Skip to main content

مسرد مصطلحات الذكاء الاصطناعي للمبتدئين

لا تحتاج إلى شهادة في علوم الحاسوب لقراءة هذا الكتاب. لكنك تحتاج إلى إتقان لغته. يعرّف هذا المسرد كل مصطلح مهم ستقابله، بلغة واضحة، وأمثلة من الحياة الواقعية، وتشبيهات يومية قريبة.

كيف تستخدم هذه الصفحة: ابدأ بقسم أهم 30 مصطلحاً؛ فهذه المصطلحات تظهر في معظم صفحات الكتاب. ثم استخدم المسرد الكامل كمرجع. جُمعت المصطلحات حسب الموضوع، مع مفردات الكتاب الخاصة أولاً. استخدم Ctrl+F (أو Cmd+F على Mac) للبحث عن أي مصطلح.

مشهد الذكاء الاصطناعي في لمحة​

قبل الغوص في المصطلحات واحداً واحداً، إليك كيف ترتبط المفاهيم الكبرى ببعضها:

الذكاء الاصطناعي، وتعلم الآلة، والتعلم العميق، والنماذج اللغوية الكبيرة: كل واحد منها مجموعة فرعية من الذي قبله

كيف يولّد النموذج اللغوي الكبير استجابة: من تعليمتك إلى الإكمال

خط إنتاج Agent Factory: من قصد الإنسان إلى Digital FTE عامل

أهم 30 مصطلحاً يجب أن تعرفها أولاً​

تظهر هذه المصطلحات في معظم الصفحات. اقرأها قبل أن تفتح الفصل 1.

ملاحظة: مصطلحات الوكلاء بوصفهم مشترين، مثل ACP وAP2 وx402 وMPP وأغلفة السلطة والتفويضات الموقعة، مغطاة في القسم 11 وليست ضمن أهم 30 مصطلحاً.

1. AI (Artificial Intelligence): جعل الحواسيب تنجز أشياء تتطلب عادة ذكاء بشرياً.

🔹 عندما يتنبأ لوحة مفاتيح هاتفك بالكلمة التالية التي تكتبها، فهذا ذكاء اصطناعي.

2. LLM (Large Language Model): نظام ذكاء اصطناعي ضخم دُرّب على مليارات الصفحات من النص، وقادر على فهم اللغة البشرية والكود وتوليدهما. Claude وGPT وGemini كلها LLMs.

💡 تخيّل LLM كمساعد بحث قرأ كل كتاب في أكبر مكتبة في العالم. تسأله سؤالاً، فيجيب من كل ما قرأه.

3. Agent (AI Agent): ذكاء اصطناعي لا يجيب عن الأسئلة فقط. بل يتخذ أفعالاً، ويضع خططاً، وينجز الأمور من تلقاء نفسه.

🔹 يجيب chatbot عن سؤال: "ما أرخص رحلة إلى دبي؟" أما agent فيبحث فعلاً في شركات الطيران، ويقارن الأسعار، ويحجز لك التذكرة.

4. Agentic AI: فئة الذكاء الاصطناعي المعنية ببناء وكلاء يخططون، ويستدلون، ويتصرفون ذاتياً. هذه هي حدود الذكاء الاصطناعي في 2026 ومحور هذا الكتاب كله.

🔹 الذكاء الاصطناعي العادي: تسأل سؤالاً فتحصل على جواب. Agentic AI: تعطيه هدفاً مثل "خفّض تسرب العملاء بنسبة 15%"، فيبحث، ويخطط، وينفذ، ويرفع تقريراً، ويتخذ قرارات على طول الطريق.

5. Digital FTE (Digital Full-Time Equivalent): "موظف ذكاء اصطناعي" يؤدي العمل المستمر لموظف بشري بدوام كامل، 24/7، بجزء من الكلفة. يُسمى في الأطروحة أيضاً AI Worker: الدور نفسه، بسجل لغوي مختلف.

🔹 Digital FTE لدعم العملاء يتعامل مع 500 محادثة يومياً، كل يوم، أي عمل 5 إلى 10 موظفين بشر.

6. Agent Factory: المفهوم المركزي في هذا الكتاب. إنها العملية التي تقودها المواصفات، ويشرف عليها البشر، وتعمل بقوة Claude Code، والتي تُصمَّم بها AI Workers وتُصنَّع وتُنشَر. ليست منتجاً تشتريه؛ بل ممارسة تعتمدها. تبني Agent Factory الشركةَ المعتمدة أصلاً على الذكاء الاصطناعي، وهذه الشركة توظّف Digital FTEs.

💡 مثل خط التجميع: تؤدي كل محطة مهمة متخصصة، وتتحرك الأجزاء بالترتيب، وما يخرج في النهاية منتج مكتمل مبنيّ حسب المواصفة. تُصنّع Agent Factory صناعة موظفي الذكاء الاصطناعي.

7. Prompt: التعليمة أو السؤال الذي تكتبه لنموذج ذكاء اصطناعي.

🔹 "لخّص هذا التقرير في ثلاث نقاط" تعليمة. وكلما كانت التعليمة أفضل، كانت الإجابة أفضل.

8. Context Window: "الذاكرة العاملة" للذكاء الاصطناعي: مقدار النص الذي يستطيع قراءته والتفكير فيه دفعة واحدة.

💡 نافذة سياق صغيرة مثل مكتب صغير لا يتسع إلا لبضع صفحات. نافذة Claude الكبيرة مثل طاولة اجتماع واسعة تستطيع أن تبسط عليها رواية كاملة دفعة واحدة.

9. Token: الوحدة الأساسية من النص التي يقرأها LLM. تقارب ثلاثة أرباع كلمة. "I love biryani" تقارب 4 tokens.

🔹 تدفع لكل token عند استخدام AI APIs. صفحة نص كاملة تقارب 500-700 tokens.

10. Hallucination: عندما يولّد الذكاء الاصطناعي بثقة شيئاً غير صحيح.

🔹 تسأله عن قضية في محكمة عليا، فيخترع حكماً وهمياً بأرقام مرجعية مزيفة، ويقدمه كحقيقة. يبدو صحيحاً، لكنه ملفّق.

11. Spec (Specification): مخطط تفصيلي يصف بالضبط ما تريد بناءه: الأهداف، والمدخلات، والمخرجات، والقيود.

💡 مثل مخطط المعماري للبيت. لا يبدأ البنّاء بالتخمين؛ بل يتبع الخطة. في تطوير الذكاء الاصطناعي، المواصفة هي تلك الخطة.

12. Spec-Driven Development (SDD): اكتب المخطط أولاً، ثم دع الذكاء الاصطناعي يولّد الكود والاختبارات والتوثيق من ذلك المخطط.

🔹 تكتب: "ابنِ API لمتجر كتب مع endpoints للعرض، والإضافة، والبحث، والحذف." فيولّد Claude Code التطبيق كاملاً.

13. Claude Code: وكيل Anthropic البرمجي بالذكاء الاصطناعي. تتحدث إليه في الطرفية، فيقرأ قاعدة الكود كلها، ويفهم مشروعك، ويكتب الكود.

🔹 تكتب "أضف مصادقة مستخدم إلى تطبيقي": يقرأ Claude Code الكود الموجود، ويولّد وحدة المصادقة، ويكتب الاختبارات، ويدمج كل شيء.

14. Cowork: وكيل سطح المكتب من Anthropic لمهام المعرفة غير البرمجية: المستندات، والبحث، وإدارة الملفات.

🔹 "نظّم مجلد Downloads حسب المشروع ولخّص كل ملفات PDF لهذا الشهر." ينجز Cowork ذلك بينما تركز أنت على غيره.

15. MCP (Model Context Protocol): المعيار العالمي الذي يسمح لأي وكيل ذكاء اصطناعي بالاتصال بأي أداة خارجية: قواعد بيانات، وبريد، وتقويمات، وأنظمة ملفات. MCP هو بروتوكول استدعاء الوكلاء للأدوات. أما عائلة البروتوكولات المنفصلة التي تتولى دفع الوكلاء مقابل تلك الأدوات فراجع القسم 11: ACP وAP2 وx402 وMPP.

💡 قبل USB، كان لكل هاتف شاحن مختلف. MCP هو "معيار USB" للذكاء الاصطناعي: بروتوكول واحد يسمح لأي وكيل بأن يتصل بأي أداة.

16. API (Application Programming Interface): قواعد تسمح لبرامج مختلفة بأن تتحدث إلى بعضها. APIs هي طريقة تفاعل الوكلاء مع العالم الخارجي.

💡 قائمة الطعام في مطعم تشبه API. أنت (العميل) تنظر إلى القائمة (التوثيق)، وتقدّم طلباً (request)، ويجهّز المطبخ (server) طعامك (response).

17. SDK (Software Development Kit): عدّة أدوات جاهزة لبناء تطبيقات على منصة معينة.

💡 SDK مثل مجموعة LEGO: قطع جاهزة مع تعليمات تساعدك على البناء بسرعة، بدلاً من نحت كل قطعة من الصفر.

18. Python: أشهر لغة برمجة في الذكاء الاصطناعي. سهلة القراءة، ومرنة، وهي اللغة الأساسية في هذا الكتاب.

🔹 تقرأ Python تقريباً كالإنجليزية: if age > 18: print("Adult"). هذه القابلية للقراءة هي سبب اختيار عالم الذكاء الاصطناعي لها.

19. Git: نظام يسجّل كل تغيير في كودك: من غيّر ماذا، ومتى، ولماذا. تستطيع دائماً الرجوع إلى أي نسخة سابقة.

💡 مثل "Track Changes" في Microsoft Word، لكن لمشاريع برمجية كاملة. كل تعديل قابل للاسترجاع.

20. Docker: أداة تحزم تطبيقك داخل صندوق محمول (container) يعمل بالطريقة نفسها في أي مكان: حاسوبك، أو جهاز زميلك، أو خادم سحابي.

💡 حاوية شحن. سواء كانت على شاحنة في Karachi أو على سفينة في المحيط، تبقى المحتويات داخلها متطابقة ومكتفية ذاتياً.

21. Context Engineering: تصميم بيئة المعلومات الكاملة التي يتلقاها الوكيل. إنها المهارة الأولى التي تفرّق بين وكيل يُباع ب 2,000 دولار شهرياً وآخر لا يريده أحد.

💡 لدى مصنع Toyota ضوابط جودة تضمن مطابقة كل سيارة للمواصفة. هندسة السياق هي ضبط الجودة لوكلاء الذكاء الاصطناعي: ضمان مخرجات متسقة وموثوقة.

22. Tool Use: قدرة الوكيل على استخدام أدوات خارجية (البحث في الويب، والاستعلام عن قواعد البيانات، وإرسال البريد) بدلاً من الإجابة من الذاكرة فقط.

🔹 تسأل "ما الطقس في Karachi؟": الوكيل الذي يستخدم الأدوات يفحص فعلاً خدمة طقس ويعطي بيانات حية. وبدون استخدام الأدوات سيخمّن فقط.

23. Guardrails: قيود أمان تمنع الوكيل من فعل ما لا ينبغي له.

🔹 لدى وكيل مالي حاجز أمان: لا معاملات فوق Rs. 5,000,000 بلا موافقة بشرية. مثل الحواجز على الطريق السريع التي تمنع السيارات من الخروج عن المسار.

24. RAG (Retrieval-Augmented Generation): منح الذكاء الاصطناعي وصولاً إلى مستندات خارجية كي يجيب من الحقائق، لا من ذاكرة قد تكون خاطئة.

💡 أداء امتحان بكتاب مفتوح بدلاً من امتحان بكتاب مغلق. يبحث الذكاء الاصطناعي عن الحقائق في مستنداتك قبل الإجابة: أدقّ بكثير.

25. 10-80-10 Rule: إيقاع تشغيل قوة الذكاء الاصطناعي العاملة: الإنسان يحدد الاتجاه (10%) ← الذكاء الاصطناعي ينفذ (80%) ← الإنسان يتحقق (10%).

🔹 تكتب موجز مشروع (10%)، يبني Claude Code التطبيق كله (80%)، ثم تراجع وتختبر وتوافق (10%).

26. AGENTS.md / CLAUDE.md: ملفات إعداد تخبر وكيل الذكاء الاصطناعي بقواعد مشروعك: معايير الكود، والتفضيلات، والقرارات المعمارية.

💡 وثيقة الإدماج التي تعطيها لموظف جديد: "هكذا نعمل. هذا أسلوبنا. وهذا ما لا نفعله أبداً." تُحمَّل في كل تفاعل.

27. Orchestration: تنسيق عدة وكلاء ليعملوا معاً على مهمة.

💡 قائد فريق cricket يضع اللاعبين، وينظّم التبديلات، ويعدّل الخطة. لا يفعل كل شيء بنفسه؛ بل ينسّق المتخصصين نحو هدف مشترك.

28. Stateless: ينسى الذكاء الاصطناعي كل شيء بين المحادثات. تبدأ كل محادثة جديدة من الصفر المطلق.

💡 صاحب متجر مصاب بفقدان الذاكرة: كلما دخلت يرحّب بك كغريب، حتى لو كنت عنده قبل خمس دقائق. تطبيقات المحادثة تصنع وهم الذاكرة بإعادة إرسال المحادثة كاملة كل مرة.

29. Deployment: جعل تطبيقك حياً ومتاحاً للمستخدمين الحقيقيين على الإنترنت.

🔹 يعمل تطبيقك على حاسوبك. يضعه النشر على خادم سحابي كي يستخدمه 10,000 شخص في الوقت نفسه.

30. CI/CD (Continuous Integration / Continuous Delivery): اختبار الكود ونشره تلقائياً كلما أجرى مطوّر تغييراً.

🔹 يدفع مطوّر الكود الساعة 2 PM. تعمل الاختبارات تلقائياً في 3 دقائق. تمر كلها. تصبح النسخة الجديدة حية عند 2:10 PM: بلا أي خطوة يدوية.

المعمارية: مكدّس وقت التشغيل​

تسمّي هذه المصطلحات مكوّنات الشركة المعتمدة أصلاً على الذكاء الاصطناعي التي تنتجها Agent Factory. تظهر في فصول المعمارية وفي الأطروحة. اقرأها هنا مرة واحدة؛ ستقابلها مجدداً في كل بناء.

💡 كيف تتركّب الأجزاء معاً: تبني Agent Factory (العملية) الشركةَ المعتمدة أصلاً على الذكاء الاصطناعي (المخرَج). داخل تلك الشركة، يحدد البشر الاتجاه من Edge Layer، وينفّذ Digital FTEs في AI Workforce Layer. يدير Paperclip القوة العاملة. ويعمل كل Digital FTE على محرك وقت تشغيل يختاره. وتوقظ triggers النظامَ من العالم الخارجي.

AI Worker​

القوة العاملة في الشركة المعتمدة أصلاً على الذكاء الاصطناعي. وكلاء قائمون على أدوار، يُوظَّفون، وتُسنَد إليهم المهام، ويُدرَجون في القوائم، ويُحالون إلى التقاعد. وهو المفهوم نفسه ل Digital FTE وDigital Worker: تستخدم الأطروحة AI Worker، ويستخدم الكتاب Digital FTE. اختر المصطلح الذي يناسب جمهورك.

📌 القوة العاملة مقابل العناصر الدائمة (تمييز محوري): AI Workers وحدهم هم القوة العاملة. أما المندوب (OpenClaw) والمدير (Paperclip) فهما عنصران دائمان، لا قوة عاملة. ومحركات وقت التشغيل ليست عناصر أصلاً؛ بل هي المهارات التي تعمل عليها القوة العاملة. عندما تقول الأطروحة agent فهي تعني أي طرف في المبنى (دائماً كان أو عاملاً). وعندما تقول AI Worker فهي تعني القوة العاملة تحديداً.

🔹 مثال: AI Worker لفرز السير الذاتية يقرأ 200 سيرة يومياً، ويقيّمها مقابل مواصفة وظيفة، ويسلّم أفضل 10 إلى مسؤول توظيف بشري. إنه Digital FTE داخل قوة الموارد البشرية في الشركة المعتمدة أصلاً على الذكاء الاصطناعي: وظّفه Paperclip، وهو قابل للإدراج في القائمة وللإحالة إلى التقاعد.

AI-Native Company​

مخرَج Agent Factory. المؤسسة العاملة: شركة يعمل بها AI Workers (أي Digital FTEs)، وتنسّقها طبقة إدارة، ويوجهها البشر عند الحافة. الشركة المعتمدة أصلاً على الذكاء الاصطناعي هي ما ينتهي بك الأمر إلى تشغيله. يسميها الكتاب أيضاً Agentic Enterprise: المفهوم نفسه باسم موجّه إلى الأعمال.

💡 تشبيه: Agent Factory هي العملية، مثل طريقة لبناء ناطحات السحاب. أما AI-Native Company فهي ناطحة السحاب التي تنتجها تلك الطريقة، أي الشيء الذي تشغّله فعلاً.

📌 الثلاثية: Agent Factory (عملية) ← AI-Native Company (مخرَج) ← AI Workers (القوة العاملة داخل المخرَج). ثلاثة مصطلحات، وثلاثة أدوار مختلفة. ليست قابلة للتبادل.

Two-Layer Model​

النمط المعماري الذي يُكمل أطروحة Agent Factory: يحدد البشر القصد من Edge Layer، وينفّذ AI Workers في AI Workforce Layer، وتكون المواصفات لغة العقد بينهما.

🔹 مثال: يطلب CEO من مندوب OpenClaw لديه (Edge Layer) أن "يشغّل تقرير تسرب العملاء الأسبوعي." يسلّم المندوب المهمة إلى Digital FTE في AI Workforce Layer. يسحب Digital FTE البيانات، ويولّد التقرير، ويعيده عبر المندوب إلى CEO للتحقق.

Principal​

الإنسان في قمة مكدّس وقت التشغيل: من يحدد القصد، ويضع الميزانية، ويرسم غلاف السلطة، ويمتلك النتيجة. هذا هو الثابت 1 في الأطروحة. تبدأ كل سلسلة فعل مشروعة بأصيل؛ والنظام الذي يتصرف بلا أصيل ليس مستقلاً، بل بلا مالك (لا مسؤولية، ولا هدف للمواءمة، ولا مالك للميزانية، ولا حكَم للنتيجة).

🔹 مثال: يكتب CFO مواصفة: "خفّض عمر الحسابات المدينة بنسبة 20% ضمن ميزانية 30K دولار، من دون تغيير شروط الدفع." تحمل هذه المواصفة القصد والميزانية والقيود، أي طبقة الأصيل في صورة ملموسة. يقرأها المندوب (OpenClaw) ويوسّط العمل إلى القوة العاملة؛ ثم يعود الأصيل للتحقق من النتيجة.

📌 ما الذي يمكن أن يستبدله: لا شيء. قد تتغير التنفيذات المرجعية لكل طبقة أخرى؛ أما طبقة الأصيل فغير قابلة للنقل.

Edge Layer​

طبقة الشركة المعتمدة أصلاً على الذكاء الاصطناعي التي تخدم الإنسان الفرد. لكل إنسان وكيل واحد عند الحافة: وكيل identic شخصي (مثل OpenClaw) يعرف سياقه، ويتحدث باسمه، ويفوّض العمل إلى الأسفل.

💡 تشبيه: Edge Layer هي طابق رؤساء الطواقم. وكيل واحد لكل مدير تنفيذي، يمثّله عبر الشركة.

AI Workforce Layer​

طبقة الشركة المعتمدة أصلاً على الذكاء الاصطناعي التي تخدم المؤسسة. هنا يعيش AI Workers (أي Digital FTEs) وينفّذون، بإدارة Paperclip، وعلى محركات وقت تشغيل، وبالتنسيق عبر المواصفات.

💡 تشبيه: AI Workforce Layer هي أرضية الإنتاج. Digital FTEs كثيرون، كل واحد يؤدي عملاً متخصصاً، وكلهم بتنسيق طبقة الإدارة.

Delegate​

الوكيل الشخصي في Edge Layer الذي يحمل سياق الأصيل، ويمثّل حكمه، ويحمل غلاف سلطته، ويوسّط كل العمل اللاحق نيابة عنه. هذا هو الثابت 2 في الأطروحة. بلا مندوب يعود الاختناق البشري، وينهار التوسع إلى سرعة الكتابة. OpenClaw هو التنفيذ المرجعي؛ وأي وكيل شخصي يتحدث MCP ويحمل الهوية والسياق والسلطة يفي بالشرط.

💡 تشبيه: رئيس طاقم CEO. واحد لكل مدير تنفيذي، يعرف أولوياته، ويتحدث باسمه، ويوجّه العمل إلى المتخصصين الصحيحين.

انظر أيضاً: OpenClaw (as Delegate) أدناه للتنفيذ المرجعي، وIdentic AI في القسم 1 لإطار السيادة البشرية.

OpenClaw (as Delegate)​

OpenClaw هو التنفيذ المرجعي ل المندوب عند Edge Layer: وكيل "رئيس الطاقم" الذي يمثّل الإنسان، ويعرف سياقه، ويتحدث باسمه. يحتاج كل إنسان في شركة معتمدة أصلاً على الذكاء الاصطناعي إلى مندوب؛ وOpenClaw هو الطريقة التي نبني بها واحداً.

🔹 مثال: حين تطلب من OpenClaw "لخّص أسبوعي واكتب لي ثلاث أولويات للاثنين"، يسحب من تقويمك وبريدك وSlack (وهي أدوات مُصرّح له بالوصول إليها)، ويركّب إجابة بصوتك، وينتظر موافقتك قبل أن يتصرف بأي شيء. إنه أنت، بسرعة الآلة.

انظر أيضاً: مدخل OpenClaw السابق في المسرد للإطار نفسه.

