نعرّف agent harness في هذا الدليل بأنه الإطار البرمجي الذي يشغّل وكيل الذكاء الاصطناعي ويحيط به. يحدد الأدوات التي يستطيع الوكيل استخدامها، والسياق الذي يراه في كل خطوة، وطريقة حفظ نتائجه بين الجلسات، وكيفية عرضها على الإنسان. وهو ليس النموذج اللغوي ولا الوكيل نفسه، بل البيئة التي تجعل الوكيل قابلاً للتشغيل والمتابعة. ومشروع learnharness مثال مفتوح المصدر لهذه الفكرة في مجال التعلم.
يسمع كثير من مديري التقنية والمطورين مصطلح agent harness في نقاشات أدوات الذكاء الاصطناعي، ثم يجدون أن الشروحات تخلط بين النموذج والوكيل والإطار دون تمييز واضح. وعندما يطلب الفريق تقييم أداة جديدة، يحتاج أولاً إلى معرفة ما الذي يقع ضمن الأداة، وما الذي يبقى على عاتق الفريق.
يجيب هذا الدليل عن سؤال ما هو agent harness، ويميز بينه وبين النموذج اللغوي والوكيل، ثم يعرض مكوناته الشائعة. كما يشرح مشروع learnharness المنشور على GitHub: ما يقدّمه، وطريقتا التشغيل، وحدود استخدامه، والأسئلة التي يطرحها مدير تقنية المعلومات قبل التبنّي.
ما هو agent harness؟ التعريف في فقرتين
نقصد في هذا الدليل بـ agent harness الإطار البرمجي الذي يشغّل وكيلاً ذكياً ويحيط به. يحدد هذا الإطار الأدوات التي يستطيع الوكيل استخدامها، والسياق الذي يراه في كل خطوة، وطريقة حفظ نتائج العمل بين الجلسات، وكيفية عرض هذه النتائج على الإنسان. وعندما يسأل فريق تقني ما هو agent harness، فالجواب المختصر أنه البيئة التي تجعل الوكيل قابلاً للتشغيل والمتابعة، وليس الوكيل نفسه.
الفرق العملي واضح في مثال بسيط. لنفترض أن مهندس شبكات في شركة متوسطة في الرياض يريد فهم بروتوكول جديد قبل ترقية الجدار الناري. وكيل بسيط قد يجيب عن سؤال واحد ثم ينسى كل شيء. أما الإطار المحيط به فيحفظ ما فهمه المهندس، ويحدد الخطوة التالية، ويتيح له مراجعة الإجابة قبل أن يعتمد عليها. لمعرفة الفرق بين الوكيل والأداة الآلية البسيطة، راجع ما هو الوكيل الذكي المستقل؟.
agent harness للذكاء الاصطناعي
في مشروع learnharness على GitHub، يصف المشروع نفسه بأنه agent harness للتعلم. وفق صفحة المشروع، يستخدم وكلاء ذكاء اصطناعي لتخطيط الدروس وتقديمها انطلاقاً من فهم المتعلم الحالي وصولاً إلى هدفه، ويحتفظ بمخطط معرفي يبقى بين الجلسات. كما يذكر الموقع الرسمي للمشروع أن الوكيل يستطيع استدعاء وكلاء فرعيين للبحث والتحقق من المعلومات، وقراءة ملفات PDF، وإنشاء الرسوم التوضيحية والعروض التفاعلية. هذا المثال يوضح أن الـ harness هنا هو الطبقة التي تنظّم كل ذلك، وليس مجرد واجهة دردشة.
تعريف مختصر بالعربية
agent harness إطار تشغيل يحيط بوكيل ذكاء اصطناعي، ويتولى تنظيم الأدوات والسياق والذاكرة وعرض النتائج، مع بقاء القرار النهائي والمراجعة عند الإنسان. ويركّز هذا الدليل على استخدامه في التعلم، وهو المجال الذي يصف به مشروع learnharness نفسه. والمهم أن يبقى واضحاً أين ينتهي دور النموذج اللغوي وأين يبدأ دور الإطار.
الفرق بين النموذج اللغوي والوكيل وagent harness
كثيرًا ما تُستخدم هذه المصطلحات كأنها شيء واحد، لكنها تصف ثلاث طبقات مختلفة. النموذج اللغوي هو الذي يولّد النص. الوكيل نظام يستخدم هذا النموذج لتحقيق هدف عبر خطوات متعددة. أما agent harness فهو الإطار الذي يشغّل الوكيل، ويحدد ما يراه وما يستطيع فعله.
