The Future of AI Agents: What Will Interrupt 2027 Look Like? | Interrupt 26
مشاهدة الحلقة الأصليةالزبدة في دقائق
الأقسام مرتّبة لتقرأ الفكرة الكبرى أولاً، ثم التفاصيل العملية والاقتباسات والمفاهيم.
يقدم هذا الملخص رؤية استشرافية دقيقة لعام 2027 حول مستقبل عملاء الذكاء الاصطناعي (AI Agents)، ويكشف عن كيفية تحول الأنظمة البرمجية من مجرد أدوات مساعدة إلى شركاء عمل مستقلين ينفذون مهام معقدة طويلة المدى. إذا كنت مطوراً، أو قائد أعمال، أو مهتماً بالتقنية، فإن هذا المحتوى يمنحك خريطة طريق عملية لكيفية بناء، وإدارة، وتحسين الوكلاء بدون كود باستخدام منصة LangSmith Fleet الجديدة، ويوضح لك كيف تقود النماذج مفتوحة المصدر والتعلم المستمر (Continual Learning) ثورة خفض التكاليف ورفع الكفاءة. ستخرج بفوائد ملموسة تشمل فهم البنية التحتية للجيل القادم من الوكلاء، وكيفية توظيف بيئات التشغيل الآمنة (Sandboxes)، والتحكم في التكلفة والحوكمة، مما يمنحك ميزة تنافسية هائلة في سوق العمل المستقبلي.
مستقبل الذكاء الاصطناعي يكمن في التحول نحو عملاء ذكاء اصطناعي ذاتيي التشغيل طويلي المدى (Long-Horizon Agents) مدمجين بالكامل في بيئات العمل اليومية، حيث يمكن لغير المطورين وباقي الموظفين بناؤهم وتطويرهم وتحديثهم باستمرار عبر التعلم المستمر وبدون الحاجة لكتابة كود واحد.
الرسالة الأساسية هي أن ثورة عملاء الذكاء الاصطناعي لن تكتمل إلا بتمكين الخبراء الفعليين في المجالات المختلفة (كالبيع والتسويق والتوظيف) من تصميم وإدارة وكلائهم الخاصين مباشرة، وذلك بالاعتماد على أدوات حوكمة مرنة، ونماذج مفتوحة المصدر قابلة للتعديل والتحسين المستمر، مما يجعل الذكاء الاصطناعي جزءاً طبيعياً من الهيكل التنظيمي لأي شركة.
يبدأ اللقاء بحديث هاريسون (الرئيس التنفيذي لـ LangChain) مستشرفاً مستقبل عملاء الذكاء الاصطناعي بحلول عام 2027، حيث يتوقع انقسام الوكلاء إلى نوعين رئيسيين: الأول هو وكلاء المهام طويلة المدى (Long-Horizon Agents) التي تعمل لساعات أو أيام وتتميز بالقدرة على التخطيط، كتابة الكود، وإدارة وكلاء فرعيين. والثاني هو وكلاء تجربة العملاء (Customer Experience Agents) التي تركز على الاستجابة السريعة (زمن انتقال منخفض)، والاتساق مع العلامة التجارية، والاعتماد على قنوات الصوت والفيديو. في سياق الصوت، ناقش هاريسون التحول من بنية (الكلام-إلى-نص-ثم-إلى-كلام) التقليدية إلى النماذج الصوتية المباشرة (Native Speech-to-Speech) مثل نماذج OpenAI V2، مشيراً إلى أنها ستحقق تقدماً كبيراً في التحكم والتوجيه مستقبلاً. كما ركّز اللقاء على أهمية توفير بيئات معزولة (Sandboxes) لتمكين الوكلاء من كتابة وتنفيذ الأكواد بأمان لتحليل البيانات والبحث والتصفح. وتطرق هاريسون إلى الصعود القوي للنماذج المفتوحة كبديل اقتصادي وفعال للنماذج المغلقة بفضل سهولة تكييفها وتدريبها على بيانات مجالات محددة (Post-training) لتقليل استهلاك الرموز (Tokens). في جانب الهوية والصلاحيات (Agent Identity)، استعرض اللقاء منهجين: الأول يمثل تصرف الوكيل نيابة عن مستخدم معين وصلاحياته الخاصة، والثاني يمثل حسابات الخدمة الثابتة (Service Accounts) الموحدة للجميع. ويعد 'التعلم المستمر' (Continual Learning) من أبرز محاور اللقاء، حيث يمكن تحسين الوكيل على ثلاثة مستويات: مستوى النموذج (Model Layer) عبر ضبط الأوزان، ومستوى الهيكل المبرمج (Harness Layer) الذي يربط النموذج بالبيئة المحيطة، ومستوى السياق (Context Layer) مثل المهارات والتعليمات. وأعلن هاريسون عن إطلاق 'LangChain Labs' كفريق بحثي مخصص للتعلم المستمر، مستفيداً من سجلات منصة