Agentic AI: كيف تعمل الأنظمة الوكيلة وكيف تضبط استقلاليتها؟

لم يعد السؤال في تطبيقات الذكاء الاصطناعي هو: «هل يستطيع النموذج الإجابة؟» فقط، بل أصبح أيضًا: «هل يستطيع النظام اختيار الخطوة التالية، واستخدام الأداة المناسبة، وفحص النتيجة، ثم التوقف في الوقت الصحيح؟». هنا يظهر مفهوم Agentic AI، الذي يصف أنظمة تستخدم قدرًا من التخطيط واتخاذ القرار أثناء تنفيذ هدف متعدد المراحل.

هذا المقال يركز على درجة الاستقلالية وكيفية ضبطها: متى نحتاج إلى نظام يقرر خطواته، ومتى يكفي سير عمل ثابت، وكيف نحدد الصلاحيات ونقيس الأداء قبل السماح للنظام بتنفيذ إجراءات حقيقية. أما شرح مكونات الوكيل الأساسية بالتفصيل، فيمكنك الرجوع إلى دليل وكلاء الذكاء الاصطناعي AI Agents.

تعرض أدلة المطورين من OpenAI لبناء الوكلاء وAnthropic عن بناء الأنظمة الوكيلة فكرة مهمة: لا تحتاج كل مهمة إلى وكيل مستقل؛ يجب اختيار أبسط تصميم يحقق النتيجة المطلوبة، ثم إضافة حرية القرار عندما تكون مفيدة فعلًا.

ما المقصود بـ Agentic AI؟

يُستخدم مصطلح Agentic AI لوصف نهج في تصميم تطبيقات الذكاء الاصطناعي يمنح النظام مساحة لاتخاذ قرارات بشأن الخطوات التي يحتاج إليها للوصول إلى هدف، بدل تنفيذ قائمة ثابتة من الأوامر في كل مرة. قد يخطط النظام، ويختار أداة، ويقرأ نتيجة استخدامها، ثم يعدل خطته بناءً على ما اكتشفه.

المصطلح ليس اسم نموذج واحد ولا معيارًا تقنيًا موحدًا بحدود متفق عليها في جميع المصادر. لذلك من الأفضل تقييم النظام من خلال سلوكه الفعلي: ما القرارات التي يختارها؟ ما الإجراءات التي يستطيع تنفيذها؟ ما الحدود المفروضة عليه؟ ومتى يطلب تدخل الإنسان؟

الاستقلالية ليست مفتاحًا يعمل أو يتوقف

من الأخطاء الشائعة وصف النظام بأنه «مستقل بالكامل» أو «غير مستقل» دون توضيح المقصود. عمليًا، يمكن ضبط الاستقلالية على درجات. والجدول التالي مقياس عملي للتصميم لتسهيل اتخاذ القرار، وليس تصنيفًا رسميًا موحدًا للصناعة.

لا يعني المستوى الأعلى أنه الأفضل دائمًا. فكلما اتسعت صلاحيات النظام، زادت أهمية الاختبارات والرقابة والقدرة على إيقاف التنفيذ أو التراجع عن الأثر الناتج.

الفرق بين الأتمتة الثابتة وAgentic AI

الفارق الأساسي هو من يحدد مسار التنفيذ. في الأتمتة الثابتة، يكتب المصمم تسلسل الخطوات مسبقًا. في النظام الوكيلي، يستطيع النموذج اختيار بعض الخطوات التالية بناءً على الهدف والسياق والنتائج التي تظهر أثناء التنفيذ.

تؤكد إرشادات Google Cloud لاختيار نمط تصميم Agentic AI أهمية دراسة خصائص المهمة والتكلفة والسرعة ومقدار تدخل الإنسان قبل اختيار البنية. وإذا كان المطلوب معروف الخطوات وقابلًا للتوقع، فقد يكون سير العمل الثابت أبسط وأقل كلفة.

