هندسة الأُطر: جعل وكلاء الذكاء الاصطناعي جاهزين للإنتاج

النموذج الأذكى لا يكفي

كل فريق يبني وكلاء ذكاء اصطناعي يصطدم بنفس الجدار. العرض التجريبي يعمل بشكل رائع. المشروع التجريبي يفشل بشكل غير متوقع. الفجوة بين نموذج يستطيع كتابة الكود ونظام يكتب كود الإنتاج بشكل موثوق ليست مشكلة نموذج. إنها مشكلة هندسية.

عام 2026 هو العام الذي أعطت فيه الصناعة لهذه المشكلة اسمًا: هندسة الأُطر (Harness Engineering).

نشر مارتن فاولر إطارًا شاملًا لها. أعادت OpenAI هيكلة فريق Codex حولها. صدرت ورقتان بحثيتان رئيسيتان في مارس. وعلى منصة X، أصبحت "هندسة الأُطر" المفهوم الأكثر نقاشًا في تطوير وكلاء الذكاء الاصطناعي. الإجماع واضح: النموذج مجرد محرك. الإطار هو ما يجعل الوكلاء يعملون فعلًا.

الوكيل = النموذج + الإطار

الإطار (Harness) هو كل شيء في وكيل الذكاء الاصطناعي باستثناء النموذج نفسه. إنه طبقة البنية التحتية التي تحكم كيفية عمل الوكيل: الأدوات التي يمكنه الوصول إليها، وحواجز الحماية التي تبقيه آمنًا، وحلقات التغذية الراجعة التي تساعده على التصحيح الذاتي، وطبقة المراقبة التي تتيح للبشر متابعة سلوكه.

فكّر في الأمر كسيارة سباق. المحرك (نموذج اللغة الكبير) يوفر القوة الخام. لكن بدون الهيكل ونظام التوجيه والمكابح والقياسات عن بُعد، تصبح تلك القوة عديمة الفائدة — أو خطيرة. هندسة الأُطر هي تصميم ذلك الهيكل.

عمليًا، يتضمن الإطار:

• إدارة السياق — ما المعلومات التي يراها النموذج ومتى
• تنسيق الأدوات — الأدوات الخارجية التي يمكن للوكيل استدعاؤها وبأي ترتيب
• حواجز الحماية — حدود تمنع الإجراءات الضارة أو الخاطئة
• حلقات التغذية الراجعة — فحوصات آلية تكتشف الأخطاء قبل أن يراها البشر
• المراقبة — تسجيل وتتبع ومراقبة سلوك الوكيل

الموجّهات والمستشعرات: إطار التحكم المزدوج

يقسّم إطار مارتن فاولر ضوابط الإطار إلى فئتين تعكسان نظرية التحكم الكلاسيكية.

الموجّهات (التحكم التقديمي)

تتوقع الموجّهات المشاكل وتمنعها قبل أن يتصرف الوكيل. تزيد من احتمالية الحصول على نتيجة جيدة من المحاولة الأولى.

تشمل الأمثلة قواعد الأسلوب المضمنة في تعليمات النظام، والوثائق المعمارية التي يجب على الوكيل اتباعها، وتعليمات التهيئة التي تُعدّ بيئة التنفيذ. قد يقول الموجّه: "جميع استعلامات قاعدة البيانات يجب أن تستخدم عبارات معلّمة" — فلا يحصل الوكيل أبدًا على فرصة لكتابة SQL غير آمن.

المستشعرات (التحكم بالتغذية الراجعة)

تراقب المستشعرات مخرجات الوكيل بعد التنفيذ وتتيح التصحيح الذاتي قبل المراجعة البشرية. أكثر المستشعرات فعالية هي المُحسّنة لاستهلاك نماذج اللغة الكبيرة — لا تكتفي بالإشارة إلى الأخطاء، بل تشرح كيفية إصلاحها.

أداة فحص الكود التي تكتشف خطأ في النوع هي مستشعر حسابي. نموذج لغة كبير يراجع الكود المُولّد للتوافق المعماري هو مستشعر استنتاجي. أفضل الأُطر تجمع بين النوعين.

حسابي مقابل استنتاجي

كل ضابط يمكن أن يكون حسابيًا (حتمي، سريع، رخيص — مثل الاختبارات وأدوات الفحص) أو استنتاجيًا (مدعوم بالذكاء الاصطناعي، أبطأ، أغنى — مثل مراجعات نموذج اللغة كحكم). أُطر الإنتاج تطبّق كليهما: الفحوصات الحسابية السريعة تلتقط المشاكل الواضحة، بينما الفحوصات الاستنتاجية تتعامل مع الفروق الدلالية.

ورقتان بحثيتان غيّرتا قواعد اللعبة

شهد مارس 2026 صدور ورقتين بحثيتين أضفتا الطابع العلمي على هندسة الأُطر كتخصص.