LangSmith كأساس للتحسين القائم على التقييمات المستمرة (Evals). في الجزء الثاني من العرض، تم تسليط الضوء على أن أفضل من يبني الوكلاء هم الموظفون والخبراء الفعليون، وهو ما قاد إلى إطلاق منصة 'LangSmith Fleet' لبناء وإدارة الوكلاء بلغة طبيعية دون الحاجة لكتابة كود. تدعم المنصة أكثر من 200 أداة مدمجة، وتتكامل مع مكتبة Arcade التي تمنح أكثر من 7500 أداة إضافية، إلى جانب دعم إطار MCP لتوصيل مصادر البيانات الخاصة، والتكامل المباشر مع Slack وGmail وOutlook. تحل المنصة عقبات الحوكمة والتكلفة من خلال تتبع المصاريف، ووضع حدود للاستخدام، ومشاركة الوكلاء كملفات جوجل، وإبقاء العنصر البشري في حلقة اتخاذ القرار (Human-in-the-Loop). واختتمت الفعالية بعرض حي قدمته كارولين لوكيل مبيعات (Go-To-Market Agent) تم بناؤه بالكامل عبر Fleet، حيث تصفح بيانات حسابات عملاء Pied Piper في Salesforce وBigQuery، وحدد الحسابات المعرضة للمخاطر، ثم قام بصياغة بريد إلكتروني مخصص لإرساله بعد مراجعته وتعديله يدوياً وبسهولة، وهو ما يوضح القوة العملية الحقيقية لمنصة Fleet التي أتيحت للمستخدمين بنسخة تجريبية مجانية مدعومة بالنماذج المفتوحة من شركة Fireworks التقنية.
- 1
ما الذي ستبدو عليه وكلاء الذكاء الاصطناعي في المستقبل؟
- 2
ما هي المواضيع والمسائل التي سنناقشها في عام 2027؟
- 3
ما مدى شيوع البنية التحتية المشتركة للوكلاء مقابل خصوصية المكونات التكنولوجية المطلوبة لكل نوع؟
- 4
أي نهج سنعتمده لوكلاء الصوت في المستقبل؛ هل هو نهج خط الأنابيب المتتابع أم الصوت إلى الصوت الأصلي أم مزيج بينهما؟ وما هي إيجابيات وسلبيات كل منهما؟
- 5
ما الذي سيبنيه مهندس البرمجيات وما هي التطبيقات التي سيطورها لتسهيل عمل فريق التسويق؟
- 6
كيف تتخذ وكلاء الذكاء الاصطناعي الإجراءات في العالم الحقيقي ونيابة عن من؟
- 7
كيف يمكن استخدام آثار ومسارات تشغيل الوكلاء لتحسين النموذج بمرور الوقت؟
- 8
هل أصيب أي شخص آخر بحروق الشمس بالأمس أم أنا فقط؟
- 9
ما الذي تشترك فيه كل هذه الوكلاء التي نستخدمها في LangChain؟
- 10
كيف قمنا ببناء هذه الوكلاء دون كتابة سطر برمجيات واحد؟
- 11
لماذا يعتبر الموظفون الذين يؤدون العمل بأنفسهم هم الأفضل لبناء وكلاء الذكاء الاصطناعي المخصصة لهم؟
- 12
كيف نتعامل مع مشاركة وتعاون فريق العمل على هذه الوكلاء؟
- 13
هل لا يزال الجميع يتابع معي؟
- 14
أين توقفنا في حساب Pied Piper وما هي خطواتنا التالية المقترحة؟
تباعد وتفرع أنواع الوكلاء في المستقبل
يناقش النص تباين وتفرع الوكلاء الذكيين في المستقبل القريب (رؤية لعام 2027) إلى مسارين رئيسيين متمايزين. المسار الأول يمثل وكلاء الآفاق الطويلة (Long Horizon Agents) الذين يعملون لفترات تمتد لدقائق وساعات وربما أيام متواصلة، وينفذون مهام معقدة مثل كتابة وتنفيذ الأكواد البرمجية والتخطيط واستخدام الوكلاء الفرعيين والأنظمة متعددة الوكلاء والمهارات المتقدمة، حيث تصبح الأهداف والنتائج النهائية هي الموجه الرئيسي لزيادة آفاق عملهم لتقديم قيمة معرفية عالية. المسار الثاني يركز على زمن الاستجابة المنخفض جداً (Latency-critical Agents) والمتمثل في وكلاء تجربة العملاء (Customer Experience) مثل الدعم الفني والمبيعات، حيث تبرز الهوية المؤسسية كعنصر حاسم، وتلعب الأنماط الصوتية وربما المرئية مستقبلاً دوراً رئيسياً في التفاعل المباشر مع المستخدم النهائي. وعلى الرغم من تباعد هذين المسارين، فإنهما يتشاركان في بنية تكنولوجية تحتية موحدة، وهو ما يطرح تساؤلاً مستقبلياً حول مدى إمكانية توحيد هذه البنية مقابل الحاجة إلى تكييف أدوات تقنية خاصة بكل مسار.
