مقدمة
الفرق التي تطلق وكلاء ذكاء اصطناعي على نطاق واسع تظل تصطدم بالنمط ذاته. حتى الوكلاء المبنون على نماذج من الطراز الأول مثل Fable وAstra يكافحون لتنفيذ مهام معقدة من البداية إلى النهاية داخل منتج معين باتساق يكفي لنشرها. لذلك تبذل الفرق جهداً كبيراً في إعداد تقييمات لسير العمل الأكثر أهمية، وغالباً مئات أو آلاف الحالات المكتوبة يدوياً، ثم تحسّن الوكيل شيئاً فشيئاً عبر تعديلات المطالبات وإصلاحات البنية التحتية للحالات الخاصة حتى يجتاز عدداً كافياً منها ليُطلق فعلياً.
وفي الوقت نفسه، يُنفّذ مستخدمو المنتج أنفسهم تلك المهام ذاتها كل يوم، ويعرفون الإجراءات المطلوبة وترتيبها. وقد أطلقت CopilotKit، الشركة التي تقف وراء إطار العمل مفتوح المصدر CopilotKit وبروتوكول AG-UI، CLiF، وهي منصة للتعلّم المستمر من المسارات الكاملة عبر الحزم (full-stack trajectories)، في وصول مبكر. تلتقط CLiF بأمان ما يفعله الوكيل وما يفعله المستخدمون داخل المنتج، وتحوّل هذا السجل إلى مهارات وتقييمات قائمة على الإنتاج ومجموعات بيانات للضبط الدقيق، وكلها قابلة للتصدير مع المسارات الخام.
CopilotKit مفتوح المصدر، بأكثر من 38,000 نجمة على GitHub.
باختصار
- تتبّع الوكلاء يُظهر أين أخطأ الوكيل، بينما يقع المسار الصحيح في ما يفعله المستخدمون داخل المنتج، وهو ما لا تلتقطه معظم البنيات التقنية.
- CLiF، المتاحة الآن في وصول مبكر، تتعلم من المسارات الكاملة عبر الحزم: مسار الوكيل وأفعال المستخدم داخل المنتج، تُلتقطان بأمان كخط زمني واحد عبر AG-UI.
- حلقة من أربع مراحل، مبنية على خاصية Automatic Learning من CopilotKit، تحوّل تلك المسارات الكاملة إلى مهارات وتقييمات قائمة على الإنتاج ومجموعات بيانات للضبط الدقيق وتصديرات خام، مع مراجعة بشرية لكل مهارة.
- مثال تطبيقي يوضح كيف يتعلم الوكلاء الطريقة التي يُنهي بها قادة الفِرق السباقات (Sprints) فعلياً.
- تستهدف CLiF آلاماً تُبطئ فرق الوكلاء، بما في ذلك التقييمات وتضخم السياق والتكلفة وتشتت البنية التقنية والاستخدام الخفي للذكاء الاصطناعي، وتعمل بالكامل على استضافة ذاتية.
ما الذي يفتقده تتبّع الوكلاء
معظم أدوات مراقبة الوكلاء اليوم تتمحور حول الوكيل نفسه. تلتقط أدوات التتبع المطالبات ونداءات الأدوات ومخرجات النموذج، وهو ما يُظهر أين أخطأ الوكيل مع إبقاء المسار الصحيح خارج مجال الرؤية. أما تحليلات المنتجات فتغطي الجانب الآخر عبر النقرات ومسارات التحويل وإعادة تشغيل الجلسات، لكن تلك البيانات مُعدّة لشخص يقرأ لوحة بيانات وليس لتعليم وكيل مهمة ما أو اختباره. وفي معظم بنى الوكلاء الإنتاجية، لا يجد الطرفان طريقهما إلى الخط الزمني نفسه أبداً.
هذه الفجوة مهمة لأن الوكيل يتعرف على المنتج من خلال المطالبات والمهارات وأوصاف الأدوات وواجهات برمجة التطبيقات المكشوفة، وعليه أن يكتشف بنفسه كيف تتكامل هذه القطع لإنجاز مهمة حقيقية. أما الأشخاص الذين يستخدمون المنتج فقد حلّوا هذه المسألة بالفعل، وغالباً مئات المرات. والرؤية التي تقدمها CopilotKit، كما وردت في ملفها التوضيحي عن تعلّم الوكلاء، هي أن الطريقة التي ينجز بها المستخدمون عملهم فعلياً هي أثمن مجموعة بيانات يمكن أن يملكها أي فريق وكلاء، وأنها نادراً ما تُلتقط بصورة يمكن للوكيل أن يتعلم منها.