هذا الفصل مفيد عمليًا لأن كل طبقة تحتاج قرارات مختلفة: اختيار النموذج، وتصميم دور الوكيل، ومراجعة الإطار الذي يربط بينهما. مثلًا، عندما يشكو فريق تقنية من أن النتائج غير دقيقة، يسأل مديره أولًا: هل المشكلة في النموذج، أم في الأدوات والسياق الذي أُعطي له؟ للاطلاع على الفكرة البرمجية العامة، يمكن الرجوع إلى كيف يعمل البرنامج من الداخل؟.
النموذج اللغوي (model)
النموذج اللغوي يستقبل نصًا ويعيد نصًا. يتنبأ بالكلمات التالية بناءً على ما أمامه ومن أنماط تعلّمها أثناء التدريب. إذا سألته وأعطيته كل المعلومات داخل الرسالة، فسيجيب، لكنه لا يفتح ملفاتك ولا ينفذ أمرًا على نظامك من تلقاء نفسه.
مثال من العمل اليومي: موظف في الموارد البشرية يلصق نص سياسة الإجازات في النموذج ويطلب ملخصًا. جودة الرد تعتمد على النص الملصوق فقط، ولا يعرف النموذج أي سياسة أخرى في الشركة ما لم تُعطَ له.
وكيل الذكاء الاصطناعي (AI agent)
الوكيل يأخذ هدفًا، ويقرر الخطوة التالية، ويستخدم أداة عند الحاجة، ثم يراجع النتيجة ويكرر حتى يصل إلى جواب أو يتوقف. هذا ما يميّزه عن الطلب الواحد الذي يُرسل إلى النموذج.
في مشروع learnharness، يصف المشروع وكلاءه بأنهم يخططون لدروس ويدرّسونها انطلاقًا من فهم المتعلم الحالي وصولًا إلى هدفه. أي أن الوكيل هنا لا يكتفي بشرح واحد، بل يبني مسارًا تعليميًا ويعدّله حسب الإجابات.
الـharness وما يضيفه فوق النموذج
الـharness هو ما يحيط بالوكيل ويحمل تشغيله. يحدد النموذج المستخدم، والأدوات المتاحة، وطريقة حفظ السياق، والواجهة التي يتفاعل من خلالها المستخدم. في learnharness يظهر ذلك في أمور مثل الاتصال بمزودي نماذج متعددين عبر مفاتيح API، أو استخدام نموذج محلي عبر نقطة اتصال متوافقة مع OpenAI، أو تشغيل بحث على الويب في الخلفية، أو الاحتفاظ بمخطط معرفي يبقى بين الجلسات.
هذا لا يعني أن الـharness يفكر بدلًا من النموذج. هو يضع الشروط التي يعمل النموذج داخلها. لذلك تبقى مراجعة الإعدادات، والصلاحيات، ومكان تخزين البيانات خطوة ضرورية قبل تشغيل أي إطار في بيئة الفريق.
نموذج وحده مقابل وكيل داخل agent harness
النموذج اللغوي وحده
- يستقبل النص الموجود في الرسالة فقط
- يعيد ردًا لكل طلب
- لا يعرف من السياق إلا ما أُرسل إليه
وكيل داخل agent harness
- يخطط خطوات متعددة نحو هدف محدد
- يستخدم الأدوات المسموح بها في الإعدادات
- يستفيد من سياق وذاكرة يحفظها الإطار
ما المكوّنات التي يتكون منها agent harness عادةً؟
نقترح في هذا الدليل، من باب التبسيط، تقسيم agent harness، وهو إطار عمل لتشغيل وكلاء الذكاء الاصطناعي، إلى أربعة أجزاء: حلقة تشغيل تحدد الخطوة التالية، وأدوات تحدد ما يستطيع الوكيل فعله، وذاكرة تحفظ الحالة بين الجلسات، ونقاط يتوقف عندها الإنسان. تختلف الأسماء والتفاصيل من مشروع إلى آخر، لذلك تعامل مع هذه القائمة كأسئلة تطرحها قبل التقييم، لا كمواصفة جاهزة.
