وكيل Codex يبني في Obsidian قاعدة معرفة شخصية من 4 مقالات على «هابر» بدلًا من RAG
في نهج RAG يبحث النموذج عن مقاطع داخل المستندات ثم يجيب، فهو «يجيب وينسى»: وفي اليوم التالي عليك أن تعيد بناء الخلاصة من المقالات من جديد. اختبر راميل فكرة كارباثي: وكيل Codex يدير بنفسه قاعدة معرفة من ملفات markdown داخل تطبيق تدوين الملاحظات Obsidian. وخرج من 4 مقالات على «هابر» بطاقات وصفحات مفاهيم وروابط بينها. تنجح الطريقة في البحث الشخصي، لكن تحميل المقالات إلى القاعدة عند 50–100 مصدر يستهلك قدرًا ملحوظًا من التوكنات.
معالج بواسطة الذكاء الاصطناعي من Raft؛ بتحرير Hamidun News
قرأتَ عشر مقالات تقريبًا، وطلبتَ من النموذج استخراج القواسم المشتركة بينها، فجاءك جواب ممتاز، ثم بقي هذا الجواب في تبويب محادثة مغلق. المعرفة لم تتراكم. هكذا يعمل RAG عادةً: يعثر النموذج في المستندات المحمّلة على مقاطع مناسبة ويجيب استنادًا إليها. جرّب مهندس الجودة راميل فكرة مختلفة روّج لها أندريه كارباثي، وهي LLM Wiki. في هذه الفكرة لا يكتفي الوكيل بالإجابة، بل يدير بنفسه قاعدة معرفة شخصية. أدّى Codex دور الوكيل، وهو مساعد من OpenAI يستطيع قراءة الملفات في مجلد المشروع وتعديلها. وكانت القاعدة Obsidian، وهو برنامج لتدوين الملاحظات يحفظ كل شيء في ملفات markdown عادية ويعرض الروابط بينها على هيئة رسم بياني. أما المادة فكانت أربع مقالات من «هابر».
ما الفرق بينها وبين RAG
في المخطط المعتاد تحمّل ملفات PDF أو مقالات وتطرح سؤالًا، فيستخرج النظام مقاطع ويولّد جوابًا. وهذا هو النهج الصحيح لتطبيقات الإنتاج التي فيها مستخدمون وصلاحيات وصول واتفاقيات مستوى خدمة (SLA). لكنه يعيب العمل الشخصي بأنه «يجيب وينسى». لنفترض أنك قرأت عن guardrails وتقييم الجودة وOCR ووكلاء الذكاء الاصطناعي في BI. قد يقدّم النموذج خلاصة جيدة، لكنها إن بقيت في المحادثة فسيتعيّن عليك بناؤها من جديد.
تقترح LLM Wiki «تصريف» المعرفة إلى طبقة دائمة من ملفات markdown. ويتكوّن المخطط من ثلاثة أجزاء:
- raw — المقالات الأصلية وملفات PDF والملاحظات والنصوص المفرّغة. هذه هي مصدر الحقيقة، ولا يعدّلها الوكيل؛
- wiki — الطبقة المعالَجة: بطاقات المصادر وصفحات المفاهيم والروابط والخلاصات والأجوبة المحفوظة؛
- ملف القواعد — تعليمات للوكيل: كيف يضيف المصادر، وكيف يسمّي الملفات، وكيف يفصل الحقيقة عن التفسير، وما الذي يحدّثه بعد كل عملية.
يشبّه المؤلف ذلك بتطوير البرمجيات: Obsidian هو بيئة التطوير (IDE) للمعرفة، وmarkdown هو الشيفرة المصدرية، وCodex هو الوكيل القائم على الصيانة.
