Key Takeaways
- وكيل الذكاء الاصطناعي = LLM + أدوات + حلقة. يقرر LLM الأداة التي يستخدمها، ويُنفِّذها، ويراقب النتيجة، ويقرر الإجراء التالي.
- LangGraph إطار عمل لبناء سير العمل الوكيلي باستخدام نماذج LLM المحلية أو السحابية.
- المكونات الرئيسية: LLM (Ollama)، والأدوات (البحث على الويب، وتنفيذ الكود، والوصول إلى الملفات)، والذاكرة (سجل المحادثة)، والتخطيط (حلقات الاستدلال).
- الوكلاء المحليون أبطأ من السحابيين (يستغرق استدلال LLM وقتًا) لكنهم خاصون وقابلون للتخصيص.
- اعتبارًا من أبريل 2026، يعمل الوكلاء المحليون على أفضل وجه في المهام التي تستفيد من الاستدلال أكثر من السرعة.
كيف يعمل وكيل الذكاء الاصطناعي؟
يتبع الوكيل هذه الحلقة: (1) مراقبة الحالة/السياق، (2) يستدل LLM على أفضل إجراء، (3) تنفيذ الإجراء (استدعاء أداة)، (4) مراقبة النتيجة، (5) التكرار حتى الانتهاء.
مثال: وكيل بحث مكلَّف بمهمة "قارن Llama 3.2 مقابل Qwen 3 في مهام البرمجة".
- المراقبة: استُلمت المهمة.
- الاستدلال: أحتاج إلى إيجاد قياسات الأداء، البحث عن درجات HumanEval.
- الإجراء: استخدام أداة web_search للبحث عن "Llama 3.2 HumanEval benchmark".
- المراقبة: استُرجِع نص بالدرجات.
- الإجراء: البحث عن "Qwen 3 HumanEval".
- الاستدلال: عُثر على كلا النموذجين. Qwen أسرع، Llama أعم.
- الإجراء النهائي: تركيب الإجابة وإرجاعها.
وكيل الذكاء الاصطناعي برنامج يستخدم LLM لتقرير الأداة التي يستدعيها بعد ذلك، ويراقب النتيجة، ويقرر من جديد، مكررًا حتى إتمام المهمة.
💡Tip: الفرق الرئيسي عن السلسلة هو أن الوكلاء يستخدمون مخرجات LLM *لتقرير* ما يحدث بعد ذلك، بدلًا من اتباع مسار محدد مسبقًا.
ما الفرق بين الوكلاء والسلاسل؟
يتخذ الوكلاء قرارات ديناميكية وقت التشغيل؛ بينما تتبع السلاسل تسلسلًا محددًا مسبقًا. استخدم الوكلاء عندما تتطلب المهمة استدلالًا أو استرداد أخطاء — واستخدم السلاسل لسير العمل الثابت والمتوقع.
| Aspecto | Cadenas | Agentes |
|---|---|---|
| اتخاذ القرار | تسلسل محدد مسبقًا | ديناميكي، يقرره LLM |
| الحلقات | بلا حلقات | حلقة استدلال (تكرار حتى الانتهاء) |
| استرداد الأخطاء | معالجة أخطاء يدوية | يمكن لـ LLM التعافي من الإخفاقات |
| حالة الاستخدام | سير عمل ثابت (تلخيص ← بريد إلكتروني) | استدلال معقد (بحث، أتمتة) |
| التعقيد | بسيط، متوقع | معقد، سلوك غير متوقع |
📌Note: الوكلاء أبطأ وأقل قابلية للتنبؤ من السلاسل لأن LLM يجب أن يتخذ قرارًا في كل خطوة. إذا كانت السرعة حاسمة وسير عملك معروفًا مسبقًا، فاستخدم سلسلة.
كيف تعمل بنية LangGraph؟
يُعرِّف LangGraph الوكلاء بوصفهم رسومًا بيانية موجَّهة لا دورية (DAG) بعُقد (حالات) وحواف (انتقالات).
- الحالة: المعلومات التي يحتفظ بها الوكيل (السياق، الملاحظات، القرارات).
- العُقد: دوال تعالج الحالة (استدلال LLM، تنفيذ الأدوات).
- الحواف: انتقالات بين العُقد (شرطية بناءً على مخرجات LLM).
- الأدوات: دوال يمكن لـ LLM استدعاؤها (بحث على الويب، تنفيذ كود، استعلامات قواعد بيانات).
