🤖 AI

Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning

إن أرغوس (Argus) هو بيئة تشغيل وكيلة عامة الأغراض وثابتة الأوزان، تحقق أداءً فائقاً في الاستنتاج طويل المدى عبر معايير متنوعة من خلال استخدام حالة مستمرة وذاتية التطور تُدار بواسطة أدوار متخصصة للتحقق والتعافي وتحسين مسارات المهام بشكل مستقل.

المؤلفون الأصليون: Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang

نُشر 2026-08-06

📖 6 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang, Shibo Hu, Hangxi Guo, Yilin Chen, Yuzhe Zhang, Fan Yang, Chuan Wen, Xian Zhang, Xuanhe Zhou, Zhijie Deng

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

المحقق طويل الأمد: لماذا يحتاج الذكاء الاصطناي إلى ذاكرة ومدرب

تخيل أنك تحاول حل لغز ضخم يمتد لعدة أيام، مثل معرفة كيفية بناء روبوت يعمل من الصفر أو كتابة رواية منطقية حقاً. إذا كنت برنامج كمبيوتر من قبل بضع سنوات، فقد تحاول حل المشكلة عن طريق قراءة التعليمات، ثم التخمين، ثم نسيان كل ما فعلته فوراً قبل المحاولة مرة أخرى. هكذا كانت تعمل العديد من "وكلاء" الذكاء الاصطناعي في البداية: كانوا مثل محقق يحل خيطاً واحداً، ثم يعاني من فقدان ذاكرة كلي، ويضطر لبدء التحقيق بأكمله من البداية في كل مرة يصل فيها إلى طريق مسدود. كانوا سريعين في القراءة، لكنهم سيئون جداً في التعلم من أخطائهم على مدى فترة طويلة.

إن مجال "الاستدلال طويل الأفق" (long-horizon reasoning) يتمحور حول إصلاح هذا الأمر. فهو يتساءل: كيف يمكن للذكاء الاصطناعي أن يحافظ على خطة مستمرة لأيام أو أسابيع، ويتذكر ما جربه بالأمس، ويغير استراتيجيته عندما يدرك أنه يسير في الطريق الخطأ؟ الفكرة الجوهرية هنا هي أن الذكاء لا يقتصر فقط على امتلاك عقل كبير (نموذج قوي)؛ بل يتعلق بامتلاك دفتر ملاحظات جيد (ذاكرة مستمرة) ومدرب صارم (تحقق) يمنعك من الكذب على نفسك عندما تتعثر. تتناول هذه الورقة البحثية مشكلة كيفية بناء نظام ذكاء اصطناعي لا يدور في حلقات مفرغة فحسب، بل يطور أساليبه الخاصة بمرور الوقت، ويصبح أفضل في حل المشكلات الصعبة دون الحاجة إلى إعادة تدريبه من الصفر.

تعرف على "آرغوس": الذكاء الاصطناعي الذي يتعلم تغيير المسار

تعرف على آرغوس (Argus)، وهو نوع جديد من "بيئات تشغيل" الذكاء الاصطناعي (فكر فيه كنظام تشغيل أو المحرك الذي يشغل عقل الذكاء الاصطناعي). أدرك الباحثون وراء "آرغوس"، وهم فريق من شركة مايكروسوفت وعدة جامعات مرموقة، أنه لكي يتمكن الذكاء الاصطناعي من معالجة المشاريع الصعبة حقاً وطويلة الأمد، لا يمكنه مجرد المضي قدماً بشكل أعمى. إذا كان الذكاء الاصطناعي يحاول إصلاح خطأ برمجي (bug) في قاعدة بيانات برمجية ضخمة أو إثبات نظرية رياضية معقدة، فقد يقضي ساعات في السير في مسار يتبين لاحقاً أنه طريق مسدود. الذكاء الاصطناعي العادي قد يستمر في الدفع والضغط، مما يهدر الوقت والطاقة. أما "آرغوس" فهو مختلف: لقد صُمم لكي يغير مساره (pivots).