ثلاث عمليات وتجربة حقيقية
يقوم العمل على ثلاثة أوامر. يضيف الأمر ingest مصدرًا جديدًا: يقرأ Codex المقالة وينشئ بطاقة ويستخرج الفكرة والأطروحات والقيود والأساليب، ثم يحدّث صفحات المفاهيم أو ينشئها. ويشدد المؤلف على الفرق: التلخيص العادي يجيب عن سؤال «عمّ تتحدث المقالة؟»، أما ingest فيجيب عن «كيف تغيّر هذه المقالة قاعدة معرفتي؟». ويجيب الأمر query عن سؤال استنادًا إلى الـ wiki المتراكمة، وتُحفظ الإجابة القيّمة فيها نفسها، فيصبح السؤال أيضًا جزءًا من القاعدة. أما lint فيفحص سلامة القاعدة: يبحث عن التكرارات والتناقضات والاستنتاجات القديمة والمفاهيم التي لا صفحات لها و«الجزر» المنعزلة في الرسم البياني. ويسمّي المؤلف هذه المشكلات knowledge smell، على غرار code smell في الشيفرة.
للاختبار اختيرت أربع مقالات من «هابر»: عن GLiNER Guard وحواجز الحماية (guardrails) لنماذج LLM، وعن تقييم مصنِّف عبر DeepEval باستخدام GPT-4o وYandexGPT، وعن HunyuanOCR والتعرف على المستندات، وعن AI-powered BI على Apache Superset وMCP. كل منها نص مستقل عن الآخر. وبعد ingest رأى Codex موضوعًا مشتركًا: جميعها تتناول أنظمة LLM في بيئة الإنتاج. إحداها تعالج الأمان، والثانية المقاييس، والثالثة العمل مع المستندات، والرابعة الوكلاء المزوّدين بأدوات وصلاحيات وتدقيق. ظهرت في الـ wiki صفحات مفاهيم، منها أمن المعلومات، وأظهر graph view في Obsidian كيف تلتقي المقالات عند عقد مشتركة.
من الناحية التقنية الأمر بسيط: يُشغَّل Codex في مجلد المشروع، ويقرأ ملف القواعد، ويطّلع على البنية، ويعدّل ملفات markdown. الفرق في صياغة المهمة. فطلب «اصنع تلخيصًا جميلًا» يعطي نتيجة عشوائية، أما ترتيب واضح («لا تلمس raw، أنشئ البطاقة وفق القالب، حدّث المفاهيم وindex وrelations وlog، ودوّن القيود») فيعطي نتيجة يمكن التنبؤ بها. ويشبّه المؤلف ذلك بالفرق بين سؤال يُطرح على متدرّب ومستودع فيه قواعد للمهندس.
كم تكلّف وأين حدودها
التحذير الرئيسي للمؤلف أن ingest ليس تلخيصًا مجانيًا، بل عملية مكلفة تشمل القراءة والتحليل والكتابة. يمكن معالجة خمسة مصادر دون عناء يُذكر. أما عند 50–100 مصدر، وخصوصًا ملفات PDF متعددة الصفحات، فإن أي وسم غير موفّق أو كيان زائد أو قسم رديء في المخطط يرفع التكلفة: يعيد النموذج قراءة أجزاء كبيرة من النص، ويعيد كتابة عشرات الصفحات، وقد يضاعف بنية خاطئة في الـ wiki كلها. وفي السحابة يتحول ذلك إلى فاتورة مباشرة بالتوكنات. أما النموذج المحلي فلن يصدر فاتورة، لكنه يتطلب جهازًا قويًا، وإلا تراجعت جودة الروابط على البيانات الكبيرة أو طال الانتظار.
ولتقدير الميزانية يحسب المؤلف التكلفة على Yandex Foundation Models لمجلد الـ vault التجريبي الخاص به بتاريخ 29 يونيو 2026، آخذًا في الحسبان فقط ما يشارك فعليًا في العملية: المقالات الأربع الأصلية في raw وطبقة wiki المولَّدة (sources وconcepts وsynthesis وindex وrelations وlog).
اختير Codex لسهولة استخدامه. ويمكن بناء العملية نفسها بالسكربتات: مراقب لمجلد raw يرسل الملفات الجديدة إلى نموذج محلي أو سحابي، ويتلقى ردًا منظَّمًا، ثم يعيد إنشاء البطاقات والفهارس. وبعد ذلك يستحسن إضافة مراجعة بشرية: يقترح الوكيل diff، ويقبله الإنسان أو يعدّله.