تطور تقنيات الصوت والوكلاء الصوتيين
يتطرق المتحدث إلى الاستثمار المتزايد في التفاعل الصوتي كنمط طبيعي وممتاز لخدمة العملاء. يعتمد خط العمل الصوتي التقليدي حالياً على هيكلية شبيهة بالشطيرة (Sandwich Pipeline) تبدأ بتحويل الكلام إلى نص (Speech-to-Text)، ثم معالجة النص بواسطة الوكيل لإنتاج رد نصي، وأخيراً تحويل الرد النصي إلى كلام (Text-to-Speech). ومع ذلك، فإن المستقبل يتجه بسرعة نحو النماذج الصوتية الأصلية المباشرة (Native Voice-to-Voice) مثل نموذج OpenAI الأخير، والتي تلغي الوسيط النصي. وعلى الرغم من أن التوافق الحالي يرى أن هذه النماذج المباشرة تفتقر بعد إلى التوجيه الدقيق والتحكم الكامل في التطبيقات الإنتاجية الحساسة، إلا أنه من المتوقع معالجة هذه الفجوة قريباً، مما يجعل الاختيار والموازنة بين النهج التقليدي والنهج الأصلي المباشر أحد أبرز موضوعات النقاش والتطوير في العام القادم.
أهمية بيئات العمل الآمنة (Sandboxes) للوكلاء
يوضح المتحدث أن كتابة وتنفيذ الأكواد البرمجية من قبل الوكلاء لا يقتصر على هندسة البرمجيات فحسب، بل يمتد ليشمل تحليل البيانات، وتصفح الويب، وتوليد الصور، والبحث العميق. ومن هنا تبرز الحاجة الملحة لتوفير بيئات معزولة وآمنة (Sandboxes) لتشغيل الأكواد التي يكتبها الوكيل بشكل مستقل لمنع الإضرار بالأنظمة الأساسية. يُشبه النص تمكين وكيل التسويق من كتابة الأكواد بتقديم مهندس برمجيات مخصص لفريق التسويق يبني لهم الأدوات اللازمة لتسهيل أعمالهم اليومية. ويؤكد المتحدث أن تكنولوجيا الـ Sandboxes لا تزال في فجر تطورها can-be-seen-as-dawn-of-sandboxes، وأن شركة LangChain أطلقت بيئاتها المعزولة لتلبية هذا الاحتياج المتنامي للوكلاء ذوي الآفاق الطويلة.
صعود النماذج المفتوحة المصدر ومزاياها التنافسية
يشير التحليل إلى اقتراب أداء النماذج الأساسية المفتوحة المصدر (دون تدريب لاحق) من مستويات النماذج المغلقة الرائدة (Frontier Models) بناءً على تقييمات داخلية أجرتها الشركة على الوكلاء العميقين. ينبع الاهتمام المتزايد بالنماذج المفتوحة من ثلاثة دوافع رئيسية: أولاً، التكلفة الباهظة للرموز الاستهلاكية (Tokens) الناتجة عن تشغيل وكلاء البرمجة وتكرار المحاولات بسرعة كبيرة، حيث تقدم النماذج المفتوحة بديلاً اقتصادياً فعالاً. ثانياً، قدرة الشركات على تدريب هذه النماذج وتطويرها بشكل مخصص (Post-training) لملائمة مجالات عملها الخاصة بالاعتماد على سجلات ومسارات تشغيل الوكلاء السابقة المتراكمة لدى الشركة.
هوية الوكيل وصلاحيات الوصول والتحقق
يناقش النص التحديات المتعلقة بكيفية اتخاذ الوكلاء للإجراءات في العالم الحقيقي ونيابة عمن يفعلون ذلك. تبرز هنا طريقتان للتحقق وإدارة الصلاحيات (Authentication): الأولى هي العمل نيابة عن مستخدمين أفراد (On behalf of individual users)، بحيث يستخدم الوكيل بيانات اعتماد المستخدم الفردي للوصول إلى أدوات مثل Slack، مما يعني أن الإجابات قد تختلف من شخص لآخر بناءً على صلاحيات كل فرد. الطريقة الثانية هي استخدام حسابات الخدمة الثابتة (Service Accounts/Fixed Credentials)، حيث يمتلك الوكيل حساباً مستقلاً خاصاً به وتكون استجابته متطابقة لجميع المستخدمين. يرى المتحدث أن كلا النهجين سيكون لهما دور مستقبلي هام، ويجب على الشركات تحديد متى وبأي دقة يتم توظيف كل منهما لتوفير أقصى درجات الأمان والوضوح للمستخدمين.
