دراسة حالة: كيف يحسّن الوكلاء العامّون تجربة البحث

استعرضنا في الفصل السابق كيف تُستخدم الوكلاء في قطاعات مختلفة. لننزل الآن إلى التفصيل ونفكّك كيف تعمل الوكلاء عامّو الغرض مثل ChatGPT و DeepSeek — خصوصًا عندما تُستخدم لتحسين تجربة البحث.

استعرضنا في الفصل السابق كيف تُستخدم الوكلاء في قطاعات مختلفة. لننزل الآن إلى التفصيل ونفكّك كيف تعمل الوكلاء عامّو الغرض مثل ChatGPT و DeepSeek — خصوصًا عندما تُستخدم لتحسين تجربة البحث.

الوكلاء المعزَّزون بالإنسان: ما يميّزهم

لنبدأ بتحديد المقصود بـالوكيل المعزَّز بالإنسان. هذه الأنظمة ليست مجرّد واجهات تُنتج نصًا؛ بل صُمِّمت لتستدل، وتتكيّف، وتعمل جنبًا إلى جنب مع الإنسان.

خذ ChatGPT و DeepSeek مثالًا. من الأدقّ أن نصفهما بأنهما أنظمة ذكاء اصطناعي عامة الغرض يمكن أن تتضمّن قدرات وكيلية — مثل البحث، واستخدام الأدوات، والذاكرة — لا أن نقول إنهما وكيلان بالتعريف. فما يتوفّر من هذه القدرات يختلف بحسب المنتج والإصدار وإعدادات المستخدم. والنقطة المهمة أنهما لا يعملان في فراغ: بل يتعاونان مع المستخدم، مستفيدين من تغذيته الراجعة، ومن أدوات البحث، ومن الذاكرة، لتقديم نتائج أفضل.

وهذا ما يعنيه الأمر عمليًا:

• تسأل: «لخّص لي أهم اتجاهات الذكاء الاصطناعي هذا العام.»
• يستخدم النظام نموذجه اللغوي لتفسير الطلب.
• يجلب بيانات حديثة من أدوات البحث أو مصادر المستندات.
• يدمج ذلك مع تفضيلاتك السابقة، إن كان يحتفظ بها.
• يقدّم جوابًا واضحًا ومناسبًا لك، ثم يسألك إن أردت تفصيلًا أعمق.

وحلقة التفاعل هذه — تسأل، فيعمل النظام، فتردّ عليه — هي ما يجعل التجربة أفضل مع الاستخدام. وهذا جوهر فكرة التعزيز بالإنسان: يبقى الإنسان في مسار القرار، ويتولّى النظام العمل الثقيل.

المعمارية: الاستدلال متعدّد الخطوات وتنسيق سير العمل

في قلب هذا النظام مسار متتابع يبدو للمستخدم سلسًا، لكنه يتضمّن خلف الكواليس عدة مكوّنات تعمل معًا.

يعرض الشكل 12 المسار الكامل لوكيل معزَّز بالإنسان مخصّص للبحث، من طلب المستخدم إلى بناء السياق ثم التفاعل مع الأدوات ثم توليد النتيجة. والمحرّك المركزي — النموذج اللغوي — هو من يتولّى الاستدلال.

الخطوات:

1. يُدخل المستخدم سؤاله (مثلًا: «أعطني ثلاثة تحديثات حديثة في سياسات الذكاء الاصطناعي»).
2. يتعرّف النظام على القصد ويصوغ الموجّه المناسب.
3. يبحث في قاعدة بيانات متجهية أو مخزن مستندات عن المعلومات ذات الصلة.
4. يضيف ما وجده إلى نافذة السياق.
5. يعالج النموذج اللغوي الموجّه مع البيانات المضافة.
6. يولّد الجواب أو القرار.
7. يستقبل التغذية الراجعة، فتكتمل الحلقة.

ويُسمّى هذا التصميم تنسيق سير العمل متعدّد الخطوات، وهو ما يمكّن النظام من التعامل مع أسئلة الواقع بفعالية.

دمج الأدوات: البحث وواجهات البرمجة والتخطيط

ما يجعل هذه الأنظمة «وكلاء» لا مجرّد واجهات محادثة متقنة هو قدرتها على استخدام الأدوات.

وفيما يلي بعض الأمثلة:

• أدوات البحث — لاسترجاع المستندات أو آخر التحديثات، عبر محرّك بحث عام أو واجهات داخلية.
• واجهات البرمجة — لجلب بيانات مُهيَّكلة مثل الطقس أو التقويم أو البريد.
• قواعد البيانات المتجهية — للبحث الدلالي وللذاكرة (مثل Pinecone و Chroma).
• أنظمة التخطيط — التي تحدّد الخطوات أو القرارات التالية.