كيف تتخذ الأنظمة الوكيلة قراراتها؟

يمكن تصور الدورة العملية في ست مراحل. قد تختلف التفاصيل بحسب التطبيق، لكنها تساعد على فهم ما ينبغي مراقبته:

1. تفسير الهدف: تحديد النتيجة المطلوبة والقيود، بدل التعامل مع الطلب كجملة عامة.
2. تحديد النقص في المعلومات: هل توجد بيانات كافية؟ هل يحتاج النظام إلى سؤال المستخدم أو قراءة ملف؟
3. اختيار الخطوة التالية: اختيار أداة أو عملية أو سؤال توضيحي وفق المتاح.
4. تنفيذ الإجراء المسموح: تشغيل أداة قراءة أو حساب أو بحث ضمن صلاحيات واضحة.
5. فحص النتيجة: التأكد من أن الأداة نجحت وأن الناتج يحقق معيارًا محددًا.
6. التوقف أو التصعيد: إنهاء المهمة عند تحقق الشروط، أو طلب موافقة أو مساعدة بشرية عند الغموض أو الفشل.

هذه الدورة لا تعني أن النظام «يفكر مثل الإنسان». إنها وصف لسير عمل برمجي يستخدم نموذجًا لاتخاذ قرارات محددة داخل التطبيق، ويمكن مراقبة مدخلاته ومخرجاته واختباره.

مثال عملي: إعداد تقرير أسبوعي من بيانات المبيعات

لنفترض أن فريقًا يريد تقريرًا أسبوعيًا من ملف مبيعات يحتوي على التاريخ والمنتج والكمية والإيراد. الهدف ليس ترك النظام يرسل التقرير تلقائيًا؛ بل اختبار ما إذا كان يستطيع إعداد مسودة قابلة للمراجعة بدقة.

1. يقرأ النظام الملف ويحدد الأعمدة المفقودة أو القيم غير الصالحة.
2. يحسب الإجماليات والتغير بين الفترات باستخدام عمليات حسابية قابلة للتحقق، لا اعتمادًا على التقدير اللغوي وحده.
3. يحدد تغيرات لافتة ويشير إلى الصفوف أو الفترات التي تستند إليها ملاحظاته.
4. إذا كانت البيانات ناقصة أو تعريف «الأسبوع السابق» غير واضح، يتوقف ويسأل بدل التخمين.
5. ينشئ مسودة تقرير مع قسم للبيانات المؤكدة وقسم للملاحظات التي تحتاج تفسيرًا بشريًا.
6. يعرض المسودة على الموظف، ولا يرسلها للمدير أو يغير نظام المبيعات دون موافقة منفصلة.

القيمة هنا ليست أن الوكيل كتب نصًا، بل أنه اختار تسلسلًا مناسبًا، واستخدم الأداة، وتحرى جودة المدخلات، وحدد متى يتوقف. ويظل التحقق الحسابي والمراجعة البشرية ضروريين قبل اتخاذ قرارات تجارية اعتمادًا على التقرير.

قالب تعليمات لتجربة Agentic AI تحت الإشراف

يمكن استخدام القالب التالي لتصميم تجربة أولية. يجب ربطه بالأدوات المسموح بها فعليًا في التطبيق؛ فالنص وحده لا يمنح النموذج صلاحيات أو يضمن الالتزام.

هذا القالب نقطة بداية، وليس ضمانًا أمنيًا بمفرده. يجب تطبيق حدود الصلاحيات على مستوى البرنامج والأدوات، ثم اختبار الحالات العادية والحالات الاستثنائية.

