مسرد مصطلحات الذكاء الاصطناعي للمبتدئين
لا تحتاج إلى شهادة في علوم الحاسوب لقراءة هذا الكتاب. لكنك تحتاج إلى فهم لغته. يعرّف هذا المسرد كل مصطلح مهم ستقابله، بلغة واضحة، وأمثلة من الحياة، وتشبيهات قريبة.
كيف تستخدم هذه الصفحة: ابدأ بقسم أهم 30 مصطلحاً يجب أن تعرفها أولاً؛ فهذه المصطلحات تظهر في معظم صفحات الكتاب. ثم استخدم المسرد الكامل كمرجع. جُمعت المصطلحات حسب الموضوع، مع مفردات الكتاب الخاصة أولاً. استخدم
Ctrl+F(أوCmd+Fعلى Mac) للبحث عن أي مصطلح.
مشهد الذكاء الاصطناعي في لمحة
قبل الدخول في المصطلحات واحداً واحداً، هذا هو ارتباط المفاهيم الكبرى ببعضها:
أهم 30 مصطلحاً يجب أن تعرفها أولاً
تظهر هذه المصطلحات في معظم الصفحات. اقرأها قبل فتح الفصل 1.
ملاحظة: مصطلحات الوكلاء كمشترين، 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 تحتاج عادة إلى ذكاء بشري.
🔹 عندما يتنبأ هاتفك بالكلمة التالية التي ستكتبها، فهذا ذكاء اصطناعي.
2. LLM (Large Language Model): نظام ذكاء اصطناعي ضخم دُرب على مليارات الصفحات من النص، ويستطيع فهم اللغة البشرية والكود وتوليدهما. Claude وGPT وGemini كلها LLMs.
💡 تخيل LLM كمساعد بحث قرأ كل كتاب في أكبر مكتبة في العالم. تسأله، 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 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 "خفض تسرب العملاء 15%"، فيبحث، ويخطط، وينفذ، ويرفع تقريراً، ويتخذ قرارات أثناء الطريق.
5. Digital FTE (Digital Full-Time Equivalent): "موظف ذكاء اصطناعي" ينجز العمل المستمر لموظف بشري بدوام كامل، 24/7، بجزء من الكلفة. يُسمى في الأطروحة أيضاً AI Worker: الدور نفسه بلغة مختلفة.
🔹 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 عملية تقودها المواصفات، ويشرف عليها البشر، وتعمل بقوة Claude Code، لتصميم AI Workers وتصنيعهم ونشرهم. ليست منتجاً تشتريه؛ بل ممارسة تعتمدها. تبني Agent Factory الشركة المعتمدة أصلاً على الذكاء الاصطناعي، وهذه الشركة توظف Digital FTEs.
💡 مثل خط التجميع: تؤدي كل محطة مهمة متخصصة، وتتحرك الأجزاء بالترتيب، وما يخرج في النهاية منتج مكتمل حسب المواصفة. تصنّع Agent Factory موظفي الذكاء الاصطناعي.
7. Prompt: التعليمة أو السؤال الذي تكتبه لنموذج ذكاء اصطناعي.
🔹 "لخص هذا التقرير في ثلاث نقاط" هو prompt. وكلما كان prompt أفضل، كانت الإجابة أفضل.
8. Context Window: "الذاكرة العاملة" للذكاء الاصطناعي: مقدار النص الذي يستطيع قراءته والتفكير فيه مرة واحدة.
💡 نافذة سياق صغيرة مثل مكتب صغير لا يتسع إلا لبضع صفحات. نافذة Claude الكبيرة مثل طاولة اجتماع واسعة تستطيع وضع رواية كاملة عليها مرة واحدة.
9. Token: الوحدة الأساسية من النص التي يقرأها LLM. تقارب ثلاثة أرباع كلمة. "I love biryani" تقارب 4 tokens.
🔹 تدفع حسب token عند استخدام AI APIs. صفحة نص كاملة تقارب 500-700 tokens.
10. Hallucination: عندما يولد الذكاء الاصطناعي شيئاً غير صحيح بثقة.
🔹 تسأله عن حكم لمحكمة عليا، فيخترع حكماً ورقماً مرجعياً وهميين ويقدمهما كحقيقة.
11. Spec (Specification): مخطط تفصيلي يصف بالضبط ما تريد بناءه: الأهداف، والمدخلات، والمخرجات، والقيود.
💡 مثل مخطط المعماري للبيت. لا يبدأ البنّاء بالتخمين. في تطوير الذكاء الاصطناعي، spec هي الخطة.
