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 الرادارAWS Machine Learning Blog→ المصدر

Rescale بنت في 5 أيام وكيل ذكاء اصطناعي للاختبارات الفاشلة: انتظار الإطلاق أقصر بنسبة 20%

كان مهندس المناوبة في Rescale يحلّل كل صباح الاختبارات الآلية التي فشلت ليلاً ويقرر لمن يُسند العطل، وما دامت الاختبارات حمراء يتوقف الإطلاق إلى الإنتاج. اليوم يتولى وكيل ذكاء اصطناعي مبني على Claude التحليل الأول، وقد بُني في خمسة أيام وفق منهجية AI-DLC. يتطابق حكمه مع رأي البشر في 68% من الحالات (كان 44% عند البداية)، وانخفض انتظار الإطلاق الناجم عن تحليل الأعطال بنسبة 20%. يمكن إسناد روتين الفرز إلى الوكيل، مع بقاء المراجعة بيد الإنسان.

معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
Rescale بنت في 5 أيام وكيل ذكاء اصطناعي للاختبارات الفاشلة: انتظار الإطلاق أقصر بنسبة 20%
المصدر: AWS Machine Learning Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليAWS Machine Learning Blog ↗
رئيس التحرير
يصنّف الوكيل العطل ضمن أحد 4 أسبابالبنية التحتية، خطأ برمجي، اختبار غير مستقر (flaky)، مشكلة في البيئة
حقيقة رئيسية #2يعمل كخطوة في Argo Workflows على Amazon EKS ويردّ خلال ثوانٍ
حقيقة رئيسية #3يراجع المهندس التقرير قبل أي إجراء، ولا توجد طلبات سحب (PR) تلقائية حتى الآن

كل فريق هندسي يعرف هذا الطقس المتكرر. تفشل الاختبارات الآلية ليلاً، فيفتح مهندس المناوبة السجلات صباحاً، ويحدد السبب، ويسلّم المهمة إلى الفريق المعني. ثم يتكرر كل شيء من جديد. في Rescale، وهي منصة للحسابات الهندسية والمحاكاة، تحجب هذه الاختبارات أيضاً الإطلاق الأسبوعي: ما لم تُحلَّل الأعطال، لا يصل الكود الجديد إلى الإنتاج. اليوم يتولى وكيل ذكاء اصطناعي التحليل الأولي. بُني الوكيل في خمسة أيام، من صياغة المهمة حتى العمل على بيئة الاختبار (staging)، ووصل إلى البيئة الفعلية بعد عدة أسابيع. والنتيجة بالأرقام: تتطابق أحكام الوكيل مع أحكام المهندسين في 68% من الحالات (كانت 44% عند الإطلاق)، وانخفض الوقت الذي يتوقف فيه الإطلاق بسبب تحليل الأعطال بنسبة 20%.

ماذا يفعل الوكيل

يعمل الوكيل كخطوة ضمن خط البناء والنشر القائم (CI/CD) على Argo Workflows داخل Amazon EKS. عندما تُظهر المجموعة الليلية من اختبارات Playwright، التي تضم مئات الحالات، أعطالاً، يشغّل الخط حاوية (pod) تحمل الوكيل. بعد ذلك ينفّذ أربع مهام:

  • يرسل كل عطل إلى نموذج Claude Opus 4.8 عبر Amazon Bedrock ويحصل على أحد أربعة أسباب: مشكلة في البنية التحتية، أو خطأ في الكود، أو اختبار غير مستقر («flaky»)، أو مشكلة في البيئة؛
  • يجلب من قاعدة المعرفة أعطالاً مشابهة وقعت في الماضي؛
  • يطلب عبر Model Context Protocol (MCP) سجلات الحاويات في CloudWatch لتأكيد استنتاجه؛
  • يُعدّ تقريراً بصيغتَي JSON وHTML يتضمن الملفات والدوال وتوصيات الإصلاح.

كل ذلك يستغرق ثوانيَ. والوكيل لا يصلح شيئاً بنفسه: يطّلع المهندس على التقرير أولاً. في السابق كان لا بد من قطع المسار يدوياً من التقرير إلى السجلات وتاريخ الأعطال والشيفرة المصدرية. أما الآن فيجري الوكيل هذه الجولة الأولى، ويراجعها الإنسان.

كيف بُني: AI-DLC وجلسات جماعية

AI-DLC (AI-Driven Development Lifecycle) منهجية مفتوحة المصدر من AWS. فيها يضع الذكاء الاصطناعي الخطط ويكتب الكود ويقترح البنية المعمارية، لكنه يطرح أسئلة عند مفترقات القرار ولا يخمّن. وتبقى القرارات بيد البشر. ويجري العمل في جلسات جماعية: يصوغ الجميع المتطلبات معاً أولاً، ثم يبنون معاً بينما يكتب الذكاء الاصطناعي الكود.

جاءت الصياغة الأولية في جملة واحدة: نحتاج نظاماً يصنّف الأعطال ويوصي بإصلاحها. وطرح الذكاء الاصطناعي أكثر من 20 سؤالاً توضيحياً. وكانت المحصلة وثيقة متطلبات تفصل حدود المرحلة الأولى عن الثانية، وأربع حزم عمل: قاعدة المعرفة، والوكيل نفسه، والتكامل مع Argo، ومجموعة لتقييم الجودة. أما طلبات السحب (pull requests) التلقائية فأُرجئت إلى وقت لاحق.