فكر في "آرغوس" كفريق بحثي عالي التنظيم يعمل في مكتب مشترك، بدلاً من شخص واحد يعمل بمفرده. يتكون هذا الفريق من أربعة أدوار متميزة، ولا يخلطون بين وظائفهم أبداً:

المدير: هو الرئيس الذي يمتلك الرؤية الشاملة. يتأكد من بقاء الفريق مركزاً على الهدف الأصلي (مثل "بناء روبوت") حتى لو تغيرت الخطة اليومية.
المخطط: هو الاستراتيجي الذي يجزئ الهدف الكبير إلى مهام صغيرة قابلة للتنفيذ يومياً.
المهندس: هو الباني الذي يقوم فعلياً بكتابة الكود، أو إجراء التجارب، أو القيام بالعمليات الحسابية.
المراجع: هو مفتش مراقبة الجودة الصارم. مهمته هي النظر فيما بناه المهندس وقول: "هذا جيد"، "هذا يحتاج إلى إصلاح"، أو "توقف، هذا المسار طريق مسدود".

سحر "آرغوس" يكمن في أنه يعامل الفشل كبيانات. فعندما يجرب المهندس طريقة ما وتفشل، لا يكتفي المراجع بقول "أوه، خطأ". بل يسجل بدقة لماذا فشلت. يتم حفظ هذا السجل في "حالة المشروع" الدائمة (دفتر الملاحظات المشترك للفريق). لاحقاً، إذا حاول الفريق سلوك نفس الطريق المسدود مرة أخرى، يتذكر النظام: "مهلاً، لقد جربنا هذا بالأمس ولم ينجح"، ثم يغير مساره إلى فكرة جديدة. هذا ما يسمى الاستمرار الموجه بالتحقق (verification-guided persistence). لا "يتعلم" النظام (يحدث ذاكرته) إلا إذا تحقق المراجع من أن المعلومات الجديدة حقيقية ومفيدة بالفعل.

ماذا وجدوا: أفضل في إصلاح الكود وكتابة الأوراق البحثية

اختبر الفريق "آرغوس" في بعض التحديات الصعبة للغاية لمعرفة ما إذا كان نهج "الفريق مع الذاكرة" هذا يعمل حقاً.

1. اختبار إصلاح الكود (SWE-Bench Pro)
أعطوا "آرغوس" 731 خطأً برمجياً من واقع العالم الحقيقي لإصلاحها. هذا يشبه إعطاء مبرمج قاعدة بيانات برمجية فوضوية ومعطلة وطلب إصلاحها دون مساعدة بشرية.

النتيجة: نجح "آرغوس" في إصلاح حوالي 78% من الأخطاء.
المقارنة: تمكنت أداة ذكاء اصطناعي قياسية (Direct Copilot) من إصلاح 59% منها فقط.
التكلفة: استخدم "آرغوس" حوالي 1.41 مرة أكثر من "الرموز" (tokens) - وهي الوحدات الأساسية للتفكير - مقارنة بالأداة القياسية.
الخلاصة: كان "آرغوس" أكثر دقة بشكل ملحوظ، رغم أنه استهلك جهداً أكبر في التفكير. لقد أثبت أن تخصيص الوقت للتحقق من العمل وتذكر الأخطاء الماضية يؤتي ثماره.

2. اختبار "الذكاء المتزايد" (التطور الذاتي)
هذا هو الجزء الأكثر إثارة. راقب الباحثون "آرغوس" بمرور الوقت. لم يغيروا "دماغ" الذكاء الاصطناعي (بقيت أوزان النموذج كما هي تماماً). بدلاً من ذلك، تركوا النظام يبني "دفتر ملاحظاته" الخاص بالمهارات والذكريات.

النتيجة: مع تشغيل النظام لمزيد من المهام وملء دفتر ملاحظاته بالمهارات التي تم التحقق منها، أصبح أسرع وأقل تكلفة. في المراحل المتأخرة من الاختبار، استخدم "آرغوس" رموزاً أقل بنسبة 21% ووقتاً أقل بنسبة 15% لكل مهمة مقارنة ببدايته.
المعنى: لم يكن الذكاء الاصطناعي بحاجة إلى إعادة تدريب ليصبح أفضل؛ كان يحتاج فقط إلى تذكر ما تعلمه. لقد طور "حالة تشغيل" خاصة به، ليصبح عاملاً أكثر كفاءة دون تغيير دماغه الأساسي.

