🤖 AI

CAX-Agent: A Lightweight Agent Harness for Reliable APDL Automation

تقدم هذه الورقة CAX-Agent، وهو إطار عمل خفيف الوزن مصمم لتعزيز موثوقية أتمتة APDL من خلال تنفيذ بنية متعددة الطبقات ذات سلم استرداد، مما يثبت من خلال اختبارات قياسية تجريبية أن إعادة التوليد القائم على النموذج يتفوق بشكل كبير على الاستراتيجيات القائمة على القواعد أو تلك التي لا تعتمد على الاسترداد في إتمام المهام وتقليل التدخل.

المؤلفون الأصليون: Chenying Lin, Yichen Hai, Yi He, Ran Wang, Haiyan Qiang, Liang Yu

نُشر 2026-05-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Chenying Lin, Yichen Hai, Yi He, Ran Wang, Haiyan Qiang, Liang Yu

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 أنك تحاول تعليم مهندس معماري عبقري ولكنه مندفع قليلاً (الذكاء الاصطناعي) كيفية بناء جسر باستخدام دليل بناء قديم وصارم للغاية (البرنامج المسمى MAPDL). المهندس المعماري بارع في كتابة المخططات، ولكن إذا قال الدليل "خطأ: العارضة نحيفة جداً"، فقد يرتبك المهندس، أو يحاول كتابة مخطط جديد يرتكب نفس الخطأ، أو يستسلم تماماً.

تقدم هذه الورقة البحثية CAX-Agent، وهو بمثابة "مدير موقع بناء" مصمم للجلوس بين المهندس المعماري والدليل لضمان بناء الجسر بالفعل.

إليك تفصيل لكيفية عمله وما وجده الباحثون، باستخدام تشبيهات بسيطة:

1. المشكلة: فخ "المرة الواحدة والانتهاء"

عادةً، عندما تطلب من الذكاء الاصطناعي كتابة كود لمحاكاة، فإنه يحاول مرة واحدة فقط. إذا قالت الحاسبة "خطأ"، غالباً ما يصاب الذكاء الاصطناعي بالذعر أو يتوقف. هكذا يفشل المشروع بأكمله.

رؤية الورقة: بدون وجود مدير لضبط الأخطاء، فإن خطأ واحداً يوقف المسار بأكمله.

2. الحل: "حامل الوكيل" (مدير الموقع)

بدلاً من ترك الذكاء الاصطناعي يعمل دون رقابة، قام المؤلفون ببناء "حامل" (Harness). اعتبر هذا بمثابة مدير موقع صارم يقوم بـ:

مراقبة الذكاء الاصطناعي: يرى ما يكتبه الذكاء الاصطناعي.
فحص الدليل: يشغل الكود ويقرأ رسائل الخطأ.
تقرير الخطوة التالية: إذا حدث خطأ، يقرر المدير ما إذا كان سيصلحه باستخدام قاعدة سريعة أو يطلب من الذكاء الاصطناعي المحاولة مرة أخرى.

يتكون النظام من ثلاث طبقات:

الذكاء الاصطناعي (المهندس المعماري): يكتب الكود.
الحامل (المدير): ينظم العمل، ويفحص الأخطاء، ويدير عمليات إعادة المحاولة.
المُحلّل (طاقم البناء): يقوم فعلياً ببناء المحاكاة.

3. "سلم التعافي" (كيف يصلحون الأخطاء)

عندما يواجه طاقم البناء عقبة، يمتلك المدير "سلماً" من الطرق لإصلاحها، بدءاً من الأسهل إلى الأصعب:

الدرجة الأولى (القواعد): "أوه، الشبكة كبيرة جداً؟ لنقم فقط بتصغير الأرقام تلقائياً". (مثل ورقة غش مكتوبة مسبقاً).
الدرجة الثانية (النموذج): "سجل الأخطاء يقول إن العارضة خاطئة. أيها الذكاء الاصطناعي، اقرأ هذا الخطأ وأعد كتابة المخطط بنفسك".
الدرجة الثالثة (السياق): "لنقدم للذكاء الاصطناعي مزيداً من التفاصيل حول المشكلة".
الدرجة الرابعة (البشر): "حسناً، لقد علقنا. اتصل بمهندس بشري".

4. التجربة: سباق بين ثلاثة فرق

اختبر الباحثون ثلاث طرق مختلفة للتعامل مع الأخطاء في 50 مهمة بسيطة لبناء الجسور (العوارض، الصفائح، والأسطوانات). قاموا بتشغيل كل مهمة ثلاث مرات للتأكد.