التعلم المستمر وتطوير الأنظمة الوكيلة
يعتبر التعلم المستمر (Continual Learning) لتحسين الأنظمة الوكيلة بمرور الوقت أحد أكثر المجالات إثارة للحماس. ينقسم النظام الوكيلي إلى ثلاث طبقات قابلة للتطوير المستمر: طبقة النموذج (Model Layer) مثل طرازات Sonnet و Qwen، وطبقة الإطار الحاضن (Harness Layer) التي تربط النموذج بالبيئة الخارجية مثل Deep Agents و Claude Code، وطبقة السياق (Context Layer) التي توجه الإطار مثل ملفات الإرشادات والمهارات. يضرب المتحدث أمثلة واقعية مثل قيام شركتي Ramp و Prime Intellect بضبط نموذج Qwen 3.5 لرفع دقة جداول البيانات وتقليل زمن الاستجابة، وبحث 'MetaHarness' من معهد MIT وجامعة ستانفورد الذي استخدم وكيلاً لتعديل الإطار الحاضن وتحسين أدائه ليتفوق على الأطر المكتوبة بشرياً. يقارن المتحدث هذا بالتعلم الآلي الكلاسيكي، موضحاً أنه بالرغم من عدم استخدام خوارزميات الانحدار التدريجي (Gradient Descent) لتحديث الأوزان مباشرة في طبقتي الإطار والسياق، إلا أن عمليات التقييم (Evals) ومسارات التشغيل الموثقة (Traces) تعمل كقوة دافعة وموجهة مشابهة للتدريب التدريجي. ولهذا أعلنت الشركة عن إطلاق LangChain Labs كذراع بحثي متخصص في دراسة وتطبيق التعلم المستمر بالاعتماد على البنية التحتية الصلبة لـ LangSmith.
تمكين غير المبرمجين وبناء الوكلاء بشكل ديمقراطي
ينتقل النص لمناقشة الدور المحوري الذي يلعبه جميع أعضاء المؤسسة (من باحثي تجربة المستخدم، وخبراء المجالات، وموظفي الدعم، ومديري المنتجات، والمهندسين) في تحسين أداء الوكلاء من خلال تقديم الملاحظات، وتعديل التوجيهات (Prompts)، واستكشاف الأخطاء وإصلاحها. يشير المتحدث إلى أن المستقبل لن يقتصر على تقديم الملاحظات فقط، بل سيتجاوز ذلك لتمكين خبراء المجالات المتخصصة من بناء وكلائهم وتطويرهم بشكل مباشر بالكامل دون الحاجة لتسليم المهام للمهندسين والمبرمجين، نظراً لأن خبراء المجال هم الأقدر على صياغة التعليمات والمهارات وتحديد الأدوات المثلى التي تتطلبها وظائفهم.
منصة LangSmith Fleet لبناء وإدارة الوكلاء
تقدم كارولين دي فيتوريو منصة 'LangSmith Fleet'، وهي أداة لإدارة وبناء الوكلاء باستخدام اللغة الطبيعية بالكامل دون الحاجة لكتابة سطر برمجيات واحد. تسعى المنصة لحل المشاكل الثلاث الكبرى التي تواجه الشركات: تمكين الموظفين الفعليين من بناء وكلائهم، ودمج الوكلاء في قنوات العمل اليومية (مثل Slack و Gmail و Outlook) مع توفير أكثر من 200 أداة مدمجة والوصول لـ 7500 أداة عبر Arcade ودعم بروتوكول MCP للمصادر الخاصة، وحل معضلات الحوكمة والتكلفة من خلال تتبع النفقات ووضع حدود للميزانية وتوفير ميزة التحقق البشري في حلقة العمل (Human-in-the-Loop). كما تتميز المنصة بكونها مفتوحة وغير مقيدة بنموذج محدد (Model-agnostic) وتسمح للمطورين بالوصول لواجهات برمجة التطبيقات (APIs) وتصدير ملفات الوكلاء للتعديل البرمجي اليدوي.
العرض العملي لوكيل تسريع المبيعات والنتائج الواقعية
تم تقديم عرض توضيحي حي لوكيل تسريع المبيعات (Go-To-Market Agent) المبني بالكامل على منصة Fleet والموصول بأدوات Salesforce و BigQuery و Slack و Gmail. يقوم الوكيل باستخلاص معلومات الحسابات وتحليل المخاطر وصياغة رسائل البريد الإلكتروني المخصصة بناءً على سياق العميل. يوضح العرض كيف يتدخل العنصر البشري لتعديل مسودة البريد الإلكتروني وتصحيح كتابة اسم المنتج 'LangGraph' قبل الإرسال الفعلي. تظهر النتائج الواقعية للوكيل أثراً هائلاً: استخدام أسبوعي بنسبة 84% من قِبل فريق المبيعات، وزيادة في تحويل العملاء المحتملين إلى مؤهلين بنسبة 240%، وتوفير متوسط 40 ساعة شهرياً لكل موظف مبيعات. كما أعلنت الشركة عن إتاحة منصة Fleet للتجربة مجاناً لفترة محدودة بالتعاون مع شريكها Fireworks لتشغيل نموذج مفتوح المصدر.
