🤖 AI

Foundations for Agentic AI Investigations from the Forensic Analysis of OpenClaw

تقدم هذه الورقة دراسة تجريبية لنظام الوكيل OpenClaw لإرساء إطار عمل تأسيسي للتحقيق الجنائي في الذكاء الاصطناعي الوكيل من خلال تحليل الآثار القابلة للاسترداد، واقتراح تصنيف للمخلفات الرقمية، وتسليط الضوء على التحديات الفريدة المتمثلة في عدم الحتمية والتجريد الناتج عن التنفيذ المدفوع بالنماذج اللغوية الكبيرة.

المؤلفون الأصليون: Jan Gruber, Jan-Niclas Hilgert

نُشر 2026-04-08

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jan Gruber, Jan-Niclas Hilgert

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك مساعداً شخصياً فائق الذكاء يعمل على مدار الساعة يسمى "OpenClaw". إنه ليس مجرد روبوت دردشة يجيب على الأسئلة؛ بل هو وكيل ذكاء اصطناي (AI Agent). يمكنه قراءة رسائل البريد الإلكتروني الخاصة بك، وحجز رحلات طيرانك، وكتابة الأكواد البرمجية، وحتى التحكم في ملفات حاسوبك. إنه يفكر، ويخطط، ويتصرف من تلقاء نفسه.

الآن، تخيل أن هذا المساعد قد حذف بالخطأ مكتبة الصور الخاصة بك بالكامل أو أرسل بريداً إلكترونياً سرياً دون علمك. إذا كنت محققاً رقمياً تحاول معرفة ماذا حدث، ومَن فعل ذلك، ولماذا، فستكون في ورطة كبيرة.

هذه الورقة البحثية هي أول "دليل للمحقق" لحل الجرائم المتعلقة بهؤلاء المساعدين من الذكاء الاصطناعي الجدد. لقد قام المؤلفان، يان غروبر ويان-نيكلاس هيلجيرت، بتفكيك "OpenClaw" لمعرفة ما هي "آثار الأقدام الرقمية" التي يتركها وراءه.

إليك تفصيل لنتائجهم باستخدام تشبيهات بسيطة:

1. المشكلة: لغز "الصندوق الأسود"

في الأيام الخوالي، إذا ارتكب حاسوب خطأ ما، كان بإمكاننا النظر إلى "الوصفة" (الكود) لنرى بالضبط الخطوات التي اتخذها. كان الأمر يشبه مشاهدة روبوت يتبع دليل تعليمات صارم.

لكن وكلاء الذكاء الاصطناعي مختلفون. إنهم يشبهون طباخاً بشرياً مُنح أمراً غامضاً: "اصنع لي عشاءً لطيفاً".

قد يقرر الطباخ طبخ المعكرونة.
أو قد يقرر طلب البيتزا.
أو قد يحرق المطبخ لأنه شعر بالارتباك.

الذكاء الاصطناائي يتخذ قراراته الخاصة بناءً على ما "يفكر" فيه في تلك اللحظة. وهذا يجعل من الصعب جداً على المحققين معرفة: هل أخبر المستخدمُ الذكاءَ الاصطناعي بفعل ذلك، أم أن الذكاء الاصطناعي هو من قرر فعل ذلك من تلقي نفسه؟

2. التحقيق: كيف حلوا اللغز

قام الباحثون بإعداد "مسرح جريمة" في حاسوب افتراضي. طلبوا من الذكاء الاصطناعي القيام بمهام متنوعة (إرسال نص، شراء شيء ما، تذكر حقيقة ما) ثم فحصوا القرص الصلب لمعرفة الملفات التي تغيرت.

