سير العمل الحتمي والأدوات البرمجية

نصمم خطوط أنابيب الذكاء الاصطناعي حيث تكون عملية التنسيق حتمية ويكون استدعاء النموذج هو المكون الاحتمالي الوحيد. ويعمل كل قرار توجيه، وفحص تحقق، وسياسة إعادة محاولة، وانتقال حالة ككود صريح وقابل للتدقيق. كما يعمل نموذج اللغة الكبير داخل عُقد محددة بنطاق مع مدخلات ومخرجات مفحوصة المخطط، وعندما يفشل شيء ما، يمكنك إعادة التشغيل من آخر نقطة تفتيش، وليس من البداية. هذه هي البنية التحتية التي تجعل فوضى الوكلاء قابلة للتدقيق في مراقبة التداول، واستخراج البيانات السريرية، وتوليد ملفات الإيداع التنظيمية.

الحسابات الرياضية التي تقضي على خطوط أنابيب الوكلاء

تُنتج سلسلة وكلاء الذكاء الاصطناعي المكونة من 10 خطوات، حيث تعمل كل خطوة بدقة 95%، نتيجة صحيحة وشاملة بنسبة 59.9% فقط من الوقت. وهذا يعني أن أربعاً من كل عشر عمليات تشغيل تفشل. في عرض تجريبي لروبوت محادثة، تعيد المحاولة وتستمر. أما في مراقبة التداول، أو استخراج البيانات السريرية، أو توليد ملفات الإيداع التنظيمية، فإن معدل فشل يبلغ 40% يُعد حدثاً يوجب إيقاف التشغيل. وتتوقع Gartner إلغاء أكثر من 40% من مشاريع الذكاء الاصطناعي الوكيل بحلول نهاية عام 2027، وتُعد حسابات الأخطاء المتراكمة سبباً رئيسياً لذلك.

وتحصر إجابتنا استدعاء النموذج الاحتمالي في عُقد محددة النطاق مع مدخلات ومخرجات مفحوصة المخطط. ويعمل كل قرار توجيه، وفحص تحقق، وسياسة إعادة محاولة، وانتقال حالة ككود صريح وقابل للتدقيق — بحيث تعيد عملية الفشل التشغيل من آخر نقطة تفتيش، وليس من البداية (انظر بحثنا حول البنية التحتية، والموثوقية، والتباين الاستراتيجي في الذكاء الاصطناعي العميق).

لماذا تنهار معظم أطر عمل الوكلاء في بيئة الإنتاج

إن إشارات مجتمع المطورين واضحة وصريحة، والإخفاقات محددة للغاية:

• LangChain يعلق وكلاؤه في حلقات استدلال مفرغة، ويستدعون أدوات خاطئة بشكل متكرر، ويتدهورون دون إطلاق استثناءات.
• النماذج تسبق كود JSON بنصوص توضيحية؛ ومحللات النصوص تُرجع بيانات مهيكلة بثقة لكنها غير صحيحة.
• CrewAI تتباعد حلقات التفويض فيه تحت مخططات المهام المتزامنة.
• AutoGen ينفذ أكثر من 20 استدعاءً لنموذج اللغة الكبير لكل مهمة بتكلفة 0.45 دولار لكل منها، في حين يحقق خط الأنابيب الحتمي النتيجة نفسها في استدعاءات أقل بتكلفة 0.08 دولار.

وتعود هذه الإخفاقات إلى خيار تصميم مشترك: السماح للنموذج بالتحكم في تدفق التنفيذ. فعندما يقرر نموذج اللغة الكبير (LLM) أي أداة يستدعيها، وأي مسار فرعي يسلكه، ومتى يتوقف، فإنك تحصل على استقلالية بمستوى العروض التجريبية وفوضى بمستوى بيئة الإنتاج. والحل هنا حل معماري — نقل التحكم في التنفيذ إلى محرك حتمي، وهو النهج المفصل في ورقتنا البيضاء حول تصميم ذكاء اصطناعي مؤسسي مرن يتجاوز غلاف نماذج اللغة الكبيرة، وترك النموذج يتعامل فقط مع ما تجيده النماذج، وهو الاستدلال على المحتوى ضمن حدود محددة جيداً.

كيف نبني خطوط أنابيب ذكاء اصطناعي حتمية

يستخدم نهجنا محركات تنفيذ متينة — Temporal، أو Prefect، أو Inngest، التي يتم اختيارها بناءً على بنيتك التحتية الحالية — بصفتها العمود الفقري للتنسيق. وتُمثل كل خطوة نشاطاً أو مهمة ذات مدخلات ومخرجات وسياسات إعادة محاولة وميزانيات مهلة زمنية صريحة. ويدير المحرك الحالة، ويتعامل مع حالات الفشل، ويوفر إمكانية التفتيش وإعادة التشغيل (checkpoint/replay) التي تجعل تصحيح الأخطاء ممكناً.

عند كل عُقدة يولد فيها نموذج اللغة الكبير مخرجات، نقوم بتغليف الاستدعاء في إطار تحقق يفرض مخططات المخرجات باستخدام الأداة المناسبة للمهمة. ولكل نهج أنماط فشل متميزة، لذا فإننا نطابق استراتيجية التحقق مع مستوى تحمل الأخطاء وميزانية زمن الاستجابة لكل عُقدة:

يمر استدعاء الأدوات عبر مخطط مقيد، وليس عبر توليد غير مقيد من نموذج اللغة الكبير. فبدلاً من تقديم 50 أداة وتمني أن يختار النموذج بشكل صحيح، نقوم بتصفية كتالوج الأدوات بناءً على حالة سير العمل الحالية، بحيث لا يرى النموذج سوى الأدوات الصالحة لهذه الخطوة. ويقضي هذا على أسماء الأدوات المهلوسة وأنماط المعاملات غير الصالحة — وهما أكثر نمطي فشل شيوعاً في استدعاء الأدوات في بيئة الإنتاج.

