نماذج LLM تكتب Rust بسبع فئات من الأخطاء الخفية التي لا يلتقطها المترجم
استخدم أحد المطورين Claude وGPT وCursor على مدى نصف عام بوصفها مطوّرًا ثانيًا في العمل على Rust، وجمع سبعة أنواع من الأخطاء الخفية: lifetime laundering، وMutex داخل async، وDrop في المعاملات، وunaligned read، وasync cancellation، وorphan rule، والمصفوفات على المكدس. جميعها تجتاز cargo build وcargo test، لكنها تنتهك الأمان.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
أمضى أحد المطورين نصف عام وهو يستخدم Claude وGPT وCursor بوصفها مبرمجًا ثانيًا متكاملًا في العمل على Rust ضمن كود production. وخلال هذه الفترة تتبّع الأخطاء بدقة، وخرج بقائمة لافتة: سبع فئات من الأخطاء ترتكبها نماذج LLM بصورة منهجية. والأمر الأكثر إزعاجًا أن هذه الأخطاء تجتاز المترجم واختبارات الوحدة (unit tests) وحتى المحلل الساكن clippy. ومع ذلك فهي تُفسد الذاكرة أو تهدم البنية المعمارية للتطبيق.
سبعة أنواع من الأخطاء الخفية
هذه هي الفئات التي تُخطئ فيها نماذج LLM مرارًا وتكرارًا:
- Lifetime laundering — تعيش المتغيرات مدة أطول مما يسمح به نظام الأنواع في Rust. ويؤدي ذلك إلى use-after-free أثناء التشغيل (runtime).
- Mutex عبر await — قفل يظل محتجزًا أثناء الانتظار غير المتزامن. والنتيجة deadlock مؤكد.
- Drop في المعاملات — ينسى النموذج استدعاء drop عند الحاجة إلى إغلاق مورد (إغلاق ملف أو التراجع عن معاملة). فيتسرّب المورد.
- Unaligned read — الوصول إلى ذاكرة بمحاذاة غير صحيحة. يتعطل المعالج على ARM، ويحدث العطل بصمت على x86.
- Async cancellation — إلغاء غير صحيح للعمليات غير المتزامنة. يترك وراءه حالات (states) معلّقة.
- Orphan rule — انتهاك قاعدة orphan عند تنفيذ السمات (traits). يُترجَم الكود في مشروع واحد، لكنه ينكسر عند إضافة dependency.
- المصفوفات على المكدس — تخصيص مصفوفات ضخمة في المكدس (stack) بدل الكومة (heap). والنتيجة فيض في المكدس وsegfault.
لماذا يشكّل ذلك خطرًا على production
تكمن قوة Rust في أن المترجم يلتقط الأخطاء في مرحلة التطوير، لا في production. لكن المترجم يتجاوز هذه الأخطاء السبعة، لأنها لا تنتهك بنية اللغة ولا قواعد الأنواع الصورية. ونتيجة لذلك يُبنى الكود دون أي تحذيرات، ويجتاز اختبارات الوحدة، ويمرّ عبر clippy، ثم يُطلق في production. وهناك ينهار كل شيء، لكن بعد فوات الأوان. وهذا أسوأ من خطأ صريح من المترجم، لأن المطوّر يكون واثقًا بأن كل شيء سليم.
لماذا تخطئ نماذج LLM في ذلك
تحتل Rust موقعًا هامشيًا في مجموعات بيانات LLM. فاللغات Python وJavaScript وJava تستحوذ على 70% من الكود الذي دُرّبت عليه النماذج، بينما قد لا تتجاوز حصة Rust 2-3%. وفي الوقت نفسه تتطلب Rust فهمًا عميقًا لمفاهيم ownership وlifetimes ونظام الأنواع، وهي مفاهيم تفهمها نماذج LLM فهمًا سطحيًا. فالنماذج ترصد الأنماط وتنسخها. وهي تعرف أن «الناس يكتبون هنا عادةً بهذه الطريقة»، لكنها لا تعرف لماذا ينجح ذلك في Java وينكسر في Rust. ولهذا تعيد إنتاج الأنماط على نحو خاطئ، فتخلق وهمًا بكود قابل للترجمة.
تُربك Rust نماذج LLM لأنها لغة تتطلب التفكير، لا مجرد نسخ الأنماط.
