AWS تعلّم Strands Agents العمل مع أي نموذج على SageMaker
نشرت AWS دليلاً لإنشاء محلّلات مخصصة (custom parsers) لإطار Strands Agents، تتيح دمج أي نموذج لغوي كبير (LLM) منشور على SageMaker AI، بما في ذلك النماذج التي لا تدعم واجهة Bedrock Messages API بشكل أصلي. ويعتمد الدليل مثالاً عملياً هو نشر Llama 3.1 عبر SGLang وأداة ml-container-creator. وهذا يفتح أمام مستخدمي AWS من الشركات الطريق لبناء أنظمة وكلاء (agentic systems) على أساس أي نموذج مفتوح تقريباً، دون الاقتصار على منظومة Bedrock.
معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
يمرّ عالم وكلاء الذكاء الاصطناعي في الشركات بلحظة يمكن تشبيهها بظهور المحوّلات الكهربائية العالمية: فقد أظهرت Amazon Web Services كيف يمكن لإطار الوكلاء الخاص بها، Strands Agents، العمل مع أي نموذج لغوي منشور على SageMaker تقريباً، حتى لو كان هذا النموذج لا يعرف شيئاً عن واجهة منصة Bedrock القياسية.
ولفهم أهمية هذه الخطوة، لا بد من العودة بضعة أشهر إلى الوراء. أطلقت AWS إطار Strands Agents بوصفه إطاراً مفتوح المصدر لبناء وكلاء الذكاء الاصطناعي، أي برامج قادرة على تخطيط الإجراءات بنفسها واستخدام الأدوات وحل المهام متعددة المراحل. غير أن الإطار صُمّم في الأصل للنماذج المتاحة عبر Amazon Bedrock، ما أنتج منظومة مريحة لكنها مغلقة. أما الشركات التي أرادت استخدام نماذجها الخاصة المضبوطة بدقة (fine-tuned) أو نماذج LLM مفتوحة مثل Llama منشورة على نقاط نهاية SageMaker AI، فكانت تصطدم بجدار عدم توافق الصيغ.
ويعالج الدليل الجديد، المنشور في مدونة AWS Machine Learning، هذه المشكلة تحديداً. يشرح مهندسو Amazon بالتفصيل عملية إنشاء ما يُعرف بـ«محلّلات النماذج المخصصة» (custom model parsers)، وهي طبقات وسيطة تترجم طلبات Strands Agents إلى الصيغة التي يفهمها نموذج بعينه، ثم تعيد تحويل ردود النموذج إلى البنية التي يتوقعها الإطار. وهي في جوهرها مترجم بين نظامين يتحدثان لغتين مختلفتين.
وكمثال عملي، تعرض AWS نشر Llama 3.1 باستخدام SGLang، وهو محرك عالي الأداء لاستدلال (inference) النماذج اللغوية، على بنية SageMaker التحتية. ولتبسيط عملية الحاويات، تُستخدم أداة ml-container-creator من AWS Labs، وهي تؤتمت إنشاء حاويات Docker لنماذج ML. وبعد نشر النموذج، ينفّذ المطوّر محلّلاً مخصصاً يعترض استدعاءات Strands Agents ويعيد تنسيقها من Bedrock Messages API إلى صيغة متوافقة مع نقطة نهاية SGLang، ثم يتلقى الرد ويحوّله إلى الصيغة الأصلية. من الناحية التقنية، ليست المسألة معقدة للغاية، لكن غياب التوثيق الواضح والأمثلة كان قد يحوّل العملية إلى تصحيح أخطاء يستغرق أياماً.
لماذا يهم ذلك فعلاً؟ لأن نموذجاً واحداً نادراً ما يحل جميع المهام في بيئة الشركات. فالشركات تدرّب نماذج متخصصة على بياناتها، وتجرّب معماريات مفتوحة، وتجمع عدة نماذج في سير عمل واحد. وحتى الآن، كان استخدام هذه النماذج في سيناريوهات الوكلاء على AWS يتطلب إما التحول إلى صيغ متوافقة مع Bedrock، وإما كتابة منظومة تنسيق (orchestration) خاصة من الصفر. أما الآن فقد توفّرت طريقة موحّدة لربط أي LLM تقريباً بإطار الوكلاء مع الاحتفاظ بكل مزايا Strands: إدارة الأدوات، وسلاسل الاستدلال، ومعالجة الأخطاء.
وتندرج هذه الخطوة ضمن استراتيجية أوسع لدى AWS لتحويل منصتها لتعلّم الآلة إلى منظومة مفتوحة قدر الإمكان. ويبدو أن Amazon أدركت أن محاولة حبس العملاء داخل Bedrock أمر عكسي النتائج في عالم تظهر فيه نماذج مفتوحة جديدة كل أسبوع، وتستثمر فيه الشركات بشكل متزايد في حلولها الخاصة المضبوطة بدقة. فبدلاً من منافسة كل نموذج جديد، تقدّم AWS بنية تحتية يمكن تشغيل أي شيء عليها، وإطار وكلاء بات قادراً على التعامل مع هذا «أي شيء».
ويجدر ذكر السياق التنافسي أيضاً. فشركة Google مع Vertex AI Agent Builder وشركة Microsoft مع AutoGen وSemantic Kernel تطوّران منصاتهما الخاصة للوكلاء بنشاط. لكن نهج AWS القائم على محلّلات مخصصة مفتوحة يبدو أكثر مرونة: فبدلاً من فرض النماذج التي يجب استخدامها، تمنح Amazon أدوات لدمج أي نموذج. وقد يصبح ذلك حجة حاسمة للعملاء من الشركات الذين لا يريدون الاعتماد على مزوّد نماذج واحد.
وعلى المدى المنظور، يمكن توقّع ظهور محلّلات جاهزة للنماذج المفتوحة ومحركات الاستدلال الشائعة، إذ سيبدأ المجتمع على الأرجح ببناء مكتبة من الإعدادات المتوافقة. وبالنسبة لسوق وكلاء الذكاء الاصطناعي، يمثل ذلك خطوة أخرى نحو النضج: فالتقنية لم تعد امتيازاً لمن يستخدم نموذجاً بعينه من مزوّد بعينه، بل أصبحت متاحة لأي فريق مستعد لنشر LLM على بنية سحابية تحتية.
- 19 نوفمبر 2026Accenture تخفّض تكاليف عملائها على الرموز (التوكنات) في Bedrock بنسبة 40–85%
- 19 نوفمبر 2026Podان يتشاركان وحدة GPU واحدة من طراز A10G في Amazon EKS: NVIDIA Run:ai منح كل منهما 8 GiB
- 19 نوفمبر 2026Anthropic تطرح أسهمها في البورصة وتجمع 81.3 مليار دولار، متجاوزة رقم SpaceX القياسي البالغ 75 مليار دولار
- 19 نوفمبر 2026تقييم حصتي Amazon وGoogle في Anthropic بنحو 308 مليار دولار عند الطرح العام بسعر 83 دولارًا للسهم
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.