12. Spec-Driven Development (SDD): اكتب المخطط أولاً، ثم دع الذكاء الاصطناعي يولد الكود والاختبارات والتوثيق من ذلك المخطط.
🔹 تكتب: "ابنِ API لمكتبة كتب مع endpoints للعرض، والإضافة، والبحث، والحذف." فيولد 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، ويولد وحدة auth، ويكتب الاختبارات، ويدمج كل شيء.
14. Cowork: وكيل سطح المكتب من Anthropic لمهام المعرفة غير البرمجية: المستندات، والبحث، وإدارة الملفات.
🔹 "نظم مجلد Downloads حسب المشروع ولخص كل ملفات PDF لهذا الشهر." ينجز Cowork ذلك بينما تركز أنت على غيره.
15. MCP (Model Context Protocol): معيار عالمي يسمح لأي وكيل ذكاء اصطناعي بالاتصال بأي أداة خارجية: قواعد بيانات، وبريد، وتقويمات، وأنظمة ملفات. MCP هو بروتوكول استدعاء الأدوات. أما بروتوكولات 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 بالاتصال بأي أداة.
16. API (Application Programming Interface): قواعد تسمح لبرامج مختلفة بالتحدث إلى بعضها. APIs هي طريقة تفاعل الوكلاء مع العالم الخارجي.
💡 قائمة الطعام في مطعم تشبه API. تنظر إلى القائمة، وتطلب، ويجهز المطبخ طلبك، ويعود الرد إليك.
17. SDK (Software Development Kit): عدة أدوات جاهزة لبناء تطبيقات على منصة معينة.
💡 SDK مثل مجموعة LEGO: قطع جاهزة وتعليمات 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 يسجل كل تغيير في كودك: من غير ماذا، ومتى، ولماذا. تستطيع الرجوع دائماً 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، جهاز زميلك، أو خادم سحابي.
💡 مثل حاوية شحن. سواء كانت على شاحنة في Karachi أو على سفينة في البحر، تبقى المحتويات داخلها متطابقة ومعزولة.
21. Context Engineering: تصميم بيئة المعلومات الكاملة التي يتلقاها الوكيل. إنها المهارة الأولى التي تفرق بين وكيل يباع ب 2,000 دولار شهرياً وآخر لا يريده أحد.
💡 لدى مصنع Toyota ضوابط جودة تضمن مطابقة كل سيارة للمواصفات. هندسة السياق هي ضبط الجودة لوكلاء الذكاء الاصطناعي.
22. Tool Use: قدرة الوكيل على استخدام أدوات خارجية، مثل البحث في الويب، أو الاستعلام عن قاعدة بيانات، أو إرسال بريد، بدلاً من الإجابة من الذاكرة فقط.
🔹 تسأل: "ما الطقس في Karachi؟" الوكيل ذو استخدام الأدوات يفحص خدمة طقس حية؛ وبدون الأدوات سيخمن.
23. Guardrails: قيود أمان تمنع الوكيل من فعل ما لا ينبغي له فعله.
🔹 وكيل مالي لديه guardrail: لا معاملات فوق Rs. 5,000,000 بلا موافقة بشرية.
24. RAG (Retrieval-Augmented Generation): منح الذكاء الاصطناعي وصولاً إلى مستندات خارجية كي يجيب من حقائق، لا من ذاكرة قد تكون خاطئة.
💡 مثل امتحان بكتاب مفتوح بدلاً من امتحان بكتاب مغلق. يبحث الذكاء الاصطناعي في مستنداتك قبل الإجابة.
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." تُحمّل في كل تفاعل.
27. Orchestration: تنسيق عدة وكلاء ليعملوا معاً على مهمة.
💡 قائد فريق cricket يضع اللاعبين، وينظم التبديلات، ويعدل الخطة. لا يفعل كل شيء بنفسه؛ بل ينسق المتخصصين نحو هدف مشترك.
28. Stateless: ينسى الذكاء الاصطناعي كل شيء بين المحادثات. تبدأ كل محادثة جديدة من الصفر الكامل.
💡 صاحب متجر مصاب بفقدان ذاكرة: كلما دخلت يرحب بك كغريب، حتى لو كنت عنده قبل خمس دقائق. تطبيقات المحادثة تصنع وهم الذاكرة بإرسال سجل المحادثة كله كل مرة.