LangGraph أشبه بمخطط انسيابي يقرر فيه LLM السهم الذي يتبعه عند كل صندوق قرار — ويمكنه التراجع عندما يحدث خطأ.
ما الأدوات التي يمكن للوكلاء استخدامها؟
قدرة الوكيل محددة بالكامل بأدواته — الدوال التي يمكنه استدعاؤها للتفاعل مع العالم. اقتصر على 5–10 أدوات لكل وكيل لتجنب شلل القرار.
- البحث على الويب: البحث عن المعلومات على الإنترنت (DuckDuckGo، Google، Bing).
- تنفيذ الكود: تشغيل كود Python وإرجاع النتائج.
- عمليات الملفات: قراءة/كتابة الملفات، وسرد الأدلة.
- استعلامات قواعد البيانات: الاستعلام عن قواعد بيانات محلية أو بعيدة.
- استرجاع المستندات: البحث في قاعدة بيانات متجهات RAG.
- الآلة الحاسبة: إجراء العمليات الحسابية والرياضيات الرمزية.
- البريد الإلكتروني: إرسال الرسائل (بحذر، مع التحقق من الأذونات).
- استدعاءات API: التفاعل مع الخدمات الخارجية.
⚠️Warning: كثرة الأدوات تُربك LLM — يزداد زمن الاستجابة لكل خطوة ويختار الوكيل الأداة الخاطئة بتكرار أكبر. ابدأ بـ 3–5 أدوات أساسية.
🛠️Practice: اكتب وصف كل أداة في أقل من 50 كلمة وحدد متى تُستخدم بالضبط. يساعد الوصف الواضح LLM على اختيار الأداة الصحيحة.
كيف يستدل الوكلاء ويخططون؟
يعتمد استدلال الوكيل على حجم نموذج LLM وجودة المطالبة.
- النماذج الصغيرة (3-7B): استدلال محدود. تعمل على أفضل وجه مع المهام الحتمية (اختيار الأدوات، التصنيف).
- النماذج المتوسطة (13-30B): استدلال جيد. يمكنها التعامل مع سلاسل استدلال من 2-3 خطوات.
- النماذج الكبيرة (70B+): استدلال قوي. يمكنها حل المشكلات المعقدة بتخطيط متعدد الخطوات.
تقنية المطالبة: تساعد Chain-of-Thought (CoT) الوكلاء على التفكير في الخطوات قبل اتخاذ القرار. تأكد من أن Ollama مثبَّت وقيد التشغيل قبل اختبار أداء الاستدلال.
❌ مطالبة خاطئة
“أنت مساعد ذكاء اصطناعي مفيد. سيطلب منك مستخدم إجراء بحث. ابذل قصارى جهدك.”
✅ مطالبة صحيحة
“أنت وكيل بحث. لكل مهمة: (1) قسِّمها إلى 2–3 أسئلة فرعية، (2) ابحث عن كل منها باستخدام أداة web_search، (3) ركِّب النتائج، (4) استشهد بالمصادر. اشرح دائمًا استدلالك قبل استدعاء أداة. حد صارم: 10 خطوات استدلال كحد أقصى.”
# Ejemplo: prompt de razonamiento CoT para agente
system_prompt = """
You are a research agent. Break complex tasks into steps:
1. Identify what information you need
2. Call appropriate tools to gather information
3. Analyze results and determine next steps
4. Return the final answer with sources
Always reason step-by-step before calling tools.
"""🔍Insight: تعمل مطالبات Chain-of-Thought على نحو جيد للوكلاء — يساعد الاستدلال الصريح خطوة بخطوة LLM على اتخاذ خيارات أفضل للأدوات.
⚠️Warning: تفشل مطالبات "المساعد المفيد" العامة في الوكلاء المستقلين. تحتاج إلى حدود خطوات صريحة وقواعد تنسيق مخرجات وتعليمات استدلال للأدوات.
ما أنماط الوكلاء المحليين الأفضل أداءً؟
تغطي خمسة أنماط معظم حالات استخدام الوكلاء المحليين. اختر بناءً على ما إذا كانت الحاجة الرئيسية هي الاستدلال أو تنفيذ الكود أو التخطيط أو المحادثة أو الأتمتة.
- وكيل البحث: يبحث في المستندات والويب، ويركِّب النتائج.