حلقة التشغيل والتخطيط
هي الدورة التي يقرأ فيها الوكيل الهدف والسياق، ثم يختار الخطوة التالية وينفذها ويعيد التقييم. في learnharness تظهر هذه الفكرة في مرحلتي القياس والتخطيط: يحدد الوكيل أين ينتهي فهم المتعلم، ثم يبني خريطة اعتماد بين المفاهيم حتى الهدف. وإذا تبيّن أن الفهم مختلف عمّا افترضه، يعدّل الدرس. أي أن الخطة نفسها قابلة للتغيير، وهذا ما يجعلها مفيدة للمراجعة.
الأدوات والصلاحيات
الأداة هي ما يستطيع الوكيل استعماله فعلاً، مثل قراءة ملف أو البحث على الويب أو استدعاء وكيل فرعي. أما الصلاحية فهي الحد الذي يضبط متى تُستعمل هذه الأداة وعلى أي بيانات. يوضح ملف README الخاص بـlearnharness أن طلبات النموذج ترسل السياق اللازم للمهمة، وأن البحث على الويب والإملاء الصوتي يتصلان بخدمات خارجية. لذلك يحتاج مدير تقنية المعلومات إلى معرفة الأدوات المفعّلة قبل التشغيل، لا بعده.
الذاكرة وحفظ الحالة
تسمح الذاكرة وحفظ الحالة في الوكلاء للنظام بأن يعود إلى ما سبق دون أن يبدأ من الصفر. في learnharness يُبنى رسم بياني معرفي من القضايا والاستدلالات، ويمكن للجلسات اللاحقة قراءته. وتُحفظ المحادثات والرسم البياني والإعدادات ومفاتيح API على الجهاز نفسه، كما أن سجلات التعلم ملفات عادية يمكن فحصها. الفائدة واضحة، لكن أي خطأ يُحفظ قد يُبنى عليه لاحقاً، لذلك تحتاج الذاكرة إلى مراجعة دورية.
نقاط المراجعة البشرية
هي اللحظات التي يتوقف فيها الوكيل أو يعرض نتيجته لكي يقرر الإنسان. في learnharness يظهر ذلك في حقول التفكير والتنبؤ: يكتب المتعلم توقعه قبل الشرح، ثم يتحقق الوكيل من فهمه. وتوضح الوثائق أن التعليمات النظامية ظاهرة وقابلة للتعديل، فمراجعتها جزء من التقييم. وفي بيئة الشركة يُحدَّد من يراجع الأدوات الجديدة قبل نشرها. للتوسع في تحديد المسؤوليات، راجع الدعم التقني الجيد يبدأ قبل أن يتعطل العمل.
أسئلة قبل تبنّي أي agent harness
كيف يساعد agent harness في تعلم موضوع صعب خطوة بخطوة؟
الفكرة العملية أن الـharness لا يقدّم شرحاً واحداً ثم ينتهي. بل ينظّم مسار التعلم كله: يبدأ بمعرفة ما تفهمه، ثم يبني خطة، ثم يشرح خطوة بخطوة، ثم يختبرك بمسائل. الهدف أن تصل إلى فهم تستطيع استخدامه فعلاً.
خذ مثالاً توضيحياً لا حالة حقيقية: مدير تقنية في شركة متوسطة يريد فهم كيف يعمل وكيل ذكاء اصطناعي وأدواته قبل قرار التبني. تبدأ الأداة هنا بسؤاله عمّا يعرفه، لا بتعريف جاهز.
تعلم موضوع صعب باستخدام الذكاء الاصطناعي
تصف صفحة المشروع على GitHub أداة learnharness بأنها أداة ذكاء اصطناعي لتعلم المواضيع الصعبة، تعتمد على وكلاء يخططون الدرس ويشرحونه انطلاقاً من فهم المتعلم الحالي. والفرق عن قراءة شرح عام أن الأداة تبني تصوراً لما تفهمه وطريقة تفكيرك، وهذا التصور يتطور مع تقدمك.
دورة القياس والتخطيط والشرح والتدريب
تنظّم الأداة العمل في أربع مراحل مترابطة. وفي كل مرحلة تُستخدم إجاباتك وتفكيرك المكتوب لتحديد الخطوة التالية.
دور إجابتك في كل مرحلة
إجابتك الخاطئة ليست نهاية الدرس، بل معلومة يستخدمها الوكيل لتعديل الشرح. لذلك يفيد أن تكتب سبب اختيارك وشكوكك في حقل التفكير، لأن ذلك يعطي الوكيل صورة أدق من مجرد صح أو خطأ.