3. اختبار "لا تكذب على نفسك" (تدخل المراجع)
تتبع الفريق عدد المرات التي تدخل فيها المراجع. من بين 731 مهمة، تم استدعاء المراجع في 466 منها.

الإنقاذ: في 43 حالة، قال المراجع: "هذا لم ينتهِ بعد، حاول مجدداً". وبعد أن حاول المهندس مرة أخرى، تم إصلاح 34 من تلك المهام بنجاح، و22 منها تم إصلاحها بجودة عالية لدرجة أنها اجتازت مراجعة ثانية أكثر صرامة.
المنع: منع المراجع أيضاً النظام من الادعاء بالانتصار في 35 مهمة كانت في الواقع مستحيلة أو معطلة. هذا أمر ضخم: يعني أن النظام تعلم أن يقول "لا أستطيع فعل هذا" بدلاً من اختلاق حل زائف (hallucination).

ما وراء الكود: الرياضيات، الرقائق، والأوراق البحثية

لم يتوقف "آرغوس" عند إصلاح الكود فحسب. أظهر الفريق قدرته على التعامل مع مهام أخرى "طويلة الأفق":

الأبحاث الرياضية: في حملة لإثبات نظرية رياضية معقدة، احتفظ "آرغوس" بسجل لمسار واحد ثبت خطؤه (مسار مفند). وبدلاً من حذفه، احتفظ به كعلامة "ممنوع الدخول". ساعد هذا النظام على تجنب ذلك الطريق المسدود لاحقاً ونجح في تعزيز حدود النظرية.
كتابة الأوراق البحثية: أجروا ستة مشاريع بحثية مختلفة لكتابة أوراق علمية. تعامل النظام مع 254 مهمة، وصمد أمام 16 عملية تراجع رئيسية (حيث اضطر لتغيير خطته بالكامل)، ومع ذلك تمكن من إنهاء جميع الأوراق الستة. حتى أن أحد المشاريع حول فكرة فاشلة إلى دراسة ناجحة عن "النتائج السلبية"، مما أثبت أن اكتشاف ما لا يعمل هو أحياناً اكتشاف علمي صالح.
تصميم الرقائق: في اختبار مخيف، صمم "آرغوس" شريحة كمبيوتر (ACE-2). كتب النظام الكود، وتحقق من التوقيت، واجتاز التصميم النهائي جميع فحوصات الأجهزة الصارمة. حتى أن النظام عرف بالضبط ما لم يفحصه (مثل ما إذا كانت الشريحة ستعمل في الواقع)، وذكر تلك الحدود بوضوح.

الخلاصة

يظهر "آرغوس" أنه لكي يقوم الذكاء الاصطناعي بعمل حقيقي طويل الأمد، فإنه يحتاج إلى أكثر من مجرد عقل كبير. إنه يحتاج إلى نظام يفصل بين "الرئيس" و"العامل"، ويحتفظ بسجل دائم لما نجح وما فشل، ولديه "مراجع" صارم لمنعه من اختلاق الإجابات.

تشير الورقة البحثية إلى أنه باستخدام نهج "التحقق الموجه"، يمكن للذكاء الاصطناعي حل مشكلات أصعب، ويصبح أكثر كفاءة بمرور الوقت دون الحاجة إلى إعادة التدريب، وحتى الاعتراف عندما يتعثر. إنه ليس عصا سحرية تحل كل شيء فوراً، ولكنه خطوة هائلة نحو ذكاء اصطناعي يمكنه العمل معنا فعلياً في مشاريع معقدة وطويلة الأمد دون أن يتوه أو يكذب بشأن تقدمه. وكما يذكر المؤلفون، لا يتعلق الأمر فقط بالحصول على درجة أعلى في اختبار؛ بل يتعلق ببناء نظام يمكنه الاستمرار، وتغيير مساره، وتطوير أساليبه الخاصة لمواجهة تحديات العالم الحقيقي الفوضوية وطويلة الأمد.