29. Deployment: جعل تطبيقك حياً ومتاحاً للمستخدمين الحقيقيين على الإنترنت.
🔹 يعمل تطبيقك على حاسوبك. يضعه deployment على خادم سحابي كي يستخدمه 10,000 شخص في الوقت نفسه.
30. CI/CD (Continuous Integration / Continuous Delivery): اختبار الكود ونشره تلقائياً كلما أجرى مطور تغييراً.
🔹 يدفع مطور الكود الساعة 2 PM. تعمل الاختبارات تلقائياً في 3 دقائق. تمر كلها. تصبح النسخة الجديدة حية عند 2:10 PM بلا خطوات يدوية.
المعمارية: مكدس وقت التشغيل
تسمي هذه المصطلحات مكونات الشركة المعتمدة أصلاً على الذكاء الاصطناعي التي تنتجها Agent Factory. تظهر في فصول المعمارية والأطروحة. اقرأها هنا مرة؛ ستقابلها في كل بناء.
💡 كيف تتركب الأجزاء: Agent Factory (العملية) تبني AI-Native Company (المخرج). داخل الشركة، يحدد البشر الاتجاه من Edge Layer، وينفذ Digital FTEs في AI Workforce Layer. يدير Paperclip القوة العاملة. يعمل كل Digital FTE على محرك وقت تشغيل يختاره. وتوقظ triggers النظام من العالم الخارجي.
AI Worker
القوة العاملة في AI-Native Company. وكلاء قائمون على أدوار، يُوظفون، وتُسند إليهم المهام، ويُدرجون، ويُحالون إلى التقاعد. هو المفهوم نفسه ل Digital FTE وDigital Worker: تستخدم الأطروحة AI Worker ويستخدم الكتاب Digital FTE. اختر المصطلح الأنسب لجمهورك.
📌 القوة العاملة مقابل العناصر الدائمة: AI Workers وحدهم هم القوة العاملة. المندوب (OpenClaw) والمدير (Paperclip) عناصر دائمة، لا قوة عاملة. محركات وقت التشغيل ليست موظفين أصلاً؛ بل ما تعمل عليه القوة العاملة. عندما تقول الأطروحة agent فهي تعني أي طرف في المبنى، ثابتاً كان أو عاملاً. وعندما تقول AI Worker فهي تقصد القوة العاملة تحديداً.
🔹 مثال: AI Worker لفرز السير الذاتية يقرأ 200 سيرة يومياً، ويقيمها مقابل مواصفة وظيفة، ويسلم أفضل 10 إلى مسؤول توظيف بشري.
AI-Native Company
مخرج Agent Factory. مؤسسة عاملة مزودة ب AI Workers، ومنسقة بطبقة إدارة، وموجهة بالبشر عند الحافة. هذه هي الشركة التي ينتهي بك الأمر إلى تشغيلها. يسميها الكتاب أيضاً Agentic Enterprise، وهو الاسم نفسه بواجهة أعمال.
💡 تشبيه: Agent Factory هي طريقة بناء ناطحات السحاب. AI-Native Company هي ناطحة السحاب التي تنتجها الطريقة، أي الشيء الذي تديره فعلاً.
📌 الثلاثية: Agent Factory (عملية) → AI-Native Company (مخرج) → AI Workers (القوة العاملة داخل المخرج). ثلاثة مصطلحات وثلاثة أدوار مختلفة. ليست قابلة للتبادل.
Two-Layer Model
النمط المعماري الذي يكمل أطروحة Agent Factory: يحدد البشر القصد من Edge Layer، وينفذ AI Workers في AI Workforce Layer، وتكون المواصفات لغة العقد بينهما.
🔹 مثال: يطلب CEO من مندوب OpenClaw لديه (Edge Layer) تشغيل تقرير تسرب العملاء الأسبوعي. يسلم المندوب المهمة إلى Digital FTE في AI Workforce Layer، فيسحب البيانات ويولد التقرير ويعيده عبر المندوب إلى CEO للتحقق.
Principal
الإنسان في قمة مكدس 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.
🔹 مثال: يكتب CFO مواصفة: "خفض عمر الحسابات المدينة بنسبة 20% ضمن ميزانية 30K دولار، من دون تغيير شروط الدفع." تحمل هذه المواصفة القصد والميزانية والقيود في صورة ملموسة.
📌 ما الذي يمكن أن يستبدله: لا شيء. قد تتغير تنفيذات كل طبقة أخرى، أما طبقة الأصيل فغير قابلة للنقل.
