مجموعة "سفوي" الفنتك توضح كيفية جعل وكلاء LLM أرخص وأكثر دقة في الكود

أصبحت مساعدات LLM بالفعل أداة عمل للمطورين، لكن العائد الفعلي منها يعتمد أقل على النموذج نفسه وأكثر على كيفية هيكلة السياق من حوله. تلفت مجموعة fintech "Svoy" الانتباه إلى مشكلة بسيطة: لا يزال الكثير من المهندسين يعملون مع Cursor و Windsurf والأنظمة المشابهة كما لو كانت مجرد بحث أكثر ملاءمة. نتيجة لذلك، يتلقى الوكيل مهام غامضة جداً، ويفقد التركيز، ويهدر رموز إضافية، وينتج رمزاً يبدو معقولاً لكنه يندمج بشكل سيء في المشروع.

في دليل منشور، يقترح المطورون النظر إلى LLM ليس كمستشار عام، بل كنواة حسابية معزولة. لا يمتلك مثل هذا النظام "فهماً للمشروع" افتراضياً: فهو يعتمد فقط على السياق الذي يتم نقله إليه بشكل صريح وعلى القواعد التي يتم من خلالها تجميع هذا السياق. إذا لم يتم التفكير بعناية في معمارية المحفزات وبيئة الملفات، يبدأ النموذج في خلط مستويات مختلفة من التجريد، ويخلط التبعيات، ويرتكب أخطاء حتى في الأماكن التي تبدو فيها المهمة روتينية.

يعتمد المؤلفون على تجربة تطبيق أدوات الذكاء الاصطناعي في المشاريع المالية، حيث تكون تكلفة عدم الدقة عالية بشكل خاص. بالنسبة للفريق الذي يعمل مع رمز حرج للعمل، لا تكمن المشكلة فقط في جودة الإجابة، بل أيضاً في القابلية للتنبؤ بسلوك الوكيل. من المهم أنه لا يكتفي بكتابة أجزاء ناجحة أحياناً، بل ينفذ باستمرار عمليات مفهومة جيداً: تحليل قسم من الرمز، واقتراح تعديلات آمنة، والبقاء ضمن دوره المعين، وعدم إهدار الميزانية على تكرارات بلا معنى.

لهذا السبب ينتقل التركيز من سحر النموذج إلى الانضباط الهندسي حوله. الأطروحة الرئيسية للبرنامج التعليمي هي أن فعالية LLM مرتبطة مباشرة بمعمارية السياق. هذا يعني أن المهمة يجب أن تنقسم، والتعليمات تحد، ومصادر البيانات يتم هيكلتها بحيث يرى الوكيل فقط ما هو ضروري في كل لحظة.

كلما قل الضوضاء في البيئة، زادت دقة الرمز وانخفضت تكلفة الطلبات المتكررة. هذا النهج مهم بشكل خاص في البيئات حيث يمتلك الوكيل إمكانية الوصول إلى مستودع كبير: بدون تصفية السياق، يبدأ في "الانتشار" عبر المشروع ويفقد القدرة على حل المهام المحلية بثقة. من منظور اقتصادي، الفكرة عملية تماماً.

لا تنشأ النفقات الرئيسية على أدوات الذكاء الاصطناعي فقط من سعر النموذج نفسه، بل أيضاً من دورة عمل منظمة بشكل سيء: محفزات طويلة، ملفات غير ضرورية في السياق، محاولات متكررة لإصلاح النتائج الفاشلة، والعودة المستمرة إلى أجزاء نوقشت بالفعل. عندما يتم إعطاء الوكيل دوراً واضحاً، يتم تحديد مجال مسؤوليته، والتحقق من النتائج مقابل معايير واضحة، يوفر الفريق ليس فقط الرموز بل أيضاً وقت المطورين، الذي يُهدر عادة على المراجعة اليدوية وإعادة صياغة المهام. القيمة المنفصلة للمواد هي أنها تحول النقاش حول مساعدات الذكاء الاصطناعي من عالم الوعود العامة إلى عالم الممارسة.

بدلاً من الفكرة "أعطِ النموذج المشروع كله واترك له أن يكتشفه،" يُقترح سيناريو أكثر نضجاً: بناء حدود واضحة، وأدوار، وتسلسلات إجراءات، وآليات التحقق حول الوكيل. في الأساس، يتعلق الأمر بتحويل شبكة عصبية إلى أداة تطوير مُدارة، وليس مؤلفاً مشاركاً يرتجل. بالنسبة للشركات التي تدفع بالفعل مقابل مساعدات الذكاء الاصطناعي، هذا تحول مهم: يتم تحقيق تقليل التكاليف هنا ليس بالتخلي عن النماذج، بل بتنظيم عملها بشكل أكثر دقة.

من منطق هذا النهج يتبع استنتاج عملي آخر: كلما وصفت الفريق المهمة والقطع الأثرية ومعايير الجاهزية بشكل أفضل، كلما قلت احتمالية أن يعوض LLM الفجوات بالتخمينات. بالنسبة للعمليات الهندسية، هذا مهم بشكل خاص، لأن النموذج ينتج بسهولة رمزاً مقنعاً لكنه غير صالح. لذلك، يصبح العمل الناضج مع الوكلاء تدريجياً مشابهاً لتصميم خط أنابيب: أولاً يتم تحديد بيانات الإدخال، ثم القيود، ثم خطوات التنفيذ وفقط بعد ذلك—حرية التوليد.

هذا إشارة جيدة لسوق التطوير بشكل عام. مع أن مساعدات الذكاء الاصطناعي تصبح معياراً، ستتحدد الميزة التنافسية ليس فقط بخيار النموذج، بل أيضاً بمدى براعة الفريق في تصميم السياق والقيود وسيناريوهات التفاعل مع الوكيل. بعبارة أخرى، المرحلة التالية من النضج ليست "استخدام LLM" بل "بناء بيئة تشغيلية فعالة لها."

هذا بالضبط ما يميز توليد الرمز العشوائي عن الممارسة الهندسية القابلة للتنبؤ.