مع الانتشار السريع للنماذج اللغوية الكبيرة (LLMs)، شهد مجال تطوير الوكلاء الأذكياء (AI Agents) ثورة غير مسبوقة، دفعت بقدرات الأتمتة الذكية وحل المشكلات إلى مستويات جديدة. فقد أثبتت هذه الوكلاء المدعومة بـ LLMs قدرتها العالية على فهم السياق، واتخاذ قرارات مدروسة، والتكامل السلس مع الأدوات وواجهات البرمجة المختلفة.
برزت أطر عمل مثل LangChain وAutoGen كأمثلة ناجحة في أتمتة مهام معقدة مثل تصفح الإنترنت، وتحليل البيانات، وإنشاء المحتوى. لكن رغم هذه القفزة النوعية، ما زالت هناك عقبة رئيسية: تطوير هذه الأنظمة الذكية يتطلب خبرة برمجية متقدمة، مما يحد من وصولها إلى شريحة واسعة من المستخدمين.
تشير التقديرات إلى أن أقل من 0.03% من سكان العالم يمتلكون المهارات البرمجية اللازمة لبناء مثل هذه الوكلاء. في المقابل، يزداد الطلب العالمي على مساعدين أذكياء مخصصين، سواء في التعليم، أو الأعمال، أو البحث العلمي، مما يخلق فجوة حادة بين الحاجة الفعلية وإمكانية الوصول.
من هنا ظهر مؤخرا (فبراير 2025) إطار عمل AutoAgent المفتوح المصدر والذي تم تطويره في جامعة هونغ كونغ، ويعدّ من أول المنصات المخصصة لإنشاء الـ LLM Agents بالكامل عبر لغة طبيعية (بدون كود برمجي). يمثّل نظام تشغيل (Agent Operating System) مستقل يمكنه توليد وكلاء ذكيين مخصصين وتنفيذ مهام كاملة بشكل تلقائي استنادًا إلى مدخلات المستخدم النصّية فقط .
هذا ملخص لأهم مزايا إطار العمل الجديد وفقا للورقة البحثية المنشورة من قبل المطورين.
رؤية AutoAgent: حرية تطوير وكلاء الذكاء الاصطناعي
تهدف AutoAgent إلى كسر حاجز الخبرة البرمجية من خلال إطار عمل ثوري يسمح بتطوير وكلاء LLM دون الحاجة إلى كتابة سطر واحد من الكود. يقوم AutoAgent بتحويل عملية بناء الوكلاء إلى تجربة طبيعية تعتمد فقط على اللغة، مما يجعلها متاحة للجميع، بغض النظر عن خلفيتهم التقنية.
السمات الرئيسية لـ AutoAgent
- تصميم بدون كود (Zero-Code / Low-Code): يمكن لأي مستخدم (بمن فيهم غير التقنيين) بناء وكلاء وتنظيم مهام باستخدام اللغة العادية فقط .
- أفضل نتائج الوصول للمعرفة من خلال تقنيات RAG عبر قاعدة بيانات ذاتية الإدارة: يتضمن قاعدة بيانات مضمّنة تعتمد vector store لإدارة المعرفة، ويتفوق على حلول مثل LangChain في تنفيذ Agentic‑RAG .
- دعم واسع للنماذج اللغوية: يتكامل مع نماذج مثل OpenAI، Anthropic، Llama، Grok، vLLM، HuggingFace وغيرها .
- مرونة في التفاعل: يدعم أوضاع التفاعل مثل Function Calling وReAct لتغطية التفاعل المنطقي وتنفيذ الإجراءات .
- بنية خفيفة ومرنة: يُعد مناسبًا لتطبيقات خفيفة وخالية من التعقيد التقني، مع قابلية التخصيص والتطوير المستقبلي .
يعتمد AutoAgent على ثلاثة ركائز أساسية:
- بناء وكلاء متعددين عبر الحوار الطبيعي: يمكن للمستخدم إنشاء شبكة من الوكلاء المتعاونين فقط من خلال وصف المهمة بالكلام.
- توليد سير العمل وإدارتها ذاتيا: يستطيع النظام فهم المهام وتفكيكها وتوليد خطوات العمل المناسبة تلقائيًا.
- تنسيق ذكي للموارد: يوفر AutoAgent الوصول إلى الأدوات والواجهات البرمجية والموارد الحسابية من خلال الأوامر الطبيعية فقط.
