إتقان إنهاء المهام البرمجية: كيف تبني وكلاء ذكاء اصطناعي ذاتيي التوقف باستخدام النماذج الصغيرة وSymPy في 2026

بقلم أبوالمكارم شهود | Ailigent

في المشهد المتطور بسرعة في أواخر عام 2026، تحول النقاش حول الذكاء الاصطناعي من "هل يمكنه القيام بالمهمة؟" إلى "هل يعرف متى ينتهي؟". بصفتنا أصحاب أعمال ومهندسين تقنيين، فقد تجاوزنا مرحلة روبوتات الدردشة البسيطة إلى أنظمة الذكاء الاصطناعي الوكيل (Agentic AI) المتطورة. ومع ذلك، يظل أحد التحديات الأكثر استمراراً هو سلوك "الحلقة اللانهائية" أو "المعالجة الزائدة" حيث يستمر الوكيل في العمل حتى بعد الوصول إلى الحل الأمثل.

صورة توضيحية: The Hardest Thing an AI Agent Has to Learn Is When to Stop المصدر: Dev.to AI

أهداف التعلم

في هذا الدرس التطبيقي، ستتعلم:

المبادئ الأساسية لـ منطق إنهاء الوكيل (Agentic Termination Logic).
كيفية دمج نماذج اللغة الصغيرة (SLMs) مثل Spark-X2.5-1.7B مع مكتبات الرياضيات الرمزية.
تقنيات تنفيذ التحقق من القيود الفيزيائية لمنع الهلوسة المنطقية.
كيفية بناء سير عمل ذاتي التنظيم يوفر تكاليف الحوسبة ويعزز الموثوقية.

المشكلة: الوكيل الذي لا يتوقف أبداً

تخيل غسالة ملابس لا تتوقف أبداً. تضع ملابسك فيها، وتقوم بغسلها، ولكن لأنها تفتقر إلى حالة "انتهاء" واضحة محددة بنظافة المياه أو مؤقت، فإنها تستمر في الدوران. في عالم الأتمتة، نرى هذا كثيراً. قد ينفق وكيل مكلف بالبحث في السوق 500 دولار من رصيد واجهة برمجة التطبيقات (API) لأنه لا يدرك أنه وجد بالفعل المنافسين الرئيسيين.

الذكاء الاصطناعي الوكيل هو نموذج يتم فيه إعطاء أنظمة الذكاء الاصطناعي أهدافاً عالية المستوى واستقلالية لاختيار الأدوات، وتنفيذ الخطوات، وتقييم التقدم دون تدخل بشري مستمر.

في Ailigent، لاحظنا أن الأنظمة الأكثر كفاءة في عام 2026 هي تلك التي تعطي الأولوية لـ "القيود السلبية" - أي معرفة ما لا يجب فعله ومتى يجب التوقف عن فعله. هذا أمر بالغ الأهمية بشكل خاص عند التعامل مع مشاكل العالم الحقيقي، مثل اللوجستيات أو التصنيع، حيث لا تترجم الحلول الرياضية دائماً إلى واقع فيزيائي.

الأساسيات: الواقع الجبري مقابل الواقع الفيزيائي

فكر في مشكلة هندسية شائعة: تصميم قطعة تغليف داخلية. إذا كانت المساحة يجب أن تكون 40 سم² والطول أكبر من العرض بمقدار 3 سم، فإن الحل الجبري يعطي جذرين: 5 و -8. قد يتوهم نموذج لغوي ضخم (LLM) أن كلاهما صالح لأن -8 * -5 يساوي 40 جبرياً. ومع ذلك، لا يمكن أن يكون الطول سالباً.

الاستدلال الرمزي (Symbolic Reasoning) هو أسلوب في الذكاء الاصطناعي يستخدم المنطق الرسمي والرموز الرياضية لتمثيل المشكلات، مما يضمن التزام المخرجات بقواعد المنطق الصارمة بدلاً من مجرد الاحتمالات الإحصائية.

الخطوة 1: إعداد البيئة الهجينة

لمتابعة هذا الدرس، ستحتاج إلى بيئة محلية قادرة على تشغيل نموذج لغة صغير (SLM). في عام 2026، نفضل نماذج SLMs لهذه المهام لأنها أسرع وأرخص ويمكن استضافتها محلياً لخصوصية البيانات.

مجموعة الأدوات:

النموذج: Spark-X2.5-1.7B (نموذج صغير عالي الأداء).
المكتبة: SymPy (مكتبة بايثون للرياضيات الرمزية).
الإطار: Python 3.12+.

صورة توضيحية: Two roots, one valid size: a local Spark-X2.5-1.7B and SymPy demonstration المصدر: Dev.to AI

الخطوة 2: استخراج المعلمات باستخدام Spark-X2.5

أولاً، نستخدم نموذج SLM لاستخراج المتغيرات من نص طبيعي. على عكس النماذج الضخمة في عام 2024، تم تحسين Spark-X2.5 لاستخراج المعلمات بدقة.