Meta-Harness: بنية تحتية ذاتية التحسين

قدّمت ورقة Meta-Harness، من باحثين في ستانفورد ومؤسسات أخرى، نظامًا يُحسّن تلقائيًا كود الإطار لتطبيقات نماذج اللغة الكبيرة. بدلًا من أن يضبط البشر يدويًا كيفية استرجاع الوكلاء للسياق وإدارة الذاكرة وتقديم المعلومات للنموذج، يستخدم Meta-Harness وكيل برمجة (Claude Code تحديدًا) لتحسين الإطار نفسه بشكل تكراري.

كانت النتائج لافتة. في تصنيف النصوص، حسّن Meta-Harness الأداء بمقدار 7.7 نقطة مع استخدام أربعة أضعاف أقل من رموز السياق. في الاستدلال الرياضي، حسّن إطار واحد الدقة على 200 مسألة بمستوى الأولمبياد بمقدار 4.7 نقطة عبر خمسة نماذج مختلفة.

أُطر الوكلاء باللغة الطبيعية (NLAH)

تناولت ورقة NLAH مشكلة مختلفة: قابلية نقل الإطار. اليوم، منطق الإطار مدفون في كود التحكم واتفاقيات خاصة ببيئة التشغيل، مما يجعل نقله بين الأنظمة أو دراسته علميًا مستحيلًا.

تقترح NLAH التعبير عن سلوك الإطار بلغة طبيعية قابلة للتحرير — كوصفة أو بروتوكول — بدلًا من الكود. هذا يعني أن إطارًا مصممًا لوكيل برمجة واحد يمكن نقله إلى آخر، أو مقارنته جنبًا إلى جنب، أو دراسته كقطعة مستقلة.

أنماط عملية لفريقك

لا تحتاج أن تكون OpenAI أو Stripe لتطبيق هندسة الأُطر. إليك أنماطًا يمكن لأي فريق تبنّيها اليوم.

1. ابدأ بحواجز الحماية الحسابية

قبل إضافة أي فحوصات مدعومة بالذكاء الاصطناعي، تأكد من أن خط أنابيب وكيلك يتضمن:

• فحص الأنواع على جميع الكود المُولّد
• فحص الأسلوب بقواعد مُحسّنة لمخرجات نماذج اللغة
• تنفيذ الاختبارات الآلية بعد كل دورة توليد
• أذونات نظام الملفات التي تحدد أماكن كتابة الوكلاء

هذه رخيصة وسريعة وحتمية. تكتشف عددًا مفاجئًا من أخطاء الوكيل.

2. صمّم حلقات تغذية راجعة وليس بوابات

بدلًا من بوابة بسيطة نجاح/فشل، صمّم حلقات حيث تخبر إشارات الفشل الوكيل ما الذي حدث خطأ وكيف يصلحه. أداة فحص تقول "خطأ في السطر 42" أقل فائدة من واحدة تقول "السطر 42 يستخدم واجهة برمجة مهملة — استبدل oldMethod() بـ newMethod(param)."

3. طبّق الضوابط على طبقات

طبّق قانون آشبي: يجب أن يمتلك المنظّم على الأقل نفس تنوع النظام الذي يحكمه. لوكلاء البرمجة:

• قبل الالتزام: أدوات فحص سريعة، فحص الأنواع، مسح أمني
• قبل الدمج: مجموعات اختبار شاملة، وكلاء مراجعة معمارية
• بعد الدمج: اختبار الطفرات، كشف الانحراف، مراقبة وقت التشغيل

4. اجعل قاعدة الكود قابلة للإطار

اللغات القوية الأنواع والحدود الواضحة للوحدات والأُطر الناضجة تدعم طبيعيًا أُطرًا أفضل. الاستثمار في وحدية الكود يعود بأرباح في موثوقية الوكيل.

5. أظهر الحكم البشري الضمني

مهندسوك الكبار يحملون أُطرًا ضمنية — سنوات من الخبرة حول ما يجعل الكود قابلًا للصيانة وآمنًا وصحيحًا. هندسة الأُطر هي ممارسة جعل تلك المعرفة صريحة: موثّقة في قواعد، ومُشفّرة في مستشعرات، ومتاحة للوكلاء وقت الاستدلال.

ماذا يعني هذا لفرق الهندسة

دور مهندس البرمجيات يتطور. هندسة الأُطر لا تحل محل المطورين — بل تنقل تركيزهم. بدلًا من كتابة كل سطر كود، يصمم المهندسون بشكل متزايد البيئات التي يمكن لوكلاء الذكاء الاصطناعي العمل فيها بأمان وفعالية.

هذا يتطلب مزيجًا جديدًا من المهارات: التفكير المنظومي، وحدس نظرية التحكم، وفهم عميق لسلوك نماذج الذكاء الاصطناعي، وأساسيات هندسة البرمجيات التقليدية التي كانت دائمًا مهمة. المهندسون الذين يتقنون تصميم الأُطر سيكونون الأعضاء الأكثر قيمة في أي فريق معزّز بالذكاء الاصطناعي.

الإطار هو حيث تعيش الموثوقية. وفي بيئة الإنتاج، الموثوقية هي كل شيء.