Agentic Coding

تمثل البرمجة الوكيلة تحولًا جذريًا في تطوير البرمجيات، حيث تعمل أنظمة الذكاء الاصطناعي المستقلة كمشاركين فاعلين بدلًا من كونها أدوات سلبية. ويُعرف هذا النهج أيضًا باسم هندسة البرمجيات الوكيلة (SE 3.0)، ويتجاوز إكمال التعليمات البرمجية التقليدي من خلال الاستفادة من نماذج اللغة الكبيرة (LLMs) لتخطيط التعليمات البرمجية وكتابتها وتنفيذها واختبارها وتصحيح أخطائها تكراريًا. وعلى خلاف أدوات الإكمال التلقائي التقليدية التي تتنبأ بالأسطر القليلة التالية من التعليمات البرمجية استنادًا إلى السياق المباشر، تستطيع أنظمة البرمجة الوكيلة التنقل في قواعد التعليمات البرمجية بأكملها، والاستدلال بشأن البنى المعقدة، وحل المشكلات بشكل مستقل مع الحد الأدنى من التدخل البشري، مما يسرّع وتيرة الابتكار التقني.

كيفية عمل البرمجة الوكيلة#

تعمل أنظمة البرمجة الوكيلة من خلال حلقات تغذية راجعة مستمرة تشمل الملاحظة والاستدلال والتنفيذ. وغالبًا ما تستخدم بروتوكول سياق النموذج (MCP) أو أطر تكامل مماثلة للتفاعل مباشرةً مع البيئات المحلية والمحطات الطرفية وأنظمة الملفات. عند إسناد مهمة إليها، يحلل وكيل البرمجة المتطلبات، ويخطط لحل متعدد الخطوات، ويكتب التعليمات البرمجية اللازمة، ويشغّل الاختبارات للتحقق من منطقه. وإذا فشل اختبار ما، يقرأ الوكيل سجلات الأخطاء، ويعدّل نهجه، ويعيد كتابة التعليمات البرمجية حتى تنجح الاختبارات. وتبرز الأبحاث الحديثة حول هندسة البرمجيات الوكيلة أن هذه العملية التكرارية ذاتية التصحيح هي ما يمكّن الوكلاء من معالجة مهام البرمجة المعقدة على نطاق واسع. وتوفر التطبيقات الرائدة، مثل Anthropic's Claude Code، للمطورين زملاء ذكاء اصطناعي مدمجين في المحطة الطرفية، يمكنهم إعادة هيكلة المستودعات وأتمتة أعمال الواجهة الخلفية المملة.

البرمجة الوكيلة في مقابل مساعدي الذكاء الاصطناعي التقليديين#

يُعد فهم الفرق بين البرمجة الوكيلة ومفاهيم الذكاء الاصطناعي ذات الصلة أمرًا بالغ الأهمية لفرق الهندسة الحديثة:

• أدوات Copilot التقليدية: تعتمد مساعدات البرمجة القياسية على مطالبات أحادية الدور لتوليد مقتطفات تعليمات برمجية موضعية. أما أنظمة البرمجة الوكيلة فتستطيع تنفيذ سير عمل كامل بشكل مستقل، بدءًا من التخطيط ووصولًا إلى إصدار طلب سحب.
• وكلاء الذكاء الاصطناعي: هذا مصطلح واسع يطلق على أي نظام ذكاء اصطناعي مستقل. أما البرمجة الوكيلة فهي مجموعة فرعية متخصصة تركز حصرًا على تطوير البرمجيات، ومسارات العمل الهندسية، وإدارة المستودعات.
• Auto-GPT: في حين أن Auto-GPT إطار لأتمتة المهام متعدد الأغراض، فإن أدوات البرمجة الوكيلة متخصصة في مجال محدد ومجهزة بمعرفة عميقة بالصياغة البرمجية والمترجمات وعمليات تصحيح الأخطاء.
• روبوتات المحادثة: يقدم روبوت المحادثة القياسي إجابات تفاعلية حوارية. أما وكلاء البرمجة فيعدّلون الملفات ويشغّلون الأوامر بشكل استباقي لتحقيق هدف نهائي.

التطبيقات العملية في الذكاء الاصطناعي والتعلم الآلي#

تعمل البرمجة الوكيلة على تحويل طريقة بناء عمليات تعلم الآلة (MLOps) ومسارات عمل الذكاء الاصطناعي المعقدة بسرعة. وتعتمد فرق الهندسة هذه الأدوات بشكل متزايد لتوسيع إنتاجيتها وتقليل الإشراف اليدوي.

• التوليد الآلي لمسارات عمل MLOps: يستطيع عالم بيانات أن يطلب من وكيل بناء مسار تدريب متكامل من البداية إلى النهاية. وسيكتب الوكيل بشكل مستقل نصوصًا لجلب مجموعات البيانات، وتطبيق زيادة البيانات، وإجراء الضبط الدقيق للنموذج، وتسجيل التجارب. ويكتسب هذا أهمية خاصة عند تنسيق مسارات عمل التدريب السحابي على منصة Ultralytics.
• تصحيح الأخطاء وإعادة الهيكلة بشكل مستقل: في قواعد التعليمات البرمجية القديمة، يُنشر وكلاء البرمجة لتحديث استدعاءات المكتبات المتقادمة أو حل تعارضات التبعيات. ويمكن للوكيل تشغيل اختبارات الوحدات بشكل مستقل، وتحديد التغييرات المسببة للأعطال، وتطبيق التصحيحات عبر مئات الملفات، مما يسرّع بشكل كبير مشاريع تكامل الذكاء الاصطناعي التوليدي.

دمج مسارات العمل الوكيلة مع ذكاء الرؤية الاصطناعي#

تتفوق أنظمة البرمجة الوكيلة في إنشاء النماذج الأولية ونشر تطبيقات الرؤية الحاسوبية (CV) بسرعة. فعلى سبيل المثال، يمكن للمطور توجيه وكيل لإنشاء نص برمجي يكتشف الكائنات ويسجلها في الوقت الفعلي. وسيختار وكيل البرمجة بشكل مستقل الأدوات المثلى لـاكتشاف الكائنات، مثل إطار عمل Ultralytics YOLO26، ويولّد تعليمات برمجية جاهزة للاستخدام في بيئة الإنتاج.

يمثل مقتطف Python التالي نوع النص البرمجي الموجز والوظيفي الذي قد تولّده أنظمة البرمجة الوكيلة بشكل مستقل لبناء مسار استدلال باستخدام واجهة Python البرمجية لـ Ultralytics:

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 معالجة اللغة الطبيعية (NLP)، سيمكّن التكامل بين البرمجة الوكيلة وأدوات الرؤية المتخصصة المطورين من الانتقال من كتابة النصوص البرمجية يدويًا إلى تنسيق منظومات ذكاء اصطناعي متطورة.