وكيل ذكي بدلاً من روبوت الدردشة: AutoGen أنجز المهمة بـ 8 170 رمزًا (توكن) مقابل 10 070 لـ LangChain
نظام RAG هو روبوت دردشة يبحث في قاعدة المعرفة: يجيب في مرور واحد، أما الوكيل فيدور في حلقة «فكّر — استدعِ أداة — تحقّق». في اختبار AIMultiple لتحليل أربعة أعمدة JSON استدعى AutoGen الأدوات بالتوازي واستهلك 8 170 رمزًا (وحدات النص التي يُدفع ثمنها) و47 ثانية، بينما استدعاها LangChain بالتتابع: 10 070 رموز و86 ثانية. لذلك ينبغي اختيار الإطار بناءً على قياس يُجرى على مهامك أنت، لا بحسب شعبيته.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
تُلصَق كلمة «وكيل» اليوم بأي روبوت دردشة تقريبًا، لكن الفرق بين الاثنين ينعكس مباشرة على فاتورة الرموز (التوكنات، أي القطع النصية التي يُدفع ثمنها لمزوّد النموذج) وعلى المخاطر. نظام RAG المعتاد هو روبوت دردشة يبحث قبل الإجابة عن المستندات اللازمة في قاعدة معارفك: يتلقى السؤال، ويجلب النص، ويجيب، ثم يتوقف. أما الوكيل فتركيبه مختلف: يستدعي الأدوات بنفسه ويكرر الخطوات إلى أن يحلّ المهمة. في مراجعة منشورة على Habr قارن الخبير المستقل أندريه بيريوكوف بين هذه المقاربات وبين أطر AutoGen وLangGraph وLangChain وCrewAI. في المهمة نفسها استهلك AutoGen 8 170 رمزًا، واستهلك LangChain 10 070 رموز. فيما يلي تحليل يركّز على الجانب الهندسي والكلفة.
مرور واحد في مقابل حلقة
يعالج نظام RAG الكلاسيكي الطلب في مرور واحد: يجمع السياق، ويولّد الإجابة، وينتهي. أما الوكيل فيحتفظ بالهدف وبسجل أفعاله، ويقرر ما يفعله بعد ذلك، ويستدعي أداة، وينظر في النتيجة، ثم يعود إلى الاستدلال. تدور الحلقة إلى أن تُحَل المهمة أو ينفد المال أو يُستنفد حدّ التكرارات.
ومن أمثلة المقال مهمة «إبلاغ العملاء بالتأخير». روبوت الدردشة سيكتب نص الرسالة فقط. أما الوكيل فسيستعلم بنفسه من نظام CRM عن الطلبات المتأخرة، ويصوغ رسائل بتواريخ محددة، ويرسلها عبر واجهة البريد البرمجية (API)، ويحدّث الحالة في قاعدة البيانات، وفي النهاية يتحقق من معالجة جميع الطلبات.
تتنوع مناهج الاستدلال. يعرض Chain-of-Thought الخطوات الوسيطة، لكن الأخطاء تتراكم في السلاسل الطويلة. ويفرّع Tree-of-Thought مسارات متعددة، لكنه أغلى حسابيًا بوضوح. أما ReAct فيتناوب بين الفكرة والفعل، ويبقى الأكثر عملية. ويسجّل Reflexion الإخفاقات في الذاكرة ويأخذها في الحسبان في المحاولة التالية. وأقوى الخيارات المذكورة هو LATS: يستخدم البحث الشجري بطريقة مونت كارلو، ويحلّ في اختبار HumanEval (مسائل كتابة الأكواد) مع GPT-4 نسبة 92,7% من المسائل من المحاولة الأولى، في حين يحقق ReAct على النموذج نفسه نحو 80%. والسبب أن مولّد الخيارات منفصل عن المقيِّم، وأن الحكم في مسائل الكود تتولاه الاختبارات وأداة الفحص (linter) والتحقق من الأنواع. لا يستطيع الوكيل أن يقنع نفسه بأن كل شيء على ما يرام ما دامت الاختبارات حمراء.
كم تكلّف الأطر
أنفع جزء للممارس هو قياس AIMultiple على معالجة البيانات غير المهيكلة. المهمة: تحليل أربعة أعمدة JSON مستقلة.
- AutoGen: دورة واحدة للنموذج مع أربعة استدعاءات متوازية للأدوات، 8 170 رمزًا، وزمن استجابة وسيط 47 ثانية.
- LangGraph: 9 150 رمزًا و70 ثانية. تراوح عدد استدعاءات الأدوات بين 6 و16 لأن النظام يميل إلى تكرار خطوات نُفِّذت سابقًا.
- LangChain مع AgentExecutor المتتابع: 4 دورات، 10 070 رموز، 86 ثانية.
الخلاصة بسيطة: الاستدعاءات المتوازية للأدوات توفّر الوقت والرموز معًا، أما التكرارات الزائدة، كما في LangGraph، فتضرب الميزانية.
يحوّل المؤلف هذه الأرقام إلى مبالغ مالية بحسب أسعار GPT-4o (2,50 دولار لكل مليون رمز إدخال و10 دولارات لكل مليون رمز إخراج) لحمل يبلغ 1 000 مهمة يوميًا. والنتيجة نحو 12–18 دولارًا يوميًا لـ LangGraph المحسَّن، و18–28 دولارًا لـ CrewAI، و25–40 دولارًا لـ AutoGen. وعند 10 000 مهمة يوميًا يبلغ الفارق بين الأطر، بتقديره، 47 000–80 000 دولار سنويًا. وثمة هنا تناقض: في اختبار الرموز يبدو AutoGen الأكثر اقتصادًا، وفي التقدير المالي هو الأغلى. والأرجح أن عدد الخطوات وحجم الموجّهات (prompts) في السيناريوهات الحقيقية يختلفان كثيرًا عن مهمة المختبر. ولا يكشف المصدر عن منهجية الحساب، لذا يجدر الاحتساب على بياناتك الخاصة.