Edge Layer
طبقة في AI-Native Company تخدم الإنسان الفرد. لكل إنسان وكيل واحد عند الحافة: وكيل identic شخصي مثل OpenClaw يعرف سياقه، ويتحدث باسمه، ويفوض العمل إلى الأسفل.
💡 تشبيه: Edge Layer طابق رؤساء الطواقم. وكيل واحد لكل مدير تنفيذي، يمثله عبر الشركة.
AI Workforce Layer
طبقة في AI-Native Company تخدم المؤسسة. هنا يعيش AI Workers وينفذون، تحت إدارة Paperclip، وعلى محركات وقت تشغيل، وبالتنسيق عبر المواصفات.
💡 تشبيه: AI Workforce Layer هي أرضية الإنتاج. Digital FTEs كثيرون، كل واحد يؤدي عملاً متخصصاً، وتنسقهم طبقة الإدارة.
Delegate
الوكيل الشخصي في Edge Layer الذي يحمل سياق الأصيل، ويمثل حكمه، ويحمل غلاف سلطته، ويتوسط كل العمل اللاحق نيابة عنه. هذا هو الثابت 2. بلا مندوب يعود الاختناق البشري وينهار التوسع إلى سرعة الكتابة. OpenClaw هو التنفيذ المرجعي؛ وأي وكيل شخصي يتحدث MCP ويحمل الهوية والسياق والسلطة يفي بالثابت.
💡 تشبيه: رئيس طاقم CEO: يعرف الأولويات، ويتحدث باسم CEO، ويوجه 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 delegate عند Edge Layer: وكيل "رئيس الطاقم" الذي يمثل الإنسان، ويعرف سياقه، ويتحدث باسمه. يحتاج كل إنسان في AI-Native Company إلى مندوب؛ وOpenClaw هو طريقة بنائه هنا.
🔹 مثال: عندما تطلب من OpenClaw: "لخص أسبوعي واكتب ثلاث أولويات للاثنين"، يسحب من التقويم والبريد وSlack ضمن الأذونات، ويولد إجابة بصوتك، وينتظر موافقتك قبل تنفيذ أي شيء.
انظر أيضاً: مدخل OpenClaw السابق في المسرد للإطار نفسه.
Manager (Management Plane)
المنسق الذي يحول كومة AI Workers إلى قوة عاملة: يسند العمل، ويفرض الميزانيات، ويوافق على التحركات الخطرة، ويدقق التنفيذ، ويحفظ الدفتر، ويكشف التوظيف ك API قابل للاستدعاء. هذا هو الثابت 3. بلا مدير، تصطدم الوكلاء وتتسرب الميزانيات ولا يستطيع أحد معرفة كلفة القوة العاملة أو إنتاجها. Paperclip هو التنفيذ المرجعي؛ وأي منسق يفي بعقد الإدارة يحقق الثابت.
💡 تشبيه: إذا كان المندوب رئيس الطاقم، فالمدير هو COO. واحد مقابل الإنسان، وواحد إلى كثير مقابل القوة العاملة.
انظر أيضاً: Paperclip أدناه للتنفيذ المرجعي.
Paperclip
طبقة الإدارة في AI-Native Company. Paperclip هو COO: يوظف Digital FTEs، ويسند العمل، ويفرض الميزانيات، ويوافق على المخاطر، ويحفظ الدفتر. يكشف التوظيف ك API يستطيع أي وكيل مفوض استدعاءه، وهذه هي طريقة نمو القوة العاملة عند الطلب.
💡 تشبيه: إذا كان OpenClaw رئيس الطاقم، ف Paperclip هو الرئيس التنفيذي للعمليات. واحد مقابل الإنسان، وواحد إلى كثير مقابل القوة العاملة.
🔹 مثال: يكتب عميل بلغة Bahasa Indonesia. لا يتكلم أي Digital FTE في القائمة هذه اللغة. يكتشف Paperclip فجوة القدرة، ويستدعي API التوظيف الخاص به داخل غلاف السلطة لصنع Digital FTE جديد يتكلم Bahasa. لم يُوقظ أي إنسان.