وجدوا أن الذكاء الاصطناعي يترك خلفه كمية هائلة من الأدلة، لكنها مبعثرة في أما-كن غريبة. وقد قاموا بتنظيم هذه الأدلة في خمسة "مستويات جنائية" (تخيلها كخمس طبقات من كعكة يجب عليك تقطيعها لتجد الحقيقة):

🧠 المستوى 1: الدماغ (الاستنتاج والإدراك)

ماهيته: المونولوج الداخلي للذكاء الاصطناعي. قبل أن يتصرف، فإنه "يفكر".
الدليل: وجدت الورقة أن الذكاء الاصطناعي يكتب "سلسلة أفكاره" (على سبيل المثال: "أحتاج لشراء الحليب. يجب أن أتفقد رصيد البنك أولاً. حسناً، لدي ما يكفي. لنذهب إلى المتجر").
لماذا يهم: هذا هو أقرب شيء لدينا لقراءة عقل الذكاء الاصطناعي. فهو يوضح لماذا اتخذ قراراً، وليس فقط ماذا فعل.

🧬 المستوى 2: الحمض النووي (الهوية والتهيئة)

ماهيته: شخصية الذكاء الاصطناعي وقواعده.
الدليل: ملفات تقول أشياء مثل "أنت مساعد مفيد يدعى بوب"، أو "يُسمح لك بحذف الملفات ولكن ليس إرسال رسائل البريد الإلكتروني".
لماذا يهم: هذا يخبرنا بما كان من المفترض أن يفعله الذكاء الاصطناعي. إذا خرق الذكاء الاصطناعي قاعدة ما، يمكننا معرفة ما إذا كانت القاعدة موجودة أصلاً أم لا.

📚 المستوى 3: الذاكرة (المعرفة والاستدعاء)

ماهيته: ما يعرفه الذكاء الاصطناعي عنك وعن العالم.
الدليل: مذكرات بالحقائق التي تعلمها (على سبيل المثال: "المستخدم يحب الطعام الإيطالي"، "كلمة مرور المستخدم هي '1234'").
لماذا يهم: إذا استخدم الذكاء الاصطناعي سراً للقيام بشيء سيء، فإن ملف الذاكرة هذا يثبت أنه كان يعرف ذلك السر.

🗣️ المستوى 4: الآذان والفم (التواصل)

ماهيته: سجلات المحادثة.
الدليل: تاريخ الدردشة بينك وبين الذكاء الاصطناعي، بما في ذلك الصور أو الملاحظات الصوتية التي أرسلتها.
لماذا يهم: هذا يثبت ما طلبته أنت بالفعل. هل قلت "احذف الملف" أم "أظهر لي الملف"؟

🖐️ المستوى 5: الأيدي (الأفعال والآثار)

ماهيته: الأشياء الفعلية التي فعلها الذكاء الاصطناعي بحاسوبك.
الدليل: سجلات لكل أداة استخدمها (على سبيل المثال: "فتح متصفح كروم"، "حذف ملف.txt"، "أرسل بريداً إلكترونياً").
لماذا يهم: هذا هو تقرير الضرر المادي. إنه يوضح النتيجة النهائية.

3. التحديات الكبرى (لماذا يعد هذا صعباً)

تسلط الورقة الضوء على ثلاث مشكلات رئيسية للمحققين في المستقبل:

مشكلة "المجيب السحري" (عدم الحتمية): إذا سألت الذكاء الاصطناعي نفس السؤال مرتين بالضبط، فقد يعطيك إجابتين مختلفتين ويسلك مسارين مختلفين للوصول إليهما. إنه ليس روبوتاً يتبع نصاً، بل هو مفكر مبدع. وهذا يجعل من الصعب إعادة تمثيل الجريمة لإثبات كيفية حدوثها.
"الطبقة غير المرئية" (التجريد): يعمل الذكاء الاصطناعي كوسيط. أنت تخبره "احجز رحلة طيران"، وهو يتحدث مع 5 مواقع مختلفة للقيام بذلك. دليل كيفية حجز الرحلة مخفي داخل سجلات الذكاء الاصطناعي الخاصة، وليس فقط في سجل المتصفح الخاص بك.
"الهدف المتحرك" (السياق): ذاكرة الذكاء الاصطناعي تتغير في كل ثانية. بحلول وقت التحقيق، قد يكون الذكاء الاصطناعي قد نسي ما كان يعرفه عندما وقع الخطأ. إعادة بناء "ما كان يعرفه الذكاء الاصطناعي في تلك الثانية تحديداً" يشبه محاولة تذكر ما كنت تفكر فيه قبل ثلاث سنوات.