# مثال على استخراج المعلمات
prompt = "أنشئ صندوقاً بمساحة 40 سم2 حيث يكون الطول = العرض + 3"
# يخرج النموذج تنسيق JSON مهيكل:
# {"area": 40, "relation": "l = w + 3"}

الخطوة 3: الحل باستخدام SymPy والتحقق الفيزيائي

بمجرد استخراج المعلمات، لا نترك الذكاء الاصطناعي "يخمن" الإجابة. نمررها إلى SymPy لحل المعادلة التربيعية $w(w + 3) = 40$.

from sympy import symbols, solve

w = symbols('w')
equation = w * (w + 3) - 40
solutions = solve(equation, w)

# منطق التحقق
valid_solutions = [sol for sol in solutions if sol > 0]
print(f"العرض الفيزيائي الصحيح: {valid_solutions[0]}")

مقارنة: نماذج LLMs مقابل SLMs للمهام الوكيلية (2026)

الميزة	نماذج اللغة الكبيرة (LLMs)	نماذج اللغة الصغيرة (SLMs)
تكلفة الاستعلام	مرتفعة ($$$)	منخفضة ($)
زمن الاستجابة	2-5 ثوانٍ	أقل من 0.5 ثانية
دقة المنطق	عالية (إحصائياً)	متوسطة (تحتاج دعم رمزي)
أفضل حالة استخدام	الكتابة الإبداعية، الاستراتيجية	تنفيذ المهام، استخراج المعلمات
النشر المحلي	صعب / يستهلك موارد	سهل / على أجهزة الطرف (Edge)

الخطوة 4: تنفيذ أمر 'التوقف'

الجزء الأصعب في تصميم الوكيل هو زناد الإنهاء. نستخدم "حلقة استدلال" تتحقق من المخرجات مقابل القيود الأولية. إذا كانت valid_solutions ليست فارغة وتطابق قيد المساحة، يجب على الوكيل إصدار إشارة TERMINATE.

منطق الإنهاء (Termination Logic) هو مجموعة من الشروط المحددة مسبقاً أو عملية تقييم ثانوية تجبر وكيل الذكاء الاصطناعي على إنهاء دورة تنفيذه بمجرد تحقيق الهدف أو اعتباره غير قابل للتحقيق.

تمرين: جربه بنفسك

قم ببناء وكيل بسيط يحسب أبعاد خزان وقود أسطواني. يجب أن يكون الحجم 1000 لتر. استخدم نموذج SLM لاستخراج نسبة الارتفاع إلى نصف القطر من طلب المستخدم، وحلها باستخدام SymPy، وتأكد من توقف الوكيل بمجرد العثور على نصف قطر موجب. إذا اقترح الذكاء الاصطناعي نصف قطر سالباً، يجب أن يطلق الكود خطأ "انتهاك القيود الفيزيائية" ويعيد المحاولة.

قيمة الأعمال: لماذا يهمك هذا؟

بالنسبة لأصحاب الأعمال، فإن تنفيذ آليات التوقف الذاتي هذه ليس مجرد أناقة تقنية؛ بل يتعلق بالأرباح النهائية. وجد أبوالمكارم شهود وفريق Ailigent أن الوكلاء الذين لديهم منطق إنهاء صارم يقللون التكاليف التشغيلية بنسبة تصل إلى 40% من خلال التخلص من مكالمات واجهة برمجة التطبيقات الزائدة ومنع "دوامة الهلوسة" التي تحدث عندما يحاول الذكاء الاصطناعي تبرير جذر رياضي مستحيل.

الخطوات التالية لمزيد من التعلم

استكشف تنسيق الوكلاء المتعددين: كيف يمكن لوكيل واحد أن يعمل كـ "مراقب توقف" لآخر.
ادرس التحقق الرسمي في الذكاء الاصطناعي: تعلم كيفية إثبات أن الوكيل سينتهي دائماً.
قم بتنفيذ الذكاء الاصطناعي الطرفي (Edge AI): تشغيل Spark-X2.5 على أجهزة محلية لتقليل زمن الاستجابة.

أهم النقاط المستفادة

التجذر الفيزيائي إلزامي: لا تثق أبداً في المخرجات الجبرية للذكاء الاصطناعي دون التحقق منها مقابل القيود الفيزيائية (مثل: الأبعاد لا يمكن أن تكون سالبة).
نماذج SLMs هي خيول العمل في 2026: استخدم نماذج مثل Spark-X2.5 لمهام استخراج محددة لتوفير التكاليف والوقت.
التكامل الرمزي هو المفتاح: ادمج القوة اللغوية للذكاء الاصطناعي مع الدقة المنطقية لمكتبات مثل SymPy للحصول على دقة 100% في المهام التقنية.
حدد حالة 'الانتهاء': قم دائماً ببرمجة وكلائك بمعايير إنهاء واضحة لمنع الحلقات اللانهائية وهدر الموارد.