ما الذي يمكن اعتماده
يمكن البدء بخطوات صغيرة: مجلد وmarkdown وObsidian ووكيل وثلاثة أوامر. اضبط ملف القواعد أولًا على 3–5 مصادر، ثم وسّع النطاق. احسب التوكنات اللازمة لـ ingest مسبقًا، واترك مراجعة التغييرات للإنسان، وإلا رسّخ الوكيل أخطاءه في البنية. والقيد واضح: هذه أداة شخصية للبحث وإعداد المواد، وليست بديلًا عن RAG في بيئة الإنتاج الذي يتطلب صلاحيات وصول واتفاقيات مستوى خدمة (SLA). والتجربة صغيرة، أربع مقالات فقط، ولذلك فإن الحكم على السلوك عند مئات المستندات يبقى مرهونًا بتحذيرات المؤلف نفسه.
- 21 نوفمبر 2026OpenAI تراجع موجّهات النظام لـ GPT-6.2: أسئلة أقل واختبارات أقل
- 21 نوفمبر 2026CoreWeave مدينة بـ47 مليار دولار مقابل رقائق Nvidia وتخسر 709 ملايين دولار في ربع واحد
- 21 نوفمبر 2026Apple تعدّ وكيل ذكاء اصطناعي وتصعّب الوصول على الوكلاء الآخرين: الإذن الآن في 14 خطوة بدلًا من 4
- 21 نوفمبر 2026مطوّر يستغني عن Pinecone: بحث في 72 450 مقطعًا برمجيًا خلال 50 مللي ثانية
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الفرق بينها وبين RAG؟
في المخطط المعتاد تحمّل ملفات PDF أو مقالات وتطرح سؤالًا، فيستخرج النظام مقاطع ويولّد جوابًا. وهذا هو النهج الصحيح لتطبيقات الإنتاج التي فيها مستخدمون وصلاحيات وصول واتفاقيات مستوى خدمة (SLA). لكنه يعيب العمل الشخصي بأنه «يجيب وينسى». لنفترض أنك قرأت عن guardrails وتقييم الجودة وOCR ووكلاء الذكاء الاصطناعي في BI. قد يقدّم النموذج خلاصة جيدة، لكنها إن بقيت في المحادثة فسيتعيّن عليك بناؤها من جديد. تقترح LLM Wiki «تصريف» المعرفة إلى طبقة دائمة من ملفات markdown.
ما أبرز التفاصيل حول ثلاث عمليات وتجربة حقيقية؟
يقوم العمل على ثلاثة أوامر. يضيف الأمر ingest مصدرًا جديدًا: يقرأ Codex المقالة وينشئ بطاقة ويستخرج الفكرة والأطروحات والقيود والأساليب، ثم يحدّث صفحات المفاهيم أو ينشئها. ويشدد المؤلف على الفرق: التلخيص العادي يجيب عن سؤال «عمّ تتحدث المقالة؟»، أما ingest فيجيب عن «كيف تغيّر هذه المقالة قاعدة معرفتي؟». ويجيب الأمر query عن سؤال استنادًا إلى الـ wiki المتراكمة، وتُحفظ الإجابة القيّمة فيها نفسها، فيصبح السؤال أيضًا جزءًا من القاعدة.
ما أبرز التفاصيل حول كم تكلّف وأين حدودها؟
التحذير الرئيسي للمؤلف أن ingest ليس تلخيصًا مجانيًا، بل عملية مكلفة تشمل القراءة والتحليل والكتابة. يمكن معالجة خمسة مصادر دون عناء يُذكر. أما عند 50–100 مصدر، وخصوصًا ملفات PDF متعددة الصفحات، فإن أي وسم غير موفّق أو كيان زائد أو قسم رديء في المخطط يرفع التكلفة: يعيد النموذج قراءة أجزاء كبيرة من النص، ويعيد كتابة عشرات الصفحات، وقد يضاعف بنية خاطئة في الـ wiki كلها. وفي السحابة يتحول ذلك إلى فاتورة مباشرة بالتوكنات.
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.