Meta-Layer (Hiring as a Callable Capability)
الطبقة التي تكشف التوظيف ك API يستطيع أي وكيل مفوض استدعاءه لتوفير AI Worker جديد وقت التشغيل، داخل غلاف سلطة الأصيل، من دون إيقاظ إنسان. تحل مشكلة القائمة المجمدة: عندما تظهر فجوة قدرة، تتوسع القوة العاملة عند الطلب تحت السياسة. Claude Managed Agents هو التنفيذ المرجعي؛ وأي API لوكلاء مُدارين يستطيع توليد وكيل وتوفير بيئته وقت التشغيل يفي بالثابت.
🔹 مثال: أثر Bahasa Indonesia تحت Paperclip هو الطبقة الفوقية وهي تعمل: يكتشف Paperclip الفجوة، وAPI التوظيف يصنع Worker جديداً، ويسجل Worker مع المدير ويبقى في القائمة.
📌 دور مزدوج: تخدم Claude Managed Agents كخيار محرك وكطبقة فوقية في الوقت نفسه. قدرة توفير وقت التشغيل نفسها التي تشغل Worker تنشئ Workers جدد.
Runtime Engine
ركيزة التنفيذ التي يعمل عليها Digital FTE. يختار كل Digital FTE محركه بناء على ما تتطلبه الوظيفة، لا محركاً واحداً للشركة. تشمل الخيارات Dapr Agents للأعمال الحرجة ذات التنفيذ الدائم، وClaude Managed Agents للمستضاف والمشغل لك، وOpenAI Agents SDK للمستضاف ذاتياً والقابل للنقل، وOpenClaw-native للخفة وسرعة النشر.
💡 تشبيه: محرك وقت التشغيل هو مجموعة المهارات التي يحملها الموظف إلى العمل. ممرض في جراحة قلب يحتاج مهارات مختلفة عن ممرض في عيادة.
Harness (Agent Harness)
طبقة التحكم في محرك الوكيل: كل ما حول النموذج ويحوله إلى نظام عامل. تشمل حلقة الوكيل، وتوجيه الأدوات، والموافقات، والتتبع، وإدارة السياق، والتعافي، والتعليمات، والمهارات، والمتحققات. يختصرها الممارسون ب Agent = Model + Harness: النموذج هو الدماغ الذي تستأجره من مختبر حدودي، وharness هو الجسد ومكان العمل وإجراءات التشغيل حوله.
💡 تشبيه: إذا كان النموذج CPU ونافذة السياق RAM، فإن harness هو نظام التشغيل: يبدأ، ويرسل الأدوات، وينتقي السياق، ويدير دورة حياة الوكيل.
🔹 أمثلة: Claude Agent SDK هو harness تركبه. OpenClaw هو harness توسعه بالمهارات. Claude Code وCursor وCodex هي harnesses مضبوطة للعمل البرمجي.
Compute Plane / Sandbox Runtime
طبقة التنفيذ المجاورة ل harness: sandbox آمن يعمل فيه الكود المولد بالنموذج فعلياً، فيقرأ الملفات، ويشغل الأوامر، ويكتب المخرجات. الفصل مهم للأمان وقابلية النقل: تبقى الاعتمادات في harness، ويعمل الكود الموجه بالنموذج في sandbox، ويمكن تبديل مورد sandbox مثل E2B أو Cloudflare أو Daytona أو Modal أو Kubernetes لديك بلا إعادة كتابة الوكيل.
🔹 مثال: OpenAI Agents SDK هو harness، وتختار طبقة الحوسبة منفصلة. Claude Managed Agents تدمج الاثنين خلف API واحد. Dapr Agents تفترض Kubernetes كطبقة حوسبة.
📌 ثلاثة أشياء تسمى runtime: runtime اللغة مثل Node.js وPython هو بنية تحتية. execution runtime / sandbox هو هذا المدخل. agent runtime يستخدم أحياناً كمرادف ل harness.
Trigger
طريقة استدعاء العالم الخارجي ل AI-Native Company: يحين جدول، أو يصل webhook، أو يقع API call، أو يدخل عميل. Claude Code Routines هو التنفيذ المرجعي: يحول كل حدث خارجي إلى جلسة توقظ المندوب وتشعل السلسلة. بلا triggers لا يتحرك النظام إلا عندما يكتب إنسان prompt، وهذا ليس شركة حقاً، بل مساعد بخطوات إضافية.
🔹 مثال: كل اثنين 9 صباحاً يوقظ trigger مجدول OpenClaw، فيطلب من Paperclip تشغيل تقرير صحة العملاء الأسبوعي. ينسحب Digital FTE البيانات، ويولد التقرير، ويرسله بالبريد إلى الفريق التنفيذي.
