🤖 AI

On Accelerating Grounded Code Development for Research

تقدم هذه الورقة إطار عمل مفتوح المصدر يسرع عملية تطوير الأكواد البرمجية المرتكزة على أسس متينة للمجالات العلمية والتقنية المتخصصة، وذلك من خلال تمكين وكلاء البرمجة من الوصول إلى مستودعات الأبحاث والوثائق التقنية الحديثة في الوقت الفعلي، مما يتغلب على قيود النماذج التأسيسية في المجالات سريعة التطور.

المؤلفون الأصليون: Santosh Ganji

نُشر 2026-04-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Santosh Ganji

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

إليك شرح لورقة بحثية بعنوان "تسريع تطوير الأكواد البرمجية القائمة على المراجع للأبحاء"، مترجمة إلى لغة بسيطة وعامية مع تشبيهات إبداعية.

المشكلة الكبرى: "الموسوعة القديمة"

تخيل أنك عالم أو مهندس عبقري تحاول ابتكار شيء جديد، مثل إشارة 5G أسرع أو نوع جديد من البطاريات. لديك مساعد ذكاء اصطناعي فائق الذكاء (نموذج لغوي كبير) يعرف كل شيء عن العالم حتى قبل بضع سنوات.

المشكلة: هذا الذكاء الاصطناعي يشبه طالباً تخرج من الجامعة في عام 2023. هو يعرف الأساسيات، لكن ليس لديه أدنى فكرة عن التجارب التي أجريتها أنت بالأمس، أو البروتوكولات الجديدة التي كتبها فريقك للتو، أو الكتيبات التقنية المحددة التي تستخدمها شركتك. إذا طلبت منه كتابة كود لمشروعك الجديد، فقد يخمن بناءً على قواعد قديمة، مما يؤدي إلى وقوع أخطاء.

عادةً، لإصلاح ذلك، سيتعين عليك "إعادة تدريب" الذكاء الاصطناعي على بياناتك الجديدة. لكن هذا يشبه إجبار الطالب على العودة إلى المدرسة لمدة عامين فقط ليتعلم ملاحظاتك الخاصة. هذا مكلف للغاية، وبطيء جداً، ويتطلب فريقاً من الخبراء لمجرد إدارة هذه المدرسة.

الحل: "بطاقة المكتبة الفورية"

يقترح المؤلف، سانتوش غانجي، طريقة أبسط وأسرع. بدلاً من إعادة تدريب الذكاء الاصطناعي، سنعطيه بطاقة مكتبة سحرية تسمح له بقراءة مستنداتك وأكوادك الخاصة فوراً كلما احتاج إلى ذلك.

فكر في الأمر كالتนี้: بدلاً من حفظ المكتبة بأكملها، يُسمح للذكال الاصطناعي بالدخول إلى المكتبة، والعثور على الكتاب المحدد الذي يحتاجه، وقراءة الصفحة، ثم كتابة إجابته. وهذا ما يسمى بـ "تطوير الكود القائم على المراجع" (Grounded Code Development).

كيف يعمل النظام (الأدوات الثلاث)

تقدم الورقة البحثية مجموعة أدوات تتكون من ثلاثة أجزاء رئيسية لتحقيق ذلك:

1. "البحث في المستندات" (أمين المكتبة السريع)

الطريقة القديمة: تحاول بعض الأنظمة أن تكون "ذكية" عبر تحويل مستنداتك إلى خرائط رياضية معقدة (متجهات) للعثور على أفكار متشابهة. هذا يشبه محاولة العثور على كتاب من خلال السؤال: "أي كتاب يشعر وكأنه قصة عن كلب حزين؟". هذا الأمر بطيء في الإعداد وأحياناً يخطئ في العثور على الكتاب الدقيق الذي تحتاجه.
الطريقة الجديدة: يستخدم هذا النظام البحث اللفظي (Lexical Search). إنه يشبه أمين مكتبة فائق السرعة يبحث فقط عن الكلمات الدقيقة التي تكتبها. إذا طلبت "مزامنة 5G"، فسيجد كل المستندات التي تحتوي على هذه الكلمات بالضبط.
لماذا هو رائع: إنه فوري. لا يحتاج إلى "التفكير" في المعنى؛ هو فقط يطابق الكلمات المفتاحية. وهو مثالي للكتيبات التقنية حيث تهم المصطلحات الدقيقة أكثر من المشاعر الغامضة.

