AI Agent

وكيل الذكاء الاصطناعي نظام يسعى إلى تحقيق هدف من خلال مراقبة بيئته باستمرار، وتحديد الخطوة التالية وتنفيذها، ثم استخدام النتيجة لاختيار الإجراء التالي. ويعرّف الكتاب الدراسي الشهير Artificial Intelligence: A Modern Approach الوكيل بأنه أي شيء يدرك بيئته عبر المستشعرات ويؤثر فيها عبر المشغلات، وهو تعريف يشمل منظمات الحرارة وبرامج الألعاب والروبوتات. ومنذ عام 2023، يُقصد بالمصطلح غالبًا الوكلاء المبنيون على النماذج اللغوية الكبيرة (LLMs): إذ يقرأ النموذج هدفًا، ويستدعي أدوات مثل البحث على الويب أو تنفيذ التعليمات البرمجية أو واجهات API للأعمال، ويقرأ ما تعيده كل أداة، ويواصل العمل حتى يقرر أن المهمة اكتملت. وتعمل بالطريقة نفسها مساعدات البرمجة التي تعدّل مستودعًا كاملًا وتختبره، ومساعدات البحث التي تبحث في عشرات المصادر وتستشهد بها، ووكلاء استخدام الحاسوب الذين يتعاملون مع سطح المكتب عبر لقطات الشاشة والنقرات.

آلية عمل وكيل الذكاء الاصطناعي#

يعمل وكيل LLM ضمن حلقة. يتلقى النموذج الهدف وسياق المحادثة حتى اللحظة وقائمة الأدوات المتاحة، ثم يكتب إما إجابة نهائية وإما استدعاء أداة. ويفحص البرنامج المحيط، المسمى هيكل الوكيل، ما إذا كان الإجراء مسموحًا، وينفذه، ثم يضيف النتيجة إلى سياق النموذج بوصفها ملاحظة جديدة. بعد ذلك يحدد النموذج الخطوة التالية مستندًا إلى تلك الأدلة. وقد رسّخ التلقين بأسلوب ReAct نمط التناوب بين الاستدلال المكتوب والإجراءات، وتُدرّب نماذج الاستدلال الحالية باستخدام التعلم المعزز للعمل بهذه الطريقة عبر سلاسل طويلة من استدعاءات الأدوات.

تجمع معظم الوكلاء اللبنات الأساسية الأربع نفسها. يحدد النموذج، وهو LLM عام الغرض أو نموذج رؤية ولغة، كل خطوة. والأدوات دوال توصف باسم وغرض ومخطط JSON للوسائط، ويتيح بروتوكول سياق النموذج (MCP) لوكيل واحد الاتصال بأدوات تنشرها فرق أخرى. وتمتد الذاكرة عبر نافذة السياق، التي تحتفظ بالمهمة الحالية، وعبر الملفات أو قواعد البيانات أو قواعد البيانات المتجهية التي يبحث فيها الوكيل عن المعلومات الأقدم، بينما تجمع مهارات الوكلاء تعليمات قابلة لإعادة الاستخدام، ولا تُحمّل إلا عند الحاجة إليها في مهمة ما. ويجزئ التخطيط الهدف إلى خطوات، ويتتبع ما أُنجز منها، ويراجع الخطة عند فشل إحدى الخطوات.

وكلاء الذكاء الاصطناعي والنماذج ومسارات العمل#

يخصص تعريف شائع الاستخدام، وارد في دليل Anthropic حول بناء وكلاء فعّالين، مصطلح «وكيل» للأنظمة التي يوجه فيها LLM عمليته واستخدامه للأدوات بنفسه.

• نموذج الذكاء الاصطناعي: يحوّل النموذج مدخلًا واحدًا إلى مخرج واحد، مثل تحويل صورة إلى قائمة بالكائنات المكتشفة. أما الوكيل فيستدعي النماذج، غالبًا مرات عديدة، ويقرر ما الذي يفعله بمخرجاتها.
• مسارات العمل الوكيلة: تتبع استدعاءات LLM والأدوات مسارات تعليمات برمجية حددها المطور مسبقًا، مثل الاستخراج ثم التصنيف ثم التلخيص. أما في الوكيل، فيختار النموذج عدد الخطوات اللازمة للمهمة والأدوات التي يستخدمها في كل خطوة.
• روبوتات المحادثة: يجيب روبوت المحادثة عن كل رسالة على حدة. أما الوكيل فيتخذ إجراءات بين الرسائل، ويمكنه العمل دقائق أو ساعات دون تدخل شخص.
• أنظمة الوكلاء المتعددين: يتعاون عدة وكلاء ذوي أدوار وسياقات منفصلة لإنجاز مهمة واحدة، تحت إشراف طبقة تنسيق توزع العمل وتدمج النتائج.