- 1استكشاف النماذج المفتوحة المصدر لتقليل تكلفة الرموز (Tokens) وتمكين التدريب اللاحق لمهام محددة بالمجال.
- 2توفير بيئات معزولة (Sandboxes) للوكلاء، خاصة لمهام البرمجة وتحليل البيانات وتصفح الويب والبحث العميق.
- 3تحديد وتوضيح طرق المصادقة للوكلاء بدقة، سواء بالعمل نيابة عن المستخدم أو باستخدام حساب خدمة ثابت.
- 4إنشاء وتشغيل تقييمات (Evals) ومتابعة الأثر (Traces) لتحسين أداء كود الربط (Harness) وسياق الوكيل.
- 5تمكين خبراء المجال داخل المؤسسة من بناء وتعديل الوكلاء مباشرة باستخدام اللغة الطبيعية.
- 6تفعيل عنصر التحكم البشري (Human-in-the-Loop) كخطوة أساسية قبل اتخاذ الوكلاء لإجراءات خارجية حساسة مثل إرسال رسائل البريد الإلكتروني.
- 7استخدام منصات بناء الوكلاء المدارة مثل LangSmith Fleet لتسهيل عملية التطوير السريع للوكلاء دون كتابة كود.
- 1الاعتماد الحصري على المهندسين والمطورين لبناء وتحديث تعليمات الوكلاء بدلاً من إشراك خبراء المجال الفعليين الذين يؤدون الوظيفة.
- 2السماح بتوسع استخدام الوكلاء داخلياً دون تتبع التكاليف وضوابط الاستخدام، مما يؤدي إلى ارتفاع حاد في استهلاك الرموز (Tokens).
- 3إغفال وضع حوكمة صارمة أو عنصر التحكم البشري (Human-in-the-Loop) عند منح الوكلاء صلاحيات الوصول إلى أدوات وأنظمة قوية.
- 4الاعتقاد بأن تحسين أداء الوكيل يقتصر على تغيير أو ترقية النموذج اللغوي الأساسي (LLM)، وتجاهل التحسينات الكبيرة الممكنة في كود الربط (Harness) أو السياق (Context).
- 1نموذج الطبقات الثلاث للنظام الوكيل (Agentic System): طبقة النموذج (Model)، طبقة كود الربط (Harness)، وطبقة السياق (Context).
- 2خط أنابيب الصوت التقليدي (Traditional Voice Pipeline): تحويل الكلام إلى نص (Speech-to-Text) ثم المعالجة اللغوية ثم تحويل النص إلى كلام (Text-to-Speech).
- 3تصنيف تباعد الوكلاء (Divergence of Agents): وكلاء المهام طويلة المدى (Long Horizon Agents) مقابل وكلاء تجربة العملاء سريعة الاستجابة (Customer Experience Agents).
- 4إطار هوية الوكيل (Agent Identity): العمل بصلاحيات المستخدم الفردي مقابل العمل بصلاحيات حساب خدمة ثابت (Service Account).
- 5منهجية التعلم المستمر (Continual Learning): تحسين النظام الوكيل بمرور الوقت عبر توجيه التقييمات كقوة دافعة للتطوير.
- 6بروتوكول سياق النموذج (Model Context Protocol - MCP) كإطار عمل موحد لتوصيل الأدوات ومصادر البيانات.
يتحدث المتحدث عن حوار شخصي دار بينه وبين أحد الزملاء أو المشاركين في اليوم السابق للمؤتمر حول كيفية تصميم وبناء عملاء ذكاء اصطناعي مخصصين لفرق التسويق. خلال الحوار، طرح الطرف الآخر فكرة ملهمة تتمثل في معاملة عميل الذكاء الاصطناعي كمهندس برمجيات مخصص لفريق التسويق، والتساؤل عن التطبيقات والحلول البرمجية التي يمكن لهذا المهندس الافتراضي بناؤها لتسهيل مهام الفريق اليومية ورفع كفاءتهم. يوضح هذا المثال كيف أن إعطاء العميل القدرة على كتابة الأكواد وتنفيذها يماثل تماماً تعيين مبرمج خاص للفريق يقوم بمهام تحليل البيانات، تصفح الويب، توليد الصور، وإجراء البحوث التسويقية العميقة.