تحفظ الأداة الأفكار وروابطها بين الجلسات في رسم معرفي، فتبني الجلسات اللاحقة عليه بدلاً من البدء من الصفر. والرسم يخزّن الأفكار وعلاقاتها، ولا يُصدر تقييماً لقدرتك.
لا تُلغي الأداة الجهد المطلوب للتعلم، فهدفها كما يصفه الموقع أن توجّه هذا الجهد نحو التفكير الذي يبني الفهم. ويبقى التحقق من المعلومات المهمة مسؤولية المتعلم، خاصة عند الاعتماد عليها في قرار عمل.
من السؤال الأول إلى التدريب
قياس الفهم الحالي
يتحقق الوكيل من الأجزاء التي يعتمد عليها الموضوع، ويحدد موضع توقف فهمك في كل جزء. إجاباتك وثقتك وتفكيرك تحدد نقطة البداية.
الشرح
تُشرح كل خطوة فوق ما تفهمه سابقاً. تتوقع النتيجة أولاً، ثم يأتي الشرح، ثم يتحقق الوكيل من فهمك قبل المتابعة.
التدريب
في جلسات منفصلة تُطرح مسائل تتطلب استحضار المعرفة دون تسميتها لك أولاً. عند التعثر يعطيك الوكيل أصغر تلميح يفتح تفكيرك دون أن يستبدل به.
مسار جلسة تعلم واحدة
- قياسمعرفتك الحالية وطريقة تفكيرك
- تخطيطخريطة اعتماد نحو الهدف
- شرحخطوة بعد أخرى مع التحقق
- تدريبمسائل في جلسات منفصلة
ما الذي يقدمه مشروع learnharness على GitHub؟
يصف المستودع learnharness بأنه إطار لتشغيل وكلاء ذكاء اصطناعي في خدمة التعلم. وبحسب وصفه، يستخدم التطبيق وكلاء لتخطيط الدروس وتقديمها، انطلاقاً من فهم المتعلم الحالي وصولاً إلى الهدف الذي يريده.
الفكرة العملية أن الأداة لا تكتفي بشرح جاهز. تقيس أولاً أين يتوقف فهم المتعلم، ثم تبني مساراً نحو الهدف، وتعدّل الدرس بحسب إجاباته وتفكيره المكتوب. لذلك يمكن وصفها بأنها أداة ذكاء اصطناعي لتعلم المواضيع الصعبة، لا ملخصاً يُقرأ مرة واحدة.
مثال توضيحي: مدير عمليات في شركة متوسطة يريد فهم أثر قواعد الإجازات على مسير الرواتب. شرح عام قد لا يناسب مستواه، أما أداة تبدأ من فهمه الحالي فتقترح مساراً أقرب إلى احتياجه.
شرح learnharness GitHub
تتضمن الأداة، وفق وصف المستودع، مراحل القياس والتخطيط والتدريس والتطبيق. كما توفر حقول تفكير يكتب فيها المتعلم استنتاجاته وشكوكه بكلماته، وتتيح إرفاق الملفات في التطبيق المكتبي، والبحث في الخلفية عن أسئلة محددة.
يحفظ الرسم المعرفي في learnharness ما يتعلمه المستخدم بوصفه قضايا وسلاسل استدلالية، أي الادعاءات الفردية والمقدمات التي تقود إليها. ويؤكد المستودع أن الرسم يخزن الأفكار وعلاقاتها، ولا يخزن تقييماً لقدرة المتعلم.
- الرسم المعرفي يربط كل فكرة بالجلسة التي ظهرت فيها.
- يمكن استيراد ملاحظات موجودة إلى الرسم.
- الجلسات اللاحقة تستطيع قراءة الرسم بدل البدء من الصفر.
- جلسات التدريب تستمد مسائلها من المحتوى المحفوظ.
الترخيص وأين تبقى البيانات
المشروع مرخص بموجب AGPL-3.0، وهي رخصة مفتوحة المصدر من نوع copyleft. وبحسب نص الرخصة المنشور على موقع مؤسسة البرمجيات الحرة، صُممت لضمان التعاون مع المجتمع في حالة برمجيات الخوادم الشبكية، وتمنح حق النسخ والتوزيع والتعديل.
أما البيانات فيصفها المستودع هكذا: تبقى المحادثات والرسم المعرفي والإعدادات ومفاتيح الواجهات البرمجية على الجهاز، وسجلات التعلم ملفات يمكن فحصها. لكن طلبات النماذج ترسل السياق اللازم للمهمة إلى المزوّد الذي اخترته، والبحث على الويب والإملاء الصوتي يتصلان بخدمات خارجية. التخزين المحلي إذن لا يعني معالجة دون اتصال.
إذا كانت الشركة تفكر في تعديل البرنامج أو تقديمه لآخرين عبر الشبكة، فيجب مراجعة شروط الرخصة مع مستشار قانوني قبل اتخاذ القرار.
كيف أبدأ بتشغيل learnharness على جهازي أو في بيئة الفريق؟
يقدّم مشروع learnharness طريقتين للتشغيل. الأولى تثبيت التطبيق كبرنامج على سطح المكتب، وهي الأنسب لمعظم المستخدمين. الثانية تشغيل المشروع من الكود المصدري، وهي مخصصة للتطوير. الفرق بين الطريقتين مهم قبل البدء.
خطوات التثبيت
يوزّع المشروع التطبيق عبر موقع learnharness.ai وصفحة الإصدارات في GitHub. تختار الملف المناسب لنظام التشغيل:
- macOS على شرائح Apple Silicon: ملف DMG موقّع ومعتمد من Apple. تسحب التطبيق إلى مجلد Applications.
- Windows بمعالج x64: مثبّت يُشغَّل مباشرة. الملف غير موقّع حاليًا، لذلك قد يظهر تحذير «ناشر غير معروف» أو تحذير SmartScreen. تحقق من مصدر الملف قبل تشغيله، خاصة داخل الشركات.
- Linux بمعالج x64: ملف AppImage يحتاج إلى تفعيل صلاحية التنفيذ، أو حزمة .deb لتوزيعات Debian وUbuntu.
اختيار النماذج ومفاتيح الخدمة
بعد فتح التطبيق، تختار النماذج ثم تبدأ جلسة بالموضوع الذي تريد فهمه. يمكن ربط التطبيق بأحد المصادر التالية:
- مفاتيح API من مزوّد النموذج.
- اشتراكات مدعومة داخل تطبيق سطح المكتب.
- أداة Claude Code CLI مثبتة على الجهاز.
- نقطة وصول من نوع OpenAI-compatible، بما فيها خادم نماذج محلي.
التشغيل من الكود للتطوير
يحتاج التشغيل من الكود إلى بيئة تطوير تعمل بـ npm. الأوامر الأساسية موضحة في الكتلة التالية. تستطيع قراءة الإعدادات والفحوص في صفحة Development، وبنية التشغيل في صفحة Architecture. لم تذكر المادة المتاحة إصدار Node المطلوب، لذا تحقق منه في الوثائق قبل البدء.
في بيئة الفريق، تبقى المحادثات والرسم البياني للمعرفة والإعدادات ومفاتيح API على كل جهاز، بحسب المصدر. ولا تصف المادة المتاحة إعدادًا مشتركًا للفريق. لذلك يُفضّل تجربة الأداة على جهاز اختبار أولًا، وتحديد من يملك مفاتيح الخدمات قبل توسيع الاستخدام.
خطوات التشغيل من الكود
تثبيت الحزم
من جذر المشروع، نفّذ الأمر npm ci.
إعداد الإضافات
نفّذ الأمر npm run plugins:setup.
تشغيل بيئة التطوير
نفّذ الأمر npm run dev، ثم افتح العنوان http://localhost:3000.
تشغيل الاختبارات
نفّذ الأمر npm test. بحسب المستودع، تعتمد الاختبارات على fixtures وموفّرين وهميين.
ما حدود هذه الأدوات وما الذي لا تستطيع فعله؟
تبدو أدوات الوكلاء قادرة على كل شيء عند قراءة الوصف الأول لها، لكن المواد المنشورة عن مشروع learnharness تحدد نطاقها بوضوح أكبر. يوضح هذا القسم ما لا تضمنه الأداة، وما يبقى على عاتق الإنسان قبل الاعتماد على أي شرح في قرار عملي.
تعتمد جودة التشخيص على ما يكتبه المستخدم. تقول المواد إن الوكيل يعدّل الدرس بحسب إجابات المتعلم وتفكيره المكتوب، لذلك اكتب إجاباتك وتفكيرك بتفصيل وصدق خلال التجربة، فهي المادة التي يعمل عليها الوكيل.
ما لا تضمنه الأداة
لا تذكر المواد أي ضمان لدقة المعلومات التي يقدمها الوكيل. كما أن الهدف المعلن هو أن تبدو الفكرة صحيحة بوضوح، وهذا لا يعني أنها صحيحة فعلاً. لذلك يجب التمييز بين شعور الفهم والتحقق من الحقيقة.
يعتمد التشغيل على المزوّدين الذين تختارهم. تقول المواد إن النماذج تعمل عبر مزوّدين مُعدّين، وإن البحث على الويب والإملاء الصوتي يتصلان بخدمات خارجية. لذلك التخزين المحلي لا يعني أن المعالجة تتم دون اتصال.
كما أن مقياس التكلفة داخل التطبيق يقدّر تكاليف واجهات البرمجة المعروفة فقط، ولا يحتسب اشتراكات أو أوامر CLI أو نقاط الوصول المخصصة.
- الشرح لا يساوي مصدراً موثوقاً، وتحتاج كل معلومة إلى مرجع خارجي.
- الأداة لا تحدد تكلفة الاستخدام الفعلية في حساب شركتك.
ما يتطلب تحققاً بشرياً
تعني مراجعة بشرية لمخرجات الذكاء الاصطناعي أن يتحقق شخص مختص من الشرح قبل أن يبني عليه قراراً. هذا مهم بشكل خاص عند تغيير إعدادات الأنظمة أو كتابة السياسات.
مثال توضيحي: يتعلم فريق تقنية في شركة متوسطة بروتوكولات الشبكات بهذه الأداة، ثم يُطلب منه تعديل قاعدة في جدار الحماية. الشرح يساعد على الفهم، لكن التعديل يمر بمراجعة المختص ووثائق الشركة.
- تعليمات النظام مرئية وقابلة للتعديل، فيجب أن يتفق الفريق على إعدادها قبل التشغيل المشترك.
- الملفات المرفقة تبقى في مكانها ويقرأها الوكيل من مسارها، فراجع محتواها قبل مشاركتها.
- نسخة Windows غير موقعة رقمياً، وقد تظهر تحذيرات الناشر غير المعروف أو SmartScreen.
- المشروع مرخص بـ AGPL-3.0، ونص الرخصة يحدد التزامات خاصة بالبرمجيات المشغّلة عبر الشبكة، ولذلك يحتاج الامتثال إلى مراجعة قانونية.
قبل الاعتماد على شرح من الأداة
هل يصلح هذا النوع من الأدوات لفرق تقنية في شركات متوسطة الحجم في السعودية؟
قبل تبنّي أداة ذكاء اصطناعي في الشركات، يحتاج مدير تقنية المعلومات إلى معرفة ثلاثة أشياء: من يملك الكود، وأين تُعالج البيانات، ومن يتولى الدعم والتحديث. هذه الأسئلة أهم من الوصف العام للأداة، وهي تنطبق على learnharness كما تنطبق على غيره.
مثال توضيحي: فريق تطوير في شركة متوسطة الحجم يريد مساعدة المطورين الجدد على فهم نظام داخلي معقد. قد تكون أداة ذكاء اصطناعي لتعلم المواضيع الصعبة مفيدة هنا، لكن المدير يحتاج أولاً إلى التأكد من أن ملفات المطورين وملاحظاتهم لا تخرج عن سياسة الشركة. هذا مثال افتراضي، وليس حالة عميل حقيقية.
قائمة تحقق قبل التبنّي
ابدأ بمراجعة المستودع نفسه قبل أي تجربة. المشروع مرخّص بموجب AGPL-3.0، وهي رخصة صُممت لتغطية البرمجيات التي تعمل على الخوادم، لذلك يحتاج الفريق القانوني إلى مراجعتها قبل أي تعديل أو تشغيل داخلي واسع.
المستودع يحتوي على توثيق للتشغيل والتطوير والمعمارية، وملف لشرح طريقة الإبلاغ عن الثغرات. اقرأ هذه المواد كاملة، واعتمد عليها في التقييم بدل الاعتماد على الوصف التسويقي.
قواعد الخصوصية والاستخدام
يخزّن التطبيق المحادثات والرسم البياني والإعدادات ومفاتيح API على جهاز المستخدم، وسجلات التعلم ملفات نصية يمكن فحصها. لكن ذلك لا يعني أن كل شيء يبقى محلياً. طلبات النماذج ترسل السياق اللازم للمهمة إلى المزوّد المُعدّ، وخدمات البحث على الويب والإملاء تتصل بخدمات خارجية. التخزين المحلي لا يعني معالجة دون اتصال.
لذلك ضع قاعدة مكتوبة: لا تُرفق بيانات عملاء أو أسرار تشغيل أو وثائق داخلية مصنّفة إلا بعد موافقة مسؤول الأمن، وبما تسمح به سياسة مزوّد النموذج المعتمد. كذلك راجع موجّهات النظام، فهي مرئية وقابلة للتعديل، وحدّد من يملك حق تعديلها داخل الفريق. وتذكّر أن قواعد الخصوصية والتراخيص قد تختلف بين الجهات وقد تتغير، فراجع الجهة القانونية في شركتك قبل الاعتماد.
قبل التجربة الأولى
أسئلة شائعة
ما الفرق بين agent harness و AI agent؟
الوكيل (AI agent) نظام يستخدم نموذجاً لغوياً لتحقيق هدف عبر خطوات متعددة. أما agent harness، بحسب التعريف العملي الذي يعتمده هذا الدليل، فهو الإطار الذي يشغّل الوكيل ويحدد الأدوات المتاحة له، والسياق الذي يراه في كل خطوة، وطريقة حفظ الحالة بين الجلسات، ونقاط عرض النتائج على الإنسان. الوكيل يعمل داخل الإطار، والإطار يحيط بالوكيل ولا يحل محله.
هل agent harness هو نموذج ذكاء اصطناعي؟
لا. النموذج اللغوي هو الذي يولّد النص، أما agent harness فهو إطار برمجي يشغّل الوكيل ويستخدم نموذجاً أو أكثر بحسب الإعداد. في مشروع learnharness يمكن ربط التطبيق بمزودي نماذج متعددين، أو بمثبّت Claude Code CLI، أو بنقطة نهاية متوافقة مع OpenAI، ومنها خادم نماذج محلي. اختيار النموذج قرار منفصل عن اختيار الإطار.
هل learnharness مجاني ومفتوح المصدر؟
المشروع مرخّص بموجب AGPL-3.0، والمصدر متاح على GitHub. ويصف المشروع التطبيق بأنه مجاني، ويذكر أنه لا يفرض اشتراكاً أو هامشاً على استخدام مفاتيحك ونماذجك. لكن التكلفة الفعلية تعتمد على مزوّد النموذج أو اشتراكك أو إعداد جهازك. كما تذكر المواد أن أي خدمات مدفوعة مستقبلية ستكون للراحة، مثل المفاتيح المُدارة والاستضافة.
هل تحفظ learnharness بياناتي على جهازي فقط؟
تذكر المواد أن الدردشات والرسم البياني للمعرفة والإعدادات ومفاتيح API تُحفظ على جهازك، وأن سجلات التعلم ملفات يمكن فحصها. لكن التخزين المحلي لا يعني المعالجة دون اتصال. فطلبات النموذج ترسل السياق اللازم للمهمة إلى المزودين الذين أعددتهم، والبحث على الويب والإملاء الصوتي يتصلان بخدمات خارجية. راجع سياسات المزوّد قبل إدخال بيانات حساسة.
هل يمكن الاعتماد على مخرجات learnharness دون مراجعة؟
لا ينبغي ذلك. يعدّل الوكيل الدرس بحسب ما يكتبه المستخدم من إجابات وتفكير، لذلك يحسن أن تكتب بتفصيل وصدق. كما قد تبحث الأداة في الويب وتنشئ شروحاً بصرية، وهذه المخرجات تحتاج إلى مراجعة بشرية قبل الاعتماد عليها في أي قرار عملي.
خطوة عملية
خطوة عملية قبل التجربة
ابدأ بتجربة محدودة على جهاز اختبار، واكتب قبلها ثلاثة أسئلة: من يملك الكود، وأين تُعالج البيانات، ومن يتولى الدعم والتحديث. ثم اختبر الأداة على موضوع تعرفه جيداً لتقييم جودة الشرح قبل استخدامها في موضوع جديد. تواصل معنا إذا أردت مساعدة في تبنّي هذه الأداة.
إذا كان هذا التحدي قريباً من واقع عملك، اكتب لنا ما تحتاجه.
تحدث مع الريتاج





