Habr AI: بدلاً من خطوط أنابيب الوكيل المعقدة، يجب على المطورين اعتماد Markdown و Git وذاكرة الجلسة

نشرت منصة Habr مقالاً يتضمن فكرة بسيطة لكن حادة: معظم الفرق تعقّد عمل عوامل الذكاء الاصطناعي ببناء خطوط أنابيب ثقيلة مع LangChain وRAG وقواعد بيانات متجهة حيث، للتطوير الحقيقي، يكون تذكر القرارات السابقة أهم من تنسيق العمل.

يقارن المؤلف الازدهار الحالي لأكوام العوامل بعصر LAMP من منتصف الألفينات: انجرفت الصناعة مرة أخرى نحو البنية الأساسية ولا تتساءل غالباً كيف تساعد هذه البنية فعلاً في حل مشاكل المنتج الملموسة.

يفحص المقال نهجاً تقليدياً للمؤسسات: منسق يوزع المهام على عوامل متعددة، والتي تجلب السياق من RAG وتستدعي أدوات وتكتب أكواداً وتفتح طلبات دمج.

حسب رأي المؤلف، يعمل هذا النظام بشكل معقول لأتمتة المهام الروتينية مثل مراجعة الأكواد والاختبارات والتحقق من الأنماط، لكنه يفشل في الحفاظ على أفق عمل طويل الأجل.

المشكلة ليست في النموذج بقدر ما هي في كيفية عمل الذاكرة: كل تذكرة جديدة لعامل غالباً ما تبدأ من الصفر تقريباً، بدون تاريخ مستقر من القرارات أو فهم المجال أو القيود المتراكمة للمشروع.

لذلك يبدو البحث الدلالي في الأكواد مفيداً، لكنه لا يحل محل المعرفة الحقيقية بسبب اختيار الفريق لهذا المسار المحدد في الأساس.

كبديل، يقترح المؤلف نظاماً قاسياً تقريباً يعتمد على ملفات markdown وgit.

بدلاً من خط أنابيب عام، يبني المؤلف الذاكرة العملية من جلسات وأدوار وكفاءات وسياقات وقواعد.

تخزن الجلسة مستويات سياق قصيرة ومتوسطة وعميقة، بحيث يستمر العمل اللاحق ليس من دردشة فارغة، بل من قرارات موثقة.

يصف الدور ليس مبرمجاً مجردًا، بل تخصصاً محدداً مع معرفة بالمجال: أي واجهات برمجية تستخدم، وما الأخطاء النموذجية، وما القيود الموجودة في الأجهزة أو البروتوكول أو المشروع.

يؤكد المؤلف أن هذا يقلل هلوسات النموذج أفضل من أي طبقة تغليف أخرى حول استدعاءات نموذج اللغة الكبير.

يُركز التشديد الخاص على القواعد التي نبتت من الأخطاء.

إذا حذف عامل ملفاً بدون تأكيد، أو علق في تصحيح أخطاء لا نهائي، أو فقد التغييرات غير المرسلة عند تبديل الفروع، فهذا لا يصير خدمة middleware جديدة، بل قاعدة صريحة للجلسات التالية.

يسمي المؤلف هذا النهج التعلم من خلال التأمل: الخطأ يصبح عقداً، والنظام يصير أكثر استقراراً مع الوقت.

يتضمن المقال أيضاً أرقاماً عملية: على مدار أربعة أشهر، حسب المؤلف، استُخدم النهج في أكثر من 400 جلسة عبر 11 مشروعاً، بما في ذلك البرامج الثابتة والتشفير وبنية المفاتيح العامة، بينما بلغت تكاليف الذكاء الاصطناعي لأحد المشاريع حوالي 30 دولاراً.

المنطق أن الرموز الرخيصة والهياكل الملفات البسيطة توفر أحياناً قيمة أكثر من منصات متعددة الطبقات مكلفة.

يركز جزء مهم من المقال ليس فقط على الأدوات بل أيضاً على مستوى التفاعل مع الذكاء الاصطناعي.

يصف المؤلف سلماً من النضج: من الإكمال التلقائي والمسمى vibe-coding إلى الشراكة المعمارية، حيث يحدد المهندس الأدوار والعقود والحدود، ويصبح الكود نتيجة عملية منظمة بشكل صحيح.

يؤدي هذا إلى طرح أوسع: غالباً ما تشتري الشركات وهم الاستقلالية عندما تعد أدوات مثل Devin أو Copilot Workspace أو منصات العوامل للمؤسسات بعمل بدون بشر، لكن عملياً تصطدم بنقص ذاكرة المشروع والسياق.

بهذا المعنى، يجب اعتبار الذكاء الاصطناعي ليس بديلاً للمهندسين، بل هيكلاً خارجياً يعزز المتخصصين ويجعل قيمة خاصة لمن يستطيع تحويل تجربته إلى نظام مرسمل.

لدعم هذه الفكرة، يشير المؤلف حتى إلى مفاهيم قديمة من التعايش بين الإنسان والآلة وDesign by Contract والسياق الموحد للعمل، مظهراً أن المنهجية نفسها أهم من كومة عصرية.

للسوق، هذا إشارة أخرى بأن المرحلة التالية من تطور الذكاء الاصطناعي قد تنزاح من سباق بين منسقي العمل إلى سباق على جودة السياق.

ستبقى خطوط الأنابيب المستقلة مفيدة للمهام الروتينية، لكن في عمل الهندسة المعقدة ستنتصر الفرق التي تستطيع تخزين سجل القرارات وتصريح خبرة المجال وبناء ذاكرة طويلة الأجل حول النماذج، بدلاً من إضافة طبقات بنية إضافية فحسب.