4. الخلاصة

هذه الورقة هي خطوة تأسيسية. إنها تقول: "لا يمكننا معاملة وكلاء الذكاء الاصطناعي كبرمجيات عادية بعد الآن".

لقد وضعوا تصنيفاً (Taxonomy) جديداً لمساعدة المحققين في معرفة أين يبحثون. كما قاموا ببناء أداة نموذجية للعثور على هذه الأدلة تلقائياً.

باختصار: مع زيادة شيوع مساعدي الذكاء الاصطناعي، سيصبحون محورياً في التحقيقات الرقمية. توفر هذه الورقة أول خريطة للتنقل في عالم مسارح الجريمة الخاصة بالذكاء الاصطناعي الفوضوي والمبدع وغير المتوقع أحياناً. وهي تحذر من أنه بينما يمكننا العثور على الأدلة، يجب أن نكون حذرين للغاية بشأن كيفية تفسيرها، لأن الذكاء الاصطناعي كيان مفكر ومتغير، وليس مجرد آلة.

فيما يلي ملخص تقني مفصل لورقة البحث بعنوان "أسس التحقيقات في الذكاء الاصطناعي الوكيل من خلال التحليل الجنائي لـ OpenClaw" للباحثين يان غروبر ويان-نيكلاس هيلجرت.

1. بيان المشكلة

يمثل الانتشار السريع لأنظمة الذكاء الاصطناعي الوكيل (Agentic AI) (وهي وكلاء مستقلون قادرون على التفكير، والتخطيط، وتنفيذ سير عمل في العالم الحقيقي) فجوة كبيرة في التحقيق الرقمي الجنائي. فبخلاف البرمجيات التقليدية أو برامج الدردشة البسيطة، فإن هؤلاء الوكلاء:

يعملون باستقلالية عالية، وغالباً ما ينفذون سير عمل متعدد الخطوات دون إشراف بشري مباشر وفوري.
يتكاملون بعمق مع أنظمة التشغيل والبيانات الحساسة، مما يخلق سطح هجوم واسع النطاق.
يقدمون عدم حتمية (non-determinism) وطبقات تجريد (عبر النماذج اللغوية الكبيرة) تجعل من الصعب إعادة بناء ما حدث، ولماذا حدث، ومن المسؤول (تحديد الهوية/النسبة).
المنهجيات الجنائية الحالية غير مؤهلة للتعامل مع الجمع بين التفكير الوسيط عبر السحابة، والتنفيذ المحلي، والاستقلالية المستمرة، مما يترك المحققين غير قادرين على التمييز بين قصد المستخدم والأفعال التي بدأها الوكيل.

2. المنهجية

أجرى المؤلفون درسة تجريبية باستخدام OpenClaw، وهو مساعد ذكاء اصطناعي شخصي مفتوح المصدر واسع الاستخدام، كحالة دراسية ممثلة. تضمنت المنهجية ثلاث مراحل أساسية:

