بناء وكلاء ذكاء اصطناعي خاصين: دليل 2026 لأتمتة المهام المتكررة باستخدام نماذج اللغة المحلية وMLOps

بقلم أبوالمكارم شهود | Ailigent

مقدمة: نهاية إدخال البيانات المتكرر في عام 2026

صورة توضيحية: I Got Tired of Filling Out the Same Form 50 Times, So I Built an AI to Do It المصدر: Dev.to AI

نحن اليوم في 6 مارس 2026، وقد تحول مشهد الإنتاجية بشكل جذري. لم نعد نعيش في عالم يضطر فيه المحترفون لقضاء عشر دقائق في ملء طلب وظيفة أو نموذج مشتريات. ومع ذلك، لا يزال الكثيرون يفعلون ذلك. الإحباط عالمي: تفتح نموذجًا، تكتب اسمك، تلصق رابط LinkedIn الخاص بك، وتجيب على نفس أسئلة الامتثال للمرة المائة. في عالم مدعوم بالذكاء الاصطناعي الوكيل (Agentic AI)، لا يعد هذا مجرد عدم كفاءة، بل هو إهدار للإمكانات البشرية.

ومع ذلك، كان هناك دائمًا عائق كبير وهو خصوصية البيانات. يتردد أصحاب الأعمال والمحترفون التقنيون بحق في تغذية بيانات شخصية أو مؤسسية حساسة في واجهات برمجة تطبيقات السحابة العامة. سيسد هذا البرنامج التعليمي تلك الفجوة. سوف نستكشف كيفية بناء وكيل ذكاء اصطناعي محلي خاص يمكنه التعامل مع هذه المهام المتكررة باستخدام Ollama للخصوصية وMLflow لإدارة دورة الحياة. في Ailigent، نؤمن بأن مستقبل الأتمتة ينتمي لأولئك الذين يمكنهم الموازنة بين الكفاءة والسيادة المطلقة على البيانات.

أهداف التعلم

بحلول نهاية هذا الدليل، ستكون قادرًا على:

1. فهم بنية الأتمتة القائمة على نماذج اللغة المحلية (Local LLM).
2. إعداد بيئة محلية باستخدام Ollama لمعالجة البيانات الحساسة.
3. إنشاء وكيل يعتمد على Python لأتمتة تعبئة النماذج واستخراج البيانات.
4. تطبيق مبادئ MLOps باستخدام MLflow لضمان أن أتمتتك قابلة للتكرار والتطوير.

---

الأساسيات: تحديد الحزمة التقنية لعام 2026

قبل أن نغوص في الكود، دعونا نحدد المفاهيم الأساسية التي تحرك الأتمتة الحديثة.

الذكاء الاصطناعي الوكيل (Agentic AI) هو نموذج يتم فيه تصميم أنظمة الذكاء الاصطناعي لاتخاذ إجراءات بشكل مستقل لتحقيق أهداف محددة، بدلاً من مجرد توليد النصوص. على عكس برامج الدردشة البسيطة، يمكن للوكيل التفاعل مع متصفحك، وقراءة ملفاتك، وتنفيذ المنطق بناءً على البيئة المحيطة.

نموذج اللغة المحلي (Local LLM) هو نموذج لغة كبير يعمل بالكامل على أجهزتك الخاصة دون إرسال بيانات إلى خوادم طرف ثالث. في عام 2026، وصلت نماذج مثل Llama 3.5 وMistral-Next إلى نقطة يمكنها فيها العمل بكفاءة على وحدات معالجة الرسومات الاستهلاكية الحديثة، مما يوفر تفكيرًا بمستوى GPT-4 دون مخاطر الخصوصية.

MLOps هي مجموعة الممارسات التي تهدف إلى نشر وصيانة نماذج التعلم الآلي في الإنتاج بشكل موثوق وفعال. كما يؤكد أبوالمكارم شهود دائمًا للعملاء، فإن نص الأتمتة ليس سوى لعبة حتى يتم تغليفه في إطار عمل MLOps يتتبع الإصدارات والأداء وسلالة البيانات.

مقارنة: نماذج اللغة السحابية مقابل المحلية للأتمتة

---

الخطوة 1: إعداد بيئتك ذات الخصوصية العالية

للبدء، نحتاج إلى طريقة لتشغيل نماذجنا محليًا. أصبح Ollama هو المعيار الصناعي لهذا في عام 2026. فهو يوفر واجهة سطر أوامر بسيطة وAPI لإدارة النماذج المحلية.