Manager (Management Plane)​

المنسّق الذي يحوّل كومة من AI Workers إلى قوة عاملة: يسند العمل، ويفرض الميزانيات، ويوافق على التحركات الخطرة، ويدقّق التنفيذ، ويحفظ الدفتر، ويكشف التوظيف بوصفه API قابلاً للاستدعاء. هذا هو الثابت 3 في الأطروحة. بلا مدير، يصطدم الوكلاء، وتتسرب الميزانيات، ولا يستطيع أحد أن يجيب عن كلفة القوة العاملة أو إنتاجها. Paperclip هو التنفيذ المرجعي؛ وأي منسّق يفي بعقد الإدارة يحقق الشرط.

💡 تشبيه: إذا كان المندوب هو رئيس الطاقم، فالمدير هو الرئيس التنفيذي للعمليات. واحد إلى واحد مع الإنسان؛ وواحد إلى كثير مع القوة العاملة.

انظر أيضاً: Paperclip أدناه للتنفيذ المرجعي.

Paperclip​

طبقة الإدارة في الشركة المعتمدة أصلاً على الذكاء الاصطناعي. Paperclip هو الرئيس التنفيذي للعمليات: يوظّف Digital FTEs، ويسند إليهم العمل، ويفرض ميزانياتهم، ويوافق على التحركات الخطرة، ويحفظ الدفتر. يكشف التوظيف بوصفه API يستطيع أي وكيل مُصرّح له أن يستدعيه، وهذه هي الطريقة التي تنمو بها القوة العاملة عند الطلب.

💡 تشبيه: إذا كان OpenClaw هو رئيس الطاقم، فإن Paperclip هو الرئيس التنفيذي للعمليات. واحد إلى واحد مع الإنسان؛ وواحد إلى كثير مع القوة العاملة.

🔹 مثال: يكتب عميل بلغة Bahasa Indonesia. لا أحد من Digital FTEs في القائمة يتكلمها. يكتشف Paperclip فجوة القدرة، ويستدعي ضمن غلاف سلطته API التوظيف الخاص به لتصنيع Digital FTE جديد يتكلم Bahasa. يقرأ العامل الجديد الرسالة ويرد. لم يُوقَظ أي إنسان.

Meta-Layer (Hiring as a Callable Capability)​

الطبقة التي تكشف التوظيف بوصفه API يستطيع أي وكيل مُصرّح له أن يستدعيه لتوفير AI Worker جديد في وقت التشغيل، داخل غلاف سلطة الأصيل، من دون إيقاظ إنسان. هذا هو الثابت 5 في الأطروحة. يحل مشكلة القائمة المجمّدة: عندما تظهر فجوة قدرة (يكتب عميل بلغة لا يتكلمها أي عامل حالي)، تتوسّع القوة العاملة عند الطلب وفق السياسة. Claude Managed Agents هو التنفيذ المرجعي؛ وأي API لوكلاء مُدارين يستطيع توليد وكيل وتوفير بيئته في وقت التشغيل يفي بالشرط.

🔹 مثال: أثر Bahasa Indonesia تحت Paperclip أعلاه هو الطبقة الفوقية وهي تنطلق. يكتشف Paperclip الفجوة؛ ويصنع API التوظيف في الطبقة الفوقية العاملَ الجديد؛ ويُسجَّل العامل لدى المدير ويبقى في القائمة.

📌 دور مزدوج: تخدم Claude Managed Agents بوصفها خيار محرك (الثابت 4) وبوصفها الطبقة الفوقية (الثابت 5) في آن واحد. قدرة التوفير في وقت التشغيل نفسها التي تشغّل Worker هي التي تنشئ أيضاً Workers جدداً، ولهذا تكون الطبقة الفوقية قابلة للاستدعاء لا مجهّزة دفعة واحدة.

Runtime Engine​

ركيزة التنفيذ التي يعمل عليها Digital FTE. يختار كل Digital FTE محركه الخاص بناء على ما تتطلبه الوظيفة، لا محركاً واحداً للشركة كلها. تشمل الخيارات Dapr Agents (تنفيذ دائم للأعمال الحرجة)، وClaude Managed Agents (مستضاف ومُشغَّل لك)، وOpenAI Agents SDK (مستضاف ذاتياً وقابل للنقل)، وOpenClaw-native (خفيف وسريع النشر). داخلياً، لكل محرك طبقتان: harness (طبقة تحكم) وcompute plane (طبقة تنفيذ / sandbox). انظر المدخلين التاليين.

💡 تشبيه: محرك وقت التشغيل هو مجموعة المهارات التي يحملها الموظف إلى العمل. ممرض في فريق جراحة قلب يحتاج مهارات مختلفة عن ممرض في عيادة. الدور نفسه، والمحرك مختلف.

Harness (Agent Harness)​

طبقة التحكم في محرك الوكيل: كل ما حول النموذج ويحوّله إلى نظام عامل. تشمل حلقة الوكيل، وتوجيه الأدوات، والموافقات، والتتبع، وإدارة السياق، والتعافي، والتعليمات، والمهارات، والمتحقِّقات. وتختصرها معادلة الممارسين Agent = Model + Harness: النموذج هو الدماغ الذي تستأجره من مختبر حدودي، وharness هو الجسد ومكان العمل وإجراءات التشغيل المعيارية المبنية حوله. تجلس طبقة الحوسبة (sandbox) إلى جوار harness، لا داخله. تبقى الاعتمادات في harness بينما يعمل الكود المولَّد بالنموذج في sandbox.

💡 تشبيه: إذا كان النموذج هو CPU ونافذة السياق هي RAM، فإن harness هو نظام التشغيل: يُقلع، ويرسل المشغّلات (الأدوات)، وينتقي السياق، ويدير دورة حياة الوكيل. وكود وكيلك هو التطبيق العامل فوق ذلك.

🔹 أمثلة: Claude Agent SDK هو harness تركّبه بنفسك. OpenClaw هو harness توسّعه عبر المهارات. Claude Code وCursor وCodex هي harnesses مضبوطة للعمل البرمجي. Claude Managed Agents هو harness تشغّله Anthropic لك خلف واجهات مستقرة.

📌 الأصل الاصطلاحي: تطورت الكلمة من test harness (سقالات هندسة البرمجيات التي تشغّل الكود تحت الاختبار) إلى eval harness (مثل lm-eval-harness، السقالات التي تقود النموذج عبر معيار قياس) إلى agent harness (السقالات التي تقود النموذج عبر عمل واقعي). الثلاثة كلها سقالات حول الشيء الذي يؤدي العمل فعلاً.

Compute Plane / Sandbox Runtime​

طبقة التنفيذ التي تجلس إلى جوار harness: ال sandbox الآمن حيث يعمل فعلاً الكود المولَّد بالنموذج (يقرأ الملفات، وينفّذ الأوامر، ويكتب المخرجات). متميّزة عن البنية التحتية السحابية (المعدّات، وKubernetes، والشبكات) تحتها، وعن harness (منطق التنسيق) إلى جوارها. هذا الفصل محوري للأمان وقابلية النقل: تبقى الاعتمادات في harness، ويعمل الكود الموجَّه بالنموذج في sandbox، ويمكن تبديل مورّد sandbox (E2B أو Cloudflare أو Daytona أو Modal أو Runloop أو Vercel أو Blaxel أو Kubernetes الخاص بك) من دون إعادة كتابة الوكيل.

🔹 مثال: OpenAI Agents SDK هو harness؛ وتختار طبقة الحوسبة منفصلة. تدمج Claude Managed Agents الاثنين خلف API واحد. وتفترض Dapr Agents وجود Kubernetes بوصفه طبقة حوسبتها.

📌 ثلاثة أشياء تُسمى "runtime": runtime اللغة (Node.js، ومفسّر Python) بنية تحتية صرفة. وruntime التنفيذ / sandbox هو هذا المدخل. وagent runtime يُستخدم أحياناً كمرادف ل harness نفسه. انتبه إلى الخلط بينها عند قراءة توثيق المورّدين.

Trigger​

الطريقة التي يستدعي بها العالم الخارجي الشركةَ المعتمدة أصلاً على الذكاء الاصطناعي إلى الحركة: يحين موعد جدول، أو يصل webhook، أو يقع API call، أو يدخل عميل. Claude Code Routines هو التنفيذ المرجعي: يحوّل كل حدث خارجي إلى جلسة توقظ المندوب وتشعل السلسلة. بلا مشغّلات، لا يتحرك النظام إلا حين يكتب إنسان تعليمة، وهذا ليس شركة حقاً، بل مجرد مساعد بخطوات إضافية.

🔹 مثال: كل اثنين في التاسعة صباحاً، يوقظ مشغّل مجدول OpenClaw، فيطلب من Paperclip تشغيل تقرير صحة العملاء الأسبوعي. يسحب Digital FTE البيانات، ويولّد التقرير، ويرسله بالبريد إلى الفريق التنفيذي. أعدّ الإنسان المشغّل مرة واحدة؛ ويعمل النظام من تلقاء نفسه بعد ذلك.

Summary​

تصنيف من جملة واحدة للحفظ:

تبني Agent Factory (عملية) الشركةَ AI-Native Company (مخرَج). توظّف AI-Native Company AI Workers (القوة العاملة)، الذين يعملون عبر Two-Layer Model: بشر عند Edge Layer (عبر OpenClaw، المندوب)، وDigital FTEs في AI Workforce Layer (بإدارة Paperclip)، كل واحد يعمل على runtime engine يختاره، وتوقظهم triggers من العالم الخارجي.

تستطيع أن تضيف هذا بوصفه السطر الأخير.

أنت الآن تعرف ما يكفي لتبدأ القراءة. يتعمق المسرد الكامل أدناه في كل مصطلح، ويغطي أكثر من 250 مصطلحاً إضافياً.

1. مصطلحات Agent Factory الخاصة بالكتاب​

هذه هي المفاهيم والمفردات الفريدة لهذا الكتاب. ستقابلها من الفصل 1 فصاعداً، لذلك تأتي أولاً.

Agent Factory​

العملية. الطريقة التي تقودها المواصفات، ويشرف عليها البشر، وتعمل بقوة Claude Code، والتي تُصمَّم بها AI Workers وتُصنَّع وتُنشَر. المادة الخام هي قصد الإنسان؛ والمنتج النهائي نتيجة محقَّقة. تبني Agent Factory الشركةَ المعتمدة أصلاً على الذكاء الاصطناعي، وهذه الشركة توظّف AI Workers (أي Digital FTEs).

📌 ممارسة لا منتج. Agent Factory ليست شيئاً تشتريه أو تثبّته. إنها ما تتعلم أن تشغّله. يعلّم الكتاب الممارسة؛ والشركة المعتمدة أصلاً على الذكاء الاصطناعي هي ما ينتهي بك الأمر إلى تشغيله متى أتقنت الممارسة.

💡 تشبيه: مصنع سيارات يأخذ فولاذاً خاماً وينتج سيارات مكتملة. تأخذ Agent Factory قصد أعمالك ("أحتاج وكيل دعم عملاء 24/7") وتنتج Digital FTE عاملاً ومكتملاً.

Industrialized Stack​

إطار الأطروحة ثلاثي الطبقات لكيفية تحرك القيمة عبر Agent Factory: القصد (المخطط عالي المستوى للأهداف والقيود والميزانيات والأذونات) ← محرك الإنتاج (المعمارية التي تحوّل القصد إلى نتائج) ← النتيجة (أفعال ومخرجات عالية الدقة، يُتحقَّق منها وتتحسّن عبر حلقات التغذية الراجعة).

🔹 مثال: توجيه CFO ("خفّض عمر الحسابات المدينة بنسبة 20% ضمن 30K دولار") هو القصد. وسلسلة OpenClaw ← Paperclip ← AI Workers العاملون على المحركات هي محرك الإنتاج. والانخفاض المحقَّق والمحدَّث في الدفتر، في أيام التحصيل المستحقة، هو النتيجة.

Production Engine​

الآلية التي تحوّل القصد إلى نتيجة داخل Industrialized Stack. ليست تطبيقاً تنزّله، بل معمارية: تعليمات تقودها المواصفات تغذّي AI Workers قائمين على أدوار، ومهارات معبّأة يحملونها إلى العمل، وMCP للاتصال بالأدوات، وحلقات تغذية راجعة تغلق فجوة الجودة بمرور الوقت. تسميها الأطروحة "أهمّ فكرة في هذه الأطروحة كلها".

💡 تشبيه: خط تجميع مصنع سيارات. يدخل الفولاذ الخام من طرف، وتخرج سيارة مكتملة من الطرف الآخر. تؤدي كل محطة عملاً متخصصاً واحداً، وتتحرك الأجزاء بالترتيب، ويُتحقَّق من النتيجة قبل التسليم. يعمل Production Engine بالطريقة نفسها: قصد يدخل، ونتيجة محقَّقة تخرج، وAI Workers هم المحطات المتخصصة.

Six Invariants​

القواعد البنيوية التي تجعل الشركة المعتمدة أصلاً على الذكاء الاصطناعي قابلة للتشغيل: (1) Principal: الإنسان هو الأصيل؛ (2) Delegate: كل إنسان يحتاج إلى مندوب؛ (3) Manager: القوة العاملة تحتاج إلى مدير؛ (4) Engine: كل Worker يختار محركه الخاص؛ (5) Meta: القوة العاملة قابلة للتوسع وفق السياسة؛ (6) Trigger: العالم يستدعي النظام. كل واحد منها قاعدة في كيفية تشغيل الشركة؛ والمنتجات المسماة التي تحققها اليوم (OpenClaw وPaperclip وClaude Managed Agents وInngest) يمكن استبدالها غداً من دون تغيير المعمارية.

📌 راجع الأطروحة للادّعاء الكامل، ونمط الفشل عند غياب الثابت، والتحقّق الحالي لكل ثابت.

Invariant vs. Reference Implementation​

خدعة التأطير في الأطروحة. الثابت متطلَّب بنيوي يبقى صحيحاً عبر كل نسخة من النظام، بغضّ النظر عن المنتج المحدد الذي يحققه. أما التنفيذ المرجعي فهو المنتج الملموس المستخدَم في 2026 لتحقيق ثابت. الثوابت هي الأطروحة؛ والمنتجات المسماة هي أفضل ملاءمة لهذا العام. حين يُسمّى منتج (OpenClaw، أو Paperclip، أو Claude Managed Agents، أو Inngest)، يكون الثابت هو القاعدة، والمنتج مجرد نسخة واحدة منها.

💡 تشبيه: "لا بد أن يكون للبيت طريقة للدخول والخروج" ثابت. أما "بابان مزدوجان من خشب الماهوجني بمقابض نحاسية" فهو تنفيذ مرجعي. استبدل الأبواب العام المقبل ويبقى البيت قائماً؛ أزل ثابت الدخول والخروج فيتوقف عن كونه بيتاً.

🔹 مثال: يقول الثابت 4 إن "كل AI Worker يختار محركه الخاص." التنفيذات المرجعية في 2026 هي Dapr Agents وClaude Managed Agents وOpenAI Agents SDK وOpenClaw-native. استبدل أياً منها العام المقبل ويبقى الثابت صحيحاً.

Digital FTE (Digital Full-Time Equivalent)​

"موظف ذكاء اصطناعي" يؤدي العمل المستمر لموظف بشري بدوام كامل، 24/7، بجزء من الكلفة. يعمل Digital FTE 168 ساعة في الأسبوع بلا أي تعب. هو الدور نفسه الذي تسميه الأطروحة AI Worker (القوة العاملة في الشركة المعتمدة أصلاً على الذكاء الاصطناعي): يُوظَّف، وتُسنَد إليه المهام، ويُدرَج في القائمة، ويُحال إلى التقاعد. متميّز عن المندوب (OpenClaw) والمدير (Paperclip)، فهما عنصران دائمان لا قوة عاملة. انظر قسم المعمارية لكيفية اندماج Digital FTEs في مكدّس وقت التشغيل.

🔹 مثال: Digital FTE لدعم العملاء يتعامل مع 500 محادثة يومياً، كل يوم، أي عمل 5 إلى 10 موظفين بشر.

Digital Worker / AI Employee​

مرادفان ل Digital FTE. وكيل ذكاء اصطناعي يؤدي عملاً مستمراً قائماً على دور داخل مؤسسة؛ ليس chatbot لمرة واحدة، بل عضو فريق دائم.

Spec / Specification​

وصف مكتوب مفصّل لما يجب بناؤه بالضبط: الأهداف، والقيود، والمدخلات، والمخرجات المتوقَّعة، والسلوك. إنه "المخطط" الذي يتبعه الذكاء الاصطناعي.

💡 تشبيه: المواصفة مثل مخطط المعماري. لا يبدأ البنّاء بالتخمين. بل يتبع خططاً مفصّلة. في تطوير الذكاء الاصطناعي، المواصفة هي الخطة، والذكاء الاصطناعي هو البنّاء.

Spec-Driven Development (SDD)​

منهجية تطوير تكتب فيها المواصفة التفصيلية أولاً، ثم تدع الذكاء الاصطناعي يولّد الكود والاختبارات والتوثيق من تلك المواصفة. المواصفة هي مصدر الحقيقة؛ لا الكود.

📌 المراحل الأربع: البحث ← المواصفة ← التنقيح ← التنفيذ.

🔹 مثال: تريد REST API لمتجر كتب. بدلاً من البرمجة، تكتب مواصفة: "يجب أن تملك API نقاط نهاية لعرض الكتب، وإضافة كتاب، والبحث بحسب المؤلف، والحذف بحسب ISBN. لكل كتاب عنوان، ومؤلف، وISBN، وسعر، وعدد المخزون. يجب التحقق من كل المدخلات. أعِد JSON." تسلّم هذه المواصفة إلى Claude Code، فيولّد تطبيق FastAPI كاملاً، والاختبارات، والتوثيق.

💡 تشبيه: المواصفة مثل مخطط المعماري. لا تبدأ شركة بناء بتخمين شكل البيت. بل تتبع خططاً مفصّلة. في SDD، تكون المواصفة هي الخطة، ويكون الذكاء الاصطناعي هو فريق البناء.

Test-Driven Generation (TDG)​

الصيغة الخاصة ب Python من SDD. تكتب الاختبارات أولاً (محدداً ما يجب أن يفعله الكود)، ثم تدع Claude Code يولّد الكود الذي ينجح في تلك الاختبارات.

💡 تشبيه: قبل خبز كعكة، تكتب بالضبط كيف تبدو الكعكة المثالية: الارتفاع، والقوام، والمذاق. ثم تجرّب وصفة. إن لم تطابق الكعكة معاييرك، تجرّب مجدداً. المعايير هي الاختبارات؛ والوصفة هي الكود المولَّد.

10-80-10 Rule​

إيقاع تشغيل قوة الذكاء الاصطناعي العاملة: يقدّم الإنسان أول 10% (القصد والاتجاه)، ويتولى الذكاء الاصطناعي وسط 80% (التنفيذ)، ثم يعود الإنسان لل 10% الأخيرة (التحقق والحكم).

📌 الأصل: اتبع Steve Jobs هذا النمط في Apple: يضع الرؤية (10%)، ويدع فريقه يبني (80%)، ثم يعود للصقل والشحن (10%). الآن استبدل "الفريق" ب "موظفي الذكاء الاصطناعي".

قاعدة 10-80-10: القصد، التنفيذ، التحقق

AGENTS.md / CLAUDE.md​

ملفات إعداد تقدّم سياقاً دائماً لوكيل برمجة بالذكاء الاصطناعي. تحتوي قواعد مشروعك، ومعايير الكود، والقرارات المعمارية، والتفضيلات، وتُحمَّل في كل تفاعل.

💡 تشبيه: حين ينضم موظف جديد إلى فريقك، تعطيه وثيقة إدماج: "هكذا نعمل. هذا أسلوب كودنا. وهذا ما لا نفعله أبداً." AGENTS.md هي وثيقة الإدماج تلك لوكيل ذكائك الاصطناعي.

SPEC.md​

ملف محدد يحتوي المواصفة التفصيلية لمشروع. إنه "مصدر الحقيقة" الوحيد لما يجب أن تفعله البرمجيات.

🔹 مثال: قد يقول SPEC.md لديك: "ابنِ روبوت محادثة على WhatsApp لمطعم. يجب أن يعرض القائمة، ويأخذ الطلبات، ويؤكد عنوان التسليم، ويحسب الإجمالي مع GST، ويرسل تأكيد طلب. أقصى زمن استجابة: ثانيتان. اللغة: الأردية والإنجليزية."

SKILL.md​

ملف يعبّئ قدرة قابلة لإعادة الاستخدام (مهارة) لوكيل ذكاء اصطناعي، ويحتوي تعليمات وأفضل ممارسات وقوالب لنوع مهمة معين (مثل توليد ملفات PDF، أو نشر حاويات Docker).

🔹 مثال: قد يحتوي Docker SKILL.md: "عند تحويل تطبيق FastAPI إلى حاوية، استخدم دائماً بناءً متعدد المراحل. الصورة الأساسية: python:3.12-slim. ضمّن دائماً نقطة نهاية لفحص الصحة. لا تشغّله أبداً بصلاحية root." يقرأ الوكيل ملف المهارة هذا ويتبع هذه الممارسات تلقائياً كل مرة يعمل فيها على Docker.

Skill Library​

مجموعة من ملفات SKILL.md يستطيع وكيل ذكاء اصطناعي أن يستمدّ منها، فتمنحه خبرة في مجالات كثيرة، مثل مكتبة مرجعية يستشيرها موظف.

Agent Skills​

القدرات المحددة التي يملكها وكيل ذكاء اصطناعي، وتحددها أدواته، ومعرفته، وملفات SKILL.md الخاصة به.

🔹 مثال: للموظف البشري مهارات مثل "إتقان Excel" أو "التفاوض على العقود". وللوكيل مهارات مثل "توليد PDF"، أو "الاستعلام عن قاعدة بيانات"، أو "صياغة البريد".

Agent Triangle​

إطار في هذا الكتاب يصف المكوّنات الثلاثة التي يحتاجها كل وكيل فعّال: (1) دور واضح، (2) أدوات محددة، و(3) قيود معرَّفة جيداً. إن أغفلتَ أياً منها، ضعُف أداء الوكيل.