الإعداد التجريبي:
- تم استخدام بيئة افتراضية (Debian GNU/Linux) لتثبيت OpenClaw (الإصدار 2026.2.2-33).
- تم اتباع نهج التحليل الجنائي التفاضلي (differential forensic analysis) المنهجي. تم التقاط حالة النظام كصورة قرص ( $q_0$ ) قبل التنفيذ.
- تم تنفيذ سلسلة من 13 إجراءً محددًا ( $\sigma_i$ ) (مثل إرسال رسائل، تثبيت برامج، إنشاء وكلاء فرعيين، حذف بيانات).
- بعد كل إجراء، تم التقاط صورة حالة جديدة ( $q_{i+1}$ ).
- التحليل التفاضلي: استُخدمت أدوات مثل idifference2.py وSleuthkit لمقارنة الصور المتتالية ( $\langle q_i, q_{i+1} \rangle$ ) لعزل تغييرات نظام الملفات المحددة ( $\delta_i$ ) الناتجة عن كل إجراء.
التحليل الساكن للكود:
- تم تحليل كود المصدر المكتوب بلغة TypeScript/Node.js لفهم البنية، ومخططات تخزين البيانات، وتدفق المنطق قبل توليد بيانات المستخدم.
فحص الآثار (Artifact Inspection):
- تم تحليل الملفات المستردة (JSONL، SQLite، Markdown، السجلات) وربطها بالمدخلات المعروفة للتحقق من المحتوى وتتبع آليات التوليد.
- تم تطوير أداة نموذجية لأتمتة استخراج وربط هذه الآثار المحلية.

3. المساهمات الرئيسية

أ. التحليل التقني لـ OpenClaw

تقدم الورقة أول تحليل جنائي معمق لمساعد ذكاء اصطناعي شخصي، كاشفة عن بنيته:

خدمة البوابة (Gateway Service): نواة Node.js قائمة على الأحداث تدير دورة الحياة، والتوجيه، وتنفيذ الأدوات.
الذاكرة والاستمرارية: يستخدم نهجاً هجيناً من ملفات Markdown النصية البسيطة (للذاكرة العرضية/Episodic Memory) وقاعدة بيانات SQLite مع تضمينات متجهة (للبحث الدلالي).
الأمن: يعتمد على مدير موافقات "الإنسان في الحلقة" (Human-in-the-Loop) للإجراءات عالية المخاطر، وحاويات Docker لعزل تنفيذ الـ Shell.

ب. تصنيف آثار الوكيل (Agent Artifact Taxonomy)

يقترح المؤلفون تصنيفاً خماسياً للمستويات لهيكلة التحقيقات الجنائية للذكاء الاصطناعي الوكيل، متجاوزين تحليل نظام الملفات التقليدي:

التفكير والإدراك ("الدماغ"): يلتقط آثار التفكير للنماذج اللغوية الكبيرة (مثل كتل thinking في النصوص) ومعلمات النموذج. وهذا فريد من نوعه للأنظمة الوكيلية.
الهوية والتهيئة ("الحمض النووي"): الآثار الثابتة التي تحدد شخصية الوكيل، ومطالبات النظام (System Prompts)، والقدرات، والأذونات (مثل openclaw.json وSOUL.md).
المعرفة والاستدعاء ("الذاكرة"): المعرفة المتراكمة أثناء التشغيل، بما في ذلك السجلات العرضية، وملفات تعريف المستخدم، والفهارس الدلالية.
التواصل والإدخال/الإخراج ("الآذان والفم"): القنوات، واقتران الأجهزة، وسجل الرسائل (أدوار المستخدم مقابل المساعد).
الأفعال والآثار ("اليدان"): استدعاءات الأدوات الملموسة، والمهام المجدولة، وتفويض الوكلاء الفرعيين.

ج. تحديد الأنماط التحقيقية

تحدد الدراسة أنماطاً جنائية محددة، مثل:

نصوص الجلسات (Session Transcripts): ملفات JSONL تحتوي على أهم الأدلة، بما في ذلك سجل المحادثة الكامل، واستدعاءات الأدوات، وسلاسل التفكير.
آليات الحذف الناعم (Soft-Delete): يتم تغيير أسماء الجلسات المحذوفة بإضافة اللاحقة .deleted بدلاً من مسحها نهائياً، مما يسمح باستردادها.
تفويض الوكيل الفرعي: توجد آثار تفويض المهام المستقلة في subagents/runs.json ويتم ربطها عبر معرفات الجلسة (Session IDs).