2. "بحث LSP" (المحقق البرمجي)

المشكلة: إذا طلبت من أداة بحث عادية العثور على دالة (function) داخل الكود الخاص بك، فقد تجد كلمة "calculate" داخل تعليق، أو اسم متغير، أو نص عادي. الأمر يشبه البحث عن كلمة "تفاحة" لتجدها في "أناناس"، و"فطيرة تفاح"، و"شجرة تفاح".
الحل: يستخدم النظام بروتوكول خادم اللغة (LSP). هذا يشبه منح الذكاء الاصطناعي شارة "المحقق البرمجي". المحقق لا يقرأ النص فحسب، بل يفهم بنية الكود. هو يعرف أن calculate() هي دالة، وليست مجرد كلمة. يمكنه إخبارك بالضبط أين تم تعريف الدالة وأين تُستخدم، متجاهلاً كل "الضجيج".

3. "مكتبة المهارات" (مدير المشروع)

المشكلة: حتى مع وجود بطاقة مكتبة ومحقق، قد يرتبك الذكاء الاصطناعي بشأن كيفية القيام بمهمة كبيرة. قد يقفز مباشرة إلى كتابة الكود دون تخطيط، أو قد ينسى التحقق من القواعد أولاً.
الحل: مكتبة المهارات تشبه مدير المشروع أو كتاب الوصفات.
- بدلاً من مجرد قول "اكتب كود"، يعطي الباحث للذكاء الاصطناعي "مهارة" (سير عمل).
- مثال لمهارة: "تصميم إشارة جديدة".
- الخطوات:
  1. الخطوة 1: اذهب إلى المكتبة واقرأ أحدث الأوراق البحثية.
  2. الخطوة 2: استخدم المحقق البرمجي لترى كيف فعلنا ذلك في المرة الماضية.
  3. الخطوة 3: اكتب خطة (لا تكتب الكود بعد!).
  4. الخطوة 4: الآن اكتب الكود بناءً على تلك الخطة.
- هذا يجبر الذكاء الاصطناعي على اتباع عملية بحث منطقية، تماماً كما يفعل العالم البشري.

الـ "Zed-Fork" والـ "Doc-Search"

يذكر المؤلف أيضاً أدوات محددة قام ببنائها:

doc-search.dev: موقع إلكتروني حيث يمكنك رفع ملفات PDF والمستندات التقنية الخاصة بك. إنه يشبه مكتبة سحابية شخصية للذكاء الاصطناعي الخاص بك.
Zed-fork: نسخة من محرر الأكواد تفرض هذه القواعد. وهي تضمن أن يتبع الذكاء الاصطناعي خطوات "مكتبة المهارات" ولا يقوم بمجرد "الهلوسة" (اختلاق أشياء غير موجودة).

الخلاصة

تجادل هذه الورقة بأننا لسنا بحاجة لبناء ذكاء اصطناعي "فائق الذكاء" يعرف كل شيء. بدلاً من ذلك، يجب أن نبني مساعدين أذكياء يعرفون كيفية البحث عن المعلومات.

من خلال منح وكلاء البرمجة:

وصولاً فورياً لمستنداتك الخاصة (عبر البحث بالكلمات المفتاحية البسيط).
فهماً دقيقاً لبنية الكود الخاصة بك (عبر LSP).
سير عمل واضحاً لاتباعه (عبر مكتبة المهارات).

...يمكننا ترك العلماء والمهندسين يركزون على الاكتشاف والإبداع، بينما يتولى الذكاء الاصطناعي المهام المملة مثل قراءة الكتيبات، وإيجاد الأكواد، واتباع القواعد. هذا يحول الذكاء الاصطناعي من "طالب يدعي المعرفة بكل شيء" إلى "مساعد بحث موثوق".

بناءً على الورقة البحثية المقدمة، إليك ملخص تقني مفصل لورقة "حول تسريع تطوير الأكواد البرمجية المرتكزة على المصادر لأغراض البحث" للكاتب سانتوش غانجي.

١. بيان المشكلة

تتناول الورقة البحثية عقبة حرجة في تطبيق النماذج اللغوية الكبيرة (LLMs) والوكلاء البرمجيين (Coding Agents) في المجالات العلمية والتقنية المتخصصة (مثل علوم المواد، الهندسة الحيوية، والاتصالات اللاسلكية).