ملخص تقني: Argus – بيئة تشغيل وكيلة عامة للاستدلال طويل الأمد

1. بيان المشكلة

إن مهام الاستدلال طويلة الأمد (مثل إصلاح البرمجيات، أو البراهن الرياضية، أو الاكتشاف العلمي) ليست مجرد سباق لتنفيذ خطة ثابتة لخطوات أكثر. ففي الممارسة العملية، يظل قصد المستخدم القائم مستقراً بينما يجب صقل الهدف التشغيلي، والقيود، ومعايير التحقق مع تراكم الأدلة. تواجه أنظمة الوكلاء الحالية غموضاً حرجاً: هل النظام الذي يتخلى عن هدفه المعلن قد اكتشف أن الهدف كان غير محدد بدقة، أم أنه فشل وقام بتبرير الفشل؟ بدون آلية للتمييز بين هذين الأمرين، تعاني الأنظمة من "انحراف الهدف" (goal drift)، حيث تتدهور الأهداف لتصبح مجرد ما يستطيع المنفذ إنجازه.

تعتمد النهج الحالية عادةً إما على إزالة هذا الخيار عبر تثبيت الهدف وتحسين التنفيذ نحوه، أو الاعتماد على سجلات محدودة الجلسة تفقد الاستمرارية عند ضغط السياقات. يؤدي هذا إلى ثلاثة إخفاقات في الوكلاء طويلي الأمد:

إخفاق الاستمرارية: تُفقد الأدلة التي تحفز المراجعة عند إسقاط السجلات (transcripts).
إخفاق القبول: المكون الذي يقوم بالعمل هو نفسه من يعلن اكتماله، مما يخلق تضارباً في المصالح.
إخفاق الخبرة: لا تنجو سوى النتائج النهائية، مما يمنع المسارات المرفوضة من أن تكون دليلاً للمحاورات المستقبلية.

2. المنهجية: بيئة تشغيل Argus

Argus هي بيئة تشغيل وكيلة مستمرة وذاتية التطور، مصممة للسماح بـ "التحول المحوري الموثق" وإدارته بأمان. وهي تفصل بين معاملات النموذج الثابتة وبين حالة بيئة التشغيل المتغيرة والدائمة.

2.1 البنية الأساسية

يعمل النظام على حالة مشروع دائمة مقسمة إلى مهام محدودة. وهو يستخدم أربعة أدوار مدفوعة بالنموذج ذات سلطات متميزة:

المدير (Manager): يثبت قصد المستخدم القائم ( $\iota$ )، وحالة الحملة، وانتقالات المراحل. وهو يقبل التحسينات الجوهرية لعقد التشغيل.
المخطط (Planner): يفكك الحالة الحالية إلى مهام وتبعيات محدودة.
المهندس (Engineer): ينفذ المهام، ويستدعي الأدوات، ويجري التجارب. ويمكنه إجراء مراجعة ذاتية للأعمال محدودة المخاطر.
المراجع (Reviewer): يفحص المستندات وسجلات التنفيذ بشكل مستقل. ويصدر أحكام الاكتمال (تم، استمر، متوقف) عندما تقتضي السياسة أو الطلب ذلك.

تعمل هذه الأدوار عبر ثلاث مستويات: التحكم (الجدولة)، التنفيذ (العمل)، والسجلات (التاريخ غير القابل للتعديل).

2.2 الاستمرارية المعتمدة على التحقق والتطور الذاتي

يقدم Argus آلية قبول قائمة على التحقق. تتضمن حالة بيئة التشغيل ( $H_t$ ) الذاكرة، المهارات، الأدوات، أدوات التحقق، وسياسات التوجيه.

