💻 computer science

The Last Harness You'll Ever Build

تقدم هذه الورقة إطار عمل ثنائي المستوى يعمل على أتمتة إنشاء وتحسين أطر عمل الوكلاء الاصطناعيين (AI agent harnesses) من خلال حلقة تطور للأطر (Harness Evolution Loop) للمهام الفردية، وحلقة تطور ميتا (Meta-Evolution Loop) تتعلم بروتوكولاً عالمياً، مما يؤدي في النهاية إلى إلغاء الحاجة إلى هندسة الأطر يدوياً عند تكييف الوكلاء مع مجالات جديدة.

المؤلفون الأصليون: Haebin Seong, Li Yin, Haoran Zhang

نُشر 2026-04-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Haebin Seong, Li Yin, Haoran Zhang

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 متدرباً ذكياً للغاية، متدرباً عبقرياً. هذا المتدرب (النموذج الذكي - AI Model) يعرف كل شيء في العالم، قرأ كل الكتب، ويمكنه حل المسائل الرياضية المعقدة في ذهنه. لكن هناك عقبة: هذا المتدرب لم يسبق له القيام بأي وظيفة فعلياً؛ فهو لا يعرف كيفية استخدام الكمبيوتر، ويرتبك بسبب التعليمات غير المنظمة، وغالباً ما ينسى مراجعة عمله.

لجعل هذا المتدرب مفيداً، عليك بناء "محطة عمل" له. تمنحه قائمة مهام، ومجموعة من الأدوات، ومديراً لمراجعة عمله، وطريقة محددة للتواصل معه. في عالم التكنولوجيا، تُسمى محطة العمل هذه "الحاصرة" (Harness).

المشكلة: بناء محطة العمل أمر صعب

في الوقت الحالي، إذا أردت من متدربك الذكي القيام بمهمة محددة — مثل "إصلاح الأخطاء في هذا الكود البرمجي" أو "حجز رحلة طيران لمدير تنفيذي" — فأنت بحاجة إلى خبير بشري لبناء محطة عمل مخصصة له.

يتعين عليه كتابة التعليمات المثالية.
يتعين عليه بناء الأدوات التي يحتاجها الذكاء الاصطناعي.
يتعين عليه إعداد نظام لتقييم عمل الذكاء الاصطناعي.

هذا يشبه استئجار نجار ماهر لبناء مكتب مخصص لكل مهمة جديدة يتولاها متدربك. إنها عملية بطيئة، ومكلفة، وتتطلب الكثير من المهارة البشرية.

الحل: ورشة عمل ذاتية التحسين

تقدم الورقة البحثية نظاماً يقوم بأتمتة هذه العملية برمتها. الأمر يشبه منح متدربك "ورشة عمل سحرية" يمكنها إعادة تصميم نفسها لتكون مثالية لأي وظيفة، دون أن تحرك أنت إصبعاً واحداً.

يحدث هذا على مستويين:

المستوى الأول: حلقة "جرب، انتقد، أصلح" (حلقة تطور الحاصرة)

تخيل أن متدربك يحاول خبز كعكة.

العامل: يحاول المتدرب خبز الكعكة باستخدام تعليماته الحالية.
الناقد: ناقد طعام صارم (المُقيّم - Evaluator) يتذوق الكعكة. وبدلاً من الاكتفاء بالقول "مذاقها سيء"، يكتب تقريراً مفصلاً: "الدقيق كان قديماً جداً، لقد خلطت المزيج بسرعة كبيرة، ونسيت السكر".
المهندس المعماري: مهندس رفيع المستوى (وكيل التطور - Evolution Agent) يقرأ ذلك التقرير. هو لا يكتفي بإصلاح الكعكة فحسب؛ بل يعيد كتابة كتاب الوصفات ويغير أدوات المطبخ. ربما يضيف مؤقتاً زمنياً، أو يستبدل وعاء الخلط، أو يغير التعليمات لتصبح "اخلط ببطء".

هم يكررون هذه الدورة: اخبز ← انتقد ← أعد تصميم المطبخ ← اخبز مرة أخرى. وفي النهاية، يصبح المطبخ مضبوطاً بدقة لخبز تلك الكعكة تحديداً وببراعة.