التثبيت

1. قم بتنزيل Ollama من مستودعه الرسمي.
2. قم بتشغيل نموذجك الأول: ollama run llama3.1:8b (أو ما يعادله في عام 2026).
3. تأكد من إمكانية الوصول إلى API عبر http://localhost:11434.

من خلال التشغيل محليًا، تضمن أنه عندما تغذي سيرتك الذاتية أو بيانات شركتك المالية في الوكيل، لا يغادر بايت واحد شبكتك المحلية. هذا هو المعيار الذهبي للصناعات التي تعتمد بشكل كبير على الامتثال مثل التمويل أو الرعاية الصحية.

الخطوة 2: بناء وكيل الاستخراج

الجزء الأول من أتمتتنا هو استخراج البيانات من مصدر (مثل سيرتك الذاتية أو قاعدة بيانات الشركة) وتنسيقها لنموذج. سنستخدم Python لهذا الغرض.

import requests
import json



![صورة توضيحية: How to Protect Sensitive Data by Running LLMs Locally with Ollama](https://cdn.hashnode.com/uploads/covers/5fc16e412cae9c5b190b6cdd/f332e2f1-1bb5-450c-ae4a-d2ca4c6b2fe2.png)
*المصدر: freeCodeCamp*



def extract_data_locally(prompt, context_document):
    url = "http://localhost:11434/api/generate"
    payload = {
        "model": "llama3.1",
        "prompt": f"Extract the following fields from this document: Name, Email, Experience. Document: {context_document}",
        "stream": False,
        "format": "json"
    }
    response = requests.post(url, json=payload)
    return response.json()['response']

# مثال على الاستخدام
resume_text = "أبوالمكارم شهود خبير ذكاء اصطناعي في Ailigent مع 10 سنوات من الخبرة..."
structured_data = extract_data_locally("Extract details", resume_text)
print(structured_data)

في هذا الكود، نوجه النموذج المحلي لإرجاع كائن JSON. هذه خطوة حاسمة لأن النماذج تتطلب بيانات مهيكلة، وليس نصوصًا محادثية.

الخطوة 3: أتمتة واجهة المستخدم باستخدام Playwright

الآن بعد أن حصلنا على البيانات، نحتاج إلى حقنها في النموذج. نستخدم Playwright، وهي مكتبة قوية لأتمتة المتصفح.

1. تحديد المحددات (Selectors): استخدم أدوات مطوري المتصفح للعثور على المعرفات (IDs) أو أسماء حقول الإدخال.
2. رسم خرائط البيانات: أنشئ رابطًا بين JSON المستخرج وحقول النموذج.

from playwright.sync_api import sync_playwright

def fill_form(data):
    with sync_playwright() as p:
        browser = p.chromium.launch(headless=False)
        page = browser.new_page()
        page.goto("https://example-job-portal.com/apply")
        
        page.fill('input[name="full_name"]', data['Name'])
        page.fill('input[name="email"]', data['Email'])
        # للقوائم المنسدلة
        page.select_option('select[name="country"]', label="Egypt")
        
        print("تم تعبئة النموذج بنجاح!")
        # في عام 2026، نقوم دائمًا بالمراجعة قبل الإرسال النهائي
        browser.close()

الخطوة 4: التوسع باستخدام MLOps (MLflow و Databricks)

مع بنائك لمزيد من الوكلاء، ستجد أن بعض النماذج تعمل بشكل أفضل في نماذج معينة. هنا يصبح MLOps ضروريًا. MLflow هي منصة مفتوحة المصدر لإدارة دورة حياة التعلم الآلي، بما في ذلك التجريب والقابلية للتكرار والنشر.

من خلال دمج MLflow، يمكنك تتبع أي إصدار من النموذج كان لديه أعلى دقة في تعبئة النماذج المعقدة. إذا كنت تعمل داخل مؤسسة كبيرة، فإن استخدام Databricks يسمح لك بتوسيع هذه التجارب المحلية إلى منصة استخبارات بيانات موحدة.