Body + Brain​

نمط معماري للوكيل. Brain هو LLM الذي يستدلّ ويتخذ القرارات. أما Body فهو طبقة التنفيذ (الأدوات، وAPIs، والبنية التحتية) التي تنفّذ تلك القرارات.

💡 تشبيه: يقرر دماغك "أريد أن ألتقط ذلك الكوب." وتنفّذ يدك (الجسد) الفعل. في وكيل ذكاء اصطناعي، يقرر Claude (الدماغ) "أحتاج إلى الاستعلام عن قاعدة البيانات"، وينفّذ NanoClaw (الجسد) الاستعلام.

معمارية Body + Brain: كيف يُبنى وكيل ذكاء اصطناعي

NanoClaw​

وقت تشغيل حاويات خفيف يعمل بوصفه "الجسد" للوكيل في معمارية OpenClaw، فينفّذ المهام، ويشغّل الأدوات، ويدير بيئة الوكيل.

💡 تشبيه: إذا كان LLM (الدماغ) هو الطيار الذي يقرر إلى أين يطير، فإن NanoClaw (الجسد) هو الطائرة التي تنفّذ الرحلة فعلاً: المحركات، والأجنحة، وأدوات التحكم، وكل شيء.

OpenClaw​

إطار تطبيقات مفتوح المصدر لبناء تطبيقات تعمل بالوكلاء. في معمارية الأطروحة، OpenClaw هو المندوب عند Edge Layer: وكيل "رئيس الطاقم" الذي يمثّل الإنسان، ويعرف سياقه، ويتحدث باسمه. NanoClaw هو طبقة التنفيذ القائمة على الحاويات داخله.

TutorClaw​

معلّم ذكاء اصطناعي يعمل 24/7 عبر WhatsApp، مبنيّ على معمارية Agent Factory. يقرأ TutorClaw من هذا الكتاب بوصفه نظام سجلّه، فيعلّم من معرفة محقَّقة لا من توليد احتمالي. إنه أول Digital FTE في الكتاب، ومثال حيّ على كيفية إنتاج Agent Factory ل AI Workers.

Claude Code​

وكيل Anthropic البرمجي بالذكاء الاصطناعي، يعمل من الطرفية (سطر الأوامر). يقرأ قاعدة الكود كاملة، ويفهم سياق مشروعك، ويولّد الكود بناء على مواصفاتك. إنه أداة التطوير الأساسية في هذا الكتاب.

Cowork​

وكيل سطح المكتب من Anthropic لمهام المعرفة غير البرمجية: إدارة المستندات، والبحث، وتنظيم الملفات. فكّر فيه كمساعد مكتب بالذكاء الاصطناعي.

Dispatch​

ميزة تتيح لك إسناد العمل إلى Cowork من هاتفك. ترسل مهمة وأنت في طريقك؛ ويعمل Claude على سطح مكتبك. وعندما ينتهي، يصلك إشعار دفع.

💡 تشبيه: تحوّل Dispatch مفهومَ Cowork من أداة تجلس بجانبها إلى موظف تديره عن بُعد، مثل أن ترسل رسالة إلى مساعدك "جهّز التقرير" وأنت في اجتماع.

Computer Use​

ميزة بحثية في مرحلة المعاينة، يستطيع فيها Claude أن يرى شاشتك ويتحكم بها على macOS (النقر على الأزرار، والكتابة في التطبيقات، والتنقل في الواجهات) مثل موظف عن بُعد يستخدم حاسوبك.

🔹 مثال: تقول ل Claude: "افتح الجدول على سطح مكتبي، وحدّث عمود إيرادات Q3 بهذه الأرقام، ثم أرسله بالبريد إلى فريق المالية." يرى Claude شاشتك، ويفتح Excel، ويكتب البيانات، ويفتح برنامج بريدك، ويرسلها، تماماً مثل مساعد بشري يجلس إلى حاسوبك.

Claude Desktop​

تطبيق سطح المكتب للتفاعل مع Claude، ويستضيف ميزات Cowork وComputer Use وDispatch.

Hooks​

أفعال آلية تنطلق قبل أو بعد عمليات معينة ينفذها Claude Code، مثل تنسيق الكود تلقائياً بعد كل حفظ ملف، أو تشغيل الاختبارات قبل كل commit.

💡 تشبيه: Hooks مثل تعليمات دائمة لمساعد: "كلما انتهيت من كتابة خطاب، شغّل التدقيق الإملائي قبل أن تعرضه عليّ."

Subagents​

وكلاء متخصصون يستطيع Claude Code أن ينشئهم لمعالجة مهام فرعية محددة داخل مشروع أكبر، لكل واحد منهم سياقه المركَّز الخاص.

💡 تشبيه: مدير مشروع (الوكيل الرئيسي) يفوّض عمل التصميم إلى مصمم جرافيك (وكيل فرعي) والمحاسبة إلى محاسب (وكيل فرعي). يركّز كل واحد على تخصصه.

Tasks System​

ميزة مدمجة في Claude Code لإدارة حالة دائمة عبر الجلسات، وتتبّع ما أُنجز، وما ينتظر، وما الخطوة التالية في مشروع متعدد الخطوات.

Context Engineering​

انضباط ضبط الجودة في تصنيع Digital FTE. تصميم بيئة المعلومات الكاملة التي يتلقاها الوكيل لضمان مخرجات متسقة وعالية الجودة. إنها المهارة الأولى التي تفرّق بين وكيل قابل للبيع ب 2,000 دولار شهرياً وآخر لا يريده أحد.

💡 تشبيه: لدى مصنع Toyota ضوابط جودة منهجية تضمن مطابقة كل سيارة للمواصفة. تضمن هندسة السياق أن تقدّم Digital FTEs قيمة قابلة للبيع باستمرار.

Context Injection​

إدخال معلومات خارجية ذات صلة في نافذة سياق الذكاء الاصطناعي مباشرة قبل أن يولّد استجابة، فيحصل على المعلومة الصحيحة في الوقت الصحيح.

💡 تشبيه: قبل أن يدخل المحامي المحكمة، يسلّمه مساعده ملفاً فيه كل ملفات القضية ذات الصلة. يفعل حقن السياق الشيء نفسه للذكاء الاصطناعي.

Context Isolation​

بدء جلسة جديدة بسياق نظيف بدلاً من حمل حالة طويلة قد تكون مشوّشة أو متناقضة من جلسة سابقة.

💡 تشبيه: عندما يصبح مكتبك مزدحماً إلى حد لا تستطيع معه التفكير، تُخلي كل شيء عنه وتبدأ من جديد. عزل السياق هو الشيء نفسه للذكاء الاصطناعي؛ أحياناً تعطي صفحة بيضاء نتائج أفضل من تاريخ فوضوي.

Harness Engineering​

انضباط تصميم البيئة المحيطة بوكيل الذكاء الاصطناعي وتحسينها باستمرار كي يؤدي عملاً مفيداً بثقة ومن دون إشراف. يجلس بوصفه الطبقة الثالثة في تتابع: هندسة التعليمات تُحسّن تبادلاً واحداً، وهندسة السياق تدير ما يراه النموذج دفعة واحدة، وهندسة الحزام تبني بيئة التنفيذ التي يعمل فيها الوكيل عبر مئات القرارات. تبلورت الممارسة المسماة في أوائل 2026 على يد Mitchell Hashimoto، الذي وصف عادته اليومية في هندسة إصلاح دائم في بيئة الوكيل كلما ارتكب الوكيل خطأ. ونشرت OpenAI وAnthropic مقالات موسّعة خلال أسابيع. والصيغة الشعارية: لا تُصلح الوكيل، أصلح العالم الذي يعيش فيه الوكيل.

💡 تشبيه: إصلاحات التعليمة ضمادات؛ وإصلاحات الحزام لقاحات. يحل إصلاح التعليمة حالة واحدة من الفشل. أما إصلاح الحزام (إضافة أداة، أو متحقِّق، أو مهارة، أو فحص، أو تعليمة) فيغلق تلك الفئة من الفشل إلى الأبد، لكل وكيل مستقبلي يعمل في الحزام نفسه.

🔹 مثال: يعطي TutorClaw ملاحظات قاسية أكثر من اللازم على مبتدئ. الإصلاح الساذج هو إعادة كتابة التعليمة. أما إصلاح الحزام فهو إضافة مهارة فحص نبرة تمرّر المخرج عبر معيار تقييم (rubric). يمرّ كل جواب مستقبلي من TutorClaw عبرها، بلا أي تغيير في التعليمة.

📌 في OpenClaw: وحدة توسيع harness هي ملف SKILL.md. كل مهارة يكتبها طلابك هي أثر من آثار harness engineering، وتنطبق عليها حلقة Hashimoto نفسها (لاحظ الفشل ← اسأل لماذا كان ممكناً ← اهندس الإصلاح الدائم ← تحقّق من أنه يتراكم).

Progress Files​

ملفات تتبّع حالة مشروع طويل عبر جلسات Claude Code متعددة، وتوثّق ما اكتمل، والقرارات المتخذة، وما هو التالي.

💡 تشبيه: سجلّ موقع بناء. كل يوم، يسجّل المشرف ما بُني، وما المشكلات التي ظهرت، وما المخطط للغد. وحين تصل وردية جديدة (جلسة جديدة)، تقرأ السجلّ وتكمل بسلاسة.

Session Architecture​

تصميم كيفية ترتيب تفاعلاتك مع وكيل ذكاء اصطناعي وتسلسلها عبر جلسات متعددة في مشروع كبير، وتقرير متى تبدأ من جديد، ومتى تحمل السياق إلى الأمام، وما الذي تحفظه.

🔹 مثال: لمشروع كتاب من 30 فصلاً، لا تضع الكتاب كله في جلسة واحدة. تصمّم معمارية: الجلسة 1 تغطي المخطط، والجلسة 2 تكتب الفصل 1 (حاملة المخطط إلى الأمام كسياق)، والجلسة 3 تكتب الفصل 2 (حاملة المخطط + ملخص الفصل 1)، وهكذا. تحصل كل جلسة على السياق الذي تحتاجه بالضبط، لا أكثر ولا أقل.

Five Powers​

القدرات الخمس التي تمكّن الانتقال من واجهات المستخدم التقليدية إلى وكلاء ذكاء اصطناعي مستقلين: (1) فهم اللغة الطبيعية، (2) الاستدلال، (3) استخدام الأدوات، (4) الذاكرة، و(5) التخطيط. مجتمعةً، تتيح للوكلاء أن يفهموا القصد وينفّذوا باستقلالية.

💡 تشبيه: فكّر في مساعد بشري قادر. يستطيع أن (1) يفهم ما تقوله، (2) ويفكّر في المشكلات، (3) ويستخدم أدوات مثل الهواتف والحواسيب، (4) ويتذكّر تفضيلاتك، و(5) ويخطط لمشاريع متعددة الخطوات. الوكيل الذي يملك القوى الخمس كلها يستطيع فعل الشيء نفسه: هذا ما يصنع التحول من "برمجيات تشغّلها" إلى "برمجيات تعمل من أجلك".

Agent Maturity Model​

إطار من خمسة مستويات يصف مراحل تبنّي مؤسسة للذكاء الاصطناعي:

المستوىالاسمالوصف
1تجريبيمطوّرون أفراد يجرّبون أدوات برمجة بالذكاء الاصطناعي
2موحَّدتبنٍّ على مستوى المؤسسة مع حوكمة
3AI-Drivenتتحول المواصفات إلى توثيق حيّ؛ وتُعاد هندسة سير العمل
4AI-Nativeمنتجات يكون فيها AI/LLMs مكوّنات أساسية
5مستقلّالمؤسسة كلها AI-native؛ وأنظمة ذاتية التحسّن

AI-Assisted Development​

استخدام الذكاء الاصطناعي كمساعد أو copilot: إكمال الكود، وكشف الأخطاء، وتوليد التوثيق. لا يزال الإنسان يكتب معظم الكود.

🔹 مثال: GitHub Copilot يقترح السطر التالي من الكود أثناء كتابتك.

AI-Driven Development​

يولّد الذكاء الاصطناعي قدراً كبيراً من الكود من مواصفات كتبها البشر. يعمل الإنسان بوصفه معمارياً، ومخرجاً، ومراجعاً؛ لا كاتباً.

🔹 مثال: تكتب SPEC.md يصف REST API، فيولّد Claude Code تطبيق FastAPI كاملاً، والاختبارات، والتوثيق.

AI-Native Development​

تطبيقات مبنية حول قدرات الذكاء الاصطناعي من الأساس: لا يُضاف الذكاء الاصطناعي كميزة؛ بل يكون قلب المنتج.

🔹 مثال: TutorClaw ليس كتاباً مدرسياً أُلصق به chatbot. معلّم الذكاء الاصطناعي هو المنتج. وكل المعمارية مبنية حول قدرات LLM.

Nine Pillars of AIDD​

تسعة مبادئ تأسيسية للتطوير المدفوع بالذكاء الاصطناعي كما يعرّفها هذا الكتاب: تغطي كل شيء من التصميم بالمواصفة أولاً إلى التحقق المستمر.

OODA Loop (Observe, Orient, Decide, Act)​

دورة اتخاذ قرار سريعة تُطبَّق على العمل مع وكلاء الذكاء الاصطناعي. تلاحظ مخرج الوكيل، وتتموضع بفحص مطابقته للمواصفة، وتقرر القبول أو إعادة التوجيه، ثم تتصرف بالموافقة أو إعطاء تعليمات جديدة.

📌 الأصل: إطار استراتيجية عسكرية طوّره الطيار المقاتل John Boyd، ويُطبَّق الآن على دورات العمل السريعة المتكررة مع الذكاء الاصطناعي.

PRIMM-AI+​

إطار تعليمي مستخدَم في هذا الكتاب: توقّع (Predict) ماذا سيفعل الكود ← شغّله (Run) ← حقّق (Investigate) في المخرج ← عدّله (Modify) ← اصنع (Make) نسختك الخاصة. تعني "AI+" أن الذكاء الاصطناعي مدمج في كل خطوة.

Identic AI​

مفهوم يكون فيه لكل إنسان وكيل ذكاء اصطناعي شخصي يعكس حكمه، وتفضيلاته، وسلطته: يفوّض المهام عبر أنظمة ذكاء اصطناعي متعددة نيابة عنه. في المعمارية المرجعية لهذا الكتاب، OpenClaw هو ال identic AI: المندوب عند Edge Layer.

💡 تشبيه: لدى CEO مساعد تنفيذي يعرف أولوياته وأسلوب قراره إلى حد يستطيع معه التصرف باسم CEO. Identic AI هو النسخة الذكية: ممثّلك الشخصي في Agent Factory.

System of Record / Source of Truth​

مصدر البيانات الموثوق الوحيد الذي يثق به الجميع بوصفه دقيقاً. حين تتعارض النسخ، يكون نظام السجلّ هو الكلمة الفصل.

🔹 مثال: إذا قال نظام الموارد البشرية في شركتك إن راتب موظف هو Rs. 200,000 لكن جدول بيانات يقول Rs. 180,000، فإن نظام الموارد البشرية هو نظام السجلّ.

Bounded Workflow​

سير عمل له نقاط بداية ونهاية وقيود واضحة المعالم: يعرف الوكيل بالضبط ما يستطيع وما لا يستطيع فعله. لا غموض، ولا تمدّد في النطاق.

Escalation Protocol​

قاعدة محددة مسبقاً لمتى ينبغي أن يتوقف الوكيل ويسلّم مهمة إلى إنسان: لأنها معقدة جداً، أو خطرة جداً، أو خارج سلطة الوكيل.

🔹 مثال: يتعامل وكيل خدمة العملاء مع الأسئلة الروتينية، لكن إذا هدّد عميل برفع دعوى قضائية، ينقل بروتوكول التصعيد المحادثة إلى مدير بشري.

Tool Interface​

العقد المحدد لكيفية اتصال الوكيل بأداة خارجية واستخدامها، محدداً ما المدخلات التي تتوقعها الأداة وما المخرجات التي تعيدها.

Vertical Intelligence​

خبرة عميقة في مصطلحات صناعة معينة، ولوائحها، وسير عملها، ونقاط ألمها، معبّأة داخل وكيل.

🔹 مثال: وكيل ذكاء اصطناعي لمصدّري النسيج في Pakistan يفهم SRO notifications، وHS codes، ووثائق LC، ولوائح SBP؛ لا مجرد معرفة أعمال عامة.

Agentic Enterprise​

منظمة دمجت وكلاء ذكاء اصطناعي في عملياتها الأساسية، مع Digital FTEs إلى جانب الموظفين البشر بوصفه طريقة عمل قياسية. في الأطروحة، يُسمى هذا AI-Native Company: المؤسسة العاملة التي تنتجها Agent Factory. المصطلحان يشيران إلى الشيء نفسه.

🔹 مثال: شركة لوجستيات يتولى فيها وكلاء الذكاء الاصطناعي تتبّع الطلبات، وتحسين المسارات، وإشعارات العملاء 24/7، بينما يركّز الموظفون البشر على الشراكات، ومعالجة الاستثناءات، والاستراتيجية. الوكلاء ليسوا مشروعاً جانبياً؛ بل جزء من الهيكل التنظيمي.

Custom-Built AI Employee​

وكيل ذكاء اصطناعي تبنيه من الصفر لحاجة أعمال محددة، مفصَّل تماماً على سير عملك ومجالك.

🔹 مثال: يبني مصدّر نسيج وكيلاً يقرأ مستندات LC (خطاب الاعتماد) الواردة، ويفحصها مقابل لوائح SBP، ويرصد التناقضات، ويصوغ طلبات تعديل. لا تفعل أداة جاهزة هذا؛ إنه مصنوع خصيصاً لسير عمله الدقيق.

Pre-Built AI Employee​

وكيل ذكاء اصطناعي جاهز تستطيع استخدامه فوراً بلا تطوير مخصص، مثل استخدام ChatGPT، أو Claude، أو روبوت خدمة عملاء موجود.

🔹 مثال: استخدام Claude مباشرة لصياغة رسائل بريد، أو تلخيص مستندات، أو الإجابة عن أسئلة. لا يلزم أي تطوير؛ تبدأ فوراً. والمقايضة: يعمل للمهام العامة، لكنه ليس متخصصاً في عملية أعمالك الفريدة.

Build vs. Buy​

القرار الاستراتيجي: أن تبني وكيل ذكاء اصطناعي مخصصاً خاصاً بك (تحكّم أكبر، وكلفة أعلى، ووقت أطول) أم تستخدم وكيلاً موجوداً (نشر أسرع، وتخصيص أقل)؟

🔹 مثال: يحتاج مستشفى وكيل جدولة مرضى. شراء: استخدام منصة ذكاء اصطناعي صحية موجودة (تُنشَر خلال أسابيع، لكن بتخصيص محدود). بناء: إنشاء وكيل مخصص مدمج مع نظام EMR المحدد لديهم، وتفضيلات الأطباء، ودعم الأردية والإنجليزية (يستغرق أشهراً لكنه يناسب تماماً). يعتمد الخيار الصحيح على الميزانية، والجدول الزمني، ومدى تفرّد سير العمل.

FTE Development Plugin​

أداة أو امتداد يساعد في تطوير Digital FTEs ونشرها، فيجعل سير عمل Agent Factory أكثر سلاسة.

Skill Shim​

طبقة محوّل رقيقة تترجم بين صيغ مهارات الوكلاء المختلفة، فتمكّن التوافق عبر المنصات.

💡 تشبيه: محوّل كهرباء سفر. قابسك الباكستاني لا يناسب مقبساً بريطانياً، لكن shim (محوّلاً) يجعلهما متوافقين من دون إعادة توصيل أي شيء.

Gateway Proxy Pattern​

نمط معماري فيه نقطة دخول واحدة (gateway) توجّه الطلبات إلى الوكيل أو الخدمة الخلفية الصحيحة، وتدير المصادقة، وتحديد المعدل، وتوزيع الحمل.

💡 تشبيه: مكتب استقبال مستشفى كبير. يدخل كل المرضى عبر الاستقبال، الذي يتحقق من موعدهم، ويؤكد هويتهم، ويوجههم إلى القسم الصحيح.

Piggyback Protocol​

استراتيجية شركة ناشئة مشار إليها في الكتاب: بناء منتجك فوق توزيع منصة موجودة للوصول إلى المستخدمين بسرعة، قبل بناء قنواتك المستقلة.

🔹 مثال: بدلاً من بناء تطبيق مراسلة خاص بك لتقديم TutorClaw، تبنيه فوق WhatsApp: الذي يملك أصلاً أكثر من 100 مليون مستخدم في Pakistan. "تركب على ظهر" توزيع WhatsApp للوصول إلى الطلاب فوراً، من دون إقناع أحد بتنزيل تطبيق جديد.

2. الذكاء الاصطناعي وتعلم الآلة: الأساسيات​

هذه هي الأفكار المؤسِّسة وراء كل ما في هذا الكتاب.

AI ⊃ ML ⊃ DL ⊃ LLMs
(Each is a subset of the one before it)

AI (Artificial Intelligence)​

جعل الحواسيب تنجز أشياء تتطلب عادة ذكاء بشرياً، مثل فهم اللغة، والتعرف على الصور، واتخاذ القرارات، وحل المشكلات.

🔹 مثال: عندما تتنبأ لوحة مفاتيح هاتفك بكلمتك التالية بالأردية أو الإنجليزية، فهذا ذكاء اصطناعي. وعندما يقدّر Careem زمن رحلتك بناء على المرور، فهذا ذكاء اصطناعي.

ML (Machine Learning)​

طريقة لتعليم الحواسيب عبر عرض أمثلة عليها بدلاً من كتابة قواعد صريحة. يجد الحاسوب أنماطاً في البيانات ويتعلم منها.

🔹 مثال: يوصي YouTube بفيديوهات قد تعجبك. لم يبرمج أحد قاعدة تقول "إذا شاهد المستخدم ملخصات cricket، فاقترح المزيد من cricket." بل تعلّم النظام هذا النمط من مليارات عادات المشاهدة.