الفريق (أ) (بدون تعافٍ): يحاول الذكاء الاصطناعي مرة واحدة. إذا فشل، يتوقف.
- النتيجة: مثل سائق يصطدم بحفرة فيتوقف بالسيارة فوراً. لقد فشلوا كثيراً.
الفريق (ب) (قواعد فقط): يحاول الذكاء الاصطناعي مرة واحدة. إذا فشل، يطبق المدير قاعدة صارمة ومكتوبة مسبقاً للإصلاح (مثلاً: "إذا كان الخطأ X، افعل Y").
- النتيجة: أفضل من الفريق (أ)، لكن القواعد كانت جامدة للغاية. أحياناً لم تكن "ورقة الغش" مناسبة للمشكلة المحددة.
الفريق (ج) (نموذج فقط): يحاول الذكاء الاصطناعي مرة واحدة. إذا فشل، يجبره المدير على قراءة رسالة الخطأ وإعادة كتابة الكود بنفسه، وذلك حتى ثلاث مرات.
- النتيجة: هذا الفريق فاز بفارق كبير. كان الذكاء الاصطناعي ذكياً بما يكفي لفهم سبب فشله وإصلاحه بشكل إبداعي.

5. النتائج: لماذا فاز فريق "النموذج فقط"؟

استعان الباحثون بحاكمين بشريين لمراجعة المخططات النهائية (دون معرفة هوية الفريق، لضمان الحياد) وتقييمها.

معدل النجاح: نجح الفريق (ج) (نموذج فقط) بنسبة 93%. نجح الفريق (ب) (قواعد) بنسبة 77%، بينما نجح الفريق (أ) (بدون تعافٍ) بنسبة 69% فقط.
الاستقلالية: أنهى الفريق (ج) المهمة دون الحاجة لتدخل بشري بنسبة 84% من المرات. أما الفريقان (ب) و(أ) فقد احتاجا لمساعدة بشرية بنسبة 100% عند الفشل.
"العامل البشري": فريق "القواعد فقط" تطلب في الواقع تأكيداً من إنسان قبل المحاولة مرة أخرى، وهذا هو سبب حصولهم على درجة صفر في "التدخل الصفر". أما الفريق الذي يقوده الذكاء الاصطناعي فقد أصلح الأمور من تلقاء نفسه.

6. الملاحظات (القيود)

كان المؤلفون صريحين بشأن حدود دراستهم:

المهام البسيطة: اختبروا فقط هياكل بسيطة ومباشرة (مثل العوارض المستقيمة). لم يختبروا هياكل معقدة أو ملتوية أو "فوضوية" من العالم الحقيقي.
أدوات محددة: استخدموا برنامجاً واحداً محدداً (MAPDL) ونموذج ذكاء اصطناعي واحداً.
مشكلة "الجدار النحيف": حتى الفريق الفائز واجه صعوبات مع الأجزاء الرقيقة جداً والحساسة التي يصعب إنشاء شبكة لها (مثل صفيحة معدنية رقيقة جداً). أحياناً لم يستطع الذكاء الاصطناعي فهم كيفية بناء الشبكة لتلك الأشكال المحددة.

الخلاصة

تثبت هذه الورقة أنه إذا كنت تريد أتمتة عمليات المحاكاة الهندسية باستخدام الذكاء الاصطناعي، فلا يمكنك مجرد تركه يكتب الكود وتأمل الأفضل. أنت بحاجة إلى مدير (الحامل) يجبر الذكاء الاصطناعي على قراءة أخطائه والمحاولة مرة أخرى.

بينما تساعد "أوراق الغش" البسيطة (القواعد) قليلاً، فإن جعل الذكاء الاصطناعي يفكر في أخطائه الخاصة ويعيد كتابة خطته هو السبيل الوحيد للحصول على نظام يعمل بموثوقية دون الحاجة إلى إنسان يمسك بيده في كل مرة يتعثر فيها.

ملخص تقني: وكيل CAX-Agent لأتمتة APDL الموثوقة

بيان المشكلة

تواجه النماذج اللغوية الكبيرة (LLMs) التي يتم نشرها لمحاكاة تحليل العناصر المحدودة في الميكانيكا والتصميم (MAPDL) تحديات كبيرة في الموثوقية. وبينما يمكن لهذه النماذج توليد الأكواد، إلا أنها تفتقر غالباً إلى التحكم الهيكلي في التنفيذ، وتغليف الأدوات، وآليات التعافي من الأخطاء المطلوبة لسير العمل الهندسي. في خطوط أنابيب المحاكاة، تعد أخطاء وقت التشغيل — مثل فشل التوليد الشبكي (meshing)، أو مشاكل التقارب، أو فقدان النتائج — أمراً شائعاً حتى في المهام البسيطة بنيوياً. وبدون آليات تعافي صريحة، يؤدي خطأ واحد إلى إنهاء خط الأنابيب بأكمله. كما أن أطر عمل الوكلاء الحالية غالباً ما تتوقع من النموذج اللغوي الكبير إدارة تنفيذه بنفسه، مما يفشل في توفير الهيكل الهندسي الضروري للأتمتة القوية والقابلة للتكرار. وهناك نقص في الأدلة التجريبية المنضبطة التي تقارن بين سياسات التعافي المختلفة (مثل القائمة على القواعد مقابل القائمة على النماذج) تحت ظروف متكررة مع نتائج تم التحقق منها بشرياً.