أنواع وكلاء الذكاء الاصطناعي#

يرتب التصنيف الدراسي الذي وضعه راسل ونورفيغ الوكلاء بحسب مقدار استدلالهم بشأن العالم:

• الوكلاء الانعكاسيون البسيطون: يستجيبون للمدخل الحالي بقواعد ثابتة تربط الشروط بالإجراءات، مثل منظم الحرارة أو الضوء الذي يعمل عند استشعار الحركة.
• الوكلاء الانعكاسيون المعتمدون على نموذج: يحتفظون بحالة داخلية تتعقب أجزاء العالم التي لا يستطيعون ملاحظتها حاليًا، مثل الأشخاص الذين سبق رصدهم.
• الوكلاء المعتمدون على الأهداف: يبحثون عن تسلسلات الإجراءات أو يخططون لها للوصول إلى هدف محدد، مثل مخطط المسارات.
• الوكلاء المعتمدون على المنفعة: يختارون بين النتائج وفق درجة منفعة، مع الموازنة بين السرعة والتكلفة والمخاطر.
• الوكلاء المتعلمون: يحسنون سلوكهم من خلال الخبرة، عادةً عبر المكافآت.

وكلاء LLM وكلاء معتمدون على الأهداف، ويحدث تخطيطهم بالنص، كما أن الوكلاء المدربين بالتعلم المعزز على مهام استخدام الأدوات يُعدّون وكلاء متعلمين أيضًا.

بناء وكيل رؤية بسيط#

يدرك الوكيل المعتمد على الكاميرا بيئته من خلال نموذج كشف، ويتصرف عبر التعليمات البرمجية. وفي هذا الوكيل الانعكاسي المعتمد على نموذج، يمنح التتبع باستخدام Ultralytics YOLO26 كل شخص معرّفًا ثابتًا عبر إطارات الفيديو، ويخزّن الوكيل المعرّفات التي سبق أن اتخذ إجراءً بشأنها، بحيث يطلق كل شخص تنبيهًا واحدًا بدلًا من تنبيه في كل إطار:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov"
alerted = set()  # The agent's memory of people it has already acted on

for frame, result in enumerate(model.track(video, stream=True, classes=[0])):
    # Perceive: IDs of the people tracked in this frame
    ids = set(result.boxes.id.int().tolist()) if result.boxes.is_track else set()

    # Decide and act: alert once for each person not seen before
    for track_id in sorted(ids - alerted):
        print(f"Frame {frame}: person {track_id} entered, alert sent")
    alerted |= ids

يحتوي السجل المطبوع على سطر واحد لكل شخص جديد، ما يوضح أثر الحالة: فالنموذج وحده سيبلغ عن كل شخص مجددًا في كل إطار.

تطبيقات عملية#

• البرمجة الوكيلة: تقرأ وكلاء البرمجة مستودعًا برمجيًا، وتعدّل الملفات، وتشغّل الاختبارات، وتكرر المحاولة لمعالجة الإخفاقات حتى ينجح التغيير.
• البحث والتحليل: يجري وكلاء البحث العديد من عمليات البحث، ويقرؤون المصادر، ويكتبون تقريرًا موثقًا بالاستشهادات، وغالبًا ما يقسمون السؤال بين عدة وكلاء فرعيين.
• التصنيع: يجمع وكيل الفحص البصري بين كاشف للعيوب وأنظمة المصنع، فيوقف سير النقل، ويسجل العيب، ويفتح تذكرة صيانة عندما تتجمع العيوب.
• الذكاء الاصطناعي المادي: تدرك روبوتات المستودعات والمنازل محيطها بالكاميرات، وتخطط للإمساك بشيء أو لسلوك مسار، وتتحرك بواسطة المحركات، مغلقةً حلقة التحكم مرات عديدة في الثانية.

الموثوقية والسلامة#

تتراكم الأخطاء خلال المهام الطويلة، إذ يمكن لخطوة خاطئة واحدة أن تفسد كل خطوة تليها، لذا تقيس الفرق أداء الوكلاء من البداية إلى النهاية باستخدام معايير تقييم الوكلاء وسجلات التشغيل الفعلي. وقد تصادف الوكلاء التي تقرأ صفحات الويب أو رسائل البريد الإلكتروني أو الملفات حقن المطالبات، وهي تعليمات تُزرع في المحتوى لمحاولة إعادة توجيه الوكيل؛ لذلك تحد أطر التشغيل من أذونات كل أداة، وتشغّل التعليمات البرمجية في بيئات معزولة، وتطلب موافقة شخص قبل الإجراءات التي لا يمكن التراجع عنها، مثل الدفع أو الحذف. وتتزايد القدرات بسرعة: فقد وجدت METR أن طول مهام البرمجيات التي أمكن للوكلاء المتقدمة إنجازها بموثوقية تبلغ 50% تضاعف كل نحو سبعة أشهر بين عام 2019 وأوائل عام 2025.