في الورقة البحثية: تقوم هذه الحلقة تلقائياً بتعديل مطالبات (Prompts) الذكاء الاصطناعي، وأدواته، ومنطقه حتى يتقن مهمة واحدة.

المستوى الثاني: "المعلم الخبير" (حلقة التطور الفائق)

هنا يصبح الأمر رائعاً حقاً.

حتى الآن، علمنا ورشة العمل كيفية خبز كعكة واحدة محددة. ولكن ماذا لو أردت خبز بيتزا بعد ذلك؟ أو "سوفليه"؟ ستضطر إلى بدء حلقة "جرب، انتقد، أصلح" من الصفر مرة أخرى.

حلقة التطور الفائق (Meta-Evolution Loop) هي بمثابة معلم خبير يراقب العملية برمتها.

يراقب المعلم الخبير ورشة العمل وهي تحاول خبز كعكة، ثم بيتزا، ثم فطيرة.
يلاحظ الأنماط: "مهلاً، في كل مرة نبدأ فيها بوصفة فارغة، نستغرق 10 محاولات للوصول للنتيجة الصحيحة. لكن إذا بدأنا بـ 'دليل استرشادي' و'أداة فحص سريع'، فإننا نحتاج محاولتين فقط!".
يقوم المعلم الخبير بعد ذلك بإعادة كتابة قواعد ورشة العمل نفسها. يغير كيفية تقديم الناقد للملاحظات، وكيفية قيام المهندس المعماري بتصميم المطبخ.

النتيجة: تتعلم ورشة العمل كيف تتعلم. الآن، عندما تعطيه مهمة جديدة تماماً (مثل "تصميم موقع إلكتروني")، فهي لا تحتاج للبدء من الصفر. بل تعرف فوراً أفضل طريقة لإعداد المطبخ، وأفضل طريقة لانتقاد العمل، وأفضل طريقة لإصلاح الأخطاء.

الصورة الكبيرة

الطريقة القديمة: خبير بشري يبني روبوتاً مخصصاً لكل وظيفة جديدة.
الطريقة الجديدة (هذه الورقة): نحن نبني روبوتاً يبني روبوتات. ومن ثم، نبني نظاماً يعلم ذلك الروبوت كيف يبني روبوتات بشكل أسرع وأفضل.

يطلق المؤلفون على هذا اسم "آخر حاصرة ستبنيها على الإطلاق". الفكرة هي أنه بمجرد تدريب هذا النظام، لن تعود بحاجة لأن تكون خبيراً في "هندسة الحاصرات". يمكنك فقط توجيه ذكاء اصطناعي عام نحو مشكلة جديدة وصعبة، وسيقوم النظام تلقائياً بتطوير الإعداد المثالي لحلها.

باختاً: لقد ابتكروا نظاماً لا يكتفي بحل المشكلات فحسب، بل يحل مشكلة كيفية تعليم الذكاء الاصطناعي كيفية حل المشكلات.

إليك ملخص تقني مفصل للتقرير التقني "آخر حزام (Harness) ستقوم ببنائه على الإطلاق" من إعداد هيبين سونغ، لي ين، وهوران تشانغ من شركة Sylph.AI.

1. بيان المشكلة

يتم نشر وكلاء الذكاء الاصطناعي (AI agents) بشكل متزايد في تدفقات عمل معقدة ومتخصصة في مجالات معينة (مثل: التنقل في صفحات الويب الخاصة بالمؤسسات، البحث متعدد الخطوات، مراجعة الأكواد البرمجية). ومع ذلك، فإن جعل النماذج الأساسية (foundation models) فعالة في هذه المجالات يتطلب "هندسة الحزام" (harness engineering).

