مطور يبني مجمّع أخبار مدعومًا بـ AI مع MCP وDeepSeek وبوت على Telegram

لم يكن السبب وراء هذا المشروع فكرة مجردة، بل مشكلة حقيقية: في 28 فبراير 2026، وجد المؤلف نفسه في دبي أثناء اعتراض الطائرات بدون طيار الإيرانية ولم يتمكن من الحصول بسرعة على صورة كاملة عما كان يحدث. وهكذا ولد محرك تجميع أخبار متعدد اللغات يجمع الأخبار وينقلها وينسقها ويسلمها ليس فقط للأشخاص، بل أيضاً لمساعدي الذكاء الاصطناعي.

كيف ظهر المشروع

يصف المؤلف نقطة البداية بطريقة عملية جداً: في Google و Yandex ظهرت مواد قديمة بساعتين، بينما قدمت قنوات Telegram نسخاً متضاربة من الأحداث. عندما تكون الأخبار مطلوبة الآن، يتحول هذا التأخير من إزعاج صغير إلى مشكلة حقيقية.

في البداية، كان الحل بسيطاً: قناة Telegram عن الشرق الأوسط حيث تم جمع تدفقات RSS من وكالات الأنباء العالمية الكبرى يدويًا. لكن الوضع اليدوي سرعان ما اصطدم بحد أقصى من الحجم. نما التدفق إلى أكثر من 200 منشور يومياً، وأصبح الحفاظ عليه دون أتمتة بلا معنى. ثم جاء محلل البيانات، ثم الترجمة التلقائية، ثم تمت إضافة مصادر تكنولوجيا المعلومات والأخبار الاقتصادية. في النهاية، تحولت فكرة محلية لقناة عملياتية إلى منتج كامل: موقع ويب لتجميع الأخبار مع خلاصة ودردشة ذكاء اصطناعي وواجهة برمجة تطبيقات وخادم MCP وبوت Telegram منفصل.

ما يوجد داخل النظام

تم بناء المشروع كمجموعة من المكونات المستقلة وليس كنظام واحد. خدمة منفصلة FeedManager تسحب RSS وتعالج الخلاصات وتكتب البيانات في MySQL. جزء Flask يقرأ المقالات المعالجة بالفعل ولا يعتمد على ما إذا كان محلل البيانات عالقاً على مصدر غير مستقر. يعمل وسم العلامات التلقائية كعملية مستقلة: تقرأ المواد الطازجة من قاعدة البيانات وتكتب النتائج، بينما يرد بوت Telegram على المستخدمين في حلقته الخاصة.

• 80+ مصادر في تدفق واحد، بما في ذلك وكالات الأنباء الدولية ووسائط تكنولوجيا المعلومات والنشرات التجارية
• 9 فئات مواضيع وحوالي 50 وسماً للتنقل في الخلاصة
• ترجمة تلقائية للمواد إلى اللغة الروسية فوراً بعد النشر
• واجهة برمجة تطبيقات REST مع بحث وتصفية حسب الوسوم والتواريخ والمصادر
• خادم MCP يسمح لمساعدي الذكاء الاصطناعي بالعمل مع قاعدة بيانات الأخبار كأداة

في أعلى المجمع توجد واجهة برمجة تطبيقات وخادم MCP للعملاء الخارجيين والعملاء الذكيين. التفصيل الرئيسي هو ليس فقط إخراج JSON الخام، بل ردود منظمة من خلال نماذج Pydantic مثل ArticleSummary و SearchResult. هذا يقلل الأخطاء في المعالجة ويوفر الرموز. وفقاً لخطة المؤلف، يمكن للمساعد العثور على الوسم الصحيح بنفسه، وطلب المقالات من الأيام الأخيرة، وقراءة النصوص الكاملة وتجميع ملخص دون تحضير يدوي للبيانات. يتم التقاط الأدوات ديناميكياً كل خمس دقائق، لذا يمكن إضافة ميزات جديدة دون إعادة كتابة منطق الوكيل.

لماذا ليس الكثير من الذكاء الاصطناعي

لا يتم استخدام الذكاء الاصطناعي في كل مكان في هذا المشروع، بل فقط حيث يستحق حقاً. لواجهة الدردشة، تم اختيار DeepSeek: وفقاً للمؤلف، فهي أرخص 15-30 مرة من البدائل مع تقديم جودة مماثلة للبحث والملخص الإخباري. بالنسبة للمنتج المجاني، هذا حاسم. يظهر الواقعية نفسها في كيفية تخزين الترجمات: تقع النسخ متعددة اللغات من المقالة مباشرة في حقل JSON للسجل، مما يسرع الوصول ويبسط التوسع إلى لغات جديدة.

أكثر التنازلات كشفاً هو وسم العلامات التلقائية. بدلاً من LLM، استخدم المؤلف مطابقة الكلمات الأساسية عبر 47 موضوعاً وحوالي 600 كلمة رئيسية باللغات الإنجليزية والروسية. ينتج عن هذا النهج دقة بنسبة 85٪ تقريباً ويعمل في أقل من ميلي ثانية واحدة لكل مقالة ولا يستهلك أي رموز. في خضم الحماس العالمي ل"توصيل شبكة عصبية في كل خطوة"، يبدو هذا كموقف هندسي ناضج: يكون الذكاء الاصطناعي ضرورياً حيث يضيف قيمة، وليس لأنه يبدو عصرياً ببساطة.

ماذا يعني هذا

توضح هذه الحالة بوضوح أن منتج الذكاء الاصطناعي الإخباري اليوم ليس مجرد نموذج يمكنه إعادة صياغة النصوص. تظهر القيمة الحقيقية حيث يوجد جمع موثوق للبيانات وهيكل صحيح وواجهة برمجة تطبيقات واضحة وبروتوكول مثل MCP لربط المساعدين. بالنسبة للوسائط وفرق البحث والخدمات التحليلية الداخلية، هذه إشارة: من خلاصة عادية يمكنك بناء بنية تحتية فعالة للملخصات المباشرة والبحث والإجابات الآلية.