- وكيل الكود: يكتب وينفذ الكود لحل المشكلات.
- وكيل التخطيط: يقسِّم المهام المعقدة إلى مهام فرعية، ويفوِّض إلى وكلاء آخرين.
- الوكيل المحادث: يحتفظ بالذاكرة، ويجيب على الأسئلة، ويتعلم من الملاحظات.
- أتمتة سير العمل: يقرأ رسائل البريد الإلكتروني، وينفذ المهام، ويرسل التأكيدات.
ما الأخطاء الأكثر شيوعًا في تنفيذ الوكلاء؟
ترجع معظم إخفاقات الوكلاء المحليين إلى خمسة أسباب جذرية: زيادة الأدوات، وأوصاف الأدوات الغامضة، والحلقات اللانهائية، وغياب معالجة الأخطاء، وعدم تطابق حجم النموذج.
- كثرة الأدوات: يرتبك الوكيل بسبب كثرة الخيارات. اقتصر على 5-10 أدوات ذات صلة.
- أوصاف أدوات ضعيفة: لن يستخدم LLM الأدوات بشكل صحيح إذا كانت الأوصاف غامضة. اكتب أوصافًا واضحة ومحددة.
- الحلقات اللانهائية: قد يعلق الوكيل في حلقات استدلال. أضِف حدًا أقصى للتكرارات (مثلًا، 10 خطوات).
- بلا معالجة أخطاء: قد تفشل استدعاءات الأدوات. اجعل الوكيل يعالج الإخفاقات بسلاسة.
- استخدام نماذج صغيرة: لا تستطيع نماذج 3B الاستدلال بما يكفي للوكلاء المعقدين. استخدم 13B+ للوكلاء المستقلين.
⚠️Warning: أكبر خطأ هو نشر وكيل بلا حد صارم للتكرارات. قد يدخل الوكلاء في حلقة إلى ما لا نهاية إذا علق LLM. اضبط دائمًا max_iterations على 10–20.
الأسئلة الشائعة حول وكلاء الذكاء الاصطناعي المحليين
🛠️Practice: اختبر الوكلاء أولًا بعدد أقصى من التكرارات (مثلًا، 5 خطوات) لاكتشاف الأخطاء قبل النشر في الإنتاج حيث قد تهدر الموارد.
كم يكون الوكلاء السحابيون أسرع مقارنةً بالوكلاء المحليين؟
الوكلاء السحابيون: نحو ثانية واحدة لكل خطوة استدلال. الوكلاء المحليون: نحو 3–5 ثوانٍ لكل خطوة وفقًا لحجم النموذج والأجهزة. يضيف الاستدلال المحلي زمن استجابة لكنه يلغي تكاليف API ويُبقي جميع البيانات على أجهزتك.
هل يمكن للوكلاء المحليين الوصول إلى الإنترنت؟
نعم، إذا وفرت أداة web_search. يستدعي الوكيل تلك الأداة بالطريقة نفسها التي يستدعي بها أي دالة أخرى. تشمل الخيارات الأكثر شيوعًا واجهة بحث DuckDuckGo وSerpAPI للنتائج المنظَّمة.
كيف أتأكد من أن الوكيل لا يُتلِف الأشياء (مثلًا، حذف الملفات)؟
شغِّل الأدوات داخل حاوية Docker بأذونات صارمة لنظام الملفات والشبكة. سجِّل كل استدعاء أداة بمدخلاته ومخرجاته لمسارات التدقيق. أضِف خطوة تأكيد قبل أي إجراء مُدمِّر (حذف الملفات، إرسال البريد الإلكتروني).
هل يمكنني تشغيل عدة وكلاء بالتوازي؟
نعم. استخدم أطر عمل غير متزامنة مثل FastAPI للتعامل مع طلبات الوكلاء المتزامنة. يحصل كل طلب على حالة محادثته الخاصة. لاحظ أن كل وكيل متوازٍ يتطلب خيط استدلال LLM خاصًا به، لذا يحد VRAM من عدد الوكلاء الذين يمكنك تشغيلهم في آن واحد.
ما الحد الأدنى من الأجهزة اللازمة لتشغيل وكيل ذكاء اصطناعي محلي؟
يُوصى بنموذج بـ 13B+ معاملات للاستدلال المستقل الموثوق. يتطلب ذلك 16 GB من RAM على الأقل ويُفضَّل GPU بـ 8 GB+ من VRAM لنموذج 13B مُكمَّم. على أجهزة CPU فقط، توقع 5–15 ثانية لكل خطوة استدلال.