العقبة: يتكون "الحزام" من السقالات (scaffolding) المحيطة بالنموذج: المطالبات النظامية (system prompts)، تعريفات الأدوات، منطق التنسيق (orchestration logic)، معايير التقييم، والبنية التحتية.
القصور: يتطلب تصميم هذه الأحزمة حالياً هندسة بشرية مكثفة تعتمد على الخبراء. وبينما يوجد تحسين تلقائي للمطالبات (prompt optimization) للمكونات الفردية، لا يوجد إطار عمل يعمل على أتمتة تحسين "الحزام بأكمله" (الأدوات، المنطق، والبنية التحتية) أو عملية تصميم هذا الأتمتة نفسها.
الهدف: القضاء على الحاجة إلى هندسة الحزام البشرية من خلال إنشاء نظام يمكنه تطوير أحزمة وكلاء عالية الأداء لأي مجال مهام جديد تلقائياً.

2. المنهجية

يقترح المؤلفون إطار عمل ثنائي المستوى يعمل على أتمتة هندسة الحزام وتصميم عملية الهندسة نفسها.

المستوى الأول: حلقة تطور الحزام (الحلقة الداخلية - Inner Loop)

تعمل هذه الحلقة على تحسين حزام وكيل عامل (worker agent) محدد ( $H$ ) لمهمة واحدة ( $t$ ) من خلال دورة مغلقة من ثلاثة وكلاء متخصصين:

الوكيل العامل ( $W_H$ ): هو الوكيل الخاضع للتحسين، ويتم تحديد معالمه بواسطة حزامه الحالي $H$ . يقوم بتنفيذ المهمة وينتج مسار تنفيذ ( $\tau$ ).
وكيل التقييم ( $V$ ): مراجع خصمي (adversarial reviewer) يحلل المسار. يقوم بـ:
- التحقق من الحالة (State Verification): يتأكد مما إذا كان الوكيل قد أدرك البيئة بشكل صحيح (لكشف الهلوسة).
- فحص المعايير (Criteria Checking): يتحقق من معايير النجاح مقابل الحقيقة الأرضية (ground truth).
- تدقيق الأداء (Performance Auditing): يميز بين زمن الاستجابة الحسابي وبين عدم الكفاءة السلوكية.
- التسجيل (Scoring): يمنح حكماً بالنجاح أو الفشل ودرجة عددية.
وكيل التطور ( $E$ ): يعمل بمثابة "مهندس أقدم". يحلل التاريخ الكامل للمحاولات (المسارات، التقارير، الدرجات) لتحديد أنماط الفشل (مثل: سوء استخدام الأدوات، أو حلقات التفكير المفرغة). ثم يقوم بتعديل الحزام $H$ (المطالبات، الأدوات، منطق التنسيق، إعدادات النموذج) لمعالجة هذه الأسباب الجذرية.

العملية: بدءاً من حزام أولي $H^{(0)}$ ، تكرر الحلقة $K$ من المرات. يقوم وكيل التطور بتحديث الحزام بناءً على التاريخ، بهدف الوصول إلى أفضل حزام أداء $H^{(best)}$ .

المستوى الثاني: حلقة التطور الميتا (الحلقة الخارجية - Outer Loop)

تعمل هذه الحلقة على تحسين بروتوكول التطور ( $\Lambda$ ) نفسه. يحدد البروتوكول $\Lambda = (W_H, H^{(0)}, V, E)$ كيفية عمل الحلقة الداخلية.

الهدف: بدلاً من مجرد العثور على حزام جيد لمهمة واحدة، يتعلم النظام بروتوكول $\Lambda^{(best)}$ يمكّنه من تحقيق تقارب سريع لأي مهمة جديدة.
الآلية:
- يقوم وكيل التطور الميتا ( $E_{meta}$ ) بتشغيل حلقة تطور الحزام عبر مجموعة متنوعة من مهام التدريب الميتا ( $T_{train}$ ).
- يقوم بتجميع درجات الأداء عبر هذه المهام.
- يقوم بتعديل مكونات $\Lambda$ (على سبيل المثال: مطالبة وكيل التقييم، استراتيجية التشخيص لوكيل التطور، وظائف التسجيل، والمعلمات الفائقة للحلقة) لتحسين سرعة وموثوقية التكيف.
الصياغة الرسمية: هذا يرتبط مباشرة بـ التعلم الميتا (Meta-Learning).
- الحلقة الداخلية: تكيف الحزام $H$ مع مهمة محددة.
- الحلقة الخارجية: تكيف خوارزمية التعلم (البروتوكول $\Lambda$ ) للتعميم عبر المهام.