فلو سألت مثلًا: «أعطني ملخّصًا لتغيّرات GDPR في 2024» — فما يجري هو:

• يبحث النظام في المستندات القانونية المتصلة بمصادره.
• يختار أكثرها صلة بالسؤال.
• يضيفها إلى الموجّه.
• ثم يولّد ملخّصًا مفهومًا، ويشير إلى المصادر التي استند إليها.

مثال برمجي: وكيل عام الغرض مع بحث في الويب باستخدام LangChain

فيما يلي نص برمجي بسيط بلغة Python يوضّح كيف تبني وكيلًا عامًّا يستطيع الإجابة عن أسئلة تعتمد على البحث. وهذا الإعداد يحاكي، في صورته المبسّطة، ما تفعله أدوات مثل ChatGPT أو DeepSeek عند استخدامها مصادر معرفة خارجية.

from langchain.agents import create_agent
from langchain.tools import tool # 1) Define a tool the agent is allowed to call.
@tool
def web_search(query: str) -> str: """Search the web for up-to-date information.""" # Plug in any search provider here: Tavily, Brave, # DuckDuckGo, or an internal company API. return search_provider.run(query) # 2) Build the agent: a model plus the tools it may use.
agent = create_agent( model="openai:gpt-4o-mini", tools=[web_search],
) # 3) Ask something that needs fresh information.
result = agent.invoke( {"messages": [{"role": "user", "content": "Find the top 3 recent advancements in renewable energy."}]}
) print(result["messages"][-1].content)

ما يفعله هذا الكود، بعبارة مبسّطة

• يُعرّف أداة واحدة باسم web_search، ويشرح في وصفها ما تفعله. هذا الوصف مهم: منه يعرف النموذج متى يستدعي الأداة.
• يبني الوكيل في سطر واحد عبر create_agent: نموذج لغوي، وقائمة محدّدة بالأدوات المسموح له باستخدامها — لا أكثر.
• يرسل سؤالًا يحتاج معلومات حديثة لا يعرفها النموذج من تدريبه.
• الوكيل هو من يقرّر هل يستدعي الأداة أصلًا. فإن استدعاها، يقرأ نتيجتها ثم يصوغ الجواب بناءً عليها، وقد يستدعيها أكثر من مرة قبل أن يصل إلى نتيجة.
• السطر الأخير يطبع آخر رسالة في المحادثة، وهي جواب الوكيل.

التغذية الراجعة والتحسين: الإنسان في مسار القرار

حتى أذكى الأنظمة قد تخطئ الهدف. ولهذا تكون تغذية المستخدم الراجعة جزءًا من الحلقة:

• إشارة استحسان أو استياء على الجواب.
• تصحيح لاحق («لا، كنت أقصد قواعد الذكاء الاصطناعي في القطاع الصحي»).
• توضيحات تساعد في تضييق نطاق السؤال.

في أدوات مثل ChatGPT، قد تُستخدم هذه الملاحظات — وفق سياسات المزوّد وإعدادات المستخدم — في تحسين الإصدارات اللاحقة. وفي الأنظمة العاملة في الوقت الفعلي، قد تساعد على إعادة ترتيب النتائج أو إعادة تنفيذ الاستعلام بأداة أو موجّه مختلف.

وهذا ما يمنح النظام إحساسًا بالتكيّف: لأنه يستفيد من المستخدم كما يفعل مساعد جيد.

ما ينجح في بيئة الإنتاج؟

استنادًا إلى تجارب تشغيل فعلية لأنظمة مثل ChatGPT و DeepSeek وأدوات المساندة المؤسسية، هذه خمس ملاحظات عملية:

• تصميم الموجّه يُحدث فرقًا — جودة النتيجة مرتبطة كثيرًا بطريقة صياغة الطلب.
• حجم السياق يقيّد المخرجات — النموذج يعالج قدرًا محدودًا من النص في المرة الواحدة، والاسترجاع الذكي يوسّع هذه النافذة عمليًا.
• استخدام الأدوات يجعل الوكيل فاعلًا — ربط واجهات البرمجة يحوّل النظام من متلقٍّ إلى مساعد يعمل.
• التغذية الراجعة ثمينة — الحلقات المستمرة تحسّن النتائج ورضا المستخدم.
• أبقِ الجواب مُسندًا — عند الشك، أضف البحث والاسترجاع لتقليل الهلوسة، واعرض المصادر ليتمكّن المستخدم من التحقّق.

بعد أن رأينا كيف تُبنى هذه الأنظمة وكيف تعمل، يبقى سؤال لا يقلّ أهمية: كيف نستخدمها بمسؤولية؟ هذا موضوع الجزء التالي.