وشهد العمل تحولين معماريين. أراد الفريق في البداية استضافة الوكيل في Amazon Bedrock AgentCore، لكنه نقله إلى EKS حيث يعمل Argo أصلاً. فلم تكن هناك حاجة إلى صيانة بيئة جديدة، ويجري التشغيل مباشرة من خط المعالجة (pipeline). وكانت السجلات تُؤخذ في البداية من خدمة خارجية، ثم جرى التحول إلى CloudWatch. بقي مخطط العمل عبر MCP كما هو، وتغيّر المصدر فقط. ولأن المتطلبات والقرارات كانت في وثائق مشتركة، حُدّثت في مكانها ببساطة.

وتفاوت عمق التفصيل بحسب تعقيد كل حزمة. قاعدة المعرفة على Terraform أُقيمت في غضون ساعات. أما الوكيل فحظي بالحزمة الكاملة: مراجعة البنية المعمارية، وعقود الواجهات، و12 سؤالاً حول التصميم، ومراجعة تكرارية للكود. كُتب الوكيل بواسطة Strands SDK ويستطيع تحليل عدة أعطال بالتوازي. وفي اليوم الخامس بنى الفريق إطار تقييم على PyTest بوضعين، حي ووضع «محاكاة» (stub)، وعرض على المدير التقني (CTO) كيف يصنّف الوكيل بشكل صحيح كلاً من عطل البنية التحتية وخطأ برمجي حقيقي مع توصية بملف محدد.

النتائج والقيود

الأرقام متواضعة وصريحة. ارتفع التطابق مع التصنيف البشري من 44% إلى 68%، ويواصل الفريق تحسين المجموعة المرجعية من الأمثلة والمطالبات (prompts). وما زال حكم واحد تقريباً من كل ثلاثة يختلف عن رأي المهندس، ولذلك يبقى الإنسان في الحلقة. ويظهر انخفاض زمن التوقف بنسبة 20% مباشرة في سرعة الإطلاقات: فهذه الاختبارات بالذات هي التي تفتح الطريق إلى الإنتاج.

وللممارسين هنا ثلاثة دروس. الأول: ابدؤوا بالروتين المكلف الذي له معيار نجاح واضح، مثل الفرز الأولي للأعطال. الثاني: من الأفضل بناء مجموعة التقييم منذ اليوم الأول. بفضلها لدى Rescale خط أساس عند 44% ويتضح اتجاه تحسّن الجودة. الثالث: قيمة AI-DLC ليست في الكود نفسه بل في المواصفات المدقَّقة. فأسهل على الوكيل أن يكتب الكود وفق قرارات متفق عليها من أن يبتكر البنية المعمارية في الوقت نفسه.

تدرس Rescale الآن إنشاء مركز كفاءات داخلي حول AI-DLC، وتدرج المنهجية في تطوير منتجات المحاكاة الجديدة. وتُطبَّق المنهجية، على سبيل المثال، على كتالوج تطبيقات الحوسبة عالية الأداء (HPC)، وتتبّع الثغرات في الحاويات، ووكلاء البرمجة السحابيين. تنبيه: هذا نص شراكة من AWS، ولا يوجد تحقق مستقل من الأرقام.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ماذا يفعل الوكيل؟

يعمل الوكيل كخطوة ضمن خط البناء والنشر القائم (CI/CD) على Argo Workflows داخل Amazon EKS. عندما تُظهر المجموعة الليلية من اختبارات Playwright، التي تضم مئات الحالات، أعطالاً، يشغّل الخط حاوية (pod) تحمل الوكيل. بعد ذلك ينفّذ أربع مهام: يرسل كل عطل إلى نموذج Claude Opus 4.8 عبر Amazon Bedrock ويحصل على أحد أربعة أسباب: مشكلة في البنية التحتية، أو خطأ في الكود، أو اختبار غير مستقر («flaky»)، أو مشكلة في البيئة؛ يجلب من قاعدة المعرفة أعطالاً مشابهة وقعت في الماضي؛ يطلب عبر Model Context Protocol…

ما أبرز التفاصيل حول كيف بُني: AI-DLC وجلسات جماعية؟

AI-DLC (AI-Driven Development Lifecycle) منهجية مفتوحة المصدر من AWS. فيها يضع الذكاء الاصطناعي الخطط ويكتب الكود ويقترح البنية المعمارية، لكنه يطرح أسئلة عند مفترقات القرار ولا يخمّن. وتبقى القرارات بيد البشر. ويجري العمل في جلسات جماعية: يصوغ الجميع المتطلبات معاً أولاً، ثم يبنون معاً بينما يكتب الذكاء الاصطناعي الكود. جاءت الصياغة الأولية في جملة واحدة: نحتاج نظاماً يصنّف الأعطال ويوصي بإصلاحها. وطرح الذكاء الاصطناعي أكثر من 20 سؤالاً توضيحياً.

ما أبرز التفاصيل حول النتائج والقيود؟

الأرقام متواضعة وصريحة. ارتفع التطابق مع التصنيف البشري من 44% إلى 68%، ويواصل الفريق تحسين المجموعة المرجعية من الأمثلة والمطالبات (prompts). وما زال حكم واحد تقريباً من كل ثلاثة يختلف عن رأي المهندس، ولذلك يبقى الإنسان في الحلقة. ويظهر انخفاض زمن التوقف بنسبة 20% مباشرة في سرعة الإطلاقات: فهذه الاختبارات بالذات هي التي تفتح الطريق إلى الإنتاج. وللممارسين هنا ثلاثة دروس. الأول: ابدؤوا بالروتين المكلف الذي له معيار نجاح واضح، مثل الفرز الأولي للأعطال. الثاني: من الأفضل بناء مجموعة التقييم منذ اليوم الأول.

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…