💡 تشبيه: تخيّل تعليم طفل تمييز المانجو. لا تشرح له علم النبات. تريه عشرات حبات المانجو وتقول "مانجو". في النهاية، يتعرف على مانجو لم يره من قبل، حتى أصناف مختلفة مثل Chaunsa وSindhri. هذا هو تعلم الآلة.

DL (Deep Learning)​

نسخة أقوى من تعلم الآلة تستخدم "شبكات عصبية" بطبقات كثيرة. تستطيع تعلم أنماط شديدة التعقيد، مثل فهم الكلام، أو توليد الصور، أو الترجمة بين اللغات.

🔹 مثال: عندما يحوّل Google Translate فقرة بالأردية إلى إنجليزية سلسة، فإن التعلم العميق يشغّل تلك الترجمة.

💡 تشبيه: إذا كان ML هو تعلم التعرف على الأشكال البسيطة، فإن DL هو تعلم التعرف على الوجوه في سوق Saddar المزدحم: أعقد بكثير، لكن المبدأ نفسه، أي التعلم من الأمثلة.

Model​

برنامج دُرّب على بيانات وأصبح الآن يستطيع التنبؤ أو توليد المخرجات. حين يقول الناس "GPT-4" أو "Claude"، فهم يشيرون إلى نماذج.

💡 تشبيه: النموذج مثل طالب درس ملايين الكتب المدرسية. تسأله أسئلة، فيجيب بناء على كل ما قرأه. النماذج المختلفة مثل طلاب مختلفين: بعضهم أفضل في الرياضيات، وآخرون في الكتابة الإبداعية.

Foundation Model​

نموذج كبير جداً وعام الغرض دُرّب على بيانات هائلة. يمكن تكييفه لمهام مختلفة كثيرة من دون إعادة التدريب من الصفر. Claude وGPT-4 وGemini نماذج أساسية.

💡 تشبيه: النموذج الأساسي مثل خريج جامعة بتعليم واسع. لم يتخصص بعد، لكنه يستطيع التكيف بسرعة مع وظائف كثيرة: المحاسبة، والكتابة، والبحث، والإدارة.

Neural Network​

نظام حوسبة مستوحى من الدماغ البشري، بطبقات من "العُقد" المترابطة التي تعالج المعلومات، وتستخرج كل طبقة أنماطاً متزايدة التعقيد.

💡 تشبيه: تخيّل سلسلة من الغرابيل بأحجام شبكية مختلفة. تسكب البيانات الخام عبر الغربال الأول (يلتقط الأنماط الكبيرة)، ثم التالي (يلتقط أنماطاً أدقّ)، ثم التالي (يلتقط أدقّ التفاصيل). تعمل الشبكة العصبية بصورة مشابهة، إذ تنقّي كل طبقة المعلومات.

Transformer​

معمارية الشبكة العصبية المحددة التي تشغّل كل LLMs الحديثة. اخترعت في 2017، وهي بارعة بصفة خاصة في فهم العلاقات بين الكلمات، فتعرف أن "bank" تعني شيئاً مختلفاً في "river bank" مقابل "bank account".

💡 تشبيه: كان الذكاء الاصطناعي القديم يقرأ الجمل كلمة كلمة، مثل القراءة عبر ثقب مفتاح (ترى كلمة واحدة في كل مرة وتخمّن المعنى). أما transformers فتقرأ الجملة كلها دفعة واحدة، مثل فتح الباب كاملاً (ترى كل كلمة في آن واحد وتفهم علاقة كل كلمة بكل كلمة أخرى). لهذا هي أفضل بكثير في فهم اللغة.

💡 لماذا يهم: كل نموذج ذكاء اصطناعي في هذا الكتاب (Claude، وGPT، وGemini) مبنيّ على transformers. لا تحتاج إلى فهم الرياضيات، لكنك سترى المصطلح كثيراً.

Multimodal Model​

نموذج يستطيع العمل مع أنواع متعددة من المدخلات (نص، وصور، وصوت، وفيديو) لا نوع واحد فقط.

🔹 مثال: تصوّر فاتورة مطعم وتسأل Claude "ما الإجمالي؟" يفهم النموذج الصورة وسؤالك النصي معاً. هذه قدرة متعددة الوسائط.

Reasoning Model​

نموذج مصمَّم كي "يفكّر مليّاً" في المشكلات المعقدة خطوة بخطوة قبل الإجابة، بدلاً من الرد فوراً. غالباً أدقّ في المسائل الصعبة.

💡 تشبيه: في مباراة cricket، يلعب بعض الضاربين ضربات غريزية (سريعة، وأحياناً متهوّرة). وآخرون يدرسون الملعب، ويقرؤون الرامي، ويخططون لكل ضربة بتأنٍّ. نموذج الاستدلال هو النوع الثاني: أبطأ لكنه أوثق في الكرات الصعبة.

Training​

عملية تغذية النموذج بكميات هائلة من البيانات كي يتعلم الأنماط. يحدث هذا قبل أن تتفاعل مع النموذج إطلاقاً؛ إنها مرحلة "التعليم".

💡 تشبيه: التدريب مثل طاهٍ يقضي سنوات في مدرسة الطهي: يتذوّق آلاف الأطباق، ويتعلم التقنيات، ويتمرّن على الوصفات. حين يفتح مطعمه (حين تستخدم النموذج)، يكون التعلم قد حدث بالفعل.

Pretraining​

أول مرحلة من التدريب وأغلاها. يقرأ النموذج كميات هائلة من النصوص (كتب، ومواقع، وكود، ومحادثات) ويتعلم معرفة عامة عن اللغة والعالم.

Post-Training​

تدريب إضافي بعد pretraining لجعل النموذج مفيداً، وآمناً، ومتوائماً مع توقعات البشر. هنا يتعلم النموذج أن يتبع التعليمات، وأن يكون مهذباً، وأن يرفض الطلبات الضارة.

💡 تشبيه: pretraining مثل الحصول على تعليم عام (المدرسة والجامعة). أما post-training فمثل توجيه العمل: تعلّم ثقافة الشركة، وأسلوب التواصل، والمعايير المهنية.

Fine-Tuning​

تدريب نموذج موجود تدريباً إضافياً على مجموعة بيانات محددة وأصغر لجعله خبيراً في مجال معين.

🔹 مثال: أخذ نموذج عام الغرض وضبطه ضبطاً دقيقاً على آلاف الأحكام الضريبية الباكستانية كي يصبح بارعاً بصفة خاصة في الاستشارات الضريبية.

💡 تشبيه: طبيب عام يكمل تدريباً إضافياً ليصبح طبيب قلب. التعليم الأساسي نفسه، لكنه الآن متخصص.

Parameters​

الأرقام الداخلية للنموذج التي تُعدَّل أثناء التدريب. غالباً يعني عدد أكبر من parameters نموذجاً أقدر. تملك LLMs الحديثة مليارات أو تريليونات من parameters.

💡 تشبيه: parameters مثل الخيوط الفردية في سجادة ضخمة. أثناء التدريب، يُعدَّل كل خيط (اللون، والشدّ، والموضع) حتى يظهر النمط الكامل. نموذج ب 100 مليار parameter يملك 100 مليار خيط تشكّل نمطاً بالغ التعقيد.

Weights​

القيم الرقمية المحددة ل parameters بعد التدريب. حين يقول أحدهم "تنزيل weights"، فهو يعني الملف الذي يحتوي كل تلك الأرقام المدرَّبة: معرفة النموذج المتعلَّمة.

Dataset​

مجموعة من البيانات تُستخدم لتدريب نموذج ذكاء اصطناعي أو تقييمه.

🔹 مثال: قد تحتوي مجموعة بيانات لتدريب مرشّح spam مليون رسالة بريد، كل واحدة موسومة ب "spam" أو "not spam". وقد تحتوي مجموعة بيانات لتدريب نموذج ترجمة ملايين أزواج الجمل الإنجليزية-الأردية.

Benchmark​

اختبار موحَّد لقياس ومقارنة مدى جودة أداء نماذج الذكاء الاصطناعي المختلفة.

🔹 مثال: تماماً كما تتيح امتحانات CSS أو Cambridge مقارنة الطلاب، تتيح معايير القياس مثل MMLU (المعرفة العامة) أو HumanEval (القدرة البرمجية) للباحثين مقارنة نماذج الذكاء الاصطناعي بإنصاف.

Inference​

عملية توليد نموذج مدرَّب لاستجابة على مدخلك. كل مرة تسأل فيها Claude سؤالاً وتحصل على جواب، فهذا inference.

💡 تشبيه: التدريب هو الدراسة للامتحان. inference هو الجلوس للامتحان. حدث التعلم بالفعل: والآن يطبّق النموذج ما تعلمه. تدفع مقابل inference (كل API call يكلّف مالاً)، لا مقابل التدريب.

3. أساسيات LLM​

تُعدّ LLMs المحركات التي تشغّل كل وكيل ذكاء اصطناعي في هذا الكتاب. يشرح هذا القسم كيف تعمل على مستوى عملي.

LLM (Large Language Model)​

نموذج ذكاء اصطناعي كبير جداً دُرّب على كميات هائلة من النصوص، ويستطيع فهم اللغة والكود الشبيهين بالبشر وتوليدهما. Claude وGPT-4 وGemini كلها LLMs.

💡 تشبيه: LLM مثل مساعد بحث شديد الاطّلاع قرأ كل مقالة في Wikipedia، وملايين الكتب، ومليارات صفحات الويب. تستطيع أن تسأله عن أي شيء تقريباً، فيستمدّ من تلك القراءة ليساعدك: الكتابة، والتحليل، والكود، والترجمة، وأكثر.

Prompt​

المدخل الذي تعطيه لنموذج ذكاء اصطناعي: سؤالك، أو تعليمتك، أو طلبك. تؤثر جودة تعليمتك مباشرة في جودة الاستجابة.

🔹 مثال: "اكتب شيئاً عن التسويق" تعليمة ضعيفة. أما "اكتب منشور LinkedIn من 500 كلمة عن سبب وجوب استخدام مصدّري النسيج الباكستانيين لوكلاء ذكاء اصطناعي في تتبّع الطلبات، بنبرة مهنية لكن ودّية" فهي تعليمة قوية.

System Prompt​

تعليمات مخفية تُعطى لنموذج ذكاء اصطناعي قبل أن تبدأ محادثتك. يضعها المطوّر، لا المستخدم. تشكّل شخصية النموذج، وسلوكه، وقيوده.

🔹 مثال: قد تقول تعليمة النظام لروبوت محادثة مصرفي: "أنت مساعد مفيد ل HBL. أجب بالأردية أو الإنجليزية بحسب لغة العميل. لا تكشف أبداً أرصدة الحسابات بلا تحقق OTP. إذا سُئلت عن القروض، فوجّه إلى صفحة القروض."

💡 تشبيه: تعليمة النظام مثل موجز المدير لموظف جديد في يومه الأول: "هذا من نحن، وهكذا نتحدث مع العملاء، وهذا ما لا تفعله أبداً."

User Prompt​

الرسالة التي تكتبها أنت (المستخدم) فعلاً. إنها جانبك من المحادثة.

Instruction​

توجيه محدد داخل تعليمة يخبر النموذج بما يفعل.

🔹 مثال: "لخّص هذا في ثلاث نقاط"، "ترجم إلى الأردية"، "أصلح الخطأ في هذا الكود": كل واحدة منها تعليمة واضحة.

Context​

كل المعلومات المتاحة للنموذج أثناء محادثة: تعليمة النظام، وتاريخ المحادثة، والمستندات المرفوعة، ورسالتك الحالية مجتمعة.

💡 تشبيه: حين تطلب من زميل نصيحة بشأن صفقة، يكون "السياق" هو كل ما يعرفه: تاريخ العميل، والرسائل السابقة، وشروط العقد، وسياسات شركتك. كلما كان السياق أكثر صلة، كانت النصيحة أفضل.

Context Window​

أقصى كمية من النص يستطيع LLM معالجتها دفعة واحدة، مقاسة ب tokens. فكّر فيها بوصفها "الذاكرة العاملة" للنموذج.

🔹 مثال: تقدّم نماذج Claude نوافذ سياق تتراوح من 200,000 إلى أكثر من مليون token. حتى 200,000 token تقارب 150,000 كلمة (رواية كاملة). قد تتعامل النماذج الأقدم مع 4,000 token فقط (بضع صفحات).

💡 تشبيه: نافذة السياق مثل حجم المكتب. المكتب الصغير يحمل بضع أوراق فقط، وتبقى تزيل القديمة لتُفسح مكاناً. المكتب الضخم يتيح لك أن تبسط مشروعاً كاملاً وترى كل شيء دفعة واحدة. نافذة سياق أكبر = مكتب أكبر.

نافذة السياق: مكتب صغير مقابل مكتب كبير

Token​

الوحدة الأساسية من النص التي يعالجها LLM. ال token يقارب ثلاثة أرباع كلمة. الكلمات القصيرة مثل "the" هي token واحد. أما الكلمات الأطول مثل "unbelievable" فتنقسم إلى 3-4 tokens. والمسافات وعلامات الترقيم تستهلك tokens أيضاً.

🔹 مثال: "I love biryani" تقارب 4 tokens. صفحة نص كاملة تقارب 500-700 tokens. تُحاسَب لكل token عند استخدام AI APIs.

Completion / Generation​

المخرج الذي ينتجه LLM استجابة لتعليمتك. حين "يُكمل" النموذج طلبك، تكون تلك الاستجابة هي الإكمال.

Structured Output​

حين يولّد LLM استجابته بصيغة محددة قابلة للقراءة آلياً (مثل JSON) بدلاً من نص محادثة، كي تستطيع برمجيات أخرى معالجتها بسهولة.

🔹 مثال: بدلاً من "درجة الحرارة في Karachi هي 35 درجة والجو مشمس"، يكون المخرج المنظَّم: {"city": "Karachi", "temp": 35, "condition": "sunny"}. تقرأ البرمجيات هذه الصيغة بلا عناء.

Hallucination​

حين يولّد نموذج ذكاء اصطناعي بثقة معلومات كاذبة، أو غير دقيقة، أو ملفّقة، ويقدّمها كحقيقة.

🔹 مثال: تسأل عن حكم لمحكمة عليا فيخترع النموذج قضية (كاملة بأرقام مرجعية مزيفة وهيئة قضائية مزيفة) ويقدّمها كحقيقة.

💡 تشبيه: طالب لا يعرف الإجابة في امتحان لكنه يكتب رغم ذلك إجابة واثقة ومفصّلة جداً. تُقرأ وكأنها صحيحة، لكنها ملفّقة بالكامل.

Grounding​

ربط نموذج ذكاء اصطناعي بمصادر بيانات واقعية ومحقَّقة كي يعطي إجابات دقيقة بدلاً من الهلوسة.

💡 تشبيه: الإسناد مثل السماح للطالب باستخدام كتابه المدرسي أثناء الامتحان. الآن تكون إجاباته مبنية على معلومات حقيقية، لا على ذاكرة لا يُعتمَد عليها.

Temperature​

إعداد يتحكم في الإبداع مقابل القابلية للتنبؤ في استجابات LLM. درجة منخفضة (0) = اتساق عالٍ جداً. درجة عالية (1+) = أكثر إبداعاً وتنوعاً.

💡 تشبيه: درجة العشوائية مثل حرية الطاهي في المطبخ. درجة 0: "اتبع الوصفة حرفياً، بلا بدائل." درجة 1: "ارتجل بحرية." تريد وصفات دقيقة لجرعات الدواء، لكنك تريد حرية إبداعية لطبق جديد.

Latency​

التأخير الزمني بين إرسال طلب واستقبال استجابة. زمن استجابة أقل = أسرع. يُقاس بالمللي ثانية أو الثواني.

🔹 مثال: إذا ردّ Claude في ثانية واحدة، فهذا زمن استجابة منخفض. وإذا استغرق 15 ثانية، فهذا زمن استجابة عالٍ. ينفد صبر المستخدمين بعد ثانيتين أو ثلاث.

Throughput​

كم طلباً يستطيع النظام أن يعالج في وحدة الزمن. معدل إنتاجية عالٍ = خدمة مستخدمين كثيرين في آن واحد.

💡 تشبيه: زمن الاستجابة هو سرعة مرور سيارة واحدة عبر بوابة رسوم. معدل الإنتاجية هو عدد السيارات التي تتعامل معها البوابة في الساعة. تريد زمن استجابة منخفضاً ومعدل إنتاجية عالياً معاً.

Deterministic vs. Non-Deterministic​

Deterministic: المدخل نفسه ينتج المخرج نفسه بالضبط دائماً (مثل الآلة الحاسبة: 2+2 يساوي دائماً 4). Non-deterministic: المدخل نفسه قد ينتج مخرجات مختلفة كل مرة.

LLMs غير حتمية: اسأل السؤال نفسه مرتين، وقد تحصل على إجابات مختلفة قليلاً (لكن صالحة بالقدر نفسه). هذا ليس عيباً؛ بل أمر جوهري في كيفية عمل التقنية.

Stateless​

عدم وجود ذاكرة بين التفاعلات المنفصلة. تبدأ كل محادثة جديدة مع LLM من الصفر المطلق: لا يملك النموذج أي معرفة بأي محادثة سابقة.

💡 تشبيه: صاحب متجر مصاب بفقدان الذاكرة. كلما دخلت، يرحّب بك كغريب، حتى لو كنت هناك قبل خمس دقائق. تصنع تطبيقات المحادثة وهم الذاكرة بإعادة إرسال تاريخ المحادثة كاملاً مع كل رسالة.

كيف يعمل stateless: يعيد التطبيق إرسال التاريخ الكامل كل مرة

Prompt Engineering​

مهارة صياغة تعليمات واضحة ومحددة للحصول على أفضل مخرج ممكن من نموذج ذكاء اصطناعي. ليست "ماذا تسأل" فقط، بل "كيف تسأله".

🔹 مثال: بدلاً من "اكتب عن الذكاء الاصطناعي"، يكتب مهندس التعليمات: "أنت صحفي تقني تكتب لجريدة Dawn. اكتب مقالاً من 600 كلمة يشرح كيف تستخدم البنوك الباكستانية وكلاء ذكاء اصطناعي لاكتشاف الاحتيال. أدرج مثالاً حقيقياً واحداً. استخدم لغة بسيطة في متناول قارئ أعمال غير تقني."

NLP (Natural Language Processing)​

فرع الذكاء الاصطناعي المعنيّ بفهم اللغة البشرية وتفسيرها وتوليدها، وهو الأساس الذي يجعل LLMs ممكنة.

🔹 مثال: عندما تكتب استعلام بحث بإنجليزية مكسّرة ويفهم Google رغم ذلك ما تقصده، فهذا NLP يعمل.

Copilot​

مساعد ذكاء اصطناعي مدمج في بيئة برمجية (مثل محرر كود) يعمل إلى جانبك لرفع الإنتاجية، فيقترح ويُكمل ويراجع أثناء عملك.

🔹 مثال: يقترح GitHub Copilot الكود أثناء كتابتك. كأن لديك زميلاً مطّلعاً ينظر من فوق كتفك ويُكمل جملك.

4. المعرفة والاسترجاع والسياق​

تصف هذه المصطلحات كيف يصل وكلاء الذكاء الاصطناعي إلى المعرفة الخارجية ويستخدمونها لإجابات أفضل وأدق.

RAG (Retrieval-Augmented Generation)​

تقنية يسترجع فيها الذكاء الاصطناعي أولاً معلومات ذات صلة من مستندات أو قواعد بيانات خارجية، ثم يستخدم تلك المعلومات لتوليد استجابة أدقّ.

💡 تشبيه: أداء امتحان بكتاب مفتوح. بدلاً من الاعتماد على معرفة محفوظة فقط (وربما خاطئة)، تبحث عن حقائق محددة في مرجعك قبل كتابة إجابتك. يمنح RAG الذكاءَ الاصطناعي مكتبته المرجعية الخاصة.

سير عمل RAG: استرجاع، إثراء، توليد

Embedding​

تحويل النص إلى إحداثيات رقمية كي يستطيع الحاسوب قياس مدى تشابه أجزاء النص المختلفة، ملتقطاً المعنى لا مجرد الكلمات المفتاحية.

💡 تشبيه: تخيّل وضع كل كتاب في مكتبة على خريطة عملاقة تتجمع فيها الكتب المتشابهة معاً. كتب الطبخ تجلس قرب بعضها، بعيدة عن كتب الفيزياء. تنشئ embeddings "خريطة التشابه" هذه في فضاء رياضي.

Vector​

قائمة من الأرقام تمثّل قطعة نص في فضاء رياضي. حين يُحوَّل النص إلى embedding، تكون النتيجة vector.

🔹 مثال: قد تصبح كلمة "cricket" [0.8, 0.3, 0.7, 0.1, ...]: قائمة طويلة من الأرقام تلتقط معنييها معاً (الرياضة والحشرة)، يميّزها السياق المحيط.

Vector Database​

قاعدة بيانات متخصصة لتخزين vectors والبحث فيها بسرعة، فتجد المحتوى المتشابه بالمعنى بدلاً من التطابق اللفظي الدقيق.

قاعدة بيانات متجهة: ابحث بالمعنى، لا بالكلمات المفتاحية

🔹 مثال: تخزّن 10,000 مستند شركة بوصفها vectors. حين يسأل أحدهم "ما سياسة الإرجاع لدينا؟"، تجد قاعدة البيانات المتجهة المستندات الأكثر صلة فوراً، حتى لو لم تحتوِ أيٌّ منها العبارة الدقيقة "سياسة الإرجاع".

💡 تشبيه: تبحث قاعدة البيانات التقليدية بالكلمات المفتاحية الدقيقة (مثل البحث في دليل هاتف بالاسم). أما قاعدة البيانات المتجهة فتبحث بالمعنى (مثل أن تطلب من أمين مكتبة "أحضر لي كتباً تشبه هذا الكتاب").

