يحدد LangChain بنية وكيل الحصان لتطوير الذكاء الاصطناعي

تيموثي مورانو

11 مارس 2026، 04:56

يكسر إطار العمل الجديد لـ LangChain كيفية تحويل استخدام الوكيل للنماذج الذكية الخام إلى أنظمة جاهزة للإنتاج من خلال أنظمة الملفات، والصناديق الرملية، وإدارة الذاكرة.

نشرت LangChain تحليلًا تقنيًا شاملًا لبنية استخدام الوكيل، موثّقًا طبقة البنية التحتية التي تحول النماذج اللغوية الخام إلى محركات عمل مستقلة. يأتي هذا الإطار، الذي أعده فيفيك تريفيدي في 11 مارس 2026، مع ظهور هندسة الاستخدام كعامل تمييز حاسم في أداء وكلاء الذكاء الاصطناعي.

الفرضية الأساسية بسيطة بشكل مخادع: الوكيل = النموذج + الاستخدام. كل شيء لا يتعلق بالنموذج نفسه — مثل أوامر النظام، وتنفيذ الأدوات، ومنطق التنسيق، وخطافات الوسيط — يقع تحت مسؤولية الاستخدام. لا يمكن للنماذج الخام الحفاظ على الحالة عبر التفاعلات، أو تنفيذ الشفرات، أو الوصول إلى المعرفة في الوقت الحقيقي. يملأ الاستخدام هذه الثغرات.

لماذا يهم هذا المطورين

تكشف بيانات لوحة نتائج Terminal Bench 2.0 لـ LangChain عن شيء غير بديهي. حيث أن نموذج أوبوس 4.6 من أنثروبيك، الذي يعمل في Claude Code، يسجل نتائج أقل بكثير من نفس النموذج عند تشغيله في استخدامات طرف ثالث محسنة. وتدعي الشركة أنها حسّنت وكيل الترميز الخاص بها من المركز الثلاثين إلى المركز الخامس في الاختبار فقط بتغيير الاستخدام — وليس النموذج الأساسي.

هذه إشارة مهمة للفرق التي تستثمر بشكل كبير في اختيار النماذج مع إهمال البنية التحتية.

التقنية الأساسية

يحدد الإطار عدة أدوات أساسية للاستخدام:

أنظمة الملفات: تعتبر الطبقة الأساسية. توفر تخزينًا دائمًا، وتمكن من استمرارية العمل عبر الجلسات، وتخلق واجهات تعاون طبيعية للهياكل متعددة الوكلاء. يضيف التكامل مع Git إمكانيات الإصدار، والتراجع، وفروع التجارب.

الصناديق الرملية: تحل مشكلة أمان تشغيل الشفرات التي ينشئها الوكيل. بدلاً من التنفيذ المحلي، تتصل الاستخدامات ببيئات معزولة لتنفيذ الشفرات، وتثبيت الاعتمادات، وإكمال المهام. يضيف العزل الشبكي وقوائم الأوامر المسموح بها مزيدًا من الحماية.

الذاكرة والبحث: تعالج محدودية المعرفة. يتم حقن معايير مثل AGENTS.md في سياق بدء التشغيل، مما يتيح نوعًا من التعلم المستمر حيث يخزن الوكيل المعرفة بشكل دائم من جلسة إلى أخرى ويصل إليها في الجلسات المستقبلية. يوفر البحث عبر الويب والأدوات مثل Context7 الوصول إلى معلومات تتجاوز حدود التدريب.

مكافحة تآكل السياق

يتعامل الإطار مع تآكل السياق — تدهور قدرة النموذج على التفكير مع امتلاء نوافذ السياق — من خلال عدة آليات. يقوم التجميع بملخص ذكي ويقوم بتحميل المحتوى عند اقتراب النوافذ من السعة. يقلل استدعاء الأدوات من الضوضاء الناتجة عن المخرجات الكبيرة من خلال الاحتفاظ فقط برؤوس وأطراف الرموز، مع تخزين النتائج الكاملة في نظام الملفات. تنفذ المهارات الكشف التدريجي، حيث يتم تحميل أوصاف الأدوات فقط عند الحاجة بدلاً من إحداث فوضى في السياق عند بدء التشغيل.

التنفيذ على مدى زمني طويل

بالنسبة للعمل المعقد المستمر عبر نوافذ سياق متعددة، يشير LangChain إلى نمط Ralph Loop. هذا الخطاف على مستوى الاستخدام يعترض محاولات خروج النموذج ويعيد إدخال الأمر الأصلي في نافذة سياق نظيفة، مما يجبر على الاستمرار حتى تحقيق الأهداف. مع استمرار حفظ حالة نظام الملفات، يمكن للوكلاء الحفاظ على التماسك عبر المهام الممتدة.

حلقة التغذية الراجعة للتدريب

المنتجات مثل Claude Code و Codex أصبحت الآن مدربة بعديًا باستخدام الاستخدامات في الحلقة، مما يخلق ارتباطًا وثيقًا بين قدرات النموذج وتصميم الاستخدام. وله آثار جانبية — حيث تشير إرشادات التوجيه لـ Codex-5.3 إلى أن تغيير منطق الأدوات لتحرير الملفات يقلل من الأداء، مما يوحي بحدوث overfitting على تكوينات الاستخدام المحددة.

تطبق LangChain هذا البحث على مكتبتها deepagents، مستكشفة تنسيق مئات الوكلاء المتوازين على قواعد شفرة مشتركة، وتحليل أثر الاستخدامات على مستوى الفشل، وتجميع الأدوات بشكل ديناميكي عند الحاجة. مع تحسن النماذج في التخطيط والتحقق الذاتي بشكل أصلي، قد يتم امتصاص بعض وظائف الاستخدام في القدرات الأساسية. لكن الشركة تؤكد أن البنية التحتية المصممة جيدًا ستظل ذات قيمة بغض النظر عن ذكاء النموذج الأساسي.

مصدر الصورة: Shutterstock