عرض عملي لمسار تحليل بيانات متعدد الوكلاء على Google ADK يشمل الرسوم البيانية والتقارير في Python

حصل Google ADK على سيناريو تطبيقي عملي جديد: مسار متعدد الوكلاء (multi-agent) خطوة بخطوة لتحليل البيانات في Python. ولا يكتفي المثال بعرض محادثة مع وكيل، بل يقدّم مخططًا عمليًا متكاملًا قادرًا على تحميل الجداول وحساب الإحصاءات وإنشاء الرسوم البيانية وتحويل البيانات وإعداد التقرير النهائي.

كيف يعمل المسار

يقوم المثال على حزمة من المكتبات: google-adk وpandas وnumpy وscipy وmatplotlib وseaborn وopenpyxl. في البداية يجهّز المطوّر البيئة ويضبط الوصول إلى API ويحدد النموذج عبر LiteLlm. ويستخدم الكود النموذج openai/gpt-4o-mini، وهذه تفصيلة مهمة: فـ Google ADK لا يظهر هنا كإطار عمل مخصص لـ Gemini فقط، بل كطبقة تنسيق (orchestration) يمكنها العمل مع نماذج خارجية عبر واجهة ربط قياسية. وبفضل ذلك يبدو الدليل أقرب إلى سيناريوهات الإنتاج الفعلية، إذ نادرًا ما تُبنى المنظومة التقنية حول مورّد واحد.

بعد ذلك يبني الدليل مخزنًا موحدًا DataStore، وهو مستودع مركزي لإطارات البيانات وسجل التحليل. وتُخزَّن فيه ملفات CSV المحمّلة ومجموعات البيانات التجريبية المولّدة ونتائج الخطوات الوسيطة. كما أُضيفت دالة مساعدة للتسلسل (serialization) حتى يمكن إرجاع مخرجات الأدوات بصيغة JSON بأمان. وهذا ليس تفصيلًا شكليًا في التحليلات التطبيقية: فمن دون هذه الطبقة يصطدم النظام متعدد الوكلاء سريعًا بأنواع بيانات غير متوافقة وتكرار للبيانات وحالة غير واضحة بين الخطوات، خصوصًا عندما يواصل وكيل ما العمل الذي بدأه وكيل آخر.

كيف تُوزَّع الأدوار

بدلًا من وكيل واحد «شامل»، يقسّم المؤلفون العمل على عدة أدوار محددة. وهذا يقرّب المسار من فريق تحليلي حقيقي، حيث نادرًا ما تجتمع مهام تحميل البيانات واستكشافها وتصويرها وتحويل الجداول وإعداد الاستنتاجات في سكربت واحد ضخم. ويسهّل هذا النهج التوسع، إذ يمكن تغيير الوحدات المنفصلة واختبارها وإعادة استخدامها دون إعادة بناء السلسلة كاملة، كما يحصل الوكيل الرئيسي على منفذين أكثر قابلية للتنبؤ لكل مهمة محددة.

• data_loader يحمّل ملفات CSV وينشئ مجموعات بيانات تجريبية (sample): sales وcustomers وtimeseries وsurvey
• statistician يحسب الإحصاء الوصفي والارتباطات واختبارات Shapiro-Wilk وt-test وANOVA وchi-square
• visualizer يرسم histogram وscatter وbar وline وbox وheatmap وpie، كما يعدّ تقرير توزيع (distribution report) من أربعة رسوم
• transformer يرشّح الصفوف ويجمّع الجداول ويضيف أعمدة محسوبة
• reporter يعدّ تقريرًا ملخصًا يتضمن جودة البيانات والقيم المفقودة والتكرارات وأبرز النتائج

ويقف فوقها الوكيل الرئيسي data_analyst الذي يوجّه الطلبات بين المتخصصين. وتُحفظ الجلسة عبر InMemorySessionService، ويجري التنفيذ عبر Runner. ونتيجة لذلك يستطيع المستخدم صياغة مهامه بلغة عادية: إنشاء مجموعة بيانات مبيعات، أو فحص اعتدالية التوزيع، أو رسم heatmap للارتباطات، أو مقارنة الإيرادات بين مجموعات العملاء، أو إعداد تقرير نهائي. ويقدّم هذا مثالًا جيدًا على كيفية تحوّل البنية القائمة على الوكلاء في ADK من عرض تجريبي إلى سير عمل (workflow) منضبط بأدوار واضحة وتسلسل شفاف للخطوات.

من الكود إلى التحليل

تكمن قوة المثال في أنه يغطي مسار التحليل بأكمله لا جزءًا واحدًا منه. فالنظام قادر على البدء بجدول خام أو ببيانات مولّدة، ثم يصف بنية المجموعة بسرعة، ويحسب التوزيعات والقيم الشاذة، وينتقل بعدها إلى الرسوم البيانية، وبعد ذلك فقط إلى المقارنات والاستنتاجات الأكثر تعقيدًا. وهذا الترتيب مهم: ففي التحليلات كثيرًا ما تبدأ الأخطاء قبل مرحلة النموذج بوقت طويل، حين تكون البيانات غير مفهومة جيدًا وتُتخذ القرارات استنادًا إلى الانطباعات الأولى عن الجدول.

ومن المفيد أيضًا أن الدليل لا يقتصر على تحليل البيانات الاستكشافي (EDA). ففيه خطوات لتحويل الجداول: الترشيح حسب شرط، والتجميع حسب المجموعات، وحساب حقول جديدة عبر تعبيرات. بعد ذلك ينشئ الوكيل تقريرًا ملخصًا يتضمن نظرة عامة على مجموعة البيانات ونسبة القيم المفقودة وعدد التكرارات ورؤى أساسية عن الأعمدة الرقمية والفئوية (numeric/categorical). أي أن ADK يُستخدم هنا لا لـ«محادثة أنيقة عن البيانات»، بل لمسار قابل للتكرار يمكن تطويره ليناسب التحليلات الداخلية للفريق، أو بيئة تجريبية لأدوات BI، أو منصة تدريبية، أو عرضًا لإمكانات النهج القائم على الوكلاء في مهمة أعمال مفهومة.

ماذا يعني ذلك

بالنسبة إلى Google ADK، تكتسب مثل هذه الأمثلة أهمية أكبر من الإعلانات الصاخبة: فهي تُظهر أن الإطار بات صالحًا للاستخدام كهيكل لمساعدين تحليليين حقيقيين. أما الرسالة للمطورين فبسيطة: بدأ النهج متعدد الوكلاء يعمل لا في سيناريوهات البحث فحسب، بل في مهام تحليل البيانات اليومية التي تتطلب خطوات شفافة وأدوات ونتيجة قابلة للتكرار.