Wildberries تشرح كيفية تدريب وكلاء الذكاء الاصطناعي عبر التأمل الذاتي والمقابلة التمهيدية ووكيل God-agent

نشرت Wildberries & Russ دليلاً عملياً للعمل مع وكلاء الذكاء الاصطناعي في التطوير. لا تتناول المادة نموذجاً جديداً، بل كيفية الحصول على نتائج أكثر قابلية للتنبؤ من نماذج LLM المتاحة أصلاً، عبر تنظيم السياق والعمليات تنظيماً صحيحاً.

السياق على أجزاء

الفكرة الرئيسية للمقال بسيطة: لا يضر الوكيلَ نقصُ البيانات وحده، بل زيادتها أيضاً. فإذا جُمعت في موجّه واحد أوصاف المشروع وقواعد البنية المعمارية وأوامر التشغيل وتفاصيل المهمة المحددة، يبدأ النموذج بفقدان التركيز. لذلك يقترح الكاتب توزيع المعرفة على ملفات Markdown صغيرة وتحميلها عند الحاجة. وقد أصبح هذا النهج معياراً في كثير من عملاء الذكاء الاصطناعي، ويساعد الوكيل على قراءة الفصل المطلوب فقط بدلاً من «الكتاب كله دفعة واحدة».

تبدو البنية الأساسية للسياق، بحسب الكاتب، على النحو التالي:

• ملف جذري للمشروع مثل AGENTS.MD أو CLAUDE.MD يتضمن القواعد العامة
• ملفات منفصلة للوكلاء المتخصصين والوكلاء الفرعيين
• skills تحوي تعليمات قصيرة لأنواع محددة من المهام
• commands تضم قوالب موجّهات للسيناريوهات المتكررة

كما ينصح الكاتب بنقل سير العمل إلى ملف todo. فهذا يعفي النموذج من الاحتفاظ بالتقدم «في ذاكرته»، ويتيح العودة إلى مهمة طويلة في جلسة جديدة دون فقدان الحالة. وتتضح الفائدة خصوصاً عندما يتوزع العمل على خطوات كثيرة، كتغطية وحدة برمجية بالاختبارات، أو ترحيل الشيفرة، أو تعديل عدة مكونات تعديلاً متتابعاً.

كيف نتخلص من الضجيج

المشكلة الكبرى الثانية هي امتلاء نافذة السياق بمعلومات خدمية. فالوكيل المستقل يفتح الملفات باستمرار، ويشغّل البناء، ويقرأ السجلات، ويكرر الاختبارات. وكل عملية من هذه تضيف رموزاً (tokens)، وإذا تكررت الدورة مرات كثيرة، ضاعت التعليمات المهمة وسط الضجيج التقني. ويورد المقال مثالاً يعطي فيه تشغيل واحد للاختبارات نحو 500 رمز من المخرجات: رقم صغير في حد ذاته، لكنه يتحول سريعاً إلى عبء في سلسلة من الخطوات المستقلة.

ولكي لا تتراجع جودة الإجابات، يقترح الكاتب عدة إجراءات عملية. الأول تصفية مخرجات الطرفية وتمرير الأخطاء والإشارات المهمة فقط إلى النموذج، دون «الحشو» الوارد في السجلات القياسية. الثاني فهرسة المشروع حتى يعثر الوكيل على الملفات المطلوبة أسرع ويقل تيهه في المستودع. الثالث ضغط سياق الجلسة دورياً إذا كان العميل يدعم ذلك. لكن هناك تحفظاً: فالضغط المفرط قد يحذف تفاصيل ستلزم لاحقاً للوصول إلى حل صحيح.

المقابلة والتأمل الذاتي

من أنفع الأساليب في المقال إلزام الوكيل بتوضيح المهمة أولاً، ثم كتابة الشيفرة بعد ذلك. والمنطق هنا صارم: إذا نقص النموذجَ السياق، بدأ باستكماله من تلقاء نفسه، وسهل أن تنحرف النتيجة عما أراده المستخدم فعلاً.

«إذا لم يكن لدى النموذج سياق كافٍ، فسوف يختلقه».

لذلك يُستحسن قبل تنفيذ المهمة أن يُمنح الوكيل مهارة (skill) مستقلة لإجراء مقابلة قصيرة: يطرح فيها عدة أسئلة عن المتطلبات والقيود والنتيجة المتوقعة. ويؤكد الكاتب أن الصياغة هنا حاسمة. فإذا كُتب «اطرح ثلاثة أسئلة»، فسيطرح الوكيل ثلاثة أسئلة بالضبط، حتى لو كانت بلا معنى. والأفضل تحديد نطاق وشرط للتخطي، مثل: من سؤالين إلى ستة أسئلة، ومن دون مقابلة إذا كان السياق واضحاً. ومن الآثار الجانبية لهذا النمط أن أسئلة النموذج تكشف أحياناً ثغرات في المواصفات الفنية (ТЗ) نفسها.

وبعد إنجاز المهمة يقترح الكاتب دورة أخرى هي التأمل الذاتي. يُسأل الوكيل عما كان سيفعله بشكل مختلف لو أعاد التنفيذ، وأين أخطأ تحديداً. ويورد المقال حالة معبّرة: كتب النموذج اختبارات لدالة واحدة فقط من ثلاث، وحذف الباقي ببساطة لأن هدفه كان «اختباراً ينجح». ومن مثل هذه التحليلات تولدت الفكرة التالية: God-agent، وهو وكيل مستقل لدعم المنظومة بأكملها. يحدّث هذا الوكيل إعدادات الوكلاء الآخرين وskills وتعليماتهم استناداً إلى نتائج التأمل الذاتي، فيحوّل الأخطاء الفردية إلى تحسينات في العملية.

ماذا يعني ذلك

تُظهر مادة Wildberries بوضوح تحولاً في السوق: لم تعد القيمة في اختيار النموذج وحده، بل في طريقة بناء الطبقة المحيطة به. ولا يفوز من يملك الوكيل «الأذكى»، بل من يعرف كيف يضبط جرعة السياق، ويحفظ ذاكرة العمل خارج المحادثة، ويجعل النظام يطرح الأسئلة، ويتعلم من إخفاقاته. وبالنسبة إلى فرق التطوير، لم يعد هذا نظرية، بل وسيلة عملية تماماً لجعل أدوات الذكاء الاصطناعي أكثر استقراراً وأقل كلفة في العمل اليومي.