الذاكرة والأمان
تحتاج المهام الطويلة إلى ذاكرة. يحفظ LangGraph الحالة عبر نقاط تفتيش، مثل AgentCoreMemorySaver، فيستطيع الوكيل استئناف العمل بعد عطل. وينشئ Microsoft Agent Framework نقاط التفتيش تلقائيًا عند كل تشغيل لسير العمل (workflow). أما Reflexion فيخزّن بدلًا من الحالة الكاملة «دروسًا» نصية قصيرة عن الإخفاقات: هذا أكثر إيجازًا لكنه أقل قابلية للتنبؤ.
توسيع قدرات الوكيل يوسّع كذلك سطح الهجوم. ينصح المؤلف بتشغيل الوكلاء داخل بيئة معزولة (sandbox)، وحظر كل حركة المرور الواردة والصادرة افتراضيًا، وفتح الاتصالات اللازمة فقط عبر قوائم التحكم في الوصول. ومن المفيد أيضًا الفصل بين بيئة الوكيل وبنية الاستدلال (inference) والبيئة المعزولة لتنفيذ الأوامر، وتقييد الوصول إلى بيانات الاعتماد. وإعدادات تنفيذ الكود المدمجة في AutoGen وCrewAI لا تغني عن عزل العمليات: فهذه المسؤولية تبقى على المطوّر. وخط الدفاع الثاني هو التحقق من الأفعال عبر اختبارات خارجية، وحيث لا يوجد تحقق رسمي يُستعان بنهج LLM-as-judge (نموذج آخر في دور الحكم) مع مقياس معايَر.
ما الذي يمكن أخذه من هذا
النص في معظمه مراجعة عامة، بلا تجارب أجراها المؤلف بنفسه. ومع ذلك يمكن استخلاص ثلاث نتائج عملية. الأولى: قبل اختيار الإطار قِس الرموز وعدد الاستدعاءات وزمن الاستجابة على مهمتك أنت. الثانية: اجعل استدعاءات الأدوات متوازية حيثما أمكن. الثالثة: ضع فوق الوكيل حَكَمًا موضوعيًا (اختبارات، linter، أدوات تحقق)، وأبقِ الوكيل في بيئة معزولة بحدود صارمة لعدد التكرارات والميزانية.
- 21 نوفمبر 2026عطل في Microsoft: نحو 83 ألف شكوى على Outlook في Downdetector وتوقف Teams وCopilot
- 21 نوفمبر 2026اختبار MLPerf يشهد لأول مرة مشاركة Nvidia Rubin وTPU Ironwood: 153 نظامًا
- 21 نوفمبر 2026مايكروسوفت تحوّل Copilot إلى «نظام تشغيل للعمل»: Word وExcel يصبحان إضافات للوكيل
- 21 نوفمبر 2026Google تفصل بين حفظ المحادثات والتدريب في Gemini: إلغاء التدريب دون خسارة السجل
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول مرور واحد في مقابل حلقة؟
يعالج نظام RAG الكلاسيكي الطلب في مرور واحد: يجمع السياق، ويولّد الإجابة، وينتهي. أما الوكيل فيحتفظ بالهدف وبسجل أفعاله، ويقرر ما يفعله بعد ذلك، ويستدعي أداة، وينظر في النتيجة، ثم يعود إلى الاستدلال. تدور الحلقة إلى أن تُحَل المهمة أو ينفد المال أو يُستنفد حدّ التكرارات. ومن أمثلة المقال مهمة «إبلاغ العملاء بالتأخير». روبوت الدردشة سيكتب نص الرسالة فقط.
ما أبرز التفاصيل حول كم تكلّف الأطر؟
أنفع جزء للممارس هو قياس AIMultiple على معالجة البيانات غير المهيكلة. المهمة: تحليل أربعة أعمدة JSON مستقلة. AutoGen: دورة واحدة للنموذج مع أربعة استدعاءات متوازية للأدوات، 8 170 رمزًا، وزمن استجابة وسيط 47 ثانية. LangGraph: 9 150 رمزًا و70 ثانية. تراوح عدد استدعاءات الأدوات بين 6 و16 لأن النظام يميل إلى تكرار خطوات نُفِّذت سابقًا. LangChain مع AgentExecutor المتتابع: 4 دورات، 10 070 رموز، 86 ثانية.
ما أبرز التفاصيل حول الذاكرة والأمان؟
تحتاج المهام الطويلة إلى ذاكرة. يحفظ LangGraph الحالة عبر نقاط تفتيش، مثل AgentCoreMemorySaver، فيستطيع الوكيل استئناف العمل بعد عطل. وينشئ Microsoft Agent Framework نقاط التفتيش تلقائيًا عند كل تشغيل لسير العمل (workflow). أما Reflexion فيخزّن بدلًا من الحالة الكاملة «دروسًا» نصية قصيرة عن الإخفاقات: هذا أكثر إيجازًا لكنه أقل قابلية للتنبؤ. توسيع قدرات الوكيل يوسّع كذلك سطح الهجوم.
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.
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.