كيف نختار مقدار الاستقلالية المناسب؟

قبل بناء النظام، أجب عن الأسئلة التالية:

• هل تتغير خطوات المهمة؟ إذا كانت الخطوات ثابتة، ابدأ بأتمتة عادية أو سير عمل محدد.
• هل يتطلب الأمر قرارًا أثناء التنفيذ؟ إذا كان اختيار الخطوة يعتمد على النتائج المتتابعة، قد يستحق وكيلًا محدود الصلاحيات.
• ما أثر الخطأ؟ الخطأ في مسودة داخلية يختلف عن تحويل مالي أو حذف سجل أو إرسال رسالة إلى عميل.
• هل يمكن التراجع؟ فضّل إجراءات قابلة للعكس أو تعمل في بيئة تجريبية قبل السماح بالتغييرات الفعلية.
• هل توجد طريقة واضحة للقياس؟ إذا لم تستطع تحديد متى تكون المهمة ناجحة، فلن تستطيع معرفة هل الاستقلالية حسنت الأداء أم زادت المخاطر.

القياس: كيف نعرف أن النظام الوكيلي مفيد؟

لا يكفي أن يبدو الناتج مقنعًا. قارن النظام بطريقة العمل الحالية على مجموعة مهام ممثلة، واستخدم مقاييس تناسب المهمة، مثل:

من المهم قياس جودة المهمة كاملة، وليس جودة الإجابة الأخيرة فقط؛ فقد يقدم النظام تقريرًا جيدًا ظاهريًا لكنه استخدم مصدرًا غير مناسب أو فشل في خطوة لم تظهر للمستخدم.

الأمان والحوكمة: ما الذي يجب أن يبقى تحت السيطرة؟

الاستقلالية تجعل حدود الصلاحيات جزءًا من التصميم، وليست إضافة شكلية. ابدأ بهذه الضوابط:

• أقل صلاحية ممكنة: أعط النظام حق قراءة البيانات التي يحتاج إليها فقط، ولا تمنحه صلاحية التعديل أو الحذف دون حاجة واضحة.
• موافقة قبل الأثر الخارجي: الإرسال والنشر والشراء والتحويل وتغيير السجلات تحتاج ضوابط مستقلة، وقد تتطلب موافقة بشرية.
• حماية من تعليمات غير موثوقة: قد تحتوي صفحات الويب أو الملفات على أوامر خبيثة تحاول تحويل هدف الوكيل. تعامل مع محتوى المصادر بوصفه بيانات، وليس تعليمات تتجاوز قواعد التطبيق.
• سجل قابل للمراجعة: سجّل الأدوات التي استُخدمت والمدخلات الضرورية والقرارات والنتائج، مع تقليل تخزين المعلومات الحساسة.
• حدود للوقت والتكلفة والتكرار: عيّن حدًا أقصى للخطوات والمحاولات حتى لا يستمر النظام في حلقة غير منتهية.
• اختبارات قبل التوسع: جرّب البيانات الناقصة والمتناقضة وحالات إساءة الاستخدام، وابدأ في بيئة تجريبية قبل بيئة الإنتاج.

تشرح إرشادات OpenAI لبناء الأنظمة الوكيلة أهمية الأدوات الواضحة والضوابط وتحديد متى يتوقف النظام أو يعيد التحكم للمستخدم. كما توصي إرشادات Google Cloud للتصميم بأخذ التكلفة والكمون والحاجة إلى تدخل الإنسان في الاعتبار عند اختيار النمط.

متى لا نحتاج إلى Agentic AI؟

لا تستخدم النظام الوكيلي لمجرد أن المصطلح رائج. إذا كان المطلوب ترجمة جملة، أو تلخيص ملف واحد، أو تصنيف طلبات وفق قواعد واضحة، فقد يكفي نموذج مباشر أو سير عمل ثابت. أما القرار عالي المخاطر، مثل اعتماد معاملة مالية أو اتخاذ قرار حساس عن شخص، فلا ينبغي تفويضه تلقائيًا دون حوكمة ومراجعة مناسبة.

يمكن أن يكون الحل الأفضل مزيجًا من أتمتة حتمية في الخطوات الحساسة، ونموذج لغوي في فهم النصوص، ووكيل محدود لاتخاذ القرارات التي تحتاج مرونة، مع موافقة بشرية عند نقاط التحول المهمة.