نقاط التفتيش، وإعادة التشغيل، وحجة التكلفة

إن سير عمل مؤلف من ثلاثة وكلاء يكلف 5–50 دولاراً في العروض التجريبية يولد فواتير إنتاج شهرية تتراوح بين 18,000 إلى 90,000 دولار. وتفيد 96% من المؤسسات بأن تكاليف GenAI تجاوزت التوقعات. ويأتي معظم هذا الهدر من إعادة تنفيذ الخطوات الناجحة بعد حدوث فشل في خطوة تالية.

تغير نقاط التفتيش (checkpointing) هذه المعادلة الاقتصادية بالكامل. فبعد اكتمال كل عُقدة، يلتقط المحرك لقطة للحالة الكاملة — المدخلات، والمخرجات، والبيانات الوصفية، والمهام المعلقة. وعندما يحدث فشل في الخطوة 7 من أصل 10، تقوم بإصلاح المشكلة وإعادة التشغيل من الخطوة 7، وليس من الخطوة 1. يحقق LangGraph معدلات تعافٍ من الأخطاء تبلغ 96% بهذا النهج. ويتجاوز نموذج التنفيذ المتين لـ Temporal ذلك، إذ يصمد أمام تعطل العمليات ويستأنف العمل بدقة من حيث توقف سير العمل، بما في ذلك استدعاءات نموذج اللغة الكبير التي تكون قيد التنفيذ.

نصمم استراتيجيات نقاط التفتيش باستخدام:

• معرفات سلاسل محادثات حتمية مرتبطة بالكيانات التجارية — مثل طلب قرض، أو سجل مريض، أو تأكيد صفقة تداول.
• استدعاءات خارجية متماثلة التأثير (Idempotent) مفهرسة بهوية سير العمل بالإضافة إلى الخطوة.
• اختبار حقن الأعطال المتعمد.

تخفض نقاط التفتيش وحدها المعالجة الضائعة بنسبة 60% أو أكثر في مسارات العمل متعددة الخطوات.

حوكمة الأدوات في بيئة الإنتاج

يسير تبني بروتوكول MCP بوتيرة أسرع من تأمينه. فقد كشف فحص لنحو 2,000 خادم MCP مكشوف على الإنترنت عن انعدام المصادقة تماماً عبر جميع تلك الخوادم، مما يعرض ما يقدر بنحو 200,000 خادم للخطر. وهناك أيضاً مشكلة تتعلق بالتكلفة: إذ يستهلك خادم GitHub MCP واحد نحو 50,000 رمز توكن فقط لتهيئة نفسه، بينما يستهلك خادم قاعدة بيانات يحتوي على 106 أدوات 54,600 رمز توكن قبل تنفيذ استعلام واحد.

نصمم واجهات أدوات محوكمة بغض النظر عن البروتوكول الذي تستخدمه أدواتك. إذ يمر كل استدعاء للأداة عبر طبقة تحقق تفحص أنواع المدخلات ونطاقاتها، وتفرض حدود معدل الاستخدام وحصص الموارد، وتتحقق من صيغة المخرجات، وتسجل سياق الاستدعاء بالكامل. ويكون اختيار الأدوات موجهاً بالحالة: حيث يحدد محرك سير العمل الأدوات المتاحة في كل خطوة بناءً على الحالة الحالية والقدرات المعلنة للخطوة. ولا يُعد هذا مجرد اقتراح للنموذج — بل هو قيد صارم مفروض على مستوى البنية التحتية.

معمارية قائمة على التدقيق أولاً للقطاعات الخاضعة للتنظيم

تتطلب ضوابط SOX، وإدارة مخاطر النماذج بموجب SR 11-7، وقانون HIPAA، وقانون الذكاء الاصطناعي للاتحاد الأوروبي EU AI Act، وإرشادات دعم القرار السريري الصادرة عن FDA مزيجاً من قابلية التكرار، وإمكانية التتبع، وقابلية التفسير. إن إضافة إمكانية الملاحظة إلى إطار عمل الوكلاء بعد النشر لا يلبي هذه المتطلبات، بل يجب أن تنتج المعمارية نفسها مسار التدقيق.

صُممت خطوط الأنابيب التي نبنيها لتسجيل كل استدعاء لنموذج اللغة الكبير مع نصه التوجيهي الكامل، واستجابته، ونتيجة التحقق منه، وعدد محاولات الإعادة، ومعرف نقطة التفتيش الخاصة به. وكل انتقال للحالة يكون غير قابل للتعديل (immutable). كما تخضع تعريفات سير العمل للتحكم في الإصدارات وتكون مرتبطة بإصدارات نماذج محددة، بحيث يمكن للمحققين إعادة بناء خط الأنابيب الدقيق الذي أنتج أي مخرجات تاريخية. وبالنسبة لبيئات GxP، نصمم إصدارات سير العمل بحيث تكون مقفلة على نقاط تفتيش نماذج تم التحقق منها مع عمليات رسمية للتحكم في التغيير — وهو نوع خط الأنابيب السريري الحتمي الذي نوضحه في عرض عملي تجريبي لسلامة الذكاء الاصطناعي السريري.