تطور النموذج الثابت: تظل أوزان النموذج الأساسية ( $\theta$ ) ثابتة. يحدث التطور فقط في الحالة الدائمة وسياسة التحكم.
بروتوكول القبول: تصبح التحديثات المرشحة (الذكريات، المهارات، المسارات المرفوضة) قابلة لإعادة الاستخدام فقط بعد:
1. توليدها بواسطة دور معين (مثل المهندس).
2. مراجعتها مقابل الأدلة والمستندات الأصلية للمهمة.
3. الالتزام بها من قبل مالك مخول (مثل المراجع أو المدير).
صقل العقد: يتم نمذجة عقد العمل كـ $K_t = (\iota, o_t, c_t, v_t)$ ، والتي تمثل القصد القائم، والهدف التشغيلي، والقيود، ومعايير التحقق. يتم قبول التحسينات عبر عامل ManagerAdmit الذي يتطلب دليلاً ( $e_t$ ) وسلطة ( $u_t$ )، مما يضمن تمييز التحولات المحورية عن الانحراف.

2.3 نظرية "العملية إلى قدرة"

يعامل النظام مسار العملية باعتباره مجموعة شاملة للمنتج النهائي. وهو يعرف كثافة الذكاء الكثيفة ( $\rho_I$ ) بأنها معدل الاستدلال ذي الصلة، والعمل الفعال، والتحقق الصحيح لكل وحدة زمنية. ويفترض أن الاحتفاظ بسجل العملية الكامل (بما في ذلك الفروع الفاشلة) يوفر ميزة في نظرية القرار (ترتيب بلاكويل للمعلومات) مقارنة بالمنتج النهائي وحده، مما يسمح للمهمات المستقبلية بتجنب الطرق المسدودة والاستفادة من الاستبعادات الموثقة.

3. المساهمات الرئيسية

تحدد الورقة سبع مساهمات محددة:

النمذجة الصورية: نموذج عقد ( $K_t$ ) وعامل ManagerAdmit للتحول المحوري الموثق عبر الآفاق الطويلة.
تصميم بيئة التشغيل: نظام تكون فيه عملية صقل العقد مملوكة لدور محدد ومسجلة، مما يفصل القصد المستقر عن التغييرات التشغيلية.
مقاييس توجيه المراجع: بيانات تجريبية تظهر أن المراجعين المستقلين يتم استدعاؤهم في 63.7% من مهام SWE-Bench Pro، مع معدلات استرداد محددة لطلبات المراجعة.
دراسة حالة إنتاج الأوراق البحثية: حملة مكونة من ستة مشاريع امتدت لـ 640 ساعة و254 مهمة، مما أظهر إدارة دورة حياة البحث من البداية إلى النهاية بما في ذلك عمليات التراجع والتحول نحو النتائج السلبية.
الأثر الرياضي: إعادة بناء دوري موضح للمسار الرياضي يحتفظ بمسار واحد مفند وستة تحديثات مدعومة بالبرهان.
أداء الاختبار المعياري: تقييم موحد عبر سبعة ساحات، مما يثبت أرضية القدرة دون التضحية بالأداء النهائي للمهمة.
التبني في المصدر: دمج نواة RWKV6 المحسنة لـ Argus في مستودع Flash Linear Attention الأصلي.

4. النتائج

4.1 أداء الاختبارات المعيارية

تم تقييم Argus عبر سبع ساحات متباينة:

SWE-Bench Pro: حقق دقة ~78% مقارنة بـ 59% لـ Direct Copilot، باستخدام 1.41× إجمالي الرموز (Tokens).
AARRI-Bench: وصل إلى 76.8% في مهام المتدرب البحثي (مقابل 68.3% كمرجع).
تخليق بيانات الاستدلال الرياضي: حقق فجوة قدرها 28.0 (pass@4 - pass@1)، متفوقاً على المراجع (Arbor: 20.83, Claude: 8.33).
وحدة المعالجة المركزية والتدريب: حقق نتائج تنافسية في تدريب B200/H100 nanochat (0.9636 BPB مقابل أفضل نتيجة بشرية 0.9646) وفي سباقات nanoGPT الزمنية (79.77s مقابل البشر 80.18s).
MLE-Bench Lite: حصل على 9 ميداليات (3 ذهبية، 3 فضية، 3 برونزية) عبر مسابقات مع تحقق خارجي.