جاء هذا المثال في سياق الحديث عن إطلاق ميزة بيئة الاختبار المعزولة (Sandboxes) وأهمية تمكين عملاء الذكاء الاصطناعي ذوي الآفاق الطويلة (Long Horizon Agents) من كتابة وتجربة الأكواد بشكل مستقل لتقديم قيمة معرفية حقيقية.
تستعرض القصة تجربة عملية ملهمة لشركة LangChain مع نموذج تقييم الأداء العالمي 'Terminal Bench 2'. في البداية، كانت الشركة تحتل مرتبة متأخرة نسبياً ضمن أفضل 30 مركزاً على لوحة الصدارة. وبدلاً من خوض عملية مكلفة ومعقدة لتعديل النموذج اللغوي الأساسي، ركز الفريق جهوده بالكامل على تطوير طبقة 'العدة المحيطة بالنموذج' (Harness Level) التي تربط النموذج بالبيئة الخارجية. من خلال تعديلات ذكية في هذا الإطار وتطبيق مبدأ التعلم المستمر، تمكنت الشركة من إحداث طفرة هائلة في الأداء والقفز مباشرة لتصبح ضمن أفضل 5 مراكز عالمياً على لوحة الصدارة دون تغيير حرف واحد في النموذج الأساسي.
سيقت هذه التجربة كدليل عملي قوي على أهمية التعلم المستمر وتطوير طبقة 'العدة المحيطة بالنموذج' (Harness Layer)، وكيف يمكن للشركات تحقيق أداء استثنائي وتوفير هائل في التكاليف من خلال التركيز على هذا المستوى بالتوازي مع النماذج اللغوية المفتوحة.
تروي 'كارولين دي فيتوريو' خلال عرضها الحي على المسرح قصة نجاح باهرة لعميل الذكاء الاصطناعي الخاص بالذهاب إلى السوق (Go-to-Market Agent) داخل شركة LangChain. في البداية، تم بناء هذا العميل بالكامل عن طريق الأكواد البرمجية بواسطة مهندس متخصص، ولكن لاحقاً تم اتخاذ قرار بإعادة بنائه بالكامل باستخدام أداة 'Fleet' الخالية من الأكواد لتمكين فريق المبيعات أنفسهم من امتلاك وإدارة وتحديث هذا العميل بشكل مباشر. أسفر هذا التحول عن نتائج مذهلة؛ إذ بلغت نسبة استخدام العميل أسبوعياً من قبل فريق المبيعات 84%، وارتفع معدل تحويل العملاء المحتملين إلى عملاء مؤهلين بنسبة 240%، ووفر العميل في المتوسط 40 ساعة عمل شهرياً لكل مندوب مبيعات. وخلال العرض التجريبي الحي على المسرح، قامت كارولين بالتفاعل مع العميل مستفسرة عن حساب شركة 'Pied Piper'، فقام العميل بتحليل البيانات فوراً واكتشف أن الحساب 'معرض للخطر' بسبب تحفظات العميل على الأسعار، واقترح فوراً إرسال بريد إلكتروني مخصص لـ 'Jared'. وعند صياغة البريد، تم إبراز خاصية التحكم البشري (Human in the Loop) حيث قامت كارولين بمراجعة المسودة وتعديل خطأ إملائي في كلمة 'LangGraph' قبل إرسال البريد بنجاح.
جاءت هذه القصة التفصيلية والعرض الحي لإثبات فاعلية أداة 'LangSmith Fleet' في تمكين خبراء المجال غير التقنيين من بناء وإدارة عملاء ذكاء اصطناعي متكاملين يعملون في بيئتهم المعتادة (مثل Slack وGmail)، وإظهار كيف يعزز العميل الإنتاجية مع الحفاظ على الرقابة والتدخل البشري لضمان الجودة والتحكم في التكاليف.
الوكلاء ذوو الأفق الطويل (Long Horizon Agents)
وكلاء ذكاء اصطناعي صُمموا للعمل المستمر لفترات زمنية ممتدة تتراوح بين دقائق وساعات، وربما أيام في المستقبل. يتميز هؤلاء الوكلاء بقدرتهم على التخطيط، تشغيل الأكواد البرمجية، استخدام وكلاء فرعيين (subagents)، والعمل ضمن أنظمة متعددة الوكلاء (multi-agent systems) لتحقيق أهداف معقدة. مثال على ذلك: وكيل برمجيات يُكلف بإنشاء تطبيق كامل، فيقوم بكتابة الكود واختباره وتصحيح الأخطاء ذاتياً على مدار عدة ساعات.