Summary
تصنيف من جملة واحدة للحفظ:
Agent Factory (عملية) تبني AI-Native Company (مخرج). توظف AI-Native Company AI Workers (القوة العاملة)، الذين يعملون عبر Two-Layer Model: بشر في Edge Layer عبر OpenClaw المندوب، وDigital FTEs في AI Workforce Layer بإدارة Paperclip، كل واحد على runtime engine يختاره، وتوقظهم triggers من العالم الخارجي.
يمكن إضافة هذا كسطر أخير.
أنت الآن تعرف ما يكفي لتبدأ القراءة. يتعمق المسرد الكامل أدناه في كل مصطلح ويغطي أكثر من 250 مصطلحاً إضافياً.
1. Agent Factory: مصطلحات خاصة بالكتاب
هذه مفاهيم ومفردات فريدة لهذا الكتاب. ستقابلها من الفصل 1 فصاعداً، لذلك تأتي أولاً.
Agent Factory
العملية. طريقة تقودها المواصفات، ويشرف عليها البشر، وتعمل بقوة Claude Code، لتصميم AI Workers وتصنيعهم ونشرهم. المادة الخام هي قصد الإنسان، والمنتج النهائي نتيجة محققة. تبني Agent Factory الشركة المعتمدة أصلاً على الذكاء الاصطناعي، وهذه الشركة توظف AI Workers أو Digital FTEs.
📌 ممارسة لا منتج. Agent Factory ليست شيئاً تشتريه أو تثبته. إنها ما تتعلم تشغيله.
💡 تشبيه: مصنع سيارات يأخذ فولاذاً خاماً ويخرج سيارات مكتملة. Agent Factory تأخذ قصد الأعمال، مثل "أحتاج وكيل دعم عملاء 24/7"، وتنتج Digital FTE عاملاً.
Industrialized Stack
إطار الأطروحة ثلاثي الطبقات لكيف تتحرك القيمة عبر Agent Factory: القصد، أي مخطط الأهداف والقيود والميزانيات والأذونات؛ ثم محرك الإنتاج، أي المعمارية التي تحول القصد إلى نتائج؛ ثم النتيجة، أي أفعال ومخرجات عالية الدقة يُتحقق منها وتتحسن عبر التغذية الراجعة.
🔹 مثال: توجيه CFO "خفض عمر AR بنسبة 20% ضمن 30K دولار" هو القصد. سلسلة OpenClaw → Paperclip → AI Workers هي محرك الإنتاج. الانخفاض المحقق والمحدث في الدفتر هو النتيجة.
Production Engine
الآلية التي تحول القصد إلى نتيجة داخل Industrialized Stack. ليست تطبيقاً تنزله، بل معمارية: تعليمات قائمة على المواصفات، وAI Workers قائمون على أدوار، ومهارات معبأة، وMCP للاتصال بالأدوات، وحلقات تغذية راجعة تغلق فجوة الجودة.
💡 تشبيه: خط تجميع مصنع سيارات: يدخل الفولاذ الخام من طرف، وتخرج سيارة مكتملة من الطرف الآخر. في Production Engine يدخل القصد وتخرج نتيجة محققة.
Six Invariants
القواعد البنيوية التي تجعل AI-Native Company 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؛ (5) Meta: القوة العاملة قابلة للتوسع تحت السياسة؛ (6) Trigger: العالم يستدعي النظام. المنتجات المسماة اليوم، مثل OpenClaw وPaperclip وClaude Managed Agents وInngest، يمكن استبدالها غداً بلا تغيير المعمارية.
📌 راجع الأطروحة للادعاء الكامل ونمط الفشل والتحقق الحالي لكل ثابت.
Invariant vs. Reference Implementation
خدعة التأطير في الأطروحة. الثابت متطلب بنيوي يبقى صحيحاً عبر كل نسخة من النظام. أما التنفيذ المرجعي فهو المنتج الملموس المستخدم في 2026 لتحقيق ثابت. الثوابت هي الأطروحة؛ والمنتجات المسماة أفضل ملاءمة لهذا العام.
💡 تشبيه: "لا بد أن يكون للبيت مدخل ومخرج" ثابت. أما "بابا ماهوجني بمقابض نحاسية" فهو تنفيذ مرجعي. غيّر الأبواب ويبقى البيت؛ أزل قاعدة الدخول والخروج فيتوقف عن كونه بيتاً.
Digital FTE (Digital Full-Time Equivalent