4.2 الكفاءة الطولية (التطور الذاتي)

في تشغيل SWE-Bench Pro (731 مهمة)، أظهر النظام تطوراً ذاتياً لبيئة التشغيل عبر بوابة التحقق:

النضج مقابل البداية: استخدمت الموجات الناضجة (W19–22) 21% أقل من رموز الإدخال و 15% أقل من وقت سير العمل النشط لكل مهمة مقارنة بموجات البداية (W1–6).
استرداد المراجع: من بين 43 مهمة طلب فيها المراجع مراجعة، نجحت 34 مهمة (79.1%) لاحقاً في اجتياز المتحقق الرسمي، وأكملت 22 مهمة (51.2%) عملية إنقاذ صارمة عبر حلقة المراجعة.
اللا-رتابة: لم يكن المسار رتيباً؛ حيث أظهرت موجات المهام الصعبة (W23–24) ارتدادات في الموارد، وسجل النظام 34 عملية استرداد من المتحقق و22 عملية إنقاذ صارمة، مما يثبت قدرة النظام على التعافي من الإخفاقات الأولية.

4.3 دراسات حالة رأسية

الحملة الرياضية: احتفظ بمسار واحد مفند وستة تحديثات لآفاق النظريات. نجح النظام في التحول من اختزال فاشل إلى تعزيز الحدود المدعوم بالبرهان.
إنتاج الأوراق البحثية: وصلت ستة مشاريع إلى مرحلة اكتمال التقديم. أحد الحملات تحول من ادعاء منهجية إيجابي إلى دراسة تشخيصية للنتائج السلبية مكونة من 4,500 صف بعد سبع عمليات تراجع (rollbacks) لعدم الجدوى.
الأجهزة (ACE-2): صممت بيئة التشغيل مسرع استدلال (Qwen2.5-0.5B W4A8) معتمد لنطاق محدد (تخليق الخرائط، التوقيت الساكن) مع استثناءات صريحة (لا يوجد اعتماد طاقة، ولا تحقق من السيليكون).
علوم المواد: بسطت بيئة التشغيل طريقة توليد MOF منشورة عبر تحديد وإزالة عامل مربك في المقارنة الأصلية، مما أدى إلى طريقة أبسط وأكثر فعالية.

5. الأهمية والادعاءات

تدعي الورقة أن Argus يثبت أنه هيكل ذاتي التطور وعام قادر على مراجعة واسترداد وتراكم النهج الموثقة دون إجبار كل مسار طويل الأمد على أن يكون ادعاءً بالنجاح.

التمييز عن الانحراف: من خلال اشتراط القبول المدعوم بالأدلة والمملوك لأدوار محددة لتغيير الحالة، يميز النظام بين التحول المحوري العقلاني وبين تبرير الفشل.
العملية كبيانات: تشكل المسارات المحتفظ بها بيانات مهيكلة للتعلم الخاضع للإشراف والتعلم التعزيزي المستقبلي، مما يربط مخرجات النموذج بحالات، وأدوات، وقرارات مراجعة ملموسة.
النطاق المتواضع: يذكر المؤلفون صراحة أن "التطور الذاتي" هو تطور ثابت النموذج (قائم على الحالة وليس على الأوزان)، وأن النتائج هي ملاحظات. هم لا يدعون أن النظام قد حقق ذكاءً اصطناعياً عاماً أو أنه يمكنه استبدال الباحثين البشريين بالكامل. يُقدم النظام كأداة "تتوقف" عندما تكون الأهداف غير محددة بدقة، لتكشف عن القيود التي قد يكون المستخدم قد أغفلها، بدلاً من التحسين الأعمى نحو هدف قد يكون معيباً.

يخلص التقرير إلى أن بيئة التشغيل تنجح في الجمع بين قدرة المهام الواسعة، والتراكم الموثق عبر المهمات، والاستمرار في تقديم الأبحاث، مما يوفر نموذجاً جديداً لأنظمة الوكلاء طويلة الأمد حيث تُدار الاستمرارية والتحولات المحورية من خلال التحقق بدلاً من التخطيط الثابت.