نماذج التحدث المباشر من كلام إلى كلام (Native Speech-to-Speech Models)
نماذج ذكاء اصطناعي تعالج الإشارات الصوتية المدخلة وتولد ردوداً صوتية مباشرة دون الحاجة إلى المرور بالمرحلة التقليدية التي تتضمن تحويل الكلام إلى نص (Speech-to-Text) ثم معالجة النص ثم إعادة تحويله إلى كلام (Text-to-Speech). مثال على ذلك: نموذج OpenAI الصوتي المباشر (V2) الذي يوفر استجابة سريعة وتفاعلية تحاكي المحادثة البشرية الطبيعية.
بيئة العمل المعزولة للوكلاء (Agent Sandbox)
بيئة برمجية آمنة ومغلقة يُمنح فيها الوكيل القدرة على كتابة وتشغيل الأكواد البرمجية، تحليل البيانات، تصفح الويب، وتوليد الصور دون المخاطرة بالتأثير على النظام الأساسي أو البيانات الحساسة للشركة. مثال على ذلك: إعطاء وكيل التسويق القدرة على كتابة كود مخصص لتحليل سلوك العملاء وتشغيله داخل حاوية معزولة لاستخراج تقارير بيانية.
هيكل الوكيل (Agent Harness)
التعليمات البرمجية والكود المحيط بنموذج الذكاء الاصطناعي الأساسي، والذي يعمل كجسر يربطه بالبيئة الخارجية، ويوفر له الأدوات والقدرة على اتخاذ الإجراءات الفعلية. مثال على ذلك: منصة (Deep Agents) أو أداة (Claude Code) التي تمكن النموذج اللغوي من التفاعل مع نظام التشغيل وسحب الملفات وتعديلها.
التعلم المستمر للوكلاء (Continual Learning)
نهج يهدف إلى تحسين أداء نظام الوكيل الذكي بمرور الوقت عبر ثلاثة مستويات رئيسية: مستوى النموذج (Model layer) كضبط الأوزان، مستوى الهيكل (Harness layer) كتعديل كود الربط بالبيئة، ومستوى السياق (Context layer) مثل تحديث ملفات الإرشادات (skills). مثال على ذلك: تحسين دقة وكيل برمجي بشكل كبير بمجرد تعديل كود الهيكل المحيط به بناءً على تقييمات الأداء المستمرة دون الحاجة لتغيير النموذج الأساسي.
بروتوكول سياق النموذج (Model Context Protocol - MCP)
إطار عمل قياسي مفتوح يسهل عملية ربط الأدوات المخصصة ومصادر البيانات المملوكة والمغلقة للشركات بوكلاء الذكاء الاصطناعي مباشرة لتعزيز قدراتهم. مثال على ذلك: استخدام بروتوكول MCP لربط قاعدة بيانات داخلية مشفرة بوكيل المبيعات لتزويده ببيانات العملاء في الوقت الفعلي.
- 1توفر منصة Fleet أكثر من 200 أداة مدمجة لتغطية عمليات التكامل الأكثر شيوعاً.
- 2توفر الشراكة مع Arcade إمكانية الوصول إلى 7500 أداة إضافية جاهزة للاستخدام للتعامل مع متطلبات التكامل الطويلة.
- 384% من أعضاء فريق الذهاب إلى السوق (Go-to-Market) يستخدمون الوكيل الذكي بشكل أسبوعي.
- 4ارتفعت نسبة تحويل العملاء المحتملين إلى عملاء مؤهلين (Lead to qualified conversion) بمعدل 240% باستخدام الوكيل الذكي.
- 5يوفر الوكيل الذكي ما متوسطه 40 ساعة شهرياً لكل ممثل مبيعات في الفريق.
- 1LinkedIn
- 2OpenAI
- 3Ramp
- 4Prime Intellect
- 5Qwen 3.5
- 6MIT (Massachusetts Institute of Technology)
- 7Stanford University
- 8MetaHarness (Research Paper)
- 9Terminal Bench 2
- 10LangChain
- 11LangSmith
- 12LangChain Labs
- 13Caroline di Vittorio
- 14Arcade
- 15Fireworks
- 16Jess, Julia, Jacob, and Brianna (Event Organizers)
"One thing that I think will start to happen is there will be a divergence in the types of agents that people are building."
يتوقع المتحدث هنا حدوث انقسام جذري في مشهد تطوير الذكاء الاصطناعي؛ حيث سينقسم التطوير إلى مسارين متمايزين: وكلاء المهام ذات الآفاق الزمنية الطويلة (Long Horizon Agents) التي تنفذ أعمالا معقدة لساعات وأيام، ووكلاء تجارب العملاء منخفضة الاستجابة (Latency-sensitive Customer Experience) القائمة على التفاعل الصوتي المباشر والسرعة القصوى.
"when they think about building agents for their marketing team, one of the ways that they think about it is they think about giving that marketing team a software engineer."
