Anthropic وOpenAI وCursor: ثمانية مستويات من نضج الهندسة القائمة على الوكلاء

نشر Habr AI ترجمة لمقال عن ثمانية مستويات للهندسة القائمة على الوكلاء، وهي ممارسة تحوّل LLM من مساعد للإكمال التلقائي إلى فريق مطورين شبه مستقل. الفكرة المحورية في النص أن القفزة في جودة النماذج لا تضمن وحدها زيادة في الإنتاجية، إذا لم يبنِ الفريق السياق والقواعد والأدوات والتغذية الراجعة.

من الاقتراحات إلى الوكلاء

يصف الكاتب المستويين الأولين بأنهما مألوفان بالفعل: tab complete وagent IDE. في هذه المرحلة يسرّع AI المهام المحلية: يكمل مقاطع من الشيفرة، ويساعد في التعديلات عبر عدة ملفات، ويبني خطة انطلاقًا من فكرة. غير أن نقطة التحول الحقيقية تبدأ عند المستوى الثالث، حيث تحتل هندسة السياق (context engineering) موقع الصدارة. فالأمر لم يعد متعلقًا بصياغة prompt أنيقة، بل بالانضباط: أي الملفات والقواعد وأوصاف الأدوات تصل إلى النموذج، وما الذي يوجد في تاريخ الجلسة، وكم من الضجيج الزائد يستهلك نافذة السياق. وكلما قلّت الشوائب، كانت النتيجة أكثر استقرارًا.

«كل توكن يجب أن يستحق مكانه في الـ prompt».

المستوى الرابع هو compounding engineering: الفريق لا يكتفي باستخدام النموذج، بل يحوّل الاكتشافات الناجحة إلى منظومة. وإذا أخطأ الوكيل، تُدوَّن الاستنتاجات في ملفات القواعد (rules) والوثائق وأنماط العمل، كي لا تكرر الجلسة التالية الأخطاء نفسها.

يضيف المستوى الخامس إلى ذلك أدوات التنفيذ: MCP وskills والوصول إلى API وقواعد البيانات وCI والمتصفح. ومنذ هذه النقطة لا يعود LLM مجرد محاور حول الشيفرة، بل يبدأ فعليًا بتغيير قاعدة الشيفرة واختبارها والمشاركة في المراجعة.

أين يتضاعف العائد

يعدّ الكاتب المستوى السادس النقطة التي يصبح فيها البرمجة بمساعدة AI إنتاجيًا بحق. فهنا لا يقتصر الأمر على السياق، بل يشمل البيئة المحيطة بالوكيل بأكملها: الاختبارات وأدوات linting وفحص الأنواع والسجلات (logs) وفحوص المتصفح وغيرها من حلقات التغذية الراجعة (feedback loops). وهي التي تتيح للنموذج ألا يكتفي بتوليد patch، بل أن يلاحظ الخطأ ويتحقق من نفسه وينفذ تكرارًا إضافيًا دون تدخل بشري. ويسمي المقال هذا harness engineering، أي تصميم بيئة تشغيل يستطيع فيها الوكيل رؤية عواقب تعديلاته والاصطدام بقيود واضحة بدل تعليمات فضفاضة.

• ملفات القواعد (rules) والوثائق التي تحدد السياق
• أدوات CLI أو MCP للوصول إلى البيانات والاختبارات والواجهة
• ضغط عكسي (backpressure) تلقائي: الأنواع وأدوات linting والـ hooks وCI
• فصل الأدوار بين المنفّذ والمراجع، حتى لا يراجع الوكيل نفسه

ومن هذا ينمو المستوى السابع: background agents. فإذا كان النموذج قادرًا على بناء الخطة بنفسه والتنقل داخل المستودع والتحقق من النتيجة، فلا حاجة إلى إبقائه في تبويب تفاعلي. يستطيع الوكيل العمل بشكل غير متزامن: يستكشف قاعدة الشيفرة، ويكتب الميزة، ويشغّل الفحوص، ويفتح PR، ثم يعود فقط بأسئلة أو بنتيجة نهائية. وهذا يغيّر طريقة عمل الفريق نفسها: يقل انشغال المطور بتوزيع المهام يدويًا، ويتحول أكثر فأكثر إلى منسّق (orchestrator) يحدد النية والقيود والأولويات.

إلى أين يتجه السوق

ما يلي ذلك يبدو حتى الآن أقرب إلى خط الجبهة منه إلى الممارسة اليومية. المستوى الثامن هو فرق الوكلاء المستقلة، حيث تتنسق عدة LLM مع بعضها مباشرة، لا عبر مشغّل مركزي واحد. ويورد النص أمثلة من Anthropic وCursor: فقد استُخدم وكلاء متوازون بالفعل في كتابة مترجم C، وبناء متصفح، وإجراء ترحيلات كبيرة في قاعدة الشيفرة. لكن مع اتساع النطاق تظهر فورًا مشكلات التطوير القديمة: الانحدارات (regressions) والتعارضات والتجمّد والحذر المفرط وارتفاع تكلفة الحوسبة.

لذلك يخلص كاتب المقال إلى استنتاج واقعي: الأهم لمعظم الفرق حاليًا ليس الحلم بأقسام AI مستقلة تمامًا، بل بلوغ المستوى السابع الناضج على الأقل. أي بناء سياق نظيف، وتراكم القواعد، وskills عالية الجودة، وحلقات تحقق موثوقة، وتنسيق خلفي للوكلاء. وهنا، برأيه، يكمن المكسب العملي الأقرب. وهنا تحديدًا يصبح الفارق بين فريق AI قوي وآخر ضعيف أكثر وضوحًا: بعضهم يسرّع الإصدارات، وبعضهم يغرق في الفوضى التي أتمتها بنفسه.

ما معنى ذلك

تكمن فائدة مقال Habr AI في أنه ينقل الحديث عن «النماذج الذكية» إلى الحديث عن النضج الهندسي. فسوق البرمجة بمساعدة AI لا يتجه نحو زر سحري، بل نحو أنظمة تحصل فيها النماذج على السياق الصحيح وأدوات العمل وحلقات تحقق صارمة. والفائز لن يكون من يملك أحدث نموذج فحسب، بل من يبني حوله أسرع خط إنتاج عملي.