فجوة المعرفة: تفتقر النماذج التأسيسية إلى الوصول إلى المعرفة المحدثة والمتخصصة (مثل النتائج التجريبية، البروتوكولات الجديدة، أو الوثائق المملوكة حصرياً) والتي تتطور بسرعة أكبر من دورات تدريب النماذج.
محدودية الحلول الحالية:
- الضبط الدقيق (Fine-tuning): مكلف للغاية ويتطلب خبرة وبيانات قد لا يمتلكها الباحثون في المجالات المتخصصة.
- أنظمة RAG و KG-RAG المعقدة: تعاني أنظمة التوليد المعزز بالاسترجاع (RAG) واسترجاع الرسوم البيانية للمعرفة (KG-RAG) غالباً من ارتفاع التكاليف الحسابية، وزمن الاستجابة (Latency) في البيئات الديناميكية، و"الهلوسة" الناتجة عن عدم كفاية الارتكاز (Grounding). كما أنها تعتمد على التضمينات الدلالية (Semantic Embeddings) التي قد تغفل المصطلحات التقنية الدقيقة أو تتطلب صيانة معقدة.
- أخطاء الاستدلال الوكيل (Agentic Reasoning Errors): غالباً ما تتراكم الأخطاء في أطر الاستدلال متعددة الخطوات عبر سلاسل طويلة دون وجود ارتكاز حتمي وموثوق.
التحدي الجوهري: يحتاج الباحثون إلى وسيلة لدمج الوكلاء البرمجيين في سير العمل تتيح لهم الوصول اللحظي إلى المستودعات الديناميكية والوثائق التقنية دون الحاجة إلى إعادة تدريب ضخمة للنماذج أو بناء خطوط أنابيب فهرسة دلالية معقدة.

٢. المنهجية

يقترح المؤلفون إطار عمل يعطي الأولوية لـ السرعة، وقابلية التكرار، والارتكاز الحتمي على حساب الاستدلال الدلالي المعقد في مرحلة التكامل الأولي للوكلاء. تتكون المنهجية من ثلاث ركائز أساسية:

أ. استراتيجية الاسترجاع: البحث المعجمي بدلاً من التضمينات الدلالية

على عكس التوجه السائد لاستخدام التضمينات المتجهة الكثيفة (RAG)، تجادل الورقة بأن البحث المعجمي (Lexical Search) يتفوق في توفير الارتكاز للوكلاء البرمجيين في بيئات البحث سريعة التغير.

المنطق: يوفر البحث المعجمي (باستخدام BM25/TF-IDF) وصولاً فورياً وحتمياً إلى الوثائق ذات الصلة، ويتجنب تكاليف المعالجة المسبقة، والفهرسة، وضبط نماذج التضمين.
التنفيذ: يستخدم النظام Elasticsearch (المبني على Apache Lucene) لفهرسة المستندات، ويطبق استراتيجية تراجع ثلاثية المستويات:
1. match_phrase (العبارة المطابقة تماماً).
2. match مع منطق "و" (AND) (جميع الكلمات).
3. match مع منطق "أو" (OR) (أي كلمة).
الميزة: يضمن استرجاع الوكلاء للمعلومات المحدثة بسرعة وموثوقية، وهو أمر بالغ الأهمية في المجالات التقنية حيث تكون الدقة في المصطلحات أهم من التشابه الدلالي.

ب. خط أنابيب معالجة المستندات والاستيعاب

يقوم خط أنابيب قوي بمعالجة ملفات PDF الخام (التي تصل إلى 100 ميجابايت) وتحويلها إلى بيانات مهيكلة لمحرك البحث:

المعالجة المتوازية: يستخدم ProcessPoolExecutor لتقسيم المستندات الكبيرة (أكثر من 50 صفحة) إلى أجزاء يتم معالجتها بالتوازي.
الاستخراج متعدد الوسائط:
- النصوص: يتم استخراجها عبر PyMuPDF؛ مع إمكانية تحويلها إلى صيغة Markdown عبر pymupdf4llm للحفاظ على الجداول والرموز الرياضية.
- الأشكال والجداول: يتم استخراجها بالتوازي. تُحول الجداول إلى تنسيق Markdown (col1 | col2)؛ ويتم اكتشاف تسميات الأشكال (Captions) عبر استدلالات مكانية.
التقسيم (Chunking): يتم تقسيم النص إلى أجزاء ثابتة بسعة 3,000 حرف (بحد أدنى 100 حرف) دون تداخل، مما يضمن التوافق مع مواقع الصفحات.
التخزين: يتم تخزين المحتوى عبر أربعة فهارس في Elasticsearch: documents (البيانات الوصفية)، وdocument_chunks (النصوص)، وdocument_figures (الأشكال)، وdocument_tables (الجداول).

ج. تكامل الأدوات والتنسيق (Orchestration)

يعرض إطار العمل أدوات محددة للوكيل عبر "مطالب النظام" (System Prompt)، مما يتيح سير عمل "مرتكز":