لماذا يهم MLOps لأصحاب الأعمال:

• القابلية للتكرار: إذا فشلت الأتمتة، يمكنك العودة إلى إصدار النموذج الدقيق والمطالبة المستخدمة.
• القابلية للتوسع: الانتقال من بوت واحد على كمبيوتر محمول واحد إلى أسطول من البوتات عبر المؤسسة.
• الحوكمة: مراقبة كيفية تفاعل الذكاء الاصطناعي مع البيانات الحساسة لضمان التزامه بمعايير الأمان لعام 2026.

---

قيمة الأعمال: العائد على الاستثمار من الأتمتة ذات الخصوصية العالية

بالنسبة للأعمال، القيمة لا تكمن فقط في الوقت الموفر (على الرغم من أن توفير 8 دقائق لكل نموذج عبر 100 موظف هو أمر ضخم). القيمة الحقيقية تكمن في تخفيف المخاطر. في عام 2026، أصبحت خروقات البيانات أكثر تكلفة من أي وقت مضى. باستخدام نماذج اللغة المحلية لهذه المهام، فإنك تقضي على خطر "الذكاء الاصطناعي الظلي" (Shadow AI) - حيث يستخدم الموظفون أدوات سحابية غير مصرح بها لإنجاز عملهم، مما يؤدي عن غير قصد إلى تسريب أسرار الشركة.

في Ailigent، رأينا شركات تقلل تكاليف معالجة المستندات بنسبة تصل إلى 70% مع تحسين وضعها الأمني من خلال نقل سير العمل هذا إلى بيئات محلية مدارة.

تمرين: جربه بنفسك

التحدي: ابنِ وكيلاً يقرأ محضر اجتماع ويملأ تلقائيًا نموذج "ملخص الاجتماع" على بوابة شركتك الداخلية.

1. استخدم Ollama لتلخيص النص إلى ثلاث نقاط: "القرارات المتخذة"، "بنود العمل"، و"تاريخ الاجتماع القادم".
2. استخدم Playwright للانتقال إلى بوابتك الداخلية ولصق هذه الملخصات في الحقول المخصصة لها.
3. تتبع معدل نجاح استخراج الملخص باستخدام ملف سجل محلي بسيط أو تجربة MLflow.

---

أهم النقاط المستفادة

• الخصوصية غير قابلة للتفاوض: في عام 2026، يعد استخدام نماذج اللغة المحلية (عبر Ollama) هو السبيل الوحيد لضمان سيادة البيانات بنسبة 100% لمهام الأتمتة الحساسة.
• سير العمل الوكيل > برامج الدردشة: تجاوز مجرد توليد النصوص. استخدم الذكاء الاصطناعي لاتخاذ إجراءات مثل أتمتة واجهة المستخدم مع Playwright لاستعادة وقتك.
• MLOps هو الأساس: استخدم أدوات مثل MLflow لإدارة نصوص الأتمتة الخاصة بك كأصول برمجية احترافية، مما يضمن أنها قابلة للتكرار وموثوقة.
• العنصر البشري في الحلقة: قم دائمًا بتضمين خطوة مراجعة في أتمتتك للتحقق من عمل الذكاء الاصطناعي قبل الإرسال النهائي.

الخلاصة

لقد انتهى عصر تعبئة النماذج يدويًا. من خلال الجمع بين قوة نماذج اللغة المحلية وممارسات MLOps القوية، يمكنك بناء أتمتة ليست سريعة فحسب، بل آمنة وقابلة للتطوير أيضًا. سواء كنت مطورًا مستقلاً أو مديرًا تقنيًا في شركة كبرى، فإن الأدوات المتاحة في عام 2026 تجعل من السهل أكثر من أي وقت مضى تحويل "التعب من ملء النماذج" إلى ميزة تنافسية للأعمال.

الخطوات التالية: استكشف وثائق MLflow لتعلم كيفية تتبع تجارب هندسة الأوامر الخاصة بك وتحقق من مكتبة Ollama للحصول على أحدث النماذج المحسنة للأجهزة المحلية.

---

فيديوهات ذات صلة

AI Agents vs LLMs vs RAGs vs Agentic AI | Rakesh Gohel

القناة: Rakesh Gohel

Let The LLM Write The Prompt 2025 | Design Perfect Prompts for AI Agent | Prompt Mistakes (PART 1/7)

القناة: Amine DALY