مجموعة «Svoi» المالية التقنية تشرح كيف تجعل وكلاء LLM أرخص وأدق في كتابة الشيفرة

أصبحت مساعدات LLM أداة عمل معتمدة لدى المطورين، لكن العائد الفعلي منها لا يعتمد على النموذج بقدر ما يعتمد على بنية السياق المحيط به. ويلفت فريق مجموعة «Svoi» المالية التقنية الانتباه إلى مشكلة بسيطة: ما زال كثير من المهندسين يتعاملون مع Cursor وWindsurf وما شابههما من الأنظمة كما لو كانت مجرد بحث أكثر راحة. ونتيجة لذلك يتلقى الوكيل مهام فضفاضة، ويفقد تركيزه، ويستهلك رموزاً (توكنات) زائدة، ويُنتج شيفرة تبدو معقولة لكنها لا تندمج جيداً في المشروع.

ويقترح المطورون في الدليل المنشور النظر إلى LLM لا بوصفه مستشاراً شاملاً، بل نواة حوسبة معزولة. فهذا النظام لا يملك «فهماً للمشروع» افتراضياً، بل يعتمد فقط على السياق الذي مُرّر إليه صراحةً وعلى القواعد التي جُمع بها هذا السياق. وإذا لم تكن بنية التعليمات (البرومبتات) والبيئة الملفية مدروسة، يبدأ النموذج بخلط مستويات التجريد المختلفة، وبالخلط بين التبعيات، وبارتكاب أخطاء حتى في المواضع التي تبدو فيها المهمة نمطية.

ويستند المؤلفون إلى تجربة إدخال أدوات AI في مشاريع التقنية المالية، حيث تكون كلفة عدم الدقة مرتفعة بشكل خاص. فبالنسبة إلى الفرق التي تعمل على شيفرة حرجة للأعمال، لا تتعلق المشكلة بجودة الإجابة وحدها، بل أيضاً بإمكانية التنبؤ بسلوك الوكيل. المهم ألا يكتب الوكيل مقاطع جيدة من حين إلى آخر فحسب، بل أن ينفّذ عمليات واضحة بثبات: يحلّل جزءاً من الشيفرة، ويقترح تعديلات آمنة، ولا يخرج عن حدود الدور المحدد له، ولا يهدر الميزانية على تكرارات لا طائل منها. ولذلك لا يتركز الاهتمام على «سحر» النموذج، بل على الانضباط الهندسي المحيط به.

والأطروحة المحورية في الدليل أن فعالية LLM ترتبط مباشرةً ببنية السياق. وهذا يعني أنه ينبغي تقسيم المهمة، وتقييد التعليمات، وهيكلة مصادر البيانات بحيث لا يرى الوكيل في كل لحظة سوى ما يلزمه. وكلما قلّ التشويش في البيئة، ارتفعت دقة الشيفرة وانخفضت تكاليف الطلبات المتكررة. ويكتسب هذا النهج أهمية خاصة في البيئات التي يصل فيها الوكيل إلى مستودع كبير: فمن دون تصفية السياق يبدأ بـ«التشتت» في أرجاء المشروع ويفقد القدرة على حل المهام المحلية بثقة.

ومن الناحية الاقتصادية، تبدو الفكرة واقعية كذلك. فالنفقات الرئيسية على أدوات AI لا تنشأ من سعر النموذج بحد ذاته فقط، بل من دورة العمل المنظمة بشكل خاطئ: برومبتات طويلة، وملفات زائدة في السياق، ومحاولات متكررة لإصلاح نتيجة فاشلة، وعودة دائمة إلى مقاطع سبق نقاشها. وعندما يُمنح الوكيل دوراً واضحاً، ويُحدَّد نطاق مسؤوليته، وتُفحص نتيجته وفق معايير مفهومة، توفّر الفرقة لا الرموز فحسب، بل أيضاً وقت المطورين الذي يذهب عادةً في المراجعة اليدوية وإعادة صياغة المهام.

وتكمن القيمة الخاصة لهذه المادة في أنها تنقل الحديث عن مساعدات AI من دائرة الوعود العامة إلى ميدان الممارسة. فبدلاً من فكرة «أعطِ النموذج المشروع كله ودعه يتدبّر الأمر»، يُقترح سيناريو أكثر نضجاً: بناء حدود وأدوار وتسلسلات إجراءات وآليات تحقق واضحة حول الوكيل. وجوهر الأمر هو تحويل الشبكة العصبية إلى أداة تطوير يمكن التحكم بها، لا إلى شريك مرتجل في التأليف. وبالنسبة إلى الشركات التي تدفع بالفعل مقابل مساعدات AI، يمثل ذلك تحولاً مهماً: فخفض النفقات هنا لا يتحقق بالتخلي عن النماذج، بل بتنظيم أدق لعملها.

ويترتب على منطق هذا النهج استنتاج عملي آخر: كلما أحسن الفريق وصف المهمة والمخرجات ومعايير الاكتمال، قلّ احتمال أن يعوّض LLM الثغرات بالتخمين. وهذا مهم بوجه خاص للعمليات الهندسية، لأن النموذج يستطيع بسهولة إنتاج شيفرة مقنعة لكنها غير صالحة. ولهذا يصبح العمل الناضج مع الوكلاء شبيهاً تدريجياً بتصميم خط معالجة (pipeline): تُحدَّد أولاً المدخلات، ثم القيود، ثم خطوات التنفيذ، وبعد ذلك فقط تأتي حرية التوليد.

وهذه إشارة جيدة لسوق التطوير عموماً. فمع تحوّل مساعدات AI إلى أمر معتاد، لن تتحدد الميزة التنافسية باختيار النموذج وحده، بل أيضاً بمدى قدرة الفريق على تصميم السياق والقيود وسيناريوهات التفاعل مع الوكيل. وبعبارة أخرى، فإن المرحلة التالية من النضج ليست «استخدام LLM»، بل بناء بيئة تشغيلية عمل له. وهذا تحديداً ما يميّز توليد الشيفرة العشوائي عن الممارسة الهندسية التي يمكن التنبؤ بنتائجها.