يسلط هذا الاقتباس الضوء على القوة الهائلة لتمكين الوكلاء من كتابة وتشغيل الأكواد البرمجية داخل بيئة معزولة (Sandbox). بدلا من إعطاء الفريق تسويقي أداة ثابتة، يمنحهم الوكيل البرمجي القدرة على ابتكار وتطوير حلول برمجية ديناميكية لتسهيل مهامهم وكأن لديهم مهندس برمجيات خاص بفريقهم.
"the best people to build the agents are the ones who actually do the job."
تجسد هذه العبارة الرؤية الفلسفية الأساسية لمنصة Fleet؛ حيث تؤكد أن خبراء المجالات أنفسهم هم الأجدر على تحديد تعليمات وأدوات ومهارات الوكلاء لأنهم يدركون أدق تفاصيل وظيفتهم اليومية، مما يلغي الفجوة التقليدية بين المهندس التقني والمستخدم النهائي ويعزز كفاءة الأتمتة.
- 1التحول الجذري في معالجة الصوت من نظام الشطيرة التقليدي (تحويل الكلام إلى نص ثم معالجة النص ثم تحويله مجددا لكلام) إلى نماذج الصوت المباشرة المتكاملة (Native Speech-to-Speech) التي ستغير تفاعل المستخدم بالكامل.
- 2إمكانية تحقيق قفزة هائلة في أداء الوكلاء الذكيين (مثل الانتقال من المراكز الثلاثين الأولى إلى المراكز الخمسة الأولى) بمجرد تحسين وتعديل 'الهيكل البرمجي المحيط بالنموذج' (Harness Layer) دون الحاجة لتغيير أو إعادة تدريب النموذج اللغوي نفسه.
- 3فكرة أن تزويد الوكلاء ببيئة معزولة لتشغيل الأكواد البرمجية (Sandbox) لا يخص المبرمجين فحسب، بل هو بمثابة إعطاء أي فريق أعمال غير تقني (مثل التسويق) مهندس برمجيات مخصص يقوم ببناء أدوات وحلول برمجية خاصة بهم فوريا.
- 4انتقال دور خبراء المجالات المختلفة من مجرد تقديم الملاحظات والتعليقات للمطورين إلى قيامهم ببناء وكلائهم الخاصين بأنفسهم وإدارتهم بشكل كامل باستخدام اللغة الطبيعية ودون كتابة سطر برمجى واحد.
- 1الادعاء بأن النماذج المفتوحة الأساسية تقترب في أدائها من النماذج الرائدة المغلقة (Frontier Models) حتى دون إخضاعها لعمليات ضبط وتدريب لاحق (Post-training).
- 2الافتراض بأن الموظفين غير التقنيين (خبراء المجال) هم الأنسب والأفضل لبناء وكلاء الذكاء الاصطناعي وتطويرهم بالكامل دون الحاجة لكتابة سطر برمجيات واحد، وهو ما يقلل من دور المهندسين والمطورين في هذا المجال.
- 1التداخل والتناقض في الإطار الزمني للعرض؛ حيث يطلب المتحدث في البداية تخيل أنهم في المستقبل في عام 2027، ثم ينتقل المتحدثون التاليون مباشرة لاستعراض أدوات ونتائج وإحصائيات واقعية تحدث 'اليوم' في الوقت الحالي.
- 2التناقض في تقديم الشخصيات على المسرح؛ حيث يرحب المتحدث الأول بـ 'كارولين دي فيتوريو' للصعود إلى المسرح، ولكن يتبين أن المتحدث الفعلي التالي هو 'بريس' الذي يستلم الحديث ويشير إلى أنه سيسلم المنصة لاحقاً لكارولين لتقديم العرض التوضيحي.
بصفتي ذكاءً اصطناعيًا، أرى أن المعلومات الواردة في النص تعكس تفاؤلاً تسويقياً كبيراً يتماشى مع طبيعة المؤتمرات التقنية وإطلاق المنتجات الجديدة. الادعاءات الخاصة بتحقيق قفزة بنسبة 240% في معدل تحويل العملاء وتوفير 40 ساعة شهرياً لكل موظف هي أرقام مبهرة ولكنها تفتقر إلى إثباتات أو دراسات مستقلة خارج نطاق تجربة شركة LangChain الداخلية. كما أن مساواة أداء النماذج المفتوحة بالنماذج المغلقة الرائدة (Frontier Models) دون تدريب مخصص قد يكون دقيقاً في بعض الاختبارات المعيارية البسيطة، لكنه يتجاهل الفجوة المستمرة في القدرات المتقدمة مثل التخطيط طويل المدى والتعامل مع المهام بالغة التعقيد التي لا تزال تتفوق فيها النماذج الرائدة المغلقة. بالإضافة إلى ذلك، فإن فكرة تمكين غير التقنيين من بناء وكلاء ذكاء اصطناعي متكاملين دون كود تبسط بشكل مفرط تحديات الصيانة، ومعالجة الأخطاء، وإدارة البيانات في بيئات العمل الحقيقية.