المسارات الكاملة عبر الحزم: إشارة التدريب التي بُنيت عليها CLiF
CLiF هي جزء من CopilotKit Intelligence ومبنية حول عنصر أساسي واحد، وهو المسار الكامل عبر الحزم. ويُلتقط هذا المسار عبر AG-UI (Agent-User Interaction Protocol)، البروتوكول المفتوح الذي أنشأته CopilotKit لربط الوكلاء بالتطبيقات الموجهة للمستخدمين. ولأن AG-UI يجلس بين الوكيل والمستخدم على أي واجهة، يمكنه رؤية جانبي المهمة معاً:
- مسار الوكيل (agent trace): كل تشغيل ونداء أداة وتغيير حالة أجراه الوكيل، وما أرجعه كل منها.
- مسار المنتج (إجراءات المستخدم): ما كان يظهر على شاشة المستخدم، والأزرار التي نقر عليها، وطلبات الخادم التي أطلقها. وإذا تحدث المستخدم مع الوكيل أثناء ذلك، تُسجَّل تلك المحادثة على الجدول الزمني نفسه، بالترتيب.
معًا، يُشكِّل ذلك مسارًا كاملًا عبر الحزمة التقنية.
إن AG-UI يبث بالفعل أحداث الوكيل إلى الواجهة الأمامية، لذا فإن الالتقاء الآمن بإجراءات المستخدم عبر البروتوكول نفسه يضع النصفين في تدفق واحد من البداية، دون حاجة إلى خط أنابيب تحليلات منفصل يجمعهما لاحقًا. وتصبح كل جلسة مستخدم مسارًا واحدًا يمكن للفريق فتحه في CopilotKit Intelligence وإعادته خطوة بخطوة، مع النقرات وطلبات الخادم ورسائل الوكيل بالترتيب الذي حدثت به.
داخل CLiF: من المسارات إلى المهارات والتقييمات وبيانات التدريب
تصف CopilotKit حلقة التعلم في أربع مراحل.
1. الالتقاط. تتدفق المسارات (Trajectories) إلى CopilotKit Intelligence وتُسند إلى حاويات تعلّم، تُقيّد التعلم بنوع واحد من العمل، مثل دعم الفواتير أو تهيئة العملاء. تختار بيئة التشغيل الحاوية لكل جلسة عبر دالة الاستدعاء getTrajectoryLearningContainerIds، ويمكن نقل الجلسات إلى حاوية أو خارجها لاحقًا من واجهة Intelligence. تتعلم كل حاوية فقط من جلساتها الخاصة.
2. اكتشاف الأنماط. يعمل التحليل وفق جدول زمني بمجرد أن تتجاوز الحاوية حدًا محددًا من الجلسات الجديدة، ويمكن للفرق أيضًا تشغيله يدويًا. تبدأ كل دورة من لقطة مجمّدة لجلسات الحاوية وتكشف رؤى (Insights): طلبات متكررة، وتصحيحات متكررة، والعوائق التي يعمل المستخدمون على تجاوزها بصمت. ترى CopilotKit أن هذا النوع من العوائق هو الإشارة الأقوى، لأنه يميل إلى التكرار عبر آلاف الجلسات ويُظهر بدقة ما يجب على الوكيل تعلمه تاليًا. تستشهد كل رؤية بالأحداث المحددة الكامنة خلفها وتربط مباشرة بالمسار المصدر.
3. المراجعة. عندما تدعم الأدلة درسًا قابلًا لإعادة الاستخدام، يقترحه CLiF كمهارة (skill)، مكتوبة كملف SKILL.md بسيط. لا يمكن لخدمة التحليل نشر أي شيء من تلقاء نفسها: يوافق شخص أو يرفض كل اقتراح، إما من واجهة Intelligence أو عبر CopilotKit CLI. المهارات المنشورة تحمل إصدارات ويمكن إحالتها للتقاعد في أي وقت.
4. التسليم والتصدير. تصل المهارات المنشورة إلى الوكيل دون إعادة نشر، ويمكن للفرق التي تحتاج إلى الاستقرار تثبيت الوكيل على مراجعة مهارات ثابتة. لأي وكيل آخر أو خادم MCP، يمكن تنزيل المهارات كملفات بسيطة عبر copilotkit skills download <container> –output <dir>. ويمكن تصدير المسارات نفسها كبيانات أحداث خام من لوحة Intelligence. بالنسبة لفرق الوصول المبكر ، تُنتج خطوط الأنابيب نفسها أيضًا مرشحيات تقييم ومجموعات بيانات للضبط الدقيق من هذه المسارات.
مسارات الوكلاء: التعلم التلقائي في CopilotKit Intelligence
على جانب الوكيل، يبني CLiF على التعلم التلقائي، وهي القدرة في CopilotKit Intelligence التي تضعها CopilotKit أيضًا كأساس لـ الوكلاء ذاتيي التحسين. يتعلم نظام التعلم التلقائي من المحادثات التي يجريها المستخدمون مع الوكيل. ويمتد CLiF على الحلقة نفسها لتشمل مسارات المنتج، فيتعلم أيضًا من العمل الذي يقوم به المستخدمون مباشرة داخل المنتج، خارج المحادثة.
تُخزَّن كل محادثة وكيل بالكامل عبر AG-UI Streams: الرسائل، واستدعاءات الأدوات، وواجهة المستخدم التوليدية، والحالة، والموافقات، والملفات. يختار المطوّرون الخيوط التي تُعد دليلًا بإرجاع معرّف حاوية من دالة الاستدعاء getLearningContainerId على بيئة تشغيل CopilotKit، وهي المقابل من جانب الوكيل لدالة استدعاء المسارات. ويمكن للفرق التي لديها وكيل قيد التشغيل بالفعل استيراد السجل الحالي من LangGraph Server أو LangSmith Deployment بدلًا من البدء من الصفر.
تسليم المهارات يعمل عبر محولات لـ LangGraph (بلغتي Python وTypeScript)، وMastra، وGoogle ADK، وMicrosoft Agent Framework، والوكيل المدمج في CopilotKit، وغيرها. يضيف المحوّل كتالوجًا وأداتين، copilotkit_load_skill وcopilotkit_read_skill_file، ويحمّل النموذج مهارة عندما تتطلب المهمة ذلك. تحتفظ تعليمات المطوّر بالأولوية، فلا يمكن للمهارات تجاوز دور الوكيل أو قواعد السلامة أو قيود الأدوات.
ما وراء المهارات: التقييمات وبيانات الضبط الدقيق والمسارات الخام
المهارات هي المخرج الأول فقط. تغذي المسارات نفسها أربعة مخرجات في المجموع، وكلها قابلة للتصدير إلى حزمة الفريق القائمة:
- مهارات للوكلاء أو خوادم MCP، مبنية من أنماط تتكرر عبر جلسات كثيرة.
- تقييمات مبنية على الإنتاج، مستمدة من مهام نفّذها المستخدمون فعلًا، بما في ذلك المدخلات والحالات الحدية التي لم يفكر أحد في كتابتها يدويًا. يمكن تصديرها إلى منصة التقييم التي يستخدمها الفريق بالفعل.
- مجموعات بيانات للضبط الدقيق مستمدة من مسارات مهام حقيقية، مخصصة لتدريب نماذج مفتوحة أصغر وأسرع على أكثر سير العمل تكرارًا في الشركة.
- مسارات كاملة خام يمكن تصديرها إلى أي منصة مراقبة أو استخدامها كما يريد الفريق.
ترى CopilotKit أن على الفرق الاحتفاظ بأدوات التقييم والمراقبة التي تستخدمها بالفعل، وأن CLiF يوفر البيانات التي افتقرت إليها تلك الأدوات.
CLiF في الواقع: مثال عملي
لنفترض أنك المدير التقني (CTO) لمنصة لإدارة المشاريع شبيهة بـ Linear، حيث تخطط فرق الهندسة لدورات السبرنت وتتابع المشكلات. تريد أن تتولى الوكلاء الأعمال الروتينية في منتجك وتؤديها بموثوقية، سواء كان وكيلك المدمج أو وكلاء خارجيين مثل Claude يتصل به العملاء عبر خادم MCP الخاص بك. يُعد إغلاق السبرنت من أول المهام على القائمة.
منصتك تتضمن بالفعل خياراً بنقرة واحدة ينقل كل المشكلات غير المكتملة إلى السبرنت التالي، وتصف وثائقك عملية الإغلاق بهذه الطريقة تحديداً. لذا فإن أي وكيل يُطلب منه إغلاق سبرنت يفعل ذلك تماماً، وينقل كل المشكلات غير المكتملة إلى الأمام.
بمجرد أن يبدأ CLiF في التقاط مسارات المنتج بشكل آمن، تُظهر آلاف عمليات الإغلاق أن قادة الفرق على منصتك يفعلون أكثر من ذلك. يستخدم معظمهم الخيار بنقرة واحدة، ثم يقضون الدقائق التالية في تصحيح النتيجة:
- يعيدون المشكلات التي نُقلت مرة واحدة بالفعل إلى قائمة الأعمال المعلقة (Backlog) ويلغون إسنادها.
- يعلّقون على المشكلات المحجوبة، مع الإشارة إلى من يملك العائق.
لم يصمّم أحد في فريقك هذه الروتينية، وقليل من المستخدمين سيصفونها لو سُئلوا. إنها موجودة فقط في النقرات والطلبات التي تلي حركة النقرة الواحدة. ولا تراها آثار الوكلاء (Agent traces) أبداً، لأن المستخدمين يقومون بها بأنفسهم. وتسجّل تحليلات المنتج النقرات الإضافية بلا معناها، ورصد النمط في إعادة تشغيل الجلسات يعني مشاهدة آلاف التسجيلات.
يُبرز CLiF هذه الروتينية كرؤية (Insight)، مستشهداً بالجلسات الدقيقة الكامنة وراءها، ويقترح مهارة (skill) لعملية الإغلاق الكاملة. وبعد أن يراجعها فريقك وينشرها، يتبنّاها وكيلك المدمج دون إعادة نشر، وتشحن المهارة نفسها مع خادم MCP لديك بحيث تتبعها Claude وغيره من الوكلاء المتصلين. ومع تغيّر عادات المستخدمين، تُبقي الجلسات الجديدة المهارة محدّثة، كما تُظهر الرؤية أين يقصر عنصر ميزاتك الخاص.
تصبح الجلسات نفسها حالات تقييم (eval cases) تتحقق مما إذا كان الوكيل يتعامل مع كل مشكلة بالطريقة التي يتبعها قادة الفرق على منصتك، حتى تتأكد من جاهزية الوكلاء قبل تسليمهم المهمة. ويمكن أيضاً أن تصبح بيانات تدريب إذا قمت لاحقاً بضبط دقيق (fine-tune) لنموذج أصغر لأعمال التخطيط.
كيف يعالج CLiF الآلام المُبطئة لفرق الوكلاء في 2026
بالنسبة للقادة التقنيين الذين يشغّلون وكلاء على نطاق واسع، يقدّم CopilotKit ميزة CLiF كاستجابة لمجموعة مألوفة من المشكلات.
- تجاوز الوكلاء لتقييمات evals: بالنسبة لمعظم الفرق، فإن أبطأ جزء في إطلاق وكيل هو دفعه لاجتياز تقييمات كافية على سير العمل المهمة. والمهارات المستفادة من كيفية إكمال المستخدمين تلك المهام تمنح الوكيل الخطوات التي كانت تنقصه. وتضيف التقييمات المبنية على الإنتاج (production-based evals) عندئذٍ الحالات الطرفية التي يصطدم بها المستخدمون عملياً، فتنمو مجموعة التقييمات مع الاستخدام الفعلي.
- انتفاخ السياق وتحمّل الأدوات الزائد: كل خطأ يرتكبه الوكيل ينتهي عادةً بقاعدة إضافية في موجه النظام أو أداة إضافية على الوكيل. ومع مرور الوقت يمتلئ السياق ويصبح السلوك أصعب في التنبؤ. يُبقي CLiF السلوك المتعلَّم في كتالوج مهارات بدلاً من ذلك، ولا يحمّل النموذج مهارة إلا عندما تتطلبها المهمة.
- التكلفة: تميل الوكلاء إلى أن تصبح أكثر تكلفة كلما اكتسبت أدوات وموجّهات أطول. وتمنح مجموعات بيانات الضبط الدقيق المستخرجة من مسارات حقيقية الفرق طريقاً لنقل مهام سير العمل عالية الحجم إلى نماذج مفتوحة أصغر وأرخص، كما تُظهر الحاويات لكل مسار عمل أين يعاني الوكيل وأين لا يعاني.
- الحزم المجزأة: نادراً ما تقتصر المؤسسات الكبيرة على إطار عمل واحد للوكلاء، وتعيش وكلاؤها في تطبيقات الويب وتطبيقات الهاتف وSlack وTeams. يعمل CLiF على AG-UI، لذا فهو يتوافق مع أي هيكل وكيق وأي نموذج تحته. وتدعم Google وMicrosoft وAnthropic وAmazon وOracle تقنية AG-UI، إلى جانب أطر منها LangChain وMastra وPydantic AI وGoogle ADK وغيرها.
- تبنّي الوكلاء خارج الرقابة المركزية: كلما تبنّت الفرق أدوات الوكلاء من تلقاء نفسها، صار أصعب معرفة ما تعلّمه كل وكيل ولماذا. تخضع كل مهارة في CLiF لمراجعة بشرية، وتعود إلى الجلسات التي جاءت منها، وتبقى ذات إصدارات وقابلة للتراجع. ويمكن أيضاً تشغيل المنصة بأكملها داخل بنية الشركة التحتية الخاصة.
استضافة ذاتية بالتصميم
قابلية CLiF للاستضافة الذاتية كاملة. ويمكن استضافة CopilotKit Intelligence ذاتياً على عنقود Kubernetes خاص بالشركة عبر مخطط Helm، أو على AWS ECS وFargate، مع Postgres وRedis ومزوّد الهوية الخاصين بالفريق، مثل Okta أو Azure AD أو Keycloak.
تبقى المسارات (Trajectories) والمهارات وكل ما يُستفاد منها داخل VPC الشركة أو بيئتها المحلية، فلا يضطر نشاط المستخدمين وآثار الوكلاء أبداً لمغادرة شبكتها. كما يمكن أن تتدفق الآثار إلى جامع OpenTelemetry قائم. كما يعمل CopilotKit Intelligence على سحابة مُدارة للفرق التي تريد الإعداد الأسرع.
الخلاصات الرئيسية
- أصدرت CopilotKit أداة CLiF، وهي منصة للتعلّم المستمر من المسارات متكاملة الحزمة (full-stack trajectories)، وهي الآن في الوصول المبكر كجزء من CopilotKit Intelligence.
- طريقة المستخدمين الحالية في إنجاز العمل هي الإشارة التي تنقص الوكلاء. تلتقط المسارات متكاملة الحزمة هذه الإشارة إلى جانب أثر الوكيل، على خط زمني واحد فوق AG-UI.
- يحوّل CLiF تلك المسارات إلى أربعة مخرجات: تقييمات مبنية على الإنتاج، ومجموعات بيانات ضبط دقيق لنماذج مفتوحة أصغر، ومهارات للوكلاء أو خوادم MCP، ومسارات خام للتصدير، وكلها متوافقة مع حزم التقييم والمراقبة القائمة.
- يراجع إنسان كل مهارة، ويُعقب كل واحد منها وصولاً إلى جلسات المصدر الخاصة به. تصل المهارات المنشورة إلى الوكيل دون إعادة نشر، ويمكن أن تُشحن مع خادم MCP للوكلاء الخارجيين مثل Claude.
- يستهدف الآلام الجوهرية لتشغيل الوكلاء على نطاق واسع: اجتياز التقييمات، وتضخم السياق، والتكلفة، والبنيات المجزأة، والإشراف على ما تعلمه كل وكيل.
- يعمل CLiF مع أي إطار عمل للوكلاء وأي نموذج عبر AG-UI، وهو قابل للاستضافة الذاتية بالكامل.
يمكن للفرق معرفة المزيد، أو حجز عرض توضيحي، أو طلب وصول مبكر على صفحة CLiF.
المراجع
- صفحة منتج CLiF
- تقديم CLiF: منصة التعلم المستمر لوكلاء الذكاء الاصطناعي من المسارات الكاملة (Full-Stack Trajectories) (مدونة CopilotKit)
- ما هو تعلم الوكلاء؟ (CopilotKit)
- فيديو إطلاق CLiF
- CopilotKit Intelligence
- وثائق التعلّم التلقائي
- وثائق تسليم المهارات
شكرًا لفريق Copilotkit على الريادة الفكرية والموارد الخاصة بهذه المقالة. هذه المقالة برعاية Copilokit.
ظهرت مقالة تصدر CopilotKit منصة CLiF: منصة تعلّم مستمر تحوّل آثار عمل الوكلاء وتفاعلات المستخدمين إلى مهارات وعمليات تقييم وبيانات للضبط الدقيق أول مرة على MarkTechPost.