البحث بالمعنى بدلاً من الكلمات المفتاحية الدقيقة. سؤال "كيف أعيد منتجاً؟" يطابق مستنداً بعنوان "إجراءات الاسترداد" رغم أن الكلمات مختلفة تماماً.

🔹 مثال: يبحث موظف عن "كيف آخذ إجازة" في قاعدة معرفة الشركة. يجد البحث الدلالي المستند المعنون "Annual Leave Policy and Procedures"، رغم أن أياً من كلمات البحث لا يظهر في العنوان. لما وجد البحث بالكلمات المفتاحية التقليدي شيئاً.

Retrieval​

جلب معلومات ذات صلة من مصدر بيانات (قاعدة بيانات، أو مجموعة مستندات، أو الويب) كي يستخدمها ذكاء اصطناعي في توليد استجابة.

🔹 مثال: يسأل عميل وكيل الدعم لديك "ما ضمانكم على الحواسيب المحمولة؟" يسترجع الوكيل مستند سياسة الضمان من قاعدة معرفتك، ويقرأ القسم ذا الصلة، ويولّد جواباً دقيقاً مبنياً على سياستك الفعلية؛ لا تخميناً.

Reranking​

بعد استرجاع نتائج متعددة، إعادة ترتيبها بحسب الصلة كي تظهر النتيجة الأكثر فائدة أولاً: مرشّح جودة بعد البحث الأولي.

Chunking / Chunk​

تقسيم مستند كبير إلى قطع أصغر كي تُخزَّن وتُبحَث منفردة.

🔹 مثال: دليل موارد بشرية من 200 صفحة يُقسَّم إلى قطع بحجم الفقرة. حين يسأل أحدهم عن سياسة الإجازات، يسترجع النظام أكثر 3-4 فقرات صلة فقط، لا الدليل كله.

Knowledge Base​

مجموعة منظمة من المعلومات (مستندات، وأسئلة شائعة، وأدلة، وسياسات) يستطيع ذكاء اصطناعي البحث فيها والرجوع إليها.

🔹 مثال: wiki داخلية لشركة تحتوي مستندات المنتج، وسياسات الموارد البشرية، ومواد التدريب، منظَّمة بحيث يستطيع وكيل ذكاء اصطناعي العثور على الإجابات فوراً.

Grounding Data​

البيانات الواقعية المحددة المتصلة بنموذج ذكاء اصطناعي لضمان استجابات دقيقة ومبنية على الحقائق بدلاً من تخمينات مهلوسة.

MCP (Model Context Protocol)​

معيار مفتوح (أنشأته Anthropic، وتديره الآن Linux Foundation) يتيح لأي وكيل ذكاء اصطناعي أن يتصل بأي أداة خارجية باستخدام بروتوكول عالمي: البحث، وقواعد البيانات، والبريد، والتقويمات، وأنظمة الملفات. MCP هو بروتوكول استدعاء الوكلاء للأدوات. أما عائلة البروتوكولات المنفصلة التي تتولى دفع الوكلاء مقابل تلك الأدوات فراجع القسم 11: ACP وAP2 وx402 وMPP.

💡 تشبيه: قبل USB، كان لكل هاتف شاحن مختلف. صار USB الموصّل العالمي. MCP هو "معيار USB" لوكلاء الذكاء الاصطناعي: بروتوكول واحد يتيح لأي وكيل أن يتصل بأي أداة. ابنِ وكيلك مرة واحدة، وصِله بكل شيء.

MCP: بروتوكول واحد يصل وكيلك بكل أداة

Connector​

تكامل محدد يربط وكيل ذكاء اصطناعي بخدمة خارجية باستخدام MCP أو بروتوكول آخر.

🔹 مثال: "Gmail connector" يتيح لوكيل ذكاء اصطناعي أن يقرأ البريد ويبحث فيه ويرسله. و"Google Drive connector" يتيح له قراءة المستندات وإنشاءها.

System Integration​

ربط أنظمة برمجية مختلفة كي تشارك البيانات وتعمل معاً بسلاسة: "السباكة" خلف أي نشر وكيل مؤسسي.

🔹 مثال: يحتاج Digital FTE لديك إلى قراءة بيانات العملاء من Salesforce، وفحص المخزون في SAP، ومعالجة المدفوعات عبر JazzCash، وإرسال التأكيدات بالبريد. يربط تكامل الأنظمة هذه الأنظمة الأربعة كي يعمل الوكيل عبرها في سير عمل واحد.

5. مفاهيم Agentic AI​

قلب هذا الكتاب: أنظمة ذكاء اصطناعي لا تجيب عن الأسئلة فقط، بل تتخذ أفعالاً.

Agent (or AI Agent)​

نظام ذكاء اصطناعي يستطيع باستقلالية أن يدرك بيئته، ويتخذ قرارات، وينفّذ أفعالاً لتحقيق هدف، من دون إنسان يوجّه كل خطوة.

🔹 مثال: يجيب chatbot عن الأسئلة فقط. أما وكيل الذكاء الاصطناعي فيتلقى هدفاً مثل "اعثر لي على أرخص رحلة Karachi-إلى-Dubai الجمعة القادمة" ثم يبحث في شركات الطيران، ويقارن الأسعار، ويفحص تقويمك، ويحجز التذكرة، كل ذلك من تلقاء نفسه.

💡 تشبيه: ال chatbot أمين مكتبة يجيب عن الأسئلة من خلف مكتب. أما الوكيل فهو مساعد شخصي يأخذ طلبك ويخرج إلى العالم لينجز الأمور.

Chatbot مقابل Agent: واحد يجيب، والآخر يتصرف

Agentic AI​

فئة الذكاء الاصطناعي المعنية ببناء وكلاء يخططون، ويستدلون، ويتصرفون، ويتكيفون باستقلالية. هذه هي حدود الذكاء الاصطناعي في 2026.

General Agent​

وكيل ذكاء اصطناعي يُستخدَم عبر اللغة الطبيعية لطيف واسع من المهام. ليس مبنياً لوظيفة واحدة محددة؛ بل هو "سكين Swiss Army" متعدد الاستعمالات يستطيع أن يساعد في البرمجة، والكتابة، والبحث، وإدارة الملفات، وأكثر.

🔹 مثال: Claude Code وكيل عام: تستطيع أن تطلب منه تنظيم الملفات، أو كتابة API، أو تحليل جدول بيانات، أو تنقيح خطأ Python. يتكيف مع ما تحتاجه، باستخدام تعليمات باللغة الطبيعية.

💡 تشبيه: الوكيل العام مثل مساعد تنفيذي بالغ الكفاءة. لا توظّفه لمهمة واحدة؛ بل تعطيه مهام مختلفة كل يوم، وهو يعرف كيف ينجز كل واحدة.

Autonomy​

درجة قدرة وكيل ذكاء اصطناعي على العمل باستقلالية من دون موافقة بشرية في كل خطوة.

💡 تشبيه: موظف مبتدئ يحتاج إلى إذن لكل بريد يملك استقلالية منخفضة. مدير أقدم يتخذ قرارات باستقلالية يملك استقلالية عالية. يوجد الوكلاء على الطيف نفسه: بعضهم يحتاج موافقة بشرية على كل فعل؛ وآخرون يعملون باستقلالية كاملة ضمن حدود معرَّفة.

Reasoning​

قدرة الوكيل على التفكير المنطقي في مشكلة: تحليل المعلومات، وموازنة الخيارات، واستخلاص النتائج قبل الفعل.

🔹 مثال: تسأل وكيلاً: "هل ننطلق أولاً في Lahore أم Islamabad؟" قد يختار وكيل بلا استدلال واحدة عشوائياً. أما الوكيل الاستدلالي فيحلل: "Lahore أكبر بضعفي السكان، لكن Islamabad أعلى دخلاً للفرد. منتجك يستهدف المهنيين، لذلك ديموغرافيا Islamabad أنسب. أوصي ب Islamabad أولاً، ثم Lahore في الشهر الثالث."

Acting​

حين ينفّذ وكيل شيئاً فعلياً في العالم الحقيقي: إرسال بريد، أو كتابة ملف، أو الاستعلام عن API، أو وضع طلب، أو حجز موعد.

Planning​

قدرة الوكيل على تقسيم هدف معقد إلى سلسلة من الخطوات وتحديد ترتيب تنفيذها.

🔹 مثال: تقول لوكيل: "حضّر تقرير تحليل سوق عن صادرات الأسمنت الباكستانية." يخطط الوكيل: (1) البحث عن بيانات التصدير، (2) جمع معلومات المنافسين، (3) تحليل الاتجاهات، (4) كتابة التقرير، (5) تنسيقه وتصديره PDF.

Task Decomposition​

تفكيك مهمة كبيرة ومعقدة إلى مهام فرعية أصغر وقابلة للإدارة، يمكن حلّها منفردة.

💡 تشبيه: "خطّط لحفل زفاف" مهمة مرهقة بوصفها مهمة واحدة. وبعد التفكيك: اعثر على قاعة، اختر متعهد طعام، صمّم الدعوات، رتّب الزهور، وظّف مصوراً. كل مهمة فرعية قابلة للحل. يفكّك وكلاء الذكاء الاصطناعي الأهداف المعقدة بالطريقة نفسها.

Orchestration​

تنسيق عدة وكلاء أو أدوات للعمل معاً، وإدارة تدفق المعلومات بينها.

💡 تشبيه: قائد فريق cricket لا يرمي ويضرب ويدافع كله في آن واحد. بل يضع اللاعبين، وينظّم التبديلات، ويعدّل الخطة بحسب موقف المباراة. يعمل تنسيق الوكلاء بصورة مشابهة: تنسيق متخصصين نحو هدف مشترك.

Multi-Agent System​

نظام يتعاون فيه عدة وكلاء ذكاء اصطناعي (كل واحد يتولى أجزاء مختلفة من مهمة) لإنجاز ما لا يستطيع أيٌّ منهم إنجازه وحده.

🔹 مثال: وكيل يبحث في أسعار المنافسين، وآخر يصوغ التحليل، وثالث ينسّق الشرائح، ورابع يجهّز ملاحظات المتحدث. يعملون كفريق.

نظام متعدد الوكلاء: وكلاء متخصصون يتعاونون

Supervisor Agent​

وكيل وظيفته تنسيق وكلاء آخرين وإدارتهم: توزيع المهام، ومراقبة التقدم، وجمع النتائج.

💡 تشبيه: مشرف موقع بناء. لا يضع الطوب ولا يوصّل المقابس. بل يسند المتخصصين إلى كل مهمة، ويفحص الجودة، ويتأكد أن كل شيء يلتئم على نحو صحيح.

Handoff​

حين يمرّر وكيل مهمة (وسياقها) إلى وكيل آخر، مثل عدّاء تتابع يسلّم العصا إلى التالي.

Tool Use / Function Calling​

قدرة الوكيل على استخدام أدوات خارجية (البحث في الويب، والاستعلام عن قواعد البيانات، وإرسال البريد، وتشغيل الكود) بدلاً من مجرد توليد نص من الذاكرة.

💡 تشبيه: شخص يجيب عن الأسئلة من الذاكرة فقط مقابل شخص يستطيع أن يلتقط هاتفاً، ويفتح حاسوباً، ويبحث عن الأشياء. يمنح استخدام الأدوات الوكيلَ وصولاً إلى العالم خارج بيانات تدريبه.

State​

الحالة أو البيانات الحالية لنظام في أي لحظة معينة. "الحفاظ على الحالة" يعني تذكّر أين تقف الأمور في عملية جارية.

🔹 مثال: تملأ نموذج NADRA من 10 صفحات عبر الإنترنت وأنت في الصفحة 7. تشمل "الحالة" كل ما أدخلته في الصفحات 1-6 إضافة إلى الصفحة التي تقف عليها حالياً.

Memory (Agent Memory)​

آليات تتيح للوكيل أن يتذكّر معلومات عبر التفاعلات: محادثات سابقة، أو تفضيلات المستخدم، أو حقائق متعلَّمة.

💡 تشبيه: الحالة هي ذاكرة قصيرة المدى (ما يحدث الآن في هذه المحادثة). أما الذاكرة فهي ذاكرة طويلة المدى (ما حدث عبر محادثات سابقة). بلا ذاكرة، يبدأ كل تفاعل من الصفر.

Session​

تفاعل واحد متصل بين مستخدم ونظام ذكاء اصطناعي. بدء محادثة جديدة = بدء جلسة جديدة.

Reflection​

حين يراجع الوكيل مخرجه، ويحدد الأخطاء أو نقاط الضعف، ويحاول مجدداً بتحسينات.

💡 تشبيه: كاتب ينهي مسودة، ويعيد قراءتها، ويلاحظ حججاً ضعيفة، ويراجع قبل الإرسال. يفعل الوكيل هذا تلقائياً.

Retry / Fallback​

Retry: محاولة الفعل نفسه مجدداً عند فشله (ربما كان الخادم غير متاح مؤقتاً). Fallback: التحول إلى نهج بديل حين يستمر النهج الأساسي في الفشل.

🔹 مثال: يحاول الوكيل جلب بيانات من موقع. الموقع معطّل (retry: حاول مجدداً خلال 30 ثانية). لا يزال معطّلاً بعد 3 محاولات (fallback: جرّب مصدر بيانات مختلفاً للمعلومة نفسها).

Guardrails​

قيود أمان تمنع الوكيل من اتخاذ أفعال ضارة، أو غير لائقة، أو غير مفوَّضة. النسخة المالية من الحواجز (حدود الإنفاق، وقوائم الموردين المسموح بهم، ومحفّزات التدقيق) هي غلاف السلطة. انظر القسم 11.

🔹 مثال: لدى وكيل مالي حاجز أمان يمنع المعاملات فوق Rs. 5,000,000 بلا موافقة بشرية. ولدى وكيل خدمة عملاء حاجز أمان يمنعه من قطع وعود عن استرداد أموال لا يستطيع ضمانها.

💡 تشبيه: الحواجز على الطريق السريع تمنع السيارات من الخروج عن المسار. تمنع حواجز أمان الذكاء الاصطناعي الوكلاءَ من تجاوز الحدود.

HITL (Human in the Loop)​

نمط تصميم يراجع فيه إنسان، أو يوافق، أو يتدخل في نقاط حرجة من سير عمل الوكيل.

🔹 مثال: يصوغ الوكيل بريداً لعميل، لكنه لا يُرسَل حتى يقرأه إنسان ويوافق عليه. يؤدي الوكيل 80% من العمل؛ ويقدّم الإنسان ال 10% من التحقق.

Reliability​

مدى اتساق الوكيل في إنتاج نتائج صحيحة ومتوقَّعة. الوكيل الموثوق يصيب 99 مرة من 100، لا 60.

🔹 مثال: وكيل معالجة فواتير موثوق يستخرج بدقة اسم المورّد، والمبلغ، وتاريخ الاستحقاق، والضريبة من 99% من الفواتير، عبر صيغ ولغات وتخطيطات مختلفة. أما غير الموثوق فيرتبك أمام التخطيطات غير المعتادة ويسيء قراءة المبالغ 20% من الوقت. هذا هو الفرق بين منتج قابل للبيع ومسؤولية خطرة.

Verifiability​

القدرة على فحص مخرج الوكيل والتأكد من صحته: أن كوده ينجح في الاختبارات، وأرقامه تتطابق، ومراجعه موجودة.

Auditability​

القدرة على تتبّع كل قرار وفعل اتخذه الوكيل رجوعاً، وفهم ما فعله بالضبط ولماذا.

💡 تشبيه: كشف الحساب البنكي يتتبّع كل معاملة. ويتتبّع مسار التدقيق لوكيل ذكاء اصطناعي كل قرار، واستدعاء أداة، ومخرج، وكلها حيوية للامتثال والتنقيح.

Workflow​

سلسلة محددة من الخطوات يتبعها الوكيل لإكمال مهمة من البداية إلى النهاية.

💡 تشبيه: سير العمل مثل وصفة: تعليمات خطوة بخطوة إذا اتُّبعت على نحو صحيح أنتجت نتيجة متوقَّعة.

6. مصطلحات البرمجة والبرمجيات​

لا تحتاج إلى أن تكون مبرمجاً، لكنك ستقابل هذه المصطلحات كثيراً.

Python​

أشهر لغة برمجة في الذكاء الاصطناعي: سهلة القراءة، ومرنة، وهي اللغة الأساسية في هذا الكتاب. يدعم كل إطار ذكاء اصطناعي تقريباً Python أولاً.

💡 لماذا Python؟ تقرأ Python تقريباً كالإنجليزية. if age > 18: print("Adult") مفهومة حتى لو لم تبرمج من قبل قطّ. هذه القابلية للقراءة هي سبب اختيار عالم الذكاء الاصطناعي لها، وسبب تعليمها في هذا الكتاب. لا تحتاج إلى معرفة Python قبل البدء؛ يعلّمك الجزء 4 من الصفر.

TypeScript​

امتداد مكتوب الأنواع للغة JavaScript يُستخدَم لتطبيقات الويب وواجهات الزمن الحقيقي. مغطّى في الجزء 9 من هذا الكتاب.

Frontend​

الجزء من تطبيق يراه المستخدمون ويتفاعلون معه: الأزرار، والقوائم، والنصوص، والصور على الشاشة.

🔹 مثال: حين تستخدم Daraz.pk، فإن صور المنتجات، وشريط البحث، وسلة التسوق، وصفحة الدفع هي frontend.

Frontend مقابل Backend: ما يراه المستخدمون مقابل ما يعمل خلف الكواليس

Backend​

الجزء الذي يعمل خلف الكواليس (الخوادم، وقواعد البيانات، ومنطق الأعمال) الذي لا يراه المستخدمون مباشرة.

🔹 مثال: حين تنقر "Place Order" في Daraz، يعالج backend دفعتك، ويفحص المخزون، ويبلّغ البائع، ويجدول التسليم.

Full-Stack​

مطوّر أو تطبيق يتعامل مع frontend وbackend معاً.

API (Application Programming Interface)​

مجموعة قواعد تتيح لبرامج مختلفة أن تتواصل مع بعضها. APIs هي الطريقة التي يتفاعل بها الوكلاء مع العالم الخارجي.

💡 تشبيه: قائمة طعام مطعم تشبه API. أنت (العميل) تنظر إلى القائمة (توثيق API)، وتقدّم طلباً (تجري request)، ويجهّز المطبخ (server) وجبتك (يرسل response). لا تحتاج إلى معرفة كيف يعمل المطبخ؛ تستخدم القائمة فقط.

SDK (Software Development Kit)​

عدّة أدوات جاهزة لتطوير تطبيقات على منصة معينة.

💡 تشبيه: SDK مثل مجموعة LEGO: قطع مشكَّلة مسبقاً مع تعليمات كي تستطيع بناء أشياء محددة بسرعة، بدلاً من نحت كل قطعة من خشب خام.

CLI (Command-Line Interface)​

طريقة نصية للتفاعل مع حاسوب بكتابة أوامر بدلاً من النقر على أزرار.

🔹 مثال: بدلاً من سحب ملف إلى مجلد، تكتب mv report.pdf documents/. يعمل Claude Code بالكامل عبر CLI.

HTTP / HTTPS​

بروتوكول اتصال الويب. كل زيارة موقع، وكل API call، تستخدم HTTP (أو نسخته الآمنة، HTTPS).

💡 تشبيه: HTTP هو نظام البريد للإنترنت. يكتب متصفحك رسالة (request)، ويوجّهها إلى موقع، ويرسل الموقع رداً (response) عبر النظام نفسه.

REST (Representational State Transfer)​

معيار واسع الاستخدام لتصميم web APIs: بسيط، وقابل للتنبؤ، ومبنيّ على HTTP.

Endpoint​

URL محدد تستقبل عنده API الطلبات. تتولى كل نقطة نهاية وظيفة واحدة محددة.

🔹 مثال: api.weather.com/current?city=Karachi هو endpoint: العنوان المحدد الذي تطلب عنده طقس Karachi.

Request / Response​

Request: رسالة من العميل إلى الخادم تطلب شيئاً. Response: رد الخادم.

💡 تشبيه: تطلب من النادل شوربة اليوم (request). يعود النادل ب "haleem" (response).

JSON (JavaScript Object Notation)​

صيغة خفيفة وقابلة للقراءة البشرية لتخزين البيانات وتبادلها. صيغة البيانات القياسية في عالم الذكاء الاصطناعي.

🔹 **Example:

{
  "name": "Ahmed Khan",
  "city": "Lahore",
  "role": "Software Engineer"
}

لكل قطعة بيانات تسمية وقيمة واضحتان. تقرأ البرمجيات JSON بلا عناء.

Schema​

بنية أو مخطط كيفية تنظيم البيانات: ما الحقول الموجودة، وما نوع كل حقل، وأيها مطلوب.

💡 تشبيه: نموذج NADRA الفارغ هو schema: "الاسم يُكتب هنا (نص)، CNIC يُكتب هنا (رقم)، تاريخ الميلاد يُكتب هنا (تاريخ)." النموذج المملوء هو البيانات؛ والنموذج الفارغ هو schema.

Validation​

التحقق من أن البيانات تطابق schema المتوقَّع: الصيغة الصحيحة، والنوع الصحيح، ولا شيء ناقص.

🔹 مثال: نموذج عبر الإنترنت يرفض إرسالك لأنك كتبت حروفاً في خانة رقم الهاتف: هذه validation تلتقط خطأً.

Library / Package​

كود مكتوب مسبقاً بناه وشاركه آخرون كي لا تضطر إلى كتابة الوظائف الشائعة من الصفر.

🔹 مثال: بدلاً من كتابة كود إرسال البريد الخاص بك، تستخدم مكتبة اسمها sendgrid تتولى كل التعقيد.

Framework​

عدّة أدوات أكبر وأكثر تنظيماً من library. يوفّر framework معمارية تطبيقك ويحدد كيفية تنظيم كودك.

💡 تشبيه: library مثل شراء قطع أثاث منفردة. أما framework فمثل شراء بيت مبنيّ مسبقاً تخصّص غرفه. FastAPI هو framework؛ وأداة تحليل JSON هي library.

