مطوّر يبني مجمّعًا إخباريًا بالذكاء الاصطناعي يعتمد على MCP وDeepSeek وبوت تيليغرام

لم تكن فكرة هذا المشروع مجرّدة، بل جاءت من مشكلة محددة: ففي 28 فبراير 2026 وجد المؤلف نفسه في دبي أثناء اعتراض طائرات مسيّرة إيرانية، ولم يتمكن من الحصول سريعًا على صورة متكاملة لما يجري. هكذا وُلد مجمّع إخباري متعدد اللغات يجمع الأخبار ويترجمها ويصنّفها، ثم يقدّمها للبشر ولمساعدي الذكاء الاصطناعي على حد سواء.

كيف بدأ المشروع

يصف المؤلف نقطة الانطلاق بواقعية شديدة: كانت نتائج Google وYandex تعرض مواد عمرها ساعتان، بينما قدّمت قنوات تيليغرام روايات متناقضة للأحداث. وحين تُطلب الأخبار في اللحظة نفسها، يتحول هذا التأخر من إزعاج بسيط إلى مشكلة حقيقية.

كان الحل في البداية بسيطًا: قناة تيليغرام عن الشرق الأوسط تُغذّى يدويًا بخلاصات RSS من كبرى وكالات الأنباء العالمية. ثم لم يعد العمل اليدوي قادرًا على مجاراة الحجم، إذ ارتفع التدفق إلى أكثر من 200 منشور يوميًا، وصار الاستمرار فيه دون أتمتة بلا معنى. عندها ظهر المحلّل (parser)، ثم الترجمة التلقائية، ثم أُضيفت مصادر التقنية والأجندة الاقتصادية. وهكذا تحوّلت فكرة محلية لقناة أخبار عاجلة إلى منتج متكامل: موقع مجمّع بشريط أخبار، ودردشة ذكاء اصطناعي، وAPI، وخادم MCP، وبوت تيليغرام مستقل.

ما بداخل النظام

بُني المشروع كمجموعة مكوّنات مستقلة لا ككتلة واحدة. تتولى خدمة FeedManager المنفصلة جلب RSS ومعالجة الخلاصات وكتابة البيانات في MySQL. أما جزء Flask فيقرأ المقالات الجاهزة فقط، ولا يتأثر إن تعطّل المحلّل عند مصدر غير مستقر. ويعمل الوسم التلقائي كعملية قائمة بذاتها: تقرأ المواد الحديثة من قاعدة البيانات وتكتب النتائج إليها، بينما يردّ بوت تيليغرام على المستخدمين ضمن نطاقه الخاص.

• أكثر من 80 مصدرًا في تدفق واحد، تشمل وكالات دولية ووسائل إعلام تقنية وصحفًا اقتصادية
• 9 فئات موضوعية ونحو 50 وسمًا للتنقل في الشريط الإخباري
• ترجمة تلقائية للمواد إلى الروسية فور نشرها
• REST API مع بحث وفلاتر حسب الوسوم والتواريخ والمصادر
• خادم MCP يتيح لمساعدي الذكاء الاصطناعي التعامل مع قاعدة الأخبار كأداة

ويعمل فوق المجمّع API وخادم MCP للعملاء الخارجيين ووكلاء الذكاء الاصطناعي. والتفصيل الأهم أن الخادم لا يكتفي بتسليم JSON خام، بل يقدّم ردودًا منظّمة عبر نماذج Pydantic مثل ArticleSummary وSearchResult. وهذا يقلّل الأخطاء أثناء المعالجة ويوفّر الرموز (tokens). وبحسب تصور المؤلف، يستطيع المساعد أن يعثر بنفسه على الوسم المناسب، ويطلب مقالات الأيام الأخيرة، ويقرأ النصوص الكاملة، ويجمع ملخصًا دون إعداد يدوي للبيانات. وتُلتقط الأدوات ديناميكيًا كل خمس دقائق، ولذلك يمكن إضافة قدرات جديدة دون إعادة كتابة منطق الوكيل.

لماذا لا مكان للذكاء الاصطناعي الزائد

لا يُستخدم الذكاء الاصطناعي في هذا المشروع في كل موضع، بل حيث يحقق عائدًا فعليًا فقط. فقد اختير DeepSeek لواجهة الدردشة، وبحسب المؤلف فهو أرخص من البدائل بما يتراوح بين 15 و30 مرة، مع جودة مقاربة في البحث وتلخيص الأخبار. وهذا أمر حاسم لمنتج مجاني. وتظهر البراغماتية نفسها في تخزين الترجمات: إذ تُحفظ النسخ متعددة اللغات للمقال داخل حقل JSON في السجل نفسه، ما يسرّع الوصول ويسهّل التوسع إلى لغات جديدة.

وأوضح تنازل هندسي هو الوسم التلقائي. فبدلًا من LLM استخدم المؤلف keyword matching عبر 47 موضوعًا ونحو 600 كلمة مفتاحية بالإنجليزية والروسية. ويحقق هذا النهج دقة تبلغ نحو 85%، ويستغرق أقل من ميلي ثانية للمقال الواحد، ولا يستهلك أي رموز على الإطلاق. وفي ظل الحماس العام لـ«حشر الشبكة العصبية في كل مرحلة»، يبدو هذا موقفًا هندسيًا ناضجًا: الذكاء الاصطناعي مطلوب حيث يضيف قيمة، لا حيث يبدو عصريًا فحسب.

ماذا يعني ذلك

تُظهر هذه الحالة بوضوح أن منتج الأخبار القائم على الذكاء الاصطناعي اليوم ليس مجرد نموذج يجيد إعادة صياغة النصوص. فالقيمة الحقيقية تظهر حيث يوجد جمع موثوق للبيانات، وبنية سليمة، وAPI واضح، وبروتوكول مثل MCP لربط المساعدين. وبالنسبة لوسائل الإعلام وفرق البحث والخدمات التحليلية الداخلية، هذه إشارة إلى أن شريطًا إخباريًا عاديًا يمكن أن يتحول إلى بنية تحتية عملية للملخصات الحيّة والبحث والردود الآلية.