاحة؟

استُخدم RNNoise في البداية، فهو خفيف ولا يضيف تأخيرًا يُذكر. لكن في جلسات اللعب كانت كل نقرة فأرة وخشخشة كيس المكسّرات مسموعة. وللمقارنة، أُخذت تسجيلات جاهزة لنقرات الفأرة ولقضم التفاحة ومضغها، ومُرّرت عبر ثلاثة مرشحات، وقيس مقدار كتم الضوضاء بالديسيبل: كلما زاد الرقم كان الأداء أفضل. في ثلاثة تسجيلات للفأرة، سجّل RNNoise القيم 13,55 و15,19 و28,82 ديسيبل، وسجّل GTCRN القيم 19,21 و21,13 و27,66 ديسيبل، وسجّل Speex القيم 0,33 و0,93 و1,61 ديسيبل.

ما أبرز التفاصيل حول أين لم يساعد الذكاء الاصطناعي: الذاكرة والأمان؟

اضطر المؤلف في مسألة الذاكرة إلى أن يصبح مختبِرًا: يفتح الدردشة، ويشاهد مقطعًا، ويشغّل الكاميرا ويوقفها، ثم يتتبع النقرة التي لم يعد الاستهلاك بعدها إلى مستواه الأصلي. لم يفكر الذكاء الاصطناعي في هذه السيناريوهات من تلقاء نفسه، مع أن المؤلف يستدرك بأنه ربما أحسن الطلب بدرجة غير كافية. وفي مقاطع الفيديو داخل الدردشة، يحرّر العميل فك الترميز عند الإيقاف المؤقت ويحفظ الموضع. ونتيجة لذلك، شغلت المكالمة الصوتية على بيئة الاختبار 19,9 ميغابايت من الذاكرة الفعلية لعمليات Nimbo، ويُتوقع في الظروف الحقيقية 25–30 ميغابايت.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…