المنهجية

بنية النظام: CAX-Agent

يقدم البحث CAX-Agent، وهو إطار عمل (harness) خفيف الوزن ومخصص للمجال، صُمم خصيصاً لأتمتة APDL بدلاً من مجرد تكييف إطار عمل عام. تنقسم البنية إلى ثلاث طبقات:

طبقة خدمة النموذج اللغوي الكبير (LLM Service Layer): تتضمن نموذجاً محلياً خفيف الوزن (Qwen-27B) لتوليد المسودة الأولى السريع، وواجهة برمجة تطبيقات خارجية عالية القدرة (Claude Sonnet 4.6) للاستدلال المعقد والإصلاح.
إطار عمل الوكيل (المنسق - Agent Harness): يعمل هذا الوسيط على إدارة دورات حياة الأدوات، وحالة سير العمل، وتشخيص الأعطال. ومن الأهمية بمكان أن المنسق — وليس النموذج اللغوي — هو من يمتلك ميزانيات إعادة المحاولة، وتوزيع الأدوات، وشروط التوقف. وهو ينفذ "سلم التعافي" (Recovery Ladder) الذي يتدرج من التصحيح الحتمي القائم على القواعد إلى إعادة التوليد المدفوع بالنموذج، وإثراء السياق، وصولاً إلى التدخل البشري.
الخلفية البرمجية للمحلل (Solver Backend): واجهة موحدة تتصل بمحركات MAPDL (مثل PyMAPDL، أو CLI، أو أوضاع الاحتياط).

التصميم التجريبي

تقيم الدراسة ثلاث استراتيجيات تعافي متميزة على مجموعة مرجعية مكونة من 50 مهمة هيكلية قياسية (عوارض، صفائح، أسطوانات تحت أحمال استاتيكية، ديناميكية، وحرارية). تم اختيار المهام لتكون بسيطة عمداً لعزل تأثير سياسة التعافي بدلاً من صعوبة المهمة.

بدون تعافي (No Recovery): تنفيذ لمرة واحدة دون أي محاولات إصلاح.
* القواعد فقط (Rule Only): تصحيح حتمي يعتمد على تحويل السجلات (log-to-patch) باستخدام أربع قواعد للتحويل النصي (مثل مضاعفة حجم العنصر عند فشل التوليد الشبكي، أو إدراج خطوات زمنية عند مشاçل التقارب) دون استدلال إضافي من النموذج.
النموذج فقط (Model Only): إعادة توليد مشروطة بسجل الخطأ مع محاولات إعادة محاولة محدودة (حتى 3 جولات إجبارية)، حيث يقرأ النموذج اللغوي سجل الخطأ، ويشخص الفشل، ويعيد توليد السكريبت.

مقاييس التقييم

تم تقييم كل حالة من أصل 450 تشغيلاً (50 مهمة × 3 استراتيجيات × 3 تكرارات) باستخدام:

درجة المهمة ( $t_i$ ): درجة يقيمها البشر (0–4) لصحة واكتمال الصورة الناتجة.
درجة الاستقلالية ( $a_i$ ): درجة مستمدة من النظام (0–3) بناءً على ما إذا كان التدخل اليدوي مطلوباً.
درجة كفاءة التعافي ( $e_i$ ): تعتمد على عدد محاولات إعادة المحاولة ونتائج المحلل.
الدرجة الإجمالية ( $q_i$ ): مجموع المقاييس أعلاه ( $t_i + a_i + e_i$ )، وتتراوح من 0 إلى 10.
معدل الإنجاز: مقياس ثنائي يشير إلى ما إذا تم إنتاج صورة معالجة لاحقة واحدة على الأقل.
التحليل الإحصائي: مقارنات زوجية باستخدام معامل Cliff's $\delta$ (حجم الأثر) واختبار Mann–Whitney U، مع قياس الاتفاق بين المقيمين باستخدام معامل التربيع الموزون لـ Cohen's $\kappa$ (0.84).

المساهمات الرئيسية

بنية CAX-Agent: إطار عمل مكون من ثلاث طبقات ومخصص لـ MAPDL، يتميز بسلم التعافي ونموذج تحكم مركزي في المنسق يفصل بين الإصلاح الدلالي (النموذج اللغوي) والتحكم في التنفيذ (الإطار).
التقييم التجريبي المنضبط: مقارنة صارمة ومتكررة لثلاث استراتيجيات تعافي على 50 مهمة APDL معيارية، باستخدام تقييم بشري أعمى وتحقق من تعدد المقيمين.
الأدلة التجريبية: إثبات أن التعافي المدفوع بالنموذج يتفوق بشكل كبير على كل من الإصلاح القائم على القواعد وخط الأساس (بدون تعافي) من حيث معدلات الإنجاز، وجودة المخرجات، والاستقلالية.