3. المساهمات الرئيسية

صياغة مفهوم حزام الوكيل (Agent Harness): يعرّف البحث الوكيل ليس فقط كنموذج، بل كـ $Agent = Model + Harness$، حيث يتضمن الحزام المطالبات، الأدوات، البنية التحتية، ومنطق التنسيق.
هندسة الحزام المؤتمتة: تقديم حلقة تطور الحزام، التي تعمل على أتمتة تصميم المطالبات والأدوات والمنطق من خلال التقييم الخصمي والتعديل التطوري، مما يلغي الحاجة إلى التكرار البشري.
التطور الميتا للأتمتة: تمثل حلقة التطور الميتا خطوة مبتكرة حيث يتعلم النظام كيفية تطوير الأحزمة. إنه يحسن عملية الهندسة نفسها، مما يخلق بروتوكولاً $\Lambda^{(best)}$ يسمح للوكلاء بالتكيف مع المجالات الجديدة دون تدخل بشري.
المطابقة النظرية: يقدم المؤلفون ربطاً دقيقاً بين إطار عملهم ونظرية التعلم الميتا القياسية (الجدول 1)، مما يصيغ العلاقة بين تكيف المعلمات ( $\theta$ ) وتكيف الحزام ( $H$ ).

4. النتائج

ملاحظة: بما أن هذا تقرير تقني يقترح إطار عمل، يركز النص على التصميم المعماري والصياغة النظرية بدلاً من جداول الاختبارات التجريبية.

التحقق من إطار العمل: يقدم البحث الخوارزميات (الخوارزمية 1 لتطور الحزام، والخوارزمية 2 للتطور الميتا) وهيكل النظام (الشكل 1) كنموذج تنفيذي كامل.
القدرة المزعومة: يؤكد المؤلفون أن إطار العمل هذا يمكنه التعامل مع المهام التي كانت تُعتبر سابقاً "هشة للغاية أو متخصصة للغاية" بالنسبة للوكلاء المستقلين، مثل تدفقات عمل العملاء المعقدة والعمليات المؤسسية المتخصصة في المجال.
العمل المستقبلي: يحدد التقرير خططاً لإصدار نتائج تجريبية توضح قدرة إطار العمل على اختراق فئات المهام الصعبة، وإصدار منتج يعتمد على $\Lambda^{(best)}$ المتعلم.

5. الأهمية

تحول جذري في النموذج (Paradigm Shift): يقترح البحث تحولاً من هندسة الحزام اليدوية إلى هندسة الحزام المؤتمتة، وصولاً إلى أتمتة تصميم الأتمتة.
القابلية للتوسع: من خلال تعلم بروتوكول تطور عالمي، يلغي النظام تكلفة الهندسة "لمرة واحدة" المرتبطة بكل مجال جديد. يمكن لبروتوكول واحد متعلم نظرياً أن يمكّن وكيلاً عام الغرض من التخصص في أي مجال جديد فوراً.
المتانة الخصمية: من خلال فصل وكلاء العمل والتقييم والتطور، يضيف النظام فحصاً خصمياً صارماً يمنع الوكيل من التحسين من أجل تحقيق نتائج إيجابية كاذبة أو نجاحات مبنية على الهلوسة.
مستقبل وكلاء الذكاء الاصطناعي: يشير هذا العمل إلى مسار نحو وكلاء ذكاء اصطناعي مستقلين تماماً يمكنهم تحسين أنفسهم وتخصص أنفسهم، مما يزيل الاعتماد على الخبراء البشريين لبناء "السقالات" المطلوبة للمهام المعقدة.

باختدال، يجادل بحث "آخر حزام ستقوم ببنائه على الإطلاق" بأن مستقبل وكلاء الذكاء الاصطناعي لا يكمن في نماذج أساسية أفضل، بل في الأنظمة المؤتمتة التي يمكنها تصميم وتحسين البنية التحتية البرمجية (الأحزمة) التي تجعل تلك النماذج مفيدة بشكل متكرر.