Second Dinner تُنجز نماذج أولية للبطاقات في ساعات، واختبارات الذكاء الاصطناعي تتفوق على اليدوية في 81% من الحالات
ربط استوديو Second Dinner، الذي أسسه صنّاع Hearthstone، تقنية RAG ببوت في Slack: تبحث الشبكة العصبية أولًا في LanceDB عن البطاقات السابقة والكود وتذاكر Jira، ثم تجيب. ويحصل المصمم على نموذج لبطاقة جديدة في ساعات لا في أشهر. أما مهندس ضمان الجودة فيستدعي واجهة API بدلًا من أسبوع من العمل اليدوي، وبحسب تقدير الاستوديو تتفوق اختبارات الذكاء الاصطناعي على البشرية في 81% من الحالات. الخلاصة: يؤتي RAG الداخلي ثماره حيث تتعثر الأفكار عند مراحل الموافقات.
معالج بواسطة الذكاء الاصطناعي من LanceDB Blog؛ بتحرير Hamidun News
تخيّل شركة لديها سنوات من الكود ووثائق التصميم والتذاكر، بينما لا تعرف الشبكة العصبية عنها شيئًا. استوديو الألعاب Second Dinner، الذي أسسه عام 2018 مبتكرا Hearthstone هاميلتون تشو وبن برود، عالج هذه المشكلة عبر RAG. هذا هو الاسم المتداول لنهج يبحث فيه النموذج، قبل أن يجيب، عن المقاطع المناسبة في بيانات الشركة الخاصة ويستند إليها. يخزّن الاستوديو بياناته في قاعدة بيانات متجهية هي LanceDB، وهي مخزن يبحث عن المستندات بحسب المعنى لا بحسب الكلمات الحرفية. والنتيجة أن تصميم بطاقة لعب جديدة يُنجز في ساعات بدل أشهر، وأن اختبارات الذكاء الاصطناعي، بتقدير الاستوديو نفسه، أفضل من الاختبارات التي يكتبها البشر في 81% من الحالات. وقد أعدّ الاستوديو هذه الحالة مع فريق LanceDB.
ما المشكلة التي واجهها الاستوديو
كان الألم في موضعين. الأول: يبتكر مصممو الأنظمة ميكانيكيات جديدة باستمرار، لكن تحويل المسودة إلى كود يعمل يتطلب جمع المهندسين ومصممي تجربة المستخدم والمختبِرين. وهذا يعني أشهرًا من الاجتماعات وميزانية مهدورة وأفكارًا لا تصل أبدًا إلى مرحلة الاختبار.
الثاني: يجب فحص كل بطاقة لعب جديدة عبر آلاف التفاعلات مع البطاقات الأخرى. وكان مهندسو ضمان الجودة (QA) يكتبون مجموعات الاختبار يدويًا، فيستغرق ذلك أسبوعًا كاملًا. والفريق صغير، ولذلك كان إغفال الحالات الحدّية خطرًا حقيقيًا.
وصاغ الاستوديو متطلباته على النحو التالي: نموذج أولي انطلاقًا من طلب نصي، وتوليد اختبارات عبر API، والعمل مع بيانات متنوعة (من تذاكر Jira إلى وثائق التصميم)، وبنية serverless دون عناء إدارة البنية التحتية.
كيف صُمّم الحل
حوّل الفريق قاعدة الكود الخاصة به ووثائق التصميم وتذاكر Jira إلى متجهات، ثم خزّنها في LanceDB Cloud. وبحسب الوصف، اقتصر الإعداد على رفع التضمينات (embeddings، أي «بصمات» رقمية للنص) وإنشاء الفهارس. أما الباقي فتولّته المنصة: التوسّع، وضغط مجموعات البيانات، والفهرسة التدريجية، وإعادة بناء الفهارس بالكامل دون إيقاف الخدمات العاملة. ومن لحظة الحصول على الوصول إلى الإنتاج مرّ أسبوعان. ويعلّل الاستوديو اختياره بفلسفة «no-ops» (الحد الأدنى من الصيانة اليدوية) وبالتكلفة: فبحسب قوله، كانت LanceDB أرخص بمقدار 3–5 مرات من البدائل. أما أي البدائل جرت مقارنتها فلم تذكر الحالة ذلك.
مثال للمصمم: يكتب في Slack مثلًا: «كيف ستبدو بطاقة تسرق المانا من رصيد الخصم لتعزيز تعاويذي؟». يبحث النظام عبر RAG عن ميكانيكيات مشابهة من بطاقات سابقة، ثم يُنشئ تلقائيًا نموذجًا لصفحة ويب. يعرضه المصمم على زملائه ويتلقى ملاحظاتهم دون أن يجمع فريقًا هندسيًا ودون أن يخاطر بإطلاق ميزة غير مختبرة. وبحسب الاستوديو، بفضل ذلك يدير المصممون بالتوازي عددًا من الأفكار أكبر بخمس مرات.
يحصل مهندسو ضمان الجودة على مجموعة اختبارات عبر استدعاء API أو أمر في Slack، ويستغرق ذلك دقائق لا أسبوعًا. وبحسب بيانات الاستوديو، الاختبارات المُنشأة تلقائيًا أفضل من التي كتبها البشر في 81% من الحالات، و20,5% منها «أفضل بوضوح» من حيث التنسيق أو الالتزام بالمتطلبات.
ما ينبغي أخذه في الحسبان
هذه حالة أعدّها العميل والمورّد معًا، لذلك ينبغي قراءة الأرقام بحذر. منهجية مقارنة الاختبارات غير معلنة: فلا يتضح من قيّم «الأفضل» ولا وفق أي معايير، ولا على أي عيّنة، ولا كيف حُسبت الحالات الحدّية. كما أن الادعاء بنمو الأفكار المتوازية خمس مرات جاء بلا تفاصيل. ولم تُذكر النماذج ولا التضمينات ولا آلية تقييم جودة البحث. أما عبارات مثل «من منفّذين إلى أصحاب رؤية» فهي تسويق لا نتيجة هندسية.
ومع ذلك، فالمخطط نفسه واضح وقابل للتكرار. فالقيمة هنا لا تأتي من نموذج بعينه، بل من الوصول إلى بيانات الشركة الخاصة: البطاقات السابقة والقواعد والتذاكر تشكّل السياق الذي يولّد عليه LLM نماذج أولية واختبارات معقولة على طريقة مشروع بعينه.
الخلاصة العملية
للفرق التي تبني مساعدين داخليين بالذكاء الاصطناعي، تتبيّن من هذه الحالة ثلاث خلاصات. أولًا، من الأفضل البدء مما تراكم بالفعل: الكود والمستندات والتذاكر، لا من روبوت دردشة مجرّد. ثانيًا، ينبغي أن تكون الواجهة حيث يعمل الناس أصلًا: فـSlack وAPI أوضح من بوابة منفصلة. ثالثًا، قاعدة البيانات المُدارة من نوع serverless تعفي فريق الذكاء الاصطناعي الصغير من صيانة الفهارس، وهذا مهم حين لا يضم الطاقم مختصي DevOps مستقلين.
إذا كنت تبني نظامًا مشابهًا، فاتفق مسبقًا على كيفية قياس النجاح. نسبة الاختبارات الأفضل من اليدوية، والزمن من الفكرة إلى النموذج، وتكلفة التخزين والبحث: هذه هي المقاييس التي يذكرها الاستوديو نفسه. لكن دون منهجية شفافة يصعب نقل هذه الأرقام إلى مشاريع أخرى، ولذلك ينبغي إجراء قياساتك الخاصة قبل التوسّع.
- 11 يونيو 2026في واشنطن اجتمع خصوم تنظيم الذكاء الاصطناعي. انتخابات 2026 غيّرت قواعد اللعبة
- 12 نوفمبر 2026صاحب قناة «Tochki nad II» استبدل Notion وCRM بوكلاء: أكثر من 80 مهارة بدل الخدمات
- 9 نوفمبر 2026الوكيل Pinky يدير CRM لأكثر من 1000 شخص: «دماغ ثانٍ» بملفات md وgit بدلًا من Notion
- 2 مايو 2026مايكروسوفت تطلق Copilot Health لتحليل بيانات الساعات الذكية والسجلات الطبية
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما المشكلة التي واجهها الاستوديو؟
كان الألم في موضعين. الأول: يبتكر مصممو الأنظمة ميكانيكيات جديدة باستمرار، لكن تحويل المسودة إلى كود يعمل يتطلب جمع المهندسين ومصممي تجربة المستخدم والمختبِرين. وهذا يعني أشهرًا من الاجتماعات وميزانية مهدورة وأفكارًا لا تصل أبدًا إلى مرحلة الاختبار. الثاني: يجب فحص كل بطاقة لعب جديدة عبر آلاف التفاعلات مع البطاقات الأخرى. وكان مهندسو ضمان الجودة (QA) يكتبون مجموعات الاختبار يدويًا، فيستغرق ذلك أسبوعًا كاملًا. والفريق صغير، ولذلك كان إغفال الحالات الحدّية خطرًا حقيقيًا.
ما أبرز التفاصيل حول كيف صُمّم الحل؟
حوّل الفريق قاعدة الكود الخاصة به ووثائق التصميم وتذاكر Jira إلى متجهات، ثم خزّنها في LanceDB Cloud. وبحسب الوصف، اقتصر الإعداد على رفع التضمينات (embeddings، أي «بصمات» رقمية للنص) وإنشاء الفهارس. أما الباقي فتولّته المنصة: التوسّع، وضغط مجموعات البيانات، والفهرسة التدريجية، وإعادة بناء الفهارس بالكامل دون إيقاف الخدمات العاملة. ومن لحظة الحصول على الوصول إلى الإنتاج مرّ أسبوعان.
ما أبرز التفاصيل حول ما ينبغي أخذه في الحسبان؟
هذه حالة أعدّها العميل والمورّد معًا، لذلك ينبغي قراءة الأرقام بحذر. منهجية مقارنة الاختبارات غير معلنة: فلا يتضح من قيّم «الأفضل» ولا وفق أي معايير، ولا على أي عيّنة، ولا كيف حُسبت الحالات الحدّية. كما أن الادعاء بنمو الأفكار المتوازية خمس مرات جاء بلا تفاصيل. ولم تُذكر النماذج ولا التضمينات ولا آلية تقييم جودة البحث. أما عبارات مثل «من منفّذين إلى أصحاب رؤية» فهي تسويق لا نتيجة هندسية. ومع ذلك، فالمخطط نفسه واضح وقابل للتكرار.
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.