النتائج

حققت استراتيجية النموذج فقط (Model Only) أداءً فائقاً في جميع المقاييس مقارنة باستراتيجيتي القواعد فقط وبدون تعافي:

معدل الإنجاز: تفوقت استراتيجية "النموذو فقط" (0.9267) بشكل كبير على "القواعد فقط" (0.7733) و"بدون تعافي" (0.6933). ولم تتداخل فترات الثقة 95% لـ "النموذج فقط" مع خطوط الأساس.
جودة المهمة: حققت استراتيجية "النموذج فقط" متوسط درجة مهمة قدره 3.59/4، مقارنة بـ 3.17/4 لـ "القواعد فقط" و2.74/4 لـ "بدون تعافي".
الدرجة الإجمالية: سجلت استراتيجية "النموذج فقط" 9.16/10، وهي أعلى بكثير من "القواعد فقط" (7.03/10) و"بدون تعافي" (5.60/10).
معدل عدم التدخل: حققت استراتيجية "النموذج فقط" 0.84، بينما حققت "القواعد فقط" 0.00. ويشير البحث إلى أن صفر "القواعد فقط" يعكس خاصية تصميمها التي تتطلب تأكيداً بشرياً قبل إعادة التنفيذ، مما يمنع التشغيل المستقل تماماً.
أحجام الأثر: لوحظت أحجام أثر كبيرة (Cliff's $\delta$ = 0.81–0.87) بين "النموذج فقط" والاستراتيجيات الأخرى، مما يشير إلى احتمالية عالية بأن أي تشغيل عشوائي لـ "النموذج فقط" يتفوق على تشغيل "القواعد فقط".

تحليل الفشل: تركزت حالات الفشل المتبقية في إعدادات الهياكل الاستاتيكية، خاصة تلك التي تتضمن ميزات هندسية حساسة للشبكة أو ذات جدران رقيقة. وُجد أن القواعد الحتمية غير كافية لأخطاء المحلل والمسارات البرمجية طويلة الذيل، بينما تكيف الإصلاح المدفوع بالنموذج مع تواقيع الفشل الأوسع.

الأهمية والادعاءات

يزعم البحث أن CAX-Agent يثبت أن إطار عمل خفيف الوزن ومخصص للمجال يمكن أن يحول محاكاة MAPDL من استدعاءات مبعثرة وغير موثوقة للنماذج اللغوية الكبيرة إلى سير عمل هندسي قياسي وقابل للتتبع والتكرار.

وتشمل النتائج الرئيسية ما يلي:

ضرورة التعافي: آليات التعافي الصريحة هي جوهر موثوقية النظام؛ فبدونها، تؤدي الأخطاء الفردية إلى إنهاء خطوط الأنابيب.
تفوق الإصلاح المدفوع بالنموذج: بينما توفر القواعد الحتمية بعض التحسين مقارنة بعدم وجود تعافي، إلا أنها لا ترفع جودة المخرجات أو تحقق الاستقلالية الكاملة بشكل موثوق. لذا، يعد التعافي المدفوع بالنموذج الاستراتيجية الافتراضية الأكثر عملية لنشر CAX الحالي.
التحكم المركزي للمنسق: إن فصل استدلال النموذج اللغوي عن التحكم في التنفيذ الخاص بالإطار (ميزانيات إعادة المحاولة، شروط التوقف) يوفر ضمانات سلوكية لا يمكن للتحفيز (prompting) وحده تحقيقها.
المساهمة المنهجية: توفر الدراسة نموذجاً قابلاً للتكرار للتقييم التجريبي للإطراف (التحليل الاستئصالي المنضبط، التشغيل المتكرر، التقييم متعدد المحاور) والذي يمكن تطبيقه على مكونات الإطار الأخرى وخلفيات المحاكاة المختلفة.

يحافظ المؤلفون على التواضع فيما يتعلق بالنطاق، مشيرين إلى أن الاختبار المرجعي يستخدم هندسات بسيطة والمرونة الخطية. ويذكرون أن التحقق من الصحة عبر اختبارات مرجعية أكبر وأكثر تنوعاً وعبر عدة خلفيات للمحللات مطلوب قبل النشر العملي في البيئات الصناعية المعقدة. ومع ذلك، فإن النتيجة الجوهرية — وهي أن التعافي المدفوع بالنموذج يتفوق على النهج القائم على القواعد والنهج الذي لا يتضمن تعافياً تحت ظروف محكومة — تُقدم كإثبات قوي وذي دلالة إحصائية.