متى ينبغي أن أستخدم LangGraph بدلًا من LangChain البسيط؟
استخدم LangGraph عندما يتطلب سير عملك حلقات أو تفرعًا شرطيًا أو استرداد إخفاقات الأدوات. يعمل LangChain البسيط على نحو جيد لخطوط الأنابيب الخطية (الخطوة A ← B ← C) بلا نقاط قرار. إذا احتاج وكيلك إلى إعادة المحاولة أو إعادة الاستدلال بعد خطوة فاشلة، فإن بنية الرسم البياني في LangGraph تتعامل مع ذلك بنظافة.
هل LangGraph هو نفسه LangChain؟
لا. LangChain مجموعة أدوات LLM للأغراض العامة لبناء السلاسل وخطوط الأنابيب. LangGraph إطار عمل منفصل مبني فوق LangChain خصيصًا للوكلاء وسير العمل ذي الحالة — يضيف بنية الرسم البياني (العُقد والحواف والحالة) اللازمة لحلقات استدلال موثوقة.
كم عدد الأدوات التي ينبغي أن يمتلكها الوكيل المحلي؟
اقتصر على 5–10 أدوات لكل وكيل. مع كثرة الخيارات، يواجه LLM صعوبة في اختيار الأداة الصحيحة ويزداد زمن الاستجابة لكل خطوة. ابدأ بـ 3–5 أدوات أساسية ووسِّع فقط عند مواجهة فجوة قدرة محددة. اكتب وصف كل أداة في أقل من 50 كلمة وحدد متى تُستخدم بالضبط.
حقائق سريعة
- زمن استجابة الوكيل المحلي: نحو 3–5 ثوانٍ لكل خطوة استدلال (مقابل نحو ثانية واحدة للوكلاء السحابيين)
- الحد الأدنى للنموذج: 13B+ معاملات للوكلاء المستقلين متعددي الخطوات الموثوقين
- حد الأدوات: 5–10 أدوات لكل وكيل — أكثر من 10، تنخفض جودة القرار
- الحد الأقصى للتكرارات: اضبط حدًا صارمًا من 10–20 خطوة لمنع الحلقات اللانهائية
- الأجهزة: 8 GB+ VRAM لنموذج 7B مُكمَّم؛ 16 GB+ لوكلاء 13B
- زمن استجابة الاستدلال على CPU: 5–15 ثانية لكل خطوة عند 13B (الافتراضي في Ollama)
السياق الإقليمي ولوائح النشر
الوكلاء المحليون هم الخيار الافتراضي لسير العمل الخاضع للائحة العامة لحماية البيانات في الاتحاد الأوروبي. عندما يعالج الوكلاء بيانات شخصية — سجلات العملاء والملفات الطبية والمستندات القانونية — يُبقي الاستدلال المحلي البيانات داخل بنيتك التحتية ويلبي المادتين 25 و32 من اللائحة العامة لحماية البيانات دون الحاجة إلى اتفاقية معالجة بيانات مع مزود سحابي.
في اليابان، يقيد قانون حماية المعلومات الشخصية (APPI)، المُعدَّل في 2022، عمليات نقل البيانات عبر الحدود. يلبي الوكلاء المحليون الذين يعملون محليًا متطلبات APPI افتراضيًا للشركات التي تتعامل مع بيانات عملاء حساسة دون عبء تنظيمي إضافي.
في الصين، يتطلب قانون أمن البيانات لعام 2021 وقانون حماية المعلومات الشخصية (PIPL) بقاء فئات معينة من البيانات داخل الحدود الصينية. يلبي الوكلاء المحليون الذين يستخدمون Qwen3 أو نماذج أخرى مستضافة محليًا متطلبات إقامة البيانات هذه حيث لا يفعل الاستدلال السحابي ذلك.
المصادر
- توثيق LangGraph — المستودع الرسمي وتوثيق إطار عمل وكلاء LangGraph.
- توثيق وكلاء LangChain — دليل وحدة وكلاء LangChain مع أنماط تكامل الأدوات.
- ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2022) — الورقة التأسيسية التي تقدم حلقة مراقبة–استدلال–فعل المستخدمة في وكلاء LangGraph.