أداة البحث في المستندات: واجهة برمجة تطبيقات مخصصة (search_internal) تسمح للوكلاء بالاستعلام من المتن الخاص والمحدد تقنياً مباشرة، وتجاوز البحث العام في الويب.
البحث الدلالي القائم على بروتوكول خادم اللغة (LSP): بدلاً من الاعتماد على grep (الذي يعطي نتائج مشتتة)، يدمج النظام بروتوكول خادم اللغة (LSP).
- يمكن للوكلاء استدعاء lsp_definition وlsp_references للتنقل في هياكل الأكواد، وتعريفات الرموز، وعلاقات الأنواع بدقة.
- هذا يكمل البحث النصي من خلال توفير فهم على مستوى المترجم (Compiler-level) لبنية الكود.
مكتبة المهارات (تنسيق سير العمل):
- الابتكار الجوهي هو مكتبة المهارات (Skill Library)، التي تحدد كيفية تنفيذ مهمة بحثية، وليس فقط ما هي الأدوات المتاحة.
- مثال لسير العمل: لمهمة مثل "تصميم ومحاكاة إشارات التزامن"، تفرض المهارة تسلسلاً صارماً:
  1. الاستكشاف: بحث مستندي تكراري مع توسيع الاستعلام.
  2. التركيب (Synthesis): تجميع النتائج في خطة بحث مهيكلة (الأهداف، المشكلات الفرعية، المقاييس).
  3. التخطيط: تحديد تفاصيل التنفيذ (المكتبات، تسجيل العمليات، الموارد).
  4. التنفيذ: فقط بعد ترسيخ الخطة، يقوم الوكيل باستدعاء أدوات البرمجة لتوليد كود المحاكاة.

٣. المساهمات الرئيسية

إطار عمل مرتكز على المعجم أولاً: إثبات أن البحث المعجمي الحتمي البسيط (Elasticsearch) كافٍ، بل ويتفوق غالباً على الـ RAG الدلالي المعقد لترسيخ الوكلاء البرمجيين في المجال التقني الديناميكي.
بنية بحث هجينة: نظام يجمع بين البحث في المستندات (للمعرفة الخارجية) والبحث البرمجي القائم على LSP (لهيكل الكود الداخلي)، مما يسد الفجوة بين التوثيق والتنفيذ.
تجريد مكتبة المهارات: طبقة مبتكرة تسمح للباحثين بترميز منهجيات البحث الخاصة بهم (مثل "بحث $\leftarrow$ خطط $\leftarrow$ برمج") في مسارات عمل قابلة لإعادة الاستخدام، مما يمنع الوكلاء من القفز المبكر إلى توليد الكود.
التنفيذ مفتوح المصدر: إطلاق أدوات تشمل doc-search.dev لاستيعاب المستندات وتكامل مع محرر zed-fork لفرض القواعد وسير العمل الخاص بالمجال.

٤. النتائج ودراسة الحالة

دراسة الحالة: تتحقق الورقة من إطار العمل باستخدام وثائق المعايير اللاسلكية (تحديداً بروتوكولات 5G/6G).
النتيجة: نجح النظام في تمكين الوكيل من:
- استرجاع تفاصيل تقنية محددة (مثل "إشارات التزامن في 38.331") من وثائق المعايير المملوكة.
- التنقل في قواعد الأكواد باستخدام LSP للعثور على تعريفات الدوال والمرجعيات.
- تنفيذ سير عمل بحثي متعدد الخطوات لتصميم ومحاكاة مكون لنظام اتصالات، بدءاً من مراجعة الأدبيات وصولاً إلى توليد الكود دون الهلوسة في القيود التقنية.
الأداء: وفر النهج المعجمي استجابة فورية، متجنباً زمن الاستجابة والتكاليف الحسابية المرتبطة بتوليد التضمينات وإعادة بناء الفهرس المتجهي.

٥. الأهمية

خفض عتبة الدخول: من خلال إزالة الحاجة إلى الضبط الدقيق أو خطوط أنابيب RAG المعقدة، يسمح هذا الإطار لخبراء المجال (الذين ليسوا مهندسي تعلم آلي) بالاستفادة من الوكلاء الذكيين في أبحاثهم.
الموثوقية في العلوم: يعالج إطار العمل مشكلة "الهلوسة" في البحث العلمي من خلال فرض ارتكاز صارم في المستندات وهياكل الأكواد الفعلية قبل حدوث أي عملية توليد.
أتمتة سير العمل: ينقل دور الذكاء الاصطناعي من مجرد "روبوت دردشة" بسيط إلى شريك بحث تعاوني يمكنه إدارة دورة حياة كاملة لمهمة بحثية: مراجعة الأدبيات، صياغة الفرضيات، التصميم التجريبي، والتنفيذ.
جاهزية المستقبل: تم تصميم إطار العمل للتعامل مع مجموعات البيانات سريعة التطور، مما يجعله مناسباً للمجالات التي تتغير فيها المعرفة أسبوعياً أو يومياً، على عكس أوزان النماذج الثابتة.

باختصار، تجادل الورقة بأنه بالنسبة للبرمجة العلمية المتخصصة، فإن الوصول الحتمي إلى البيانات الحالية وسير العمل المهيكل أكثر أهمية من الاستدلال الدلالي المتقدم، وتوفر بنية عملية مفتوحة المصدر لتحقيق ذلك.