KDnuggets يوضح كيفية تشغيل Qwen3.5 على لابتوب قديم عبر Ollama وOpenCode

في 8 أبريل، نشر KDnuggets تفصيلاً عملياً حول كيفية تحويل جهاز كمبيوتر محمول قديم إلى بيئة عمل ذكاء اصطناعي محلية دون أجهزة مكلفة واشتراكات في خدمات سحابية. في مركز الإعداد — Qwen3.5 في الإصدار 4B، و Ollama لتشغيل النماذج محلياً، و OpenCode كعامل للعمل مع الكود مباشرة من سطر الأوامر.

لماذا تحتاج إلى هذا

النقطة الرئيسية للمقالة هي أن أدوات الذكاء الاصطناعي المحلية لا تتطلب عد محطة عمل قوية أو خادم منفصل. يوضح المؤلف أنه حتى جهاز كمبيوتر محمول قديم يمكن استخدامه كبيئة خاصة للتجارب والبرمجة والتحقق السريع إذا أخذت نموذجاً مفتوح المصدر مضغوطاً ولم تعقد المكدس التكنولوجي بطبقات غير ضرورية. في هذا السيناريو، يُعتبر Qwen3.

5 4B بمثابة حل وسط معقول بين جودة الإجابات وسرعة التشغيل والمتطلبات المادية. في الوقت ذاته، لا يتعلق الأمر باستبدال النماذج الرائدة في السحابة. هذا الإعداد يخدم غرضاً مختلفاً: منح المطورين والطلاب والمتحمسين طريقة اقتصادية لتشغيل الذكاء الاصطناعي محلياً، وتجنب إرسال الملفات والتعليمات إلى خدمات خارجية، واختبار الأفكار بسرعة على جهازك الخاص.

بالنسبة للكود الأولي والمهام التعليمية والسكريبتات البسيطة من سطر الأوامر والاختبارات الصغيرة، يكون هذا كافياً بالفعل، حتى لو لم تصل جودة الإجابات دائماً إلى مستوى أفضل الأنظمة التجارية.

كيفية عمل الإعداد

تتكون المكدس الأساسي من جزأين. يتولى Ollama تنزيل نموذج اللغة وتخزينه وتشغيله على جهاز محلي، بينما يتصل OpenCode في الأعلى ويحوله إلى واجهة وكيل أكثر عملية للعمل مع الكود. تستخدم المقالة متغير Qwen3.5:4B، الذي يتطلب وفقاً لتقييم المؤلف حوالي 3.5 جيجابايت من الذاكرة. وهذا بالضبط السبب في أن هذا الإصدار يبدو اختياراً واقعياً لجهاز كمبيوتر محمول قديم بدون مساحة إضافية في بطاقة الرسومات والذاكرة.

• قم بتثبيت Ollama على Windows أو Linux أو macOS
• عند الحاجة، قم بتشغيل خادم Ollama محلي يدوياً
• قم بتنزيل وفتح نموذج Qwen3.5 4B عبر سطر الأوامر
• قم بتثبيت OpenCode عبر سكريبت سريع
• قم بتشغيل OpenCode مع النموذج المحلي المتصل بالفعل

بعد ذلك، يحصل المستخدم على واجهة محلية حيث يمكن طلب النموذج بإنشاء مشروع أو تثبيت التبعيات أو مراجعة الكود. الميزة المنفصلة للدليل هي أنه يحافظ على عتبة دخول منخفضة: بدون تنسيق Docker ولا تكوين API يدوي ولا إعداد بيئة طويل. على خلفية العديد من المواد حول الذكاء الاصطناعي المحلي، يبدو هذا سيناريو عملي حقيقي يمكن تكراره في مساء واحد، لا مشروع هندسي منفصل يستغرق عدة أيام.

الاختبار على مهمة حقيقية

لتوضيح ليس فقط التثبيت بل الفائدة الفعلية لهذا النهج، كلّف المؤلف مزيج Qwen3.5 و OpenCode بإنشاء مشروع Python صغير من الصفر — لعبة Guess the Word للطرفية. كان يجب على الوكيل أن يُنشئ هيكل المشروع بنفسه ويكتب الكود ويثبت التبعيات ويوصل التطبيق إلى حالة عاملة.

بناءً على نتائج الاختبار، جمع النظام بالفعل لعبة عاملة بمنطق واضح وتتبع النقاط ومعالجة صحيحة لأحرف الإدخال — أي أن هذا لم يكن مشهد عرض ديكوري بل تنفيذ محلي كامل لسلسلة من المهام. في الوقت نفسه، توثق المقالة بصراحة القيود. يتعامل النموذج الكمي المضغوط بشكل جيد مع الكود الأساسي والسكريبتات البسيطة والمشاريع التعليمية والاستعلامات البحثية، لكنه يبدأ في الفشل عندما تصبح المهمة أطول وتتطلب تخطيطاً متعدد الخطوات مستقراً.

يلاحظ المؤلف بشكل محدد أن النموذج توقف أحياناً في منتصف العملية، ثم كان يتعين دفعه يدوياً بالأمر التالي. للتجارب، هذا مقبول، لكن بالنسبة لخط أنابيب مستقر يومي، يبدو بالفعل قيداً ملحوظاً.

"في بعض الأحيان كان عليك ببساطة كتابة 'continue' لجعله ينهي المهمة."

ما الذي يعنيه هذا

يوضح دليل KDnuggets تحولاً مهماً: تصبح مزيجات الوكلاء للذكاء الاصطناعي المحلي أرخص وأبسط وأكثر فائدة في التطوير اليومي. لم تحل بعد محل النماذج السحابية القوية، لكنها توفر بالفعل خياراً عملياً للتجارب الخاصة والتعلم والنماذج الأولية والمهام الهندسية الصغيرة.