Agentic Coding

يمثل البرمجة الوكيلة (Agentic coding) تحولاً نموذجياً في software development حيث تعمل أنظمة الذكاء الاصطناعي المستقلة كمشاركين نشطين بدلاً من كونها أدوات سلبية. يُعرف هذا النهج أيضاً هندسة البرمجيات الوكيلة (SE 3.0)، ويتجاوز إكمال code completions القياسي من خلال الاستفادة من Large Language Models (LLMs) للتخطيط لكتابة وتنفيذ واختبار وتصحيح الأخطاء البرمجية بشكل تكراري. وعلى عكس أدوات الإكمال التلقائي التقليدية التي تتنبأ ببسطر قليلة من الكود بناءً على السياق الفوري، تستطيع أنظمة البرمجة الوكيلة التنقل عبر قواعد بيانات كاملة، والاستدلال من خلال الهندسة المعقدة، وحل المشكلات بشكل مستقل مع الحد الأدنى من التدخل البشري، مما يسريع وتيرة technology innovation.

كيف تعمل البرمجة الوكيلية#

تعمل أنظمة البرمجة الوكيلة عبر حلقات تغذية راجعة مستمرة للملاحظة والاستدلال والإجراء. وغالباً ما تستخدم Model Context Protocol (MCP) أو أطر تكامل مشابهة للتفاعل مباشرة مع البيئات المحلية، terminals، وأنظمة الملفات. عند تكليفها بمهمة، يحلل وكيل البرمجة المتطلبات، ويخطط لحل متعدد الخطوات، ويكتب الكود اللازم، ويشغل الاختبارات للتحقق من منطقه. وإذا فشل الاختبار، يقرأ الوكيل سجلات الأخطاء، ويعدل نهجه، ويعيد كتابة الكود حتى تنجح الاختبارات. تسلط Recent research on Agentic Software Engineering الضوء على أن هذه العملية التكرارية ذاتية التصحيح هي ما يمكّن الوكلاء من معالجة مهام البرمجة المعقدة على نطاق واسع. توفر التطبيقات الرائدة، مثل Claude Code التابع لشركة Anthropic، للمطورين زملاء ذكاء اصطناعي محليين في الطرفية يمكنهم إعادة هيكلة المستودعات وأتمتة العمل الشاق في الواجهة الخلفية.

البرمجة الوكيلية مقابل مساعدي الذكاء الاصطناعي التقليديين#

يعد فهم الفرق بين البرمجة الوكيلية ومفاهيم الذكاء الاصطناعي ذات الصلة أمراً بالغ الأهمية لفرق الهندسة الحديثة:

• Traditional Copilot Tools: تعتمد مساعدات البرمجة القياسية على مطالبات أحادية الدور لإنشاء مقاطع برمجية موضعية. يمكن أن تنفذ أنظمة البرمجة الوكيلة سير عمل كاملة بشكل مستقل، بدءاً من التخطيط وحتى إصدار pull request.
• AI Agents: هذا مصطلح واسع لأي نظام ذكاء اصطناعي مستقل. البرمجة الوكيلة هي فئة فرعية متخصصة تركز حصرياً على تطوير البرمجيات، وخطوط الهندسة، وإدارة المستودعات.
• Auto-GPT: بينما يعد Auto-GPT إطار عمل لأتمتة المهام للأغراض العامة، فإن أدوات البرمجة الوكيلة مخصصة لمجال معين، ومجهزة بمعرفة عميقة ببناء الجملة، والمترجمين، وعمليات تصحيح الأخطاء.
• Chatbots: يوفر روبوت الدردشة القياسي إجابات تفاعلية وقائمة على المحادثة. تعمل وكلاء البرمجة بشكل استباقي على تعديل الملفات وتشغيل الأوامر لتحقيق هدف نهائي.

تطبيقات العالم الحقيقي في الذكاء الاصطناعي وتعلم الآلة#

تعمل البرمجة الوكيلية على تغيير كيفية بناء عمليات تعلم الآلة (MLOps) وخطوط أنابيب الذكاء الاصطناعي المعقدة بسرعة. تتبنى فرق الهندسة هذه الأدوات بشكل متزايد لتوسيع نطاق إنتاجيتها وتقليل الإشراف اليدوي.

• Automated MLOps Pipeline Generation: يمكن لعالم البيانات مطالبة الوكيل ببناء خط أنابيب تدريب شامل. سيقوم الوكيل تلقائياً بكتابة نصوص برمجية لجلب مجموعات البيانات، وتطبيق data augmentation، وfine-tune النموذج، وتسجيل التجارب. وهذا أمر قوي بشكل خاص عند تنسيق سير عمل التدريب السحابي على Ultralytics Platform.
• Autonomous Debugging and Refactoring: في قواعد البيانات القديمة، يتم نشر وكلاء البرمجة لتحديث استدعاءات المكتبات المهملة أو حل تعارضات التبعيات. يمكن للوكيل تشغيل اختبارات الوحدة بشكل مستقل، وتحديد التغييرات الكاسرة، وتطبيق التصحيحات عبر مئات الملفات، مما يسرع بشكل كبير من مشاريع دمج Generative AI.

دمج سير العمل الوكيلي مع الرؤية الحاسوبية#

تتفوق أنظمة البرمجة الوكيلة في النماذج الأولية السريعة ونشر تطبيقات computer vision (CV). على سبيل المثال، يمكن للمطور توجيه وكيل لإنشاء برنامج نصي يكتشف ويسجل الكائنات في الوقت الفعلي. سيقوم وكيل البرمجة تلقائياً بتحديد الأدوات المثلى لـ object detection، مثل إطار عمل Ultralytics YOLO26، وتوليد كود جاهز للإنتاج.

يمثل المقطع البرمجي Python التالي نوع النص البرمجي المختصر والوظيفي الذي قد يولده نظام البرمجة الوكيلة بشكل مستقل لبناء خط استدلال باستخدام Ultralytics Python API:

from ultralytics import YOLO

# The coding agent autonomously initializes the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# The agent scripts the inference step on a target image
results = model("https://ultralytics.com/images/bus.jpg")

# The agent extracts and formats the detected classes for downstream processing
detected_objects = {model.names[int(box.cls)] for box in results[0].boxes}
print(f"Agent Pipeline Output: Detected {detected_objects} in the image.")

مع استمرار تقدم مجال Natural Language Processing (NLP)، فإن التآزر بين البرمجة الوكيلة وأدوات الرؤية المتخصصة سيمكن المطورين من الانتقال من كتابة النصوص البرمجية اليدوية إلى تنسيق أنظمة الذكاء الاصطناعي المعقدة.