خلاصات عملية
لا ينصح المطوّر بالتخلي الكامل عن نماذج LLM، لكنه يوصي بما يلي:
- عدم الاعتماد على LLM في المواضع الحرجة: التشفير، والتعامل مع الذاكرة، والتزامن (concurrency)
- اشتراط مراجعة رسمية للكود (formal code review) حتى لو لم يعترض المترجم
- استخدام Miri، وهو مفسّر يلتقط السلوك غير المعرَّف (undefined behavior) أثناء التطوير
- تعلّم Rust بما يكفي لكتابة الكود بنفسك، أو لاكتشاف الأخطاء في كود LLM
ماذا يعني ذلك
إن LLM أداة مفيدة، لكنها ليست بديلًا عن الإنسان. فهي تعمل جيدًا في اللغات الديناميكية (Python وJavaScript)، لأن عدد القواعد التي ينبغي فهمها بالحدس فيها أقل. أما في Rust فلا بد إما من فحص كل سطر، وإما من إبقاء الإنسان في حلقة اتخاذ القرار. وفي أطر مثل Next.js أو Django يُعدّ مساعد LLM مسرّعًا قويًا. أما في Rust ضمن production فهو أقرب إلى مسودة تنتظر مراجعة بشرية منه إلى زميل عمل متكامل.
- 18 نوفمبر 2026Moonshot AI تحوّل Kimi من البرمجة إلى العلوم: تحليل الجينات في 90 دقيقة بدلًا من 4 ساعات
- 18 نوفمبر 2026Duco تقلّص سياق الوكلاء بنسبة 90% وتسرّع نقل عمليات المطابقة المصرفية 10 أضعاف
- 18 نوفمبر 2026Epic تزيل Blueprints من Unreal Engine 6: الذكاء الاصطناعي يعمل مع الشيفرة لا مع المخططات
- 18 نوفمبر 2026Answer.AI تفتح SolveIt للجميع: الكود والملاحظات والذكاء الاصطناعي في حوار واحد بعد بيتا ضمّت 3000 شخص
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول سبعة أنواع من الأخطاء الخفية؟
هذه هي الفئات التي تُخطئ فيها نماذج LLM مرارًا وتكرارًا: Lifetime laundering — تعيش المتغيرات مدة أطول مما يسمح به نظام الأنواع في Rust. ويؤدي ذلك إلى use-after-free أثناء التشغيل (runtime). Mutex عبر await — قفل يظل محتجزًا أثناء الانتظار غير المتزامن. والنتيجة deadlock مؤكد. Drop في المعاملات — ينسى النموذج استدعاء drop عند الحاجة إلى إغلاق مورد (إغلاق ملف أو التراجع عن معاملة). فيتسرّب المورد. Unaligned read — الوصول إلى ذاكرة بمحاذاة غير صحيحة. يتعطل المعالج على ARM، ويحدث العطل بصمت على x86.
ما أبرز التفاصيل حول لماذا يشكّل ذلك خطرًا على production؟
تكمن قوة Rust في أن المترجم يلتقط الأخطاء في مرحلة التطوير، لا في production. لكن المترجم يتجاوز هذه الأخطاء السبعة، لأنها لا تنتهك بنية اللغة ولا قواعد الأنواع الصورية. ونتيجة لذلك يُبنى الكود دون أي تحذيرات، ويجتاز اختبارات الوحدة، ويمرّ عبر clippy، ثم يُطلق في production. وهناك ينهار كل شيء، لكن بعد فوات الأوان. وهذا أسوأ من خطأ صريح من المترجم، لأن المطوّر يكون واثقًا بأن كل شيء سليم.
ما أبرز التفاصيل حول لماذا تخطئ نماذج LLM في ذلك؟
تحتل Rust موقعًا هامشيًا في مجموعات بيانات LLM. فاللغات Python وJavaScript وJava تستحوذ على 70% من الكود الذي دُرّبت عليه النماذج، بينما قد لا تتجاوز حصة Rust 2-3%. وفي الوقت نفسه تتطلب Rust فهمًا عميقًا لمفاهيم ownership وlifetimes ونظام الأنواع، وهي مفاهيم تفهمها نماذج LLM فهمًا سطحيًا. فالنماذج ترصد الأنماط وتنسخها. وهي تعرف أن «الناس يكتبون هنا عادةً بهذه الطريقة»، لكنها لا تعرف لماذا ينجح ذلك في Java وينكسر في Rust. ولهذا تعيد إنتاج الأنماط على نحو خاطئ، فتخلق وهمًا بكود قابل للترجمة.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.