4. النتائج والمكتشفات الرئيسية

الآثار القابلة للاسترداد: نجحت الدراسة في تحديد آثار قابلة للاسترداد لجميع مراحل حلقة تفاعل الوكيل، بما في ذلك لقطات التهيئة، وملفات الذاكرة، وسجلات التنفيذ التفصيلية.
تحدي تحديد الهوية/النسبة (Attribution): أحد النتائج المركزية هو صعوبة التمييز بين الأفعال المطلوبة من المستخدم والأفعال التي بدأها الوكيل. نظرًا لأن النموذج اللغوي الكبير يمكنه تفسير أمر غامض واتخاذ قرار مستقل لتنفيذ سير عمل معقد (مثل شراء عنصر أو حذف ملف)، فإن "القصد" غالباً ما يكون محجوباً بعملية تفكير الوكيل.
عدم الحتمية (Non-Determinism): أظهر المؤلفون أن المدخلات المتطابقة لا تؤدي دائماً إلى آثار متطابقة.
- عشوائية أخذ العينات (Sampling Stochasticity): قد يختار النموذج اللغوي الكبير أدوات أو مسارات تفكير مختلفة لنفس المطالبة.
- تغير السياق (Context Variability): تغيير تجميع سياق النافذة (الذاكرة + مساحة العمل) يتغير بين عمليات التشغيل.
- الحالة الخارجية: استجابات واجهات برمجة التطبيقات (APIs) الخارجية تتفاوت.
- النتيجة: هذا يجعل التحليل الجنائي القابل للتكرار أصعب بكثير مقارنة بالبرمجيات القائمة على القواعد.
طبقة التجريد: يعمل النموذج اللغوي الكبير كطبقة تجريد بين قصد الإنسان وتنفيذ الآلة. فالهدف رفيع المستوى نفسه يمكن أن يؤدي إلى آثار مختلفة تماماً في نظام الملفات منخفض المستوى اعتماداً على عملية اتخاذ القرار الداخلية للنموذج.

5. الأهمية والآثار المترتبة

إطار تأسيسي: يضع هذا العمل أول أساس منهجي للتحقيق في الذكاء الاصطناعي الوكيل، ويوفر تصنيفاً يمكن للمحققين استخدامه لتصنيف الأدلة.
التحول في النموذج الجنائي: يسلط الضوء على أن الافتراضات الجنائية التقليدية (الحتمية، والسببية الخطية) غير كافية للأنظمة الوكيلية. يجب على المحققين الآن مراعاة التفكير الاحتمالي وإعادة بناء السياق الديناميكي.
الأدوات العملية: يتيح إصدار أداة نموذجية وبيانات تجريبية مفتوحة المصدر للمجتمع العلمي البناء على هذه النتائج.
اتجاهات البحث المستقبلية: تدعو الورقة إلى منهجيات جديدة للتعامل مع:
- إعادة بناء السياق: تحديد ما الذي "عرفه" النموذج اللغسي بالضبط في لحظة وقوع الحادث.
- تحديد الهوية/النسبة (Attribution): تطوير أطر لتحديد المسؤولية عندما يتصرف الوكيل باستقلالية.
- التقنين (Standardization): وضع معايير لتسجيل السجلات والحفاظ على الآثار في الأنظمة الوكيلية لضمان سلامة الأدلة.

ختاماً، تجادل الورقة بأنه مع تحول الذكاء الاصطناعي الوكيلي إلى واقع شائع، يجب أن يتطور التحقيق الجنائي الرقمي من تحليل الكود الساكن والسجلات إلى تحليل عمليات التفكير، وحالات الذاكرة الديناميكية، ومسارات التنفيذ الاحتمالية للتحقيق بفعالية في الحوادث المتعلقة بالوكلاء المستقلين.