مكونات AutoAgent التقنية
يعتمد AutoAgent على تصميم معياري يتكوّن من أربعة مكونات مترابطة:
- أدوات النظام الوكالي (Agentic System Utilities)
يتضمن هذا المكون هيكلًا متقدمًا لوكلاء متعددين:
الوكيل المنسّق (Orchestrator Agent): يتلقى المهام، يفهمها، يقسمها، ويوزعها على وكلاء فرعيين.
وكيل الويب (Web Agent): ينفذ عمليات التصفح، البحث، التفاعل مع صفحات الإنترنت.
وكيل البرمجة (Coding Agent): يتعامل مع التحليل، التعلم الآلي، تنفيذ الأوامر البرمجية في بيئة آمنة.
وكيل الملفات المحلي (Local File Agent): يحلل ويحّول الملفات متعددة الأنماط إلى تنسيق Markdown لعرضها وتحليلها.
- محرك الفعل القابل للتنفيذ المدعوم بـ LLM
يشكل هذا المحرك “عقل النظام” حيث يفهم اللغة الطبيعية ويخطط وينفذ المهام عبر الوكلاء. ويدعم أكثر من 100 نموذج LLM باستخدام بروتوكول LiteLLM. يوفر نظامًا مرنا للتعامل مع الأدوات، سواء عبر LLMs التجارية أو النماذج مفتوحة المصدر.
- نظام ملفات ذاتي الإدارة
قاعدة بيانات شعاعية (Vector DB) يمكن للوكلاء استخدامها لتخزين واسترجاع المعلومات. يتم تحويل الملفات تلقائيا إلى نصوص قابلة للبحث والتحليل الذكي.
- تخصيص الوكلاء عبر التعلم الذاتي (Self-Play Agent Customization)
يمكن للمستخدمين إنشاء وكلاء وأدوات خاصة بهم من خلال وصف وظائفهم بلغة طبيعية أو من خلال تحديد سير العمل وفق مجال العمل. يدعم النظام طريقتين:
- إنشاء وكيل بدون سير عمل: يعتمد على التحليل والتوليد التلقائي للأدوات والخطوات اللازمة.
- إنشاء وكيل بسير عمل محدد: يعتمد على أحداث مخصصة بين الوكلاء وفق متطلبات معروفة حسب مجال العمل.
التقييم العملي لـ AutoAgent
تم اختبار AutoAgent على نطاق واسع من خلال تجارب معيارية ودراسات حالة، أبرزها:
تقييم نظام GAIA
نظام شامل لتقييم الوكلاء العامين (General AI Assistants). حصل AutoAgent على المركز الثاني متفوقًا على كافة الأنظمة مفتوحة المصدر، وحقق أعلى دقة على المهام من المستوى الأول.
تقييم مهام الوصول للمعرفة عبر RAG (استخلاص المعلومات متعددة المصادر)
تفوق AutoAgent على منهجيات معروفة مثل LangChain وMiniRAG وHyDE، بفضل قدرته على تنظيم سير العمل في الوقت الحقيقي أثناء البحث.
دراسات حالة لاستخدام AutoAgent
وكيل صور: أنشئ من وصف طبيعي لتوليد وتحسين الصور وتقييمها باستخدام أدوات ذكاء بصري.
وكيل مالي متعدد: يتضمن وكيل لإدارة الوثائق وآخر للبحث المالي، مع التنسيق بينهما لإعداد تقارير مالية ذكية.
إنشاء سير عمل بالتصويت بالأغلبية: يجمع نتائج عدة نماذج LLM لحل مسائل رياضية بدقة أعلى من أي نموذج منفرد.
ثورة جديدة في بناء الوكلاء الأذكياء
يمثل AutoAgent قفزة نوعية في حرية الوصول إلى قدرات الوكلاء الأذكياء، حيث يجعل تطويرهم متاحًا للجميع دون الحاجة لأي مهارات برمجية. بفضل بنيته المعيارية، ونظام الوكلاء المتكامل، والمحرك الذكي القائم على اللغة، يستطيع المستخدم بناء وكلاء مخصصين وتنفيذ مهام معقدة بسهولة وسرعة. تؤكد التجارب والاختبارات المتعددة على فعالية AutoAgent وتقدمه على المنافسين، مما يجعله إطار العمل المثالي لبناء وكلاء ذكاء اصطناعي متقدمين في العصر الحديث.
العالم الرقمي يتغير باستمرار ونحن بحاجة لأن نكون على اطلاع دائم فاشترك معنا ليصلك كل ما يمكن أن يساعدك في رحلتك نحو التحول الرقمي سواء في العمل أو التعليم أو التواصل.