خطة تجربة أولية قبل التعميم

1. حدد مهمة واحدة ضيقة: اختر مهمة متكررة ذات نتيجة يمكن فحصها، ولا تبدأ بنظام يملك صلاحية إدارة عملية كاملة.
2. وثّق خط الأساس: احسب الوقت والتكلفة ومعدل الخطأ في الطريقة الحالية.
3. ابدأ بوضع القراءة والمسودة: اسمح بجلب المعلومات والتحليل، لكن امنع التعديل أو الإرسال.
4. جهّز مجموعة تقييم: اختبر حالات عادية وبيانات ناقصة ومدخلات مضللة، وسجل النجاحات والإخفاقات.
5. وسع الصلاحيات تدريجيًا: لا تفعّل إجراءً خارجيًا إلا بعد نجاح الاختبارات وتحديد نقطة موافقة وتراجع واضحة.
6. راجع النتائج دوريًا: أعد الاختبار عندما تتغير الأدوات أو البيانات أو تعليمات النظام.

أسئلة شائعة حول Agentic AI

هل Agentic AI نموذج ذكاء اصطناعي مستقل؟

لا. هو وصف لنهج أو سلوك في نظام يجمع عادةً بين نموذج وأدوات وتعليمات وآلية للتحكم في التنفيذ. يمكن بناء تطبيقات وكيلة باستخدام نماذج وأطر مختلفة.

هل Agentic AI هو نفسه الذكاء الاصطناعي العام AGI؟

لا. Agentic AI يشير إلى طريقة تنفيذ المهام مع قدر من الاستقلالية ضمن نطاق محدد، بينما AGI يشير إلى مفهوم مختلف يتعلق بقدرات عامة واسعة. استخدام وكيل لا يعني أنه يمتلك ذكاءً عامًا أو فهمًا بشريًا.

هل يحتاج كل نظام Agentic إلى RAG؟

لا. يُستخدم RAG عندما يحتاج التطبيق إلى استرجاع معلومات من مصادر أو قواعد معرفة. بعض المهام لا تحتاج إلى استرجاع خارجي.

هل يحتاج Agentic AI إلى MCP؟

لا. يمكن ربط الأدوات بواجهات برمجية أو آليات أخرى. ويُعد MCP أحد البروتوكولات التي يمكن استخدامها لتوحيد طريقة اتصال التطبيقات بالأدوات ومصادر البيانات.

هل استخدام عدة وكلاء يجعل النظام أفضل دائمًا؟

لا. قد يزيد عدد الوكلاء من التعقيد والتكلفة وزمن التنفيذ. ابدأ بوكيل واحد أو سير عمل بسيط، وانتقل إلى الأنظمة متعددة الوكلاء إذا أثبت التقييم أن تقسيم الأدوار يحسن النتيجة.

ما الفرق بين Agentic AI وAI Orchestration؟

Agentic AI يصف النهج القائم على اتخاذ خطوات لتحقيق هدف، أما AI Orchestration فيركز على تنسيق النماذج والأدوات والخطوات أو الوكلاء في سير عمل. وقد يجتمع المفهومان في التطبيق نفسه.

الخلاصة

القيمة الحقيقية لـAgentic AI ليست في منح النظام أقصى قدر من الاستقلالية، بل في منحه القدر المناسب من حرية القرار داخل حدود قابلة للقياس والمراجعة. حدّد الهدف والصلاحيات وشروط التوقف، وقارن أداءه بالطريقة الحالية، واطلب موافقة بشرية قبل الإجراءات الحساسة. إذا كان سير العمل الثابت يحقق النتيجة نفسها بجودة أعلى وتكلفة أقل، فقد يكون الخيار الأبسط هو الأفضل.

للتوسع في الجوانب المرتبطة بالموضوع، يمكنك قراءة دليل AI Agents، وشرح AI Orchestration، وContext Engineering، وMulti-Agent Systems. وللمصادر الرسمية، راجع أدلة OpenAI وAnthropic وGoogle Cloud.