Agentic Coding

يمثل البرمجة الوكيلة تحولًا جذريًا في تطوير البرمجيات، إذ تصبح أنظمة الذكاء الاصطناعي المستقلة مشاركين فاعلين بدلًا من أدوات سلبية. ويُعرف هذا النهج أيضًا باسم هندسة البرمجيات الوكيلة (SE 3.0)، وهو يتجاوز إكمال التعليمات البرمجية المعتاد بالاستفادة من النماذج اللغوية الكبيرة (LLMs) لتخطيط التعليمات البرمجية وكتابتها وتنفيذها واختبارها وتصحيحها تكراريًا. وعلى عكس أدوات الإكمال التلقائي التقليدية التي تتنبأ بالأسطر القليلة التالية من التعليمات البرمجية استنادًا إلى السياق المباشر، تستطيع أنظمة البرمجة الوكيلة التنقل في قواعد برمجية كاملة والاستدلال بشأن البنى المعقدة وحل المشكلات بشكل مستقل بأقل تدخل بشري، ما يسرّع وتيرة الابتكار التقني.

آلية عمل البرمجة الوكيلة#

تعمل أنظمة البرمجة القائمة على الوكلاء عبر حلقات تغذية راجعة مستمرة من الملاحظة والاستدلال والفعل. وغالبًا ما تستخدم بروتوكول سياق النموذج (MCP) أو أطر تكامل مماثلة للتفاعل مباشرةً مع البيئات المحلية والمحطات الطرفية وأنظمة الملفات. وعند إسناد مهمة إليها، يحلل وكيل البرمجة المتطلبات، ويخطط حلًا متعدد الخطوات، ويكتب الشيفرة اللازمة، ويشغّل الاختبارات للتحقق من صحة منطقه. وإذا فشل اختبار، يقرأ الوكيل سجلات الأخطاء، ويعدّل نهجه، ويعيد كتابة الشيفرة حتى تنجح الاختبارات. وتُبرز الأبحاث الحديثة حول هندسة البرمجيات القائمة على الوكلاء أن هذه العملية التكرارية ذاتية التصحيح هي ما يمكّن الوكلاء من معالجة مهام البرمجة المعقدة على نطاق واسع. وتزوّد التطبيقات الرائدة، مثل ما تقدّمه Anthropic عبر Claude Code، المطوّرين بزملاء ذكاء اصطناعي يعملون من داخل المحطة الطرفية، ويمكنهم إعادة هيكلة المستودعات وأتمتة الأعمال المملة في الواجهة الخلفية.

البرمجة الوكيلة مقابل مساعدات الذكاء الاصطناعي التقليدية#

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

• أدوات Copilot التقليدية: تعتمد مساعدات البرمجة القياسية على موجّهات أحادية التفاعل لإنشاء مقتطفات تعليمات برمجية محدودة. ويمكن لأنظمة البرمجة الوكيلة تنفيذ مسارات عمل كاملة بشكل مستقل، بدءًا من التخطيط وحتى إصدار طلب سحب.
• وكلاء الذكاء الاصطناعي: هذا مصطلح عام لأي نظام ذكاء اصطناعي مستقل. أما البرمجة الوكيلة فهي فئة فرعية متخصصة تركز حصرًا على تطوير البرمجيات ومسارات العمل الهندسية وإدارة المستودعات.
• Auto-GPT: بينما يُعد Auto-GPT إطارًا عامًا لأتمتة المهام، تتخصص أدوات البرمجة الوكيلة في مجالها، وتمتلك معرفة عميقة بالقواعد النحوية والمترجمات وعمليات تصحيح الأخطاء.
• روبوتات المحادثة: يقدم روبوت المحادثة القياسي إجابات تفاعلية. أما وكلاء البرمجة فيعدّلون الملفات ويشغّلون الأوامر بشكل استباقي لتحقيق هدف نهائي.

تطبيقات واقعية في الذكاء الاصطناعي والتعلم الآلي#

تغيّر البرمجة الوكيلة بسرعة طريقة بناء عمليات تعلّم الآلة (MLOps) ومسارات الذكاء الاصطناعي المعقدة. وتتجه فرق الهندسة بشكل متزايد إلى اعتماد هذه الأدوات لتوسيع نطاق إنتاجيتها وتقليل الإشراف اليدوي.

• إنشاء مسارات MLOps تلقائيًا: يستطيع عالم بيانات أن يطلب من وكيل إنشاء مسار تدريب شامل من البداية إلى النهاية. وسيكتب الوكيل تلقائيًا نصوصًا برمجية لجلب مجموعات البيانات وتطبيق زيادة البيانات والضبط الدقيق للنموذج وتسجيل التجارب. ويكتسب ذلك قوة خاصة عند تنسيق مسارات التدريب السحابية على منصة Ultralytics.
• تصحيح الأخطاء وإعادة الهيكلة تلقائيًا: تُستخدم وكلاء البرمجة في قواعد التعليمات البرمجية القديمة لتحديث استدعاءات المكتبات المهملة أو حل تعارضات الاعتماديات. ويمكن للوكيل تشغيل اختبارات الوحدات بشكل مستقل، وتحديد التغييرات المسببة للأعطال، وتطبيق التصحيحات عبر مئات الملفات، ما يسرّع مشاريع تكامل الذكاء الاصطناعي التوليدي بدرجة كبيرة.

دمج مسارات العمل الوكيلة مع ذكاء الرؤية الاصطناعي#

تتفوق أنظمة البرمجة الوكيلة في إعداد النماذج الأولية لتطبيقات الرؤية الحاسوبية (CV) ونشرها بسرعة. فعلى سبيل المثال، يمكن للمطوّر توجيه وكيل لإنشاء نص برمجي يكشف الكائنات ويسجلها آنيًا. وسيختار وكيل البرمجة تلقائيًا الأدوات المثلى لـكشف الكائنات، مثل إطار عمل Ultralytics YOLO26، وينشئ تعليمات برمجية جاهزة للإنتاج.

يمثل المقتطف التالي من Python نوع النص البرمجي الموجز والعملي الذي قد ينشئه نظام برمجة وكيلي تلقائيًا لبناء مسار استدلال باستخدام واجهة Python API من 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 التقدم في مجال معالجة اللغة الطبيعية (NLP)، سيتيح التآزر بين البرمجة الوكيلة وأدوات الرؤية المتخصصة للمطوّرين الانتقال من كتابة النصوص البرمجية يدويًا إلى تنسيق منظومات ذكاء اصطناعي متطورة.