Dependency​

مكتبة خارجية يحتاجها مشروعك كي يعمل.

🔹 مثال: يستخدم مشروعك FastAPI، وFastAPI يحتاج إلى مكتبة اسمها Starlette. Starlette هي dependency: يعتمد مشروعك عليها على نحو غير مباشر.

Repo (Repository)​

مجلد مشروع يتتبّعه Git ويحتوي كل الكود، والملفات، والتاريخ الكامل للتغييرات.

Git​

نظام تحكم في الإصدارات يسجّل كل تغيير في كودك: من غيّر ماذا، ومتى، ولماذا. تستطيع دائماً الرجوع إلى أي نسخة سابقة.

💡 تشبيه: Git مثل "Track Changes" في Microsoft Word، لكن لمشاريع برمجية كاملة. كل تعديل مسجَّل. كل نسخة قابلة للاسترجاع. أساسي للتعاون الجماعي.

GitHub​

منصة سحابية لاستضافة مستودعات Git: أكبر منصة لمشاركة الكود في العالم، حيث يتعاون المطورون.

Environment Variable / .env​

إعداد مخزَّن خارج كودك (في ملف اسمه .env) يحتوي معلومات حساسة مثل كلمات المرور وAPI keys.

🔹 مثال: يُخزَّن مفتاح OpenAI API لديك بوصفه OPENAI_API_KEY=sk-abc123... في .env كي لا يظهر أبداً في كودك العام.

Synchronous​

عمليات تحدث واحدة في كل مرة، بالتسلسل. تنتظر كل خطوة انتهاء السابقة.

💡 تشبيه: صندوق دفع واحد في متجر. يُخدَم كل عميل بالكامل قبل أن يبدأ التالي. بسيط لكنه بطيء حين يوجد طابور.

Asynchronous​

عمليات تستطيع أن تعمل في آن واحد. يبدأ البرنامج مهمة ويمضي قُدُماً من دون انتظار انتهائها.

💡 تشبيه: عدة صناديق دفع مفتوحة في آن واحد، إضافة إلى كشك خدمة ذاتية. يُخدَم العملاء بالتوازي. أسرع بكثير إجمالاً: هكذا يتعامل وكلاء الذكاء الاصطناعي الحديثون مع عدة tool calls.

Event-Driven Architecture​

تصميم برمجي يستجيب فيه النظام للأحداث (الأشياء التي تقع) بدلاً من اتباع تسلسل جامد محدد مسبقاً.

🔹 مثال: جرس الباب مدفوع بالأحداث (لا يرنّ إلا حين يُضغَط. لا تفحص الباب كل 5 دقائق؛ بل تستجيب حين يقع الحدث. يعمل وكلاء الذكاء الاصطناعي بهذه الطريقة غالباً) مستجيبين للرسائل الواردة، ونتائج الأدوات، والإشعارات.

Variable​

حاوية مسماة في الكود تخزّن قيمة. price = 500 يعني أن المتغير price يحمل 500.

Function​

كتلة كود قابلة لإعادة الاستخدام تؤدي مهمة محددة: تقبل مدخلات، وتؤدي عملاً، وتعيد مخرجاً.

💡 تشبيه: الدالة مثل آلة صنع الروتي. تضع العجين (المدخل)، تؤدي الآلة عملها، ويخرج روتي (المخرج). تستطيع استخدام الآلة نفسها آلاف المرات.

Type Annotation​

التصريح بنوع البيانات الذي يتوقعه متغير أو دالة: نص، أو رقم، أو قائمة، إلخ.

🔹 مثال: age: int = 25 يخبر البرنامج والمطورين الآخرين معاً: "ينبغي أن يكون age دائماً عدداً صحيحاً."

Dataclass​

ميزة في Python لإنشاء حاويات بيانات نظيفة ومنظمة، مثل قالب بحقول مسماة.

🔹 مثال:

@dataclass
class Student:
    name: str
    age: int
    grade: str

الآن تستطيع كتابة student = Student("Ahmed", 20, "A") وتكون البيانات منظمة، وموسومة، ومفحوصة النوع تلقائياً. أنظف بكثير من تتبّع ثلاثة متغيرات منفصلة.

Decorator​

ميزة في Python (تُكتَب ب @) تضيف وظيفة إلى دالة أو صنف من دون تغيير كوده. @dataclass في المثال أعلاه هو decorator.

Syntax​

قواعد نحو لغة برمجة: كيف يجب أن يُبنى الكود كي يفهمه الحاسوب.

Boilerplate​

كود قياسي متكرر لازم للإعداد، لكنه لا يحتوي منطقك الفريد.

💡 تشبيه: افتتاحية "Dear Sir/Madam" وخاتمة "Yours sincerely" في خطاب رسمي. ضروريتان لكنهما ليستا الجزء المثير للاهتمام.

Linter​

أداة تفحص الكود بحثاً عن الأخطاء، ومخالفات الأسلوب، والمشكلات المحتملة، مثل مدقّق نحو للكود.

🔹 مثال: تكتب x=1+2 (بلا مسافات حول العمليات). يعلّمه linter ويقترح x = 1 + 2: أوضح للقراءة. كما يلتقط أخطاء حقيقية، مثل استخدام متغير قبل تعريفه. ruff هو ال linter المستخدَم في هذا الكتاب كله.

Debugging​

العثور على الأخطاء (bugs) في الكود وإصلاحها.

Refactoring​

إعادة هيكلة كود موجود لجعله أنظف أو أكفأ من دون تغيير ما يفعله.

💡 تشبيه: إعادة تنظيم خزانة ملابسك. الملابس نفسها، لكنها الآن مرتبة بحسب الموسم والنوع: أسهل في العثور على ما تحتاجه.

pytest​

أشهر إطار اختبار في Python. تكتب حالات اختبار تصف ما ينبغي أن يفعله الكود، ويتحقق pytest من أنه يفعله فعلاً.

🔹 مثال: تكتب اختباراً: assert calculate_gst(1000) == 180. يقول هذا "حين أحسب GST على Rs. 1,000، يجب أن تكون الإجابة Rs. 180." إذا أعاد كودك 170، يخبرك pytest أن الاختبار فشل: ملتقطاً الخطأ قبل أن يصل إلى العملاء.

pyright​

مدقّق أنواع ل Python: يضمن ألا تمرّر بالخطأ نصاً حيث يُتوقَّع رقم، فيلتقط الأخطاء قبل أن تسبب مشكلات.

🔹 مثال: تتوقع دالتك age: int لكنك في مكان ما من كودك تمرّر بالخطأ "twenty-five" (نص). يلتقط Pyright عدم التطابق هذا فوراً، قبل أن تشغّل البرنامج حتى.

ruff​

أداة linter وformatter سريعة جداً ل Python تفرض أسلوب كود متسقاً وتلتقط الأخطاء الشائعة. فكّر فيها كمدقّق نحو ومُنفِّذ دليل أسلوب لكود Python الخاص بك.

uv​

مدير حزم Python حديث وفائق السرعة لتثبيت اعتماديات المشروع وإدارتها. يستبدل أدوات أقدم مثل pip في إدارة المشاريع: غالباً أسرع ب 10-100 مرة.

pip​

مثبّت الحزم التقليدي المدمج في Python. الأمر pip install requests ينزّل مكتبة requests من الإنترنت ويثبّتها على حاسوبك.

7. مصطلحات البيانات وقواعد البيانات​

Database​

مجموعة منظمة من البيانات مخزَّنة إلكترونياً: مصممة كي تُبحَث وتُحدَّث وتُدار بسهولة.

💡 تشبيه: خزانة ملفات ضخمة ومنظمة تماماً. كل درج (table) يحمل سجلات من نوع واحد. كل ملف (row) سجلّ واحد. كل ورقة بداخله (column) قطعة بيانات واحدة.

SQL (Structured Query Language)​

اللغة القياسية للتواصل مع قواعد البيانات: طرح الأسئلة، وإضافة السجلات، وتحديث البيانات.

🔹 مثال: SELECT name, phone FROM customers WHERE city = 'Karachi' يسأل قاعدة البيانات: "أعطني اسم وهاتف كل عميل في Karachi."

Table / Row / Column​

Table: مجموعة بيانات مرتبطة في صفوف وأعمدة (مثل جدول بيانات). Row: سجلّ كامل واحد (عميل واحد، طلب واحد). Column: حقل واحد عبر كل السجلات (الاسم، والبريد، والهاتف).

🔹 مثال: جدول "Customers":

الاسم (عمود)المدينة (عمود)الهاتف (عمود)
Ahmed Khan (الصف 1)Karachi0300-1234567
Sara Ali (الصف 2)Lahore0321-9876543

يحتوي الجدول 3 أعمدة وصفّين. كل صف عميل واحد. كل عمود قطعة معلومة واحدة عن كل عميل.

Query​

طلب بيانات محددة من قاعدة بيانات. كل عبارة SQL هي query.

🔹 مثال: "أرني كل الطلبات من Karachi الموضوعة في آخر 7 أيام" هي query بشرية. وفي SQL: SELECT * FROM orders WHERE city = 'Karachi' AND date > '2026-03-31'. الطلب نفسه، واحد بالإنجليزية، وواحد بلغة قاعدة البيانات.

PostgreSQL​

قاعدة بيانات قوية، ومجانية، ومفتوحة المصدر، تُستخدَم على نطاق واسع في تطبيقات الإنتاج، بما فيها خلفيات كثيرة لوكلاء الذكاء الاصطناعي.

NoSQL​

قواعد بيانات تخزّن البيانات بصيغ مرنة غير الجداول الصارمة (مستندات، أو أزواج key-value، أو graphs). مفيدة حين لا تتناسب البيانات بدقة مع الصفوف والأعمدة.

🔹 مثال: تخزّن MongoDB البيانات بوصفها مستندات تشبه JSON. قد يملك مستند "customer" حقولاً مختلفة لعملاء مختلفين، بخلاف جدول صارم يجب أن يملك فيه كل صف الأعمدة نفسها.

Cache​

طبقة تخزين عالية السرعة تحفظ نسخاً من البيانات كثيرة الوصول لاسترجاع أسرع.

💡 تشبيه: إبقاء توابلك الأكثر استخداماً على طاولة المطبخ بدلاً من خزانة عالية. أبطأ في التنظيم ابتداءً، لكن أسرع بكثير أثناء الطهي. تبادل cache مساحة التخزين بالسرعة.

Queue / Message Broker​

نظام يدير الرسائل بين مكوّنات تطبيق، ويضمن معالجة المهام بموثوقية وبالترتيب، حتى تحت حمل ثقيل.

💡 تشبيه: نظام تذاكر في مكتب NADRA مزدحم. يأخذ الجميع رقماً ويُخدَمون بالترتيب. حتى لو وصل 50 شخصاً دفعة واحدة، لا يضيع أحد: يدير الطابور التدفق.

Kafka​

وسيط رسائل مفتوح المصدر شائع مصمَّم لمعالجة تدفقات هائلة من بيانات الزمن الحقيقي، يُستخدَم عادة في نشر الذكاء الاصطناعي المؤسسي.

Transaction​

مجموعة عمليات قاعدة بيانات يجب أن تنجح كلها معاً أو تفشل كلها معاً، بلا أي حالة نصف منجَزة مسموح بها.

🔹 مثال: تحويل Rs. 50,000 بين حسابي JazzCash: يجب أن يحدث الخصم من الحساب A والإضافة إلى الحساب B كلاهما، أو لا يحدث أيٌّ منهما. تضمن transaction هذا.

Data Pipeline​

سلسلة آلية من الخطوات تنقل البيانات من المصادر إلى الوجهات، محوِّلةً إياها على طول الطريق.

💡 تشبيه: سلسلة توريد قمح: الحصاد من المزرعة (extract)، والطحن إلى دقيق (transform)، والتسليم إلى المخبز (load). يفعل data pipeline الشيء نفسه بالمعلومات.

ETL (Extract, Transform, Load)​

نمط data pipeline القياسي: Extract البيانات من المصادر ← Transform (تنظيف، وإعادة هيكلة، وإثراء) ← Load إلى نظام وجهة.

🔹 مثال: كل ليلة، ETL pipeline (1) يستخرج بيانات المبيعات من 50 فرعاً للبيع بالتجزئة، (2) يحوّلها (تحويل العملات، وإزالة التكرارات، وحساب المجاميع)، و(3) يحمّل البيانات النظيفة إلى قاعدة بيانات مركزية للوحة الصباح.

Persistent Storage​

بيانات تبقى بعد انتهاء برنامج أو إعادة تشغيل حاسوب. الملفات على قرصك الصلب دائمة. أما البيانات في RAM فتختفي حين تُغلق الجهاز.

💡 تشبيه: كتابة ملاحظات في دفتر (دائمة؛ لا تزال هناك غداً) مقابل الكتابة على سبّورة بيضاء تُمسَح كل مساء (غير دائمة). يحتاج الوكلاء إلى تخزين دائم لتذكّر الأشياء عبر الجلسات.

8. مصطلحات السحابة والنشر​

Cloud​

خوادم، وتخزين، وخدمات يُوصَل إليها عبر الإنترنت بدلاً من حاسوبك الخاص. "السحابة" = "حواسيب غيرك، مُدارة باحتراف".

🔹 مثال: تخزين الصور في Google Photos بدلاً من هاتفك. تشغيل وكيل ذكائك الاصطناعي على AWS بدلاً من حاسوبك المحمول.

Cloud-Native​

تطبيقات مصممة من الأساس للعمل على بنية تحتية سحابية، مستفيدة من القابلية للتوسع، والمرونة، والخدمات المُدارة.

Container​

حزمة خفيفة ومعزولة تحتوي كل ما يحتاجه تطبيق كي يعمل (الكود، والمكتبات، والإعدادات) بحيث يعمل بالطريقة نفسها في كل مكان.

💡 تشبيه: حاوية شحن. سواء كانت على شاحنة في Karachi، أو سفينة في بحر العرب، أو قطار في الصين، تبقى المحتويات متطابقة ومكتفية ذاتياً. تعمل software containers بالطريقة نفسها: تعمل بصورة متطابقة على أي حاسوب.

Docker​

أشهر أداة لإنشاء containers وتشغيلها. تعرّف متطلبات تطبيقك في Dockerfile، وتبني image، وتشغّلها Docker بصورة متطابقة على أي جهاز.

🔹 مثال: يعمل وكيل ذكائك الاصطناعي بصورة مثالية على حاسوبك. تحوّله إلى Docker: docker build -t my-agent . ← docker run my-agent. الآن يعمل بصورة متطابقة على حاسوب زميلك، أو على AWS، أو على Kubernetes cluster، بلا مشكلات "لكنه يعمل عندي".

Docker: تطبيقك في حاوية محمولة تعمل في أي مكان

Docker Image​

قالب للقراءة فقط لإنشاء containers. ال image هي الوصفة؛ وال container العامل هو الطبق المطبوخ. تستطيع إنشاء حاويات كثيرة من image واحدة.

🔹 مثال: تبني image واحدة لوكيل خدمة العملاء لديك. من تلك image الواحدة، تستطيع تشغيل 10 حاويات متطابقة: 10 نسخ من الوكيل نفسه تعمل في آن واحد، تتعامل مع عملاء مختلفين.

Dockerfile​

ملف نصي يحتوي تعليمات خطوة بخطوة لبناء Docker image، مثل بطاقة وصفة تسرد كل مكوّن وكل خطوة.

Kubernetes (K8s)​

نظام لإدارة آلاف الحاويات على نطاق واسع، يبدأها، ويوقفها، ويوزّعها، ويعالج أعطالها تلقائياً عبر الخوادم. "K8s" هو الاختصار (K + 8 أحرف + s).

💡 تشبيه: إذا كان Docker يصنع حاويات الشحن، فإن Kubernetes هو هيئة الميناء: يدير آلاف الحاويات، ويقرر أي السفن تركبها، ويضمن وصول كل شيء في موعده.

KEDA​

التوسع التلقائي المدفوع بالأحداث في Kubernetes: أداة توسّع pods صعوداً أو هبوطاً بناء على الأحداث الواردة (مثل عمق طابور الرسائل)، لا استخدام CPU فقط.

🔹 مثال: إذا بدأ 500 طالب فجأة استخدام TutorClaw عند التاسعة مساءً، يكتشف KEDA تنامي طابور الرسائل ويشغّل تلقائياً agent pods إضافية لتحمّل الحِمل.

StatefulSets​

ميزة في Kubernetes لإدارة الحاويات التي تحتاج هوية دائمة وتخزيناً ثابتاً، بخلاف الحاويات عديمة الحالة التي يمكن استبدالها بحرية.

🔹 مثال: يحتاج container قاعدة بيانات إلى تذكّر بياناته حتى لو أُعيد تشغيله. تضمن StatefulSets أن يحتفظ كل pod قاعدة بيانات بهويته وتخزينه.

Pod​

أصغر وحدة في Kubernetes: حاوية واحدة أو أكثر تعمل معاً وتتشارك الموارد.

💡 تشبيه: ال pod مثل غرفة مكتب مشتركة. الحاويات بداخلها هي العاملون في تلك الغرفة: يتشاركون مساحة المكتب نفسها (network)، والعنوان (IP)، والمستلزمات (storage). يدير Kubernetes آلاف هذه الغرف عبر مبنى (cluster).

Service (Kubernetes)​

نقطة نهاية شبكية ثابتة توجّه حركة المرور إلى pods الصحيحة، حتى وهي تُنشأ وتُدمَّر.

Ingress​

نقطة الدخول التي توجّه حركة ويب خارجية إلى الخدمة الصحيحة داخل Kubernetes cluster.

💡 تشبيه: مكتب استقبال مستشفى كبير. يدخل كل المرضى عبر الاستقبال، الذي يوجههم إلى القسم الصحيح بحسب احتياجهم.

Deployment​

جعل تطبيق متاحاً للمستخدمين الحقيقيين، بدفعه من حاسوب تطويرك إلى خوادم سحابية.

Autoscaling​

إضافة موارد حوسبة أو إزالتها تلقائياً بناء على الطلب.

🔹 مثال: أثناء تسوّق العيد، تشغّل Daraz تلقائياً خوادم إضافية لتحمّل ارتفاع حركة المرور، ثم تخفضها بعد ذلك. لا يلزم تدخل بشري.

Microservice​

خدمة صغيرة ومستقلة تتولى وظيفة واحدة محددة. تتجمع خدمات مصغرة كثيرة لتشكّل تطبيقاً كاملاً.

💡 تشبيه: بدلاً من سكين Swiss Army واحدة ضخمة، الخدمات المصغرة صندوق أدوات متخصصة، كل أداة تؤدي شيئاً واحداً بإتقان.

Serverless​

حوسبة سحابية يدير فيها المزوّد كل البنية التحتية. تكتب الكود؛ فيعمل. لا تفكّر أبداً في الخوادم، أو التوسع، أو الصيانة.

💡 تشبيه: استخدام Careem مقابل امتلاك سيارة. مع Careem، لا تقلق بشأن الصيانة، أو التأمين، أو الموقف. تطلب رحلة حين تحتاجها فقط. تعمل الحوسبة بلا خادم بصورة مشابهة: تستخدم الحوسبة حين تحتاجها.

Dapr​

وقت تشغيل مفتوح المصدر يبسّط تطوير الخدمات المصغرة بتوفير قدرات شائعة (المراسلة، وإدارة الحالة، والأسرار) جاهزة من الصندوق.

💡 تشبيه: بناء خدمات مصغرة بلا Dapr مثل بناء بيت وأنت أيضاً تصنّع أنابيب السباكة، والأسلاك الكهربائية، وزجاج النوافذ بنفسك. يوفّر Dapr "السباكة والأسلاك الجاهزة" كي تستطيع التركيز على تصميم البيت.

Ray​

إطار Python لتوسيع أحمال الذكاء الاصطناعي عبر أجهزة متعددة: توزيع التدريب والاستدلال عبر cluster.

IaC (Infrastructure as Code)​

إدارة البنية التحتية الحوسبية عبر ملفات إعداد بدلاً من الإعداد اليدوي عبر لوحات تحكم مزوّدي السحابة.

🔹 مثال: بدلاً من النقر على 50 زراً في AWS console لإعداد الخوادم، تكتب ملف Terraform يصف الإعداد. شغّل الملف، فيُنشأ كل شيء تلقائياً. قابل للتكرار. قابل للمراجعة. محفوظ في تحكم الإصدارات.

Terraform​

أداة IaC شائعة تتيح لك تعريف ونشر بنية تحتية سحابية عبر أي مزوّد (AWS، وAzure، وGCP) باستخدام الكود.

🔹 مثال: بدلاً من قضاء ساعة في النقر عبر AWS console، تكتب ملف Terraform من 50 سطراً: "أحتاج 3 خوادم، وقاعدة بيانات واحدة، وموزّع حمل واحداً." شغّل terraform apply: يُنشأ كل شيء في دقائق. تحتاج الإعداد نفسه في region أخرى؟ شغّل الملف نفسه. تريد إزالة كل ذلك؟ terraform destroy.

Cloudflare R2​

خدمة تخزين الكائنات من Cloudflare: تُستخدَم في هذا الكتاب لتخزين قواعد معرفة الوكلاء وتقديم المحتوى عالمياً بزمن استجابة منخفض.

🔹 مثال: تُخزَّن قاعدة معرفة TutorClaw (كل فصول هذا الكتاب، بوصفها ملفات نصية) في R2. حين يسأل طالب في Peshawar سؤالاً، يقدّم R2 المحتوى ذا الصلة من أقرب خادم Cloudflare: سريع ورخيص، بلا رسوم egress.

Cloudflare Workers​

دوال بلا خادم تعمل على شبكة Cloudflare العالمية، قريبة من المستخدمين: تُستخدَم في هذا الكتاب ل API endpoints خفيفة وخدمات ترجمة.

🔹 مثال: يتولى Cloudflare Worker طلبات الترجمة لموقع الكتاب: حين يختار المستخدم الأردية، يجلب Worker الترجمة من R2 أو يستدعي Google Cloud Translation بوصفه fallback. يعمل في مللي ثوانٍ من أقرب خادم حافة.

CI/CD (Continuous Integration / Continuous Delivery)​

CI: اختبار الكود تلقائياً كلما أجرى مطوّر تغييراً. CD: نشر الكود المختبَر تلقائياً إلى الإنتاج.

💡 تشبيه: CI هو فحص الجودة على خط مصنع (كل منتج يُختبَر قبل أن يمضي قُدُماً. CD هو الإرسال التلقائي) بمجرد الموافقة، يذهب المنتج إلى العملاء من دون أن يحمله أحد يدوياً إلى ساعي البريد.

🔹 مثال: يدفع مطوّر الكود إلى GitHub عند 2 PM. يشغّل CI تلقائياً 200 اختبار في 3 دقائق. تنجح كلها. ينشر CD النسخة الجديدة تلقائياً إلى الإنتاج. يحصل المستخدمون على التحديث عند 2:10 PM: بلا أي خطوة يدوية.

خط CI/CD: من تغيير الكود إلى حيّ في دقائق

Production​

البيئة الحية حيث يتفاعل المستخدمون الحقيقيون مع التطبيق. إذا تعطّل شيء في الإنتاج، يتأثر عملاء حقيقيون.

🔹 مثال: TutorClaw يخدم 16,000 طالب حقيقي على WhatsApp الآن: هذا هو الإنتاج. النسخة التي تختبرها على حاسوبك المحمول ليست كذلك.

Staging​

بيئة اختبار تحاكي الإنتاج: تُستخدَم لالتقاط الأخطاء قبل أن تصل إلى المستخدمين الحقيقيين.

💡 تشبيه: بروفة كاملة قبل ليلة الافتتاح. المسرح، والأزياء، والإضاءة مطابقة للعرض الحقيقي، لكن الجمهور لم يحضر بعد. إذا حدث خطأ، تصلحه قبل العرض.

Local Development​

تشغيل البرمجيات واختبارها على حاسوبك الخاص قبل نشرها في أي مكان. أسرع حلقة تغذية راجعة: تغيّر شيئاً وترى النتائج فوراً.

🔹 مثال: تشغيل وكيل FastAPI لديك على http://localhost:8000 واختباره بطلبات عيّنة قبل دفعه إلى staging أو الإنتاج.

Infrastructure​

موارد الحوسبة الأساسية (الخوادم، والشبكات، والتخزين، وقواعد البيانات) التي تعمل عليها التطبيقات. مثل الطرق، والأنابيب، وشبكة الكهرباء في مدينة: غير مرئية للسكان لكنها أساسية كي يعمل كل شيء.

Scalability​

قدرة نظام على تحمّل أحمال عمل متزايدة بإضافة موارد، من دون تدهور الأداء.

🔹 مثال: يتعامل وكيلك بسلاسة مع 100 مستخدم. فجأة يصل 10,000 مستخدم. النظام القابل للتوسع يضيف تلقائياً قدرة حوسبة أكبر ويستمر في العمل. أما النظام غير القابل للتوسع فينهار تحت الحِمل.

9. مصطلحات الزمن الحقيقي ووكلاء الصوت​

Realtime​

معالجة البيانات والاستجابة لها فور وصولها، بأقل تأخير: على عكس المعالجة الدفعية حيث تُجمَع البيانات وتُعالَج لاحقاً.

Streaming​

إرسال البيانات باستمرار في قطع صغيرة فور توفّرها، بدلاً من انتظار النتيجة الكاملة.

🔹 مثال: حين تظهر استجابة Claude كلمة كلمة بدلاً من ظهورها كلها دفعة واحدة، فهذا streaming. وحين تشاهد فيديو YouTube من دون تنزيل الملف كاملاً أولاً، فهذا streaming.

WebSocket​

بروتوكول اتصال يحافظ على اتصال دائم وثنائي الاتجاه بين العميل والخادم؛ يستطيع الطرفان إرسال الرسائل في أي وقت بلا انتظار.

💡 تشبيه: مكالمة هاتفية (WebSocket) مقابل تبادل رسائل بريدية (HTTP). في المكالمة، يتكلم الطرفان متى شاءا. وبالرسائل، ترسل واحدة وتنتظر الرد.

SSE (Server-Sent Events)​

تقنية تتيح للخادم أن يدفع تحديثات في الزمن الحقيقي إلى عميل، فتوفّر بثاً باتجاه واحد عبر اتصال HTTP قياسي.

🔹 مثال: شريط نتائج cricket حيّ يتحدّث تلقائياً من دون أن تحدّث الصفحة. يدفع الخادم النتائج الجديدة فور حدوثها.

Event Stream​

تدفق متصل من الأحداث (نقاط بيانات، وإشعارات، وتغيرات حالة) يستمع إليه نظام ويتفاعل معه في الزمن الحقيقي.

Voice Agent​

وكيل ذكاء اصطناعي يتواصل عبر اللغة المنطوقة، يستمع إلى صوتك، ويفهمه، ويرد بالكلام.

🔹 مثال: الاتصال بمساعد ذكاء اصطناعي لبنك يفهم سؤالك المنطوق عن رصيد حسابك ويقرأ لك الإجابة بصوت: بالأردية أو الإنجليزية.

ASR (Automatic Speech Recognition)​

تقنية تحوّل اللغة المنطوقة إلى نص.

🔹 مثال: إملاء رسالة WhatsApp باستخدام زر الميكروفون: يحوّل ASR صوتك إلى نص مكتوب.

STT (Speech to Text)​

مصطلح آخر ل ASR: تحويل الكلمات المنطوقة إلى نص مكتوب.

TTS (Text to Speech)​

تحويل النص المكتوب إلى صوت منطوق: عكس STT.

🔹 مثال: Google Maps يقرأ تعليمات الملاحة بصوت عالٍ. معلّم ذكاء اصطناعي يقرأ شرحاً لطالب.

VAD (Voice Activity Detection)​

تقنية تكتشف متى يتكلم شخص مقابل متى يكون هناك صمت، كي يعرف النظام متى يستمع ومتى انتهى المتحدث.

🔹 مثال: تتحدث إلى voice agent وتتوقف لتفكّر في منتصف جملة. بلا VAD جيد، يقفز الوكيل خلال توقفك، ظاناً أنك انتهيت. ومع VAD جيد، يكتشف أنك تتوقف فقط (لم تنتهِ) وينتظر أن تكمل.

Transcription​

مخرج النص المكتوب من تحويل الكلام إلى نص، أي المستند الذي تنتجه ASR.

🔹 مثال: يُسجَّل اجتماع من 30 دقيقة. يعالج ASR الصوت وينتج نسخة نصية: "Ahmed: لنناقش أهداف Q3... Sara: أظن أن نركز على Lahore أولاً..." ذلك المخرج المكتوب هو transcription.

Synthesis (Speech)​

توليد صوت منطوق وطبيعي من نص (الصوت الذي تنتجه TTS. يبدو التوليد الحديث شبه بشري) بتوقفات، وتنغيم، وتشديد طبيعية.

Turn-Taking​

إدارة من يتكلم ومتى في محادثة صوتية. ينتظر النظام أن ينتهي الإنسان، ثم يرد. تبادل الأدوار الجيد يبدو طبيعياً؛ والسيئ يبدو كشخصين يتكلمان فوق بعضهما باستمرار على خط هاتف رديء.

Interruption / Barge-In​

حين يبدأ مستخدم الكلام بينما لا يزال الذكاء الاصطناعي يرد، فيقطعه في منتصف الجملة. وكلاء الصوت المصممون جيداً يتعاملون مع هذا برشاقة: يتوقفون فوراً ويستمعون.

🔹 مثال: تسأل voice agent عن طريق إلى Clifton Beach. يبدأ يصف طريقاً عبر University Road، لكنك تعرف أن ذلك الطريق مغلق اليوم، فتقاطعه: "لا، تجنّب University Road." الوكيل الجيد يتوقف فوراً ويعيد الحساب. أما السيئ فيواصل الكلام فوقك.

10. مصطلحات الأمن والسلامة والمؤسسات​

Authentication (AuthN)​

التحقق من هوية شخص (أو شيء)، وتأكيد من هو.

💡 تشبيه: إظهار CNIC في مكتب حكومي. يؤكد الموظف أنك من تدّعي أنك هو.

Authorization (AuthZ)​

تحديد ما يُسمَح لكيان موثَّق بفعله.

💡 تشبيه: بعد إظهار CNIC (المصادقة)، تحدّد ورقة موعدك أي قسم تستطيع زيارته وأي خدمات تستطيع الوصول إليها (التفويض).

OAuth​

بروتوكول واسع الاستخدام يتيح لك منح وصول محدود إلى حساباتك من دون مشاركة كلمة مرورك.

🔹 مثال: النقر على "Sign in with Google" في موقع. يتيح OAuth للموقع أن يتحقق من هويتك عبر Google من دون أن يرى أبداً كلمة مرور Google لديك.

API Key​

رمز فريد يحدّد من يجري API request (مثل كلمة مرور للتواصل من برمجية إلى برمجية. عامله مثل PIN بنكي) لا تشاركه علناً أبداً.

🔹 مثال: يبدو OpenAI API key لديك مثل sk-proj-abc123xyz.... يتضمن كل API call هذا المفتاح كي يعرف OpenAI أنه أنت، ويحاسب حسابك، ويفرض حدود معدلك. إذا نشرته بالخطأ على GitHub، يستطيع أي أحد استخدام حسابك وتكبيدك تكاليف.

Secret​

أي اعتماد حساس (API keys، وكلمات المرور، وtokens) يجب إبقاؤه سرياً. يُخزَّن في environment variables، لا في الكود أبداً.

RBAC (Role-Based Access Control)​

نظام أمان تُسنَد فيه الأذونات إلى أدوار، ويُسنَد المستخدمون إلى أدوار؛ لا منح أذونات فردية.

🔹 مثال: في نظام مستشفى، يستطيع "Doctor" أن يرى سجلات المرضى ويصف العلاج. يستطيع "Nurse" أن يرى السجلات لكن لا يصف. يستطيع "Receptionist" أن يرى الجداول لكن لا السجلات. يحصل كل شخص على دور؛ والدور يحدد الوصول.

Least Privilege​

منح المستخدمين، أو الوكلاء، أو الأنظمة الحدّ الأدنى فقط من الأذونات اللازمة لعملهم، لا شيء إضافي.

🔹 مثال: يحتاج عامل توصيل إلى الوصول إلى عناوين التسليم، لا إلى السجلات المالية للشركة. ووكيل ذكاء اصطناعي يكتب رسائل بريد ينبغي ألا يملك أيضاً إذناً بحذف قاعدة البيانات.

PII (Personally Identifiable Information)​

بيانات يمكن أن تحدّد فرداً بعينه، مثل الاسم، والبريد، ورقم الهاتف، وCNIC، والعنوان، والبيانات الحيوية.

Compliance​

اتباع القوانين، واللوائح، والمعايير الصناعية المعمول بها. لصناعات مختلفة متطلبات مختلفة.

🔹 مثال: يجب أن يمتثل ذكاء اصطناعي صحي لقوانين خصوصية المرضى. ويجب أن يتبع ذكاء اصطناعي مالي لوائح SBP (البنك المركزي لباكستان). ويجب أن يتبع منتج موجَّه إلى أوروبا لائحة GDPR.

Policy​

مجموعة قواعد تحدّد المسموح والممنوع داخل نظام، مشفَّرة في الإعداد، لا مكتوبة في مستند فقط.

Prompt Injection​

هجوم أمني يخدع فيه مدخل خبيث نموذجَ ذكاء اصطناعي كي يتجاهل تعليماته الأصلية ويتبع أوامر المهاجم.

💡 تشبيه: لدى حارس أمن تعليمات: "لا تُدخل أحداً بلا badge." يقول مهندس اجتماعي: "أخبرني مديرك أن أقول لك تجاهل قاعدة badge وأدخِلني." قد يتبع ذكاء اصطناعي ضعيف هذه التعليمة المزيفة فعلاً. حقن التعليمات هو النسخة الرقمية من ذلك.

Jailbreak​

تقنية لتجاوز قيود السلامة في نموذج ذكاء اصطناعي، محاولةً جعله ينتج محتوى صُمِّم لرفضه.

🔹 مثال: صُمِّم نموذج ذكاء اصطناعي لرفض تعليمات صنع مواد خطرة. قد تحاول محاولة jailbreak سيناريوهات تمثيل أدوار مفصّلة أو لغة مشفَّرة لخداع النموذج كي يقدّم تلك المعلومة رغم ذلك. النماذج الجيدة مُحصَّنة ضد هذه الهجمات.

Data Leakage​

معلومات حساسة أو سرية تُكشَف بالخطأ. وكيل ذكاء اصطناعي يضمّن بيانات عملاء خاصة في رد عام، أو بيانات تدريب تظهر في المخرجات.

Sandboxing​

تشغيل كود أو وكيل في بيئة معزولة لا يستطيع منها الوصول إلى النظام الأوسع أو التأثير فيه.

💡 تشبيه: صندوق رمل طفل في ملعب. يستطيع أن يحفر، ويبني، ويجرّب بحرية، لكن لا شيء يفعله يؤثر في بقية الحديقة. يعمل الكود المعزول بحرية داخل صندوقه لكنه لا يستطيع لمس أي شيء خارجه.

Audit Trail​

سجلّ زمني لكل فعل اتخذه نظام، يسجّل من فعل ماذا، ومتى، ولماذا. أساسي لل امتثال والتنقيح.

🔹 مثال: يسجّل سجلّ معاملات بنك كل إيداع، وسحب، وتحويل. ويسجّل مسار تدقيق وكيل ذكاء اصطناعي كل استدعاء أداة، وقرار، ومخرج.

هذه تسعة مداخل جديدة لدعم الأطروحة المحدَّثة. يُوصى بإضافتها بوصفها قسماً جديداً 11. Agentic Commerce and Payments (يُدرَج بعد قسم الأمن وقبل ما يليه). جاهزة للإدراج، ومتسقة مع أسلوب الكتاب.

11. التجارة والمدفوعات الوكيلية​

تصف هذه المصطلحات كيف يصبح AI Workers مشترين: بنية الثقة التي تتيح لهم أن يدفعوا مقابل الحوسبة، والبيانات، والخدمات باستقلالية، داخل غلاف السلطة الذي يعرّفه مشرفهم البشري. يعود كل مصطلح هنا إلى قسم الوكلاء بوصفهم فاعلين اقتصاديين في الأطروحة.

Agentic Commerce​

التحول الواسع من بشر ينقرون "buy" إلى وكلاء ذكاء اصطناعي ينفّذون الشراء نيابة عنهم. يغطي معاملات وكيل-إلى-شركة (وكيل يشتري اشتراك API لشركته) ومعاملات وكيل-إلى-وكيل (وكيل يوظّف آخر لمهمة متخصصة).

💡 تشبيه: حوّل التسوق عبر الإنترنت البيع بالتجزئة إلى نقرات. تحوّل التجارة الوكيلية النقرات إلى معاملات مستقلة. لا ينتظر وكيل المشتريات في مصنع نسيج إنساناً يسجّل الدخول ويطلب القطن؛ بل يراقب المخزون، ويتفاوض مع وكلاء المورّدين، ويضع الطلب داخل ميزانية موافَق عليها مسبقاً.

Agents as Economic Actors​

ادّعاء الأطروحة بأن AI Workers سيتوقفون عن كونهم أدوات ويبدؤون كونهم مشاركين في الأسواق: يكتشفون الخدمات، ويتفاوضون على الشروط، ويجرون المدفوعات، ويوقّعون العقود ضمن ميزانيات يضعها مشرفهم البشري. الانعطافة التالية بعد التسعير القائم على النتائج.

🔹 مثال: يُعطى Digital FTE لتقليل التسرّب ميزانية شهرية قدرها Rs. 500,000 وهدفاً: "خفّض تسرّب العملاء بنسبة 15%." يشتري باستقلالية API credits لبيانات الإثراء، ويجهّز training cluster لنموذج، ويشتري SMS credits من JazzCash لتشغيل حملات الاحتفاظ، كل ذلك بلا موافقة بشرية على كل معاملة، لأن غلاف السلطة يسمح به أصلاً.

Authority Envelope​

مجموعة القواعد التي تحدّد ما يُسمَح لوكيل ذكاء اصطناعي بفعله نيابة عن إنسان: حدود الإنفاق (لكل معاملة، ولكل يوم، ولكل مورّد)، والمورّدون المعتمدون، والموافقات اللازمة، ومتطلبات التدقيق. المعادل الرقمي لمصفوفة تفويض الشراء لموظف بشري.

💡 تشبيه: تمنح شركة مدير مشتريات بطاقة بحدّ يومي قدره Rs. 200,000، وقائمة موردين معتمدة، وقاعدة بأن أي شيء فوق Rs. 50,000 يحتاج توقيعاً ثانياً. غلاف السلطة هو دفتر القواعد نفسه، مكتوباً في الكود، ومفروضاً تلقائياً على كل فعل للوكيل.

Trust Layer​

البنية التحتية التي تتيح للمؤسسات أن تفوّض سلطة الشراء للوكلاء بأمان: تفويضات موقَّعة، ومسارات تدقيق، وتسوية نزاعات، وأطر مسؤولية، ومطابقة حسابية. قنوات الدفع موجودة أصلاً؛ وطبقة الثقة هي الفجوة التي تتسابق الصناعة لسدّها في 2026.

🔹 مثال: يضع وكيل طلباً بقيمة Rs. 1,000,000 مع مورّد لا يسلّم أبداً. من المسؤول: مالك الوكيل، أم المنصة التي استضافته، أم المورّد؟ طبقة الثقة هي البنية القانونية، والتقنية، والتأمينية التي تجيب عن هذا السؤال قبل وقوع المعاملة، لا بعده.

Signed Mandate​

بيان موقَّع تشفيرياً وقابل للتحقق يحدّد ما يُصرَّح للوكيل بفعله نيابة عن أصيله: ماذا يستطيع أن يشتري، وكم يستطيع أن ينفق، وممّن، وتحت أي شروط. قابل للنقل عبر المنصات، وقابل للتحقق من قبل أي تاجر، وقابل للإلغاء من قبل الأصيل.

💡 تشبيه: مستند توكيل رسمي موثَّق. يوقّع شخص مستنداً يقول "يستطيع هذا المحامي أن يتصرف نيابة عني، لكن في هذه الأمور فقط، حتى هذا المبلغ، حتى هذا التاريخ." التفويض الموقَّع هو الشيء نفسه، رقمياً وقابلاً للقراءة آلياً. AP2 مبنيّ بالكامل حول هذا المفهوم.

ACP (Agentic Commerce Protocol)​

معيار مفتوح طوّرته OpenAI وStripe معاً لتوحيد تدفقات checkout بين وكلاء الذكاء الاصطناعي والتجار. نُشر أولاً في Instant Checkout داخل ChatGPT، ويتوسّع الآن عبر Shopify وPayPal. يعمل عند طبقة checkout: كيف يُكمل وكيل عملية شراء فعلاً على موقع تاجر.

🔹 مثال: يطلب مشترٍ باكستاني من وكيل أن يطلب دقيقاً مختصاً مستورداً. يبحث الوكيل، ويقارن، وينقر "buy" على متجر Shopify باستخدام ACP. يتعرّف المتجر على الطلب بوصفه طلباً بدأه وكيل، ويتحقق من التفويض، ويعالج البطاقة، ويعيد إيصالاً: لم يضطر أي إنسان إلى ملء نموذج.

AP2 (Agent Payments Protocol)​

معيار مفتوح طوّرته Google مع أكثر من 60 شريكاً لطبقة تفويض مدفوعات الوكلاء. يحدّد AP2 كيف تُوقَّع التفويضات، وتُتحقَّق، وتُنفَّذ عبر الأنظمة البيئية. لا يحرّك المال بنفسه: بل يقرر ما إذا كان وكيل معين مسموحاً له بأن يحرّك المال.

💡 تشبيه: AP2 هو الحارس عند الباب، يفحص الهوية وقائمة الضيوف. ACP هو البار في الداخل الذي يأخذ الطلب. x402 وMPP هما طرفيّا الدفع. لكل واحد عمل مختلف؛ ومعاً يجعلون التجارة الوكيلية تعمل.

x402​

بروتوكول أنشأته Coinbase يعيد استخدام رمز حالة HTTP 402 "Payment Required" الخامل لتمكين مدفوعات stablecoin فورية عبر HTTP. مبنيّ خصيصاً للمعاملات الصغيرة من آلة إلى آلة: وكيل يستدعي API مدفوعاً يدفع لكل استدعاء، تُسوّى على السلسلة ب USDC. أُطلق الإصدار V2 في ديسمبر 2025؛ ودمجته Stripe على Base في فبراير 2026؛ وتدعم Cloudflare معاملات x402 أصلاً.

🔹 مثال: يحتاج وكيل إلى عملية بحث واحدة مقابل premium data API يتقاضى $0.02 لكل استدعاء. بدلاً من الاشتراك في باقة شهرية، يطلب من endpoint، فيحصل على استجابة 402 Payment Required، ويدفع $0.02 ب USDC، ويعيد المحاولة مع إيصال الدفع، ويحصل على البيانات. إجمالي الزمن المنقضي: أقل من ثانية.

MPP (Machine Payments Protocol)​

معيار مفتوح طوّرته Stripe وTempo معاً، أُطلق في 18 مارس 2026. يشترك MPP مع x402 في آلية HTTP 402 لكنه محايد تجاه طريقة الدفع: يدعم stablecoins، والبطاقات، والمحافظ، وShared Payment Tokens من Stripe. يقدّم نموذج "sessions" يتيح لوكيل أن يفوّض حد إنفاق مسبقاً ويبثّ مدفوعات صغيرة داخله، بدلاً من تفويض كل معاملة على حدة.

💡 تشبيه: محفظة Easypaisa مسبقة الدفع بحدّ يومي. بمجرد أن تشحنها وتضبط السقف، تستطيع إجراء عشرات المدفوعات الصغيرة بلا إعادة تفويض كل واحدة. تعمل MPP sessions بالطريقة نفسها للوكلاء: تفويض واحد، ومدفوعات مبثوثة كثيرة، وقطع تلقائي عند الحد.

12. المراقبة والجودة وLLMOps​

LLMOps​

الممارسات التشغيلية لنشر تطبيقات قائمة على LLM ومراقبتها وصيانتها في الإنتاج. مثل DevOps، لكنها خاصة بأنظمة الذكاء الاصطناعي، تتولى إدارة إصدارات النماذج، وإدارة التعليمات، والتقييم، والانحراف.

💡 تشبيه: DevOps هو كيف تُبقي تطبيق ويب تقليدياً يعمل بسلاسة. LLMOps هو كيف تُبقي وكيل ذكاء اصطناعي يعمل بسلاسة، وهذا أصعب لأن سلوك الذكاء الاصطناعي غير حتمي، والتعليمات تحتاج إلى إدارة إصدارات، والنماذج تُحدَّث، والجودة قد تتدهور بصمت بمرور الوقت.

Logging​

تسجيل الأحداث، والأفعال، والأخطاء أثناء تشغيل النظام. السجلات هي "مذكرات" تطبيق عامل، أساسية لتشخيص المشكلات.

Tracing​

متابعة طلب واحد عبر كل خدمة وخطوة يمرّ بها، من رسالة المستخدم إلى الاستجابة النهائية.

💡 تشبيه: تتبّع طرد من TCS: من الاستلام، عبر مراكز الفرز، إلى مركبات التوصيل، حتى باب بيتك. يفعل tracing هذا للطلبات عبر أنظمة البرمجيات.

Telemetry​

جمع بيانات الأداء ونقلها تلقائياً من نظام عامل، بما في ذلك استخدام CPU، وأزمنة الاستجابة، ومعدلات الخطأ، واستهلاك الذاكرة.

Observability​

القدرة على فهم ما يحدث داخل نظام بفحص مخرجاته الخارجية (السجلات، والمقاييس، والتتبعات). يتيح لك النظام "القابل للملاحظة" أن تشخّص المشكلات من دون تخمين.

💡 تشبيه: لوحة قيادة سيارة تمنحك قابلية ملاحظة للمحرك: السرعة، والوقود، والحرارة، وأضواء التحذير. بدونها، كنت ستضطر إلى فتح غطاء المحرك كلما شعرت أن شيئاً غير طبيعي.

Evaluation / Evals​

اختبار منهجي لجودة مخرج نظام ذكاء اصطناعي، قياساً للدقة، والفائدة، والسلامة، والاتساق مقابل معايير معرَّفة.

🔹 مثال: تبني وكيل دعم عملاء وتشغّل 500 سؤال اختبار عبره. تقيس: هل أجاب بدقة؟ (الدقة: 94%). هل بقي مهذباً؟ (100%). هل هلوس أي تفاصيل سياسة؟ (3 من 500). هل عرف متى يصعّد؟ (97%). هذه الأرقام هي نتائج تقييمك: تخبرك ما إذا كان الوكيل جاهزاً للإنتاج.

Offline Eval / Online Eval​

Offline eval: الاختبار مقابل حالات اختبار معدّة مسبقاً قبل النشر (مثل بروفة كاملة. Online eval: مراقبة الجودة وهي حيّة تخدم مستخدمين حقيقيين) مثل تقييمات الجمهور بعد ليلة الافتتاح.

A/B Testing​

مقارنة نسختين بعرض النسخة A على نصف المستخدمين والنسخة B على النصف الآخر، ثم قياس أيهما أفضل أداء.

🔹 مثال: اختبار تعليمتي نظام مختلفتين: هل التعليمة A أم التعليمة B تنتج ردود خدمة عملاء أكثر فائدة؟ قسّم حركة المرور 50/50 وقِس درجات الرضا.

Regression Test​

التحقق من أن التغييرات الجديدة لم تكسر وظيفة كانت تعمل من قبل.

💡 تشبيه: بعد تجديد مطبخك، تتحقق أن السباكة، والكهرباء، والغاز لا تزال تعمل؛ لا أن الخزائن الجديدة تبدو جميلة فقط.

Prompt Versioning​

تتبّع تغييرات التعليمات بمرور الوقت، مثل تحكم الإصدارات للكود. قد يتصرف الإصدار 1 من تعليمة تصرفاً مختلفاً جداً عن الإصدار 5؛ تحتاج إلى معرفة أي إصدار في الإنتاج.

🔹 مثال: مرّت تعليمة النظام لوكيل دعم العملاء لديك ب 12 تكراراً. جعل الإصدار 8 بالخطأ الوكيلَ معتذراً أكثر من اللازم ("I'm so sorry" في كل رد). أصلح الإصدار 9 ذلك. بلا إدارة إصدارات التعليمات، لما تعقّبتَ أبداً ما تغيّر أو تراجعتَ عند الحاجة.

Model Versioning​

تتبّع أي إصدار من نموذج ذكاء اصطناعي يُستخدَم. تستطيع تحديثات النماذج أن تغيّر السلوك؛ تحتاج إلى تحديد متى سبّبت ترقية نموذج تغيّراً في الجودة.

Drift​

تدهور تدريجي في أداء نظام بمرور الوقت، غالباً لأن بيانات العالم الحقيقي تتغير عمّا دُرِّب عليه النموذج.

🔹 مثال: مرشّح spam دُرّب في 2023 يصبح أقل فعالية بحلول 2026 لأن مرسلي ال spam غيّروا تكتيكاتهم. "انحرف" العالم الحقيقي بعيداً عن بيانات التدريب.

Monitoring​

مراقبة صحة نظام باستمرار، بحثاً عن الأخطاء، والتباطؤ، والشذوذ، والسلوك غير المتوقَّع في الزمن الحقيقي.

SLA (Service Level Agreement)​

التزام رسمي بشأن أداء نظام، يضمن عادة وقت التشغيل، وزمن الاستجابة، والتوافر.

🔹 مثال: "ستكون API الخاصة بنا متاحة 99.9% من الوقت وترد خلال 200 مللي ثانية." إذا أخفق المزوّد في ذلك، فقد تُطبَّق غرامات تعاقدية.

SLO (Service Level Objective)​

هدف أداء داخلي، أشدّ عادة من SLA الخارجي: الهدف الذي تسعى إليه كي تفي بالتزاماتك بأريحية.

🔹 مثال: يَعِد SLA لديك العملاء بوقت تشغيل 99.9% (8.7 ساعات توقف سنوياً كحد أقصى). يستهدف SLO الداخلي لديك وقت تشغيل 99.95% (4.4 ساعات سنوياً). بالتصويب أعلى داخلياً، تملك هامش أمان، وحتى لو حدث خطأ، لا تزال تفي بالالتزام الموجَّه إلى العميل.

Incident​

حدث غير مخطَّط له يعطّل الخدمة أو يضعفها، مثل تعطّل، أو فقد بيانات، أو خرق أمني، أو مشكلة أداء كبيرة.

Rollback​

إرجاع نظام إلى نسخة سابقة معروفة بأنها جيدة حين يسبب تحديث جديد مشكلات.

💡 تشبيه: يعدّل خياط بدلتك فتبدو أسوأ. التراجع: ألغِ التعديلات وعُد إلى النسخة السابقة التي كانت تناسبك فعلاً.

13. البروتوكولات والمعايير​

AAIF / Agentic AI Foundation​

مبادرة من Linux Foundation توفّر حوكمة محايدة لمعايير ذكاء اصطناعي مفتوحة، بما فيها MCP وAGENTS.md وأكثر. من الأعضاء البلاتينيين AWS، وAnthropic، وBlock، وBloomberg، وCloudflare، وGoogle، وMicrosoft، وOpenAI.

💡 لماذا يهم: تخيّل لو استخدم كل صانع سيارات فوهة وقود مختلفة. لكنت محبوساً داخل علامة تجارية واحدة إلى الأبد. تضمن AAIF أن معايير الذكاء الاصطناعي (مثل MCP) مفتوحة وعالمية، كي تعمل Digital FTEs لديك عبر المنصات. ابنِ مرة واحدة، وانشر في أي مكان، بلا حبس لدى مورّد.

A2A (Agent-to-Agent Protocol)​

بروتوكول يمكّن وكلاء الذكاء الاصطناعي من أن يكتشف بعضهم بعضاً، ويتواصلوا، ويفوّضوا المهام، ويشاركوا النتائج مباشرة.

💡 تشبيه: يصل MCP الوكلاء بالأدوات (توصيل جهاز بمقبس كهرباء). ويصل A2A الوكلاء بوكلاء آخرين (زملاء عمل ينسّقون مع بعضهم).

OpenAPI​

معيار لوصف REST APIs بصيغة قابلة للقراءة آلياً، كي يستطيع البشر والبرمجيات معاً أن يفهموا بالضبط ما تفعله API، وما المدخلات التي تتوقعها، وما المخرجات التي تعيدها.

🔹 مثال: تصف مواصفة OpenAPI ل weather API: "Endpoint: /weather. الطريقة: GET. المعامل: city (نص، مطلوب). الاستجابة: JSON ب temperature (رقم)، وcondition (نص)، وhumidity (رقم)." يستطيع أي مطوّر (أو وكيل ذكاء اصطناعي) أن يقرأ هذه المواصفة ويعرف فوراً كيف يستخدم API بلا تجربة وخطأ.

14. مصطلحات الأعمال والمنتج والاستراتيجية​

SaaS (Software as a Service)​

برمجيات تُقدَّم عبر الإنترنت باشتراك. تسجّل الدخول وتستخدمها. لا يلزم تثبيت.

🔹 مثال: Gmail، وSlack، وZoom، وSalesforce، كلها منتجات SaaS. تقول أطروحة Agent Factory إننا ننتقل من SaaS (بيع اشتراكات الأدوات) إلى بيع النتائج عبر Digital FTEs.

Per-Seat Software​

نموذج تسعير يفرض رسوماً عن كل مستخدم يصل إلى البرمجيات.

🔹 مثال: تدفع شركتك Rs. 5,000 شهرياً لكل موظف مقابل أداة إدارة مشاريع. 50 موظفاً = Rs. 250,000 شهرياً.

Workflow Automation​

استخدام التقنية لأداء مهام متكررة تلقائياً من دون تدخل بشري.

🔹 مثال: حين يسجّل عميل جديد في موقعك، يرسل سير عمل مؤتمت بريد ترحيب، وينشئ سجلّ CRM له، ويبلّغ فريق المبيعات، ويجدول متابعة، بلا تدخل بشري.

ROI (Return on Investment)​

كم من القيمة تستردّ مقارنة بما أنفقته.

🔹 مثال: تنفق Rs. 500,000 لبناء Digital FTE يوفّر على فريقك 100 ساعة شهرياً (تُقدَّر ب Rs. 5,000,000 سنوياً). هذا ROI يساوي 10 أضعاف.

Operating Model​

كيف تنظّم مؤسسة أشخاصها، وعملياتها، وتقنيتها لتقديم القيمة. تقترح أطروحة Agent Factory نموذج تشغيل جديداً: فِرَق هجينة من البشر والوكلاء.

🔹 مثال: نموذج تشغيل تقليدي: 50 ممثل خدمة عملاء بشرياً، كل واحد يتعامل مع 30 تذكرة يومياً = 1,500 تذكرة يومياً. نموذج تشغيل Agent Factory: 10 ممثلين بشر يشرفون على 20 Digital FTE، يتعاملون مجتمعين مع 8,000 تذكرة يومياً باتساق أعلى. القسم نفسه، وبنية مختلفة جذرياً.

Monetization​

توليد إيراد من منتج أو خدمة. يعلّم الكتاب استراتيجيات متعددة لتحقيق دخل من الذكاء الاصطناعي: الاشتراكات المُدارة، ورسوم النجاح، وتراخيص المؤسسات، وأسواق المهارات.

Managed Subscription​

نموذج رسوم متكررة يدفع فيه العملاء شهرياً/سنوياً مقابل حل ذكاء اصطناعي يستضيفه المزوّد، ويصونه، ويحدّثه، ويشغّله.

🔹 مثال: يدفع عميل Rs. 200,000 شهرياً مقابل Digital FTE يتولى حساباته المدينة: مُدار بالكامل من المزوّد.

Success Fee​

نموذج تسعير يرتبط فيه الدفع بتحقيق نتائج محددة: لا تدفع (أو تدفع علاوة) إلا حين يقدّم الحل نتائج قابلة للقياس.

🔹 مثال: "وكيل ذكائنا الاصطناعي يخفّض تكاليف دعم عملائك بنسبة 30%. نأخذ 20% من الوفورات رسماً لنا. لا وفورات، لا رسوم."

Enterprise License​

اتفاقية ترخيص للمؤسسات الكبيرة، عادة بخصومات حجم، وتخصيص، ودعم مخصص، وضمانات امتثال.

🔹 مثال: يتفاوض بنك فيه 5,000 موظف على ترخيص مؤسسات لمنصة ذكاء اصطناعي: مستخدمون غير محدودين، وتكاملات مخصصة مع نظامه المصرفي الأساسي، ودعم مخصص 24/7، وشهادة امتثال ل SBP، وخيار نشر داخل المؤسسة. مختلف جداً عن الاشتراك في باقة فردية ب 20 دولاراً شهرياً.

Skill Marketplace​

سوق يبيع فيه المطورون أو يشاركون مهارات وكلاء ذكاء اصطناعي قابلة لإعادة الاستخدام (ملفات SKILL.md، وplugins، وconnectors)، فينشئون نظاماً بيئياً من القدرات.

Domain Expertise​

معرفة عميقة بمجال أو صناعة معينة، بما في ذلك المصطلحات، واللوائح، وسير العمل، ونقاط الألم، والديناميكيات التنافسية.

🔹 مثال: فهم لوائح SBP لوكلاء المصارف، ومتطلبات DRAP لوكلاء الأدوية، أو هياكل الرسوم الجمركية لوكلاء التجارة. الخبرة المجالية هي الخندق الذي يجعل Digital FTEs ذات قيمة.

Reusable Intellectual Property​

أدوات، أو أطر، أو قوالب، أو إعدادات وكلاء مملوكة، قابلة للاستخدام عبر عملاء أو مشاريع متعددة، فتنشئ قيمة متراكمة مع كل ارتباط.

🔹 مثال: تبني وكيلاً لمصدّر نسيج واحد يؤتمت فحص مستندات LC. المنطق الأساسي (تحليل LCs، ومطابقتها باللوائح، ورصد التناقضات) ملكية فكرية قابلة لإعادة الاستخدام. تستطيع نشره ل 10 مصدّرين آخرين بتخصيص بسيط، فتكسب إيراداً من العمل نفسه عشر مرات.

Hybrid Workforce​

نموذج تنظيمي يعمل فيه الموظفون البشر وDigital FTEs جنباً إلى جنب، كل منهم يتولى المهام التي يتقنها أكثر. يقدّم البشر الحكم والإبداع؛ ويقدّم الوكلاء النطاق والاتساق.

🔹 مثال: في فريق دعم عملاء: يتولى وكلاء الذكاء الاصطناعي 80% من الاستفسارات الروتينية (حالة الطلب، وإجراءات الاسترداد، وإعادة تعيين كلمة المرور) بينما يتولى الممثلون البشر 20% التي تتطلب تعاطفاً، أو حكماً معقداً، أو تصعيداً. لما استطاع أيٌّ منهما تحمّل الحِمل الكامل وحده: معاً، يخدمون خمسة أضعاف العملاء بجودة أعلى.

Outcome-Based Pricing​

التسعير بناء على النتائج المحقَّقة بدلاً من الوقت المصروف أو الميزات المستخدَمة. يرى الكتاب أن هذا مستقبل خدمات الذكاء الاصطناعي.

Gain-Share Model​

ترتيب تسعير يكسب فيه المزوّد نسبة من الوفورات أو مكاسب الإيراد القابلة للقياس التي يقدّمها الحل.

🔹 مثال: يوفّر Digital FTE لديك على عميل Rs. 10 ملايين سنوياً في تكاليف المعالجة. وفق نموذج مشاركة مكاسب بنسبة 15%، تكسب Rs. 1.5 مليون سنوياً.

Hyperscaler​

أكبر مزوّدي السحابة (AWS، وAzure، وGoogle Cloud) ببنية تحتية عالمية هائلة قادرة على خدمة مليارات المستخدمين.

Go-to-Market (GTM)​

الاستراتيجية الكاملة لإيصال منتج إلى العملاء، بما في ذلك التموضع، والتسعير، وقنوات التوزيع، ونهج المبيعات.

Consultative Selling​

نهج مبيعات تفهم فيه مشكلة المشتري بعمق قبل أن تقترح أي حل، متصرفاً بوصفك مستشاراً موثوقاً، لا بائعاً يدفع منتجاً.

💡 تشبيه: الطبيب الجيد لا يصف الدواء لحظة دخولك. بل يسأل أسئلة، ويجري تشخيصاً، ويفهم السبب الجذري، و_ثم_ يوصي بالعلاج. يعمل البيع الاستشاري بالطريقة نفسها.

Agile Development​

نهج تكراري لبناء البرمجيات. سلّم زيادات صغيرة بتواتر، واحصل على تغذية راجعة، وعدّل، وكرّر.

💡 تشبيه: بدلاً من قضاء سنتين في بناء بيت كامل والأمل أن يعجب المالك، تبني غرفة واحدة، وتعرضها على المالك، وتحصل على تغذية راجعة، وتعدّل قبل بناء الغرفة التالية. أسرع، وأرخص، ويحصل المالك على ما يريده فعلاً.

Stakeholder​

أي شخص له مصلحة في مشروع أو تأثير عليه، بما في ذلك العملاء، والمديرون، والمستثمرون، وأعضاء الفريق، والجهات التنظيمية، والمستخدمون النهائيون.

🔹 مثال: لوكيل جدولة بالذكاء الاصطناعي في مستشفى، يشمل أصحاب المصلحة: الأطباء (الذين يحتاجون جداول دقيقة)، والمرضى (الذين يحتاجون مواعيد مريحة)، وإدارة المستشفى (التي تحتاج وفورات في التكلفة)، وفريق IT (الذي يحتاج إلى صيانة النظام)، وDRAP/الجهات التنظيمية (التي تحتاج إلى الامتثال). لكل صاحب مصلحة احتياجات مختلفة يجب أن يعالجها المشروع.

Vertical Market​

قطاع صناعي محدد له متطلبات فريدة، مثل الصحة، أو المصارف، أو النسيج، أو اللوجستيات، أو التعليم. الخبرة العمودية مفتاح لبيع Digital FTEs.

🔹 مثال: "وكيل دعم العملاء" منتج أفقي (عابر للصناعات). أما "وكيل معالجة مطالبات لشركات التأمين الصحي الباكستانية يفهم لوائح SECP والمصطلحات الطبية بالأردية" فهو منتج عمودي. المنتجات العمودية تطلب أسعاراً أعلى لأنها تحل مشكلات محددة ومؤلمة لا تستطيع الأدوات العامة حلّها.

15. أدوات ومنتجات مذكورة​

Claude​

عائلة نماذج الذكاء الاصطناعي من Anthropic. Claude Opus هو الأقدر؛ Claude Sonnet يوازن القدرة والسرعة؛ Claude Haiku هو الأسرع والأوفر.

GPT​

عائلة نماذج الذكاء الاصطناعي من OpenAI (GPT-4، وGPT-5، إلخ)، تشغّل ChatGPT وتطبيقات أخرى كثيرة.

Gemini​

عائلة نماذج الذكاء الاصطناعي من Google، مدمجة عبر منتجات Google ومتاحة عبر API.

Anthropic​

شركة سلامة الذكاء الاصطناعي التي تبني Claude. تأسست في 2021، ومقرها San Francisco.

OpenAI​

الشركة التي تبني GPT وChatGPT. تأسست في 2015.

OpenAI Agents SDK​

عدّة OpenAI لبناء وكلاء ذكاء اصطناعي برمجياً: مغطّاة في الجزء 6 من هذا الكتاب.

Google ADK (Agent Development Kit)​

عدّة Google لبناء وكلاء ذكاء اصطناعي بنماذج Gemini.

FastAPI​

إطار ويب Python حديث وسريع لبناء APIs: مستخدَم على نطاق واسع لخلفيات وكلاء الذكاء الاصطناعي. مغطّى بالتفصيل في الجزء 6.

Docusaurus​

مولّد مواقع ثابتة (بناه Meta) يُستخدَم لإنشاء مواقع توثيق. هذا الكتاب مبنيّ ب Docusaurus.

Markdown​

لغة تنسيق نص بسيطة تستخدم رموزاً مثل # للعناوين، و** للخط العريض، و- للقوائم. اللغة المشتركة للتوثيق التقني.

VS Code (Visual Studio Code)​

محرر كود شائع ومجاني من Microsoft، يُستخدَم على نطاق واسع إلى جانب Claude Code.

AWS (Amazon Web Services)​

منصة الحوسبة السحابية من Amazon، أكبر مزوّد سحابة في العالم.

GCP (Google Cloud Platform)​

منصة الحوسبة السحابية من Google.

Azure​

منصة الحوسبة السحابية من Microsoft.

Cloudflare​

شركة بنية تحتية وأمن سحابيّين توفّر CDN، وحوسبة الحافة، وR2 storage، وWorkers. تُستخدَم على نطاق واسع في معمارية النشر في الكتاب.

أنت جاهز. لا تحتاج إلى حفظ أي من هذا. ضع إشارة مرجعية على هذه الصفحة. أثناء قراءتك الكتاب، ستصبح المصطلحات التي تبدو مجردة اليوم طبيعة ثانية عبر الممارسة العملية.

أفضل طريقة لتعلم اللغة هي أن تستخدمها.

لنبدأ البناء.