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)
إصدارAPI / منتج · جاهز للعملHabr AI→ المصدر

Google تطلق Harness²: وكيل ذكاء اصطناعي يعدّل «غلافه» بنفسه، وتقييم GLM-5 يرتفع من 64.2 إلى 75.7

نشرت Google Research إطار العمل Harness²، الذي يعدّل فيه وكيل الذكاء الاصطناعي «غلافه» (harness) بنفسه، أي التعليمات والمهارات وقواعد التعامل مع الأدوات. فإذا كان الوكيل مثلاً يقرأ المستودع بأكمله بنهم، يضيف المحرّر قاعدة تقضي بالاطلاع أولاً على بنية المجلدات. وعلى اختبار WorkBuddy-Bench (مهام مكتبية ومهام ويب وبرمجة) ارتفع تقييم GLM-5 من 64.2 إلى 75.7 نقطة دون إعادة تدريب. لذلك يجدر بك، قبل الانتقال إلى نموذج أغلى ثمناً، أن تتحقق مما يمكن أن يحققه ضبط الغلاف.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
Google تطلق Harness²: وكيل ذكاء اصطناعي يعدّل «غلافه» بنفسه، وتقييم GLM-5 يرتفع من 64.2 إلى 75.7
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حقيقة رئيسية #1يعمل مع OpenCode وCodex، وأوزان النموذج لا تتغير
حقيقة رئيسية #2ميزانية k=5 بدل k=1 تضيف 2.6–6.7 نقطة أخرى، لكن عدد التشغيلات يزيد 5 أضعاف
هذا كود بحثيLinux وPython 3.12، وقد تتغير واجهة API

نشرت Google Research في المصدر المفتوح Harness²، وهو إطار عمل يضبط فيه وكيل الذكاء الاصطناعي «غلافه» بنفسه. الغلاف (harness) هو كل ما يحيط بالنموذج اللغوي: تعليمات النظام، وقواعد التعامل مع الأدوات، والذاكرة، والمهارات، والوكلاء الفرعيون. الوكيل يساوي LLM زائد الغلاف، ومن الغلاف يتوقف ما إذا كان الوكيل سيبحث بدقة عن الملفات المطلوبة أم سيقرأ المستودع كله ويُغرق السياق. عادةً يعدّل المهندسون هذه الإعدادات يدوياً، وهذا بطيء ومكلف. أما Harness² فيفعل ذلك تلقائياً: على اختبار WorkBuddy-Bench (مهام مكتبية ومهام ويب وبرمجة) ارتفع تقييم النموذج GLM-5 مع OpenCode من 64.2 إلى 75.7 نقطة، أي بمقدار 11.5. وأوزان النموذج في هذه الأثناء لا تتغير.

مم يتكوّن الغلاف

يحدد ملف README الخاص بالإطار ثمانية مكونات، ويستطيع Harness² تعديل كل منها:

  • System prompt — التعليمة الأساسية: ماذا يقرأ الوكيل أولاً.
  • Guardrails — القيود: ما لا يجوز فعله.
  • Memory — ما يجب تذكره بين الخطوات.
  • Tool guidance — كيفية التعامل مع الأدوات: متى يبحث في التوثيق ومتى يجيب بنفسه.
  • Subagents — تفويض المهام: وكيل واحد يحلل المهمة، وآخرون ينفذون أجزاءها.
  • Skills — مجموعات جاهزة من الأساليب للمهام النمطية.
  • Scripts — سكربتات للتعامل مع البيئة.
  • Plugins — برمجيات وسيطة (middleware) تغيّر السلوك داخل حلقة استدعاء الأدوات.

كيف يعمل مستويا التكرار الذاتي

يشير الرقم 2 في الاسم إلى حلقتين. داخل المهمة الواحدة تدور حلقة Propose-Probe-Compose («اقترح — اختبر — ركّب»). يحل الوكيل المهمة أولاً بالغلاف الأساسي، ويُسجَّل هذا التشغيل المرجعي: ما الذي قرأه، وأي أدوات استدعاها دون جدوى، وما الذي نسي التحقق منه. بعد ذلك يقترح المحرّر (وهو افتراضياً Claude Opus 4.8، أي نموذج منافس) مرشحين اثنين: تعديلاً عاماً يعالج نقاط الضعف النمطية، وتعديلاً مخصصاً لمجال بعينه مثل الإجراءات القانونية أو الجداول. يُشغَّل كل مرشح على المهمة نفسها ويُنظر في كيفية تغيّر السلوك. ثم يقرر المُركِّب (composer) أي التعديلات تُقبل، ويجمع النسخة النهائية.

مثال من JobBench: جمع الوكيل حزمة مستندات بأرقام متسقة. أعطى التشغيل الأول 43.1 نقطة: الأرقام في الملفات لم تتطابق، ولم يعد أحد فتح المستندات النهائية. أضافت التعديلات مطابقة المصادر وإعادة تحقق إلزامية من النتيجة، فارتفع التقييم إلى 77.8. هذه مهمة واحدة، ولا تثبت أن التعديل نفسه سينجح في كل مكان.

تعمل الحلقة الثانية بين المهام. يحلل مكوّن reflector العملية كاملة، ويحفظ فقط الدروس التي أكدتها مقارنة التشغيلات. تدخل هذه الدروس مكتبة improvement harness، في الملف EXPERIENCE.md. تبدأ المهمة التالية بالغلاف الأساسي، ولا ينتقل إلا الخبرة المتراكمة، وهي ترشد المحرّر إلى ما يقترحه.

ما الذي أظهرته الاختبارات المعيارية

اختبر المؤلفون الطريقة على ثلاث مجموعات من المهام:

  • WorkBuddy-Bench — مهام مكتبية ومهام ويب وبرمجة. أعلى نتيجة: GLM-5 مع OpenCode من 64.2 إلى 75.7 نقطة (+11.5).
  • JobBench — مهام مهنية طويلة قريبة من يوم العمل البشري. Gemini 3.5 Flash مع OpenCode: من 31.5 إلى 36.0 (+4.5).
  • LAB من Harvey — اختبار قانوني يُحتسب فيه معدل المعايير المجتازة. GLM-5: من 59.6% إلى 71.4% (+11.8 نقطة مئوية).

وأكثر الملاحظات عملية أن المنفّذ الأضعف يستفيد أكثر. فبعد خطوة تحسين واحدة يسجّل GLM-5 على WorkBuddy-Bench ‏75.7 (OpenCode) و75.3 (Codex)، بينما يسجّل Gemini 3.5 Flash بالغلاف المعتاد 72.4 و74.5. أي أن النموذج الأضعف بغلاف مضبوط يتفوق على النموذج الأقوى بغلاف قياسي.

لا تضمن الأتمتة وحدها النجاح. فالمنافس ReasoningBank يهبط في مهام البرمجة حتى 6.6 نقطة دون الغلاف الأساسي، أما Harness Scaling فيخسر أمام الأساس في سبعة من اثني عشر زوجاً من أزواج «اختبار — إعداد». في المقابل يتفوق Harness² على الأساس في WorkBuddy-Bench وJobBench في الإعدادات الأربعة جميعها.

التكلفة والقيود

كل خطوة تكرار ذاتي تعني تشغيلات إضافية، أي رموزاً (tokens) ووقتاً. الانتقال من ميزانية k=1 إلى k=5 يضيف على WorkBuddy-Bench ما بين 2.9 و3.9 نقطة، وعلى JobBench ما بين 3.0 و4.2، وعلى LAB ما بين 2.6 و6.7 نقطة مئوية، مع تناقص العائد. كما أن اختلاف السلوك لا يساوي التحسّن: فقد يثبّت النظام تعديلاً يبدو أفضل، لكنه لا ينجح في المهمة التالية.

يمكن التجربة دون إنفاق على النماذج: العرض المحلي (Linux وPython 3.12 وuv والأمر harness2-demo --k 2) يشغّل المستويين معاً بمحررين حتميين في نحو عشر دقائق. أما الاختبارات المعيارية الفعلية فتتطلب Vertex AI وgcloud وNode.js 20+ وDocker أو Pandoc مع Poppler، والتشغيلات مدفوعة. هذا إطار عمل بحثي وليس منتجاً من Google: وقد تتغير واجهة API.

الخلاصة العملية لمن يبني وكلاء: قبل أن تدفع أكثر مقابل نموذج من الفئة العليا، قِس مقدار ما يقدمه الضبط المنهجي للغلاف. جميع الأرقام مأخوذة من الورقة البحثية الأولية للمؤلفين (preprint) ولم يتم التحقق منها بعد بشكل مستقل.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول مم يتكوّن الغلاف؟

يحدد ملف README الخاص بالإطار ثمانية مكونات، ويستطيع Harness² تعديل كل منها: System prompt — التعليمة الأساسية: ماذا يقرأ الوكيل أولاً. Guardrails — القيود: ما لا يجوز فعله. Memory — ما يجب تذكره بين الخطوات. Tool guidance — كيفية التعامل مع الأدوات: متى يبحث في التوثيق ومتى يجيب بنفسه. Subagents — تفويض المهام: وكيل واحد يحلل المهمة، وآخرون ينفذون أجزاءها. Skills — مجموعات جاهزة من الأساليب للمهام النمطية. Scripts — سكربتات للتعامل مع البيئة.

ما أبرز التفاصيل حول كيف يعمل مستويا التكرار الذاتي؟

يشير الرقم 2 في الاسم إلى حلقتين. داخل المهمة الواحدة تدور حلقة Propose-Probe-Compose («اقترح — اختبر — ركّب»). يحل الوكيل المهمة أولاً بالغلاف الأساسي، ويُسجَّل هذا التشغيل المرجعي: ما الذي قرأه، وأي أدوات استدعاها دون جدوى، وما الذي نسي التحقق منه. بعد ذلك يقترح المحرّر (وهو افتراضياً Claude Opus 4.8، أي نموذج منافس) مرشحين اثنين: تعديلاً عاماً يعالج نقاط الضعف النمطية، وتعديلاً مخصصاً لمجال بعينه مثل الإجراءات القانونية أو الجداول. يُشغَّل كل مرشح على المهمة نفسها ويُنظر في كيفية تغيّر السلوك.

ما أبرز التفاصيل حول ما الذي أظهرته الاختبارات المعيارية؟

اختبر المؤلفون الطريقة على ثلاث مجموعات من المهام: WorkBuddy-Bench — مهام مكتبية ومهام ويب وبرمجة. أعلى نتيجة: GLM-5 مع OpenCode من 64.2 إلى 75.7 نقطة (+11.5). JobBench — مهام مهنية طويلة قريبة من يوم العمل البشري. Gemini 3.5 Flash مع OpenCode: من 31.5 إلى 36.0 (+4.5). LAB من Harvey — اختبار قانوني يُحتسب فيه معدل المعايير المجتازة. GLM-5: من 59.6% إلى 71.4% (+11.8 نقطة مئوية). وأكثر الملاحظات عملية أن المنفّذ الأضعف يستفيد أكثر.

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.
✦ Hands-On AI Engineering · Hamidun Academy

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.

Start 72h Free Trial →Vibe-Coding Intensive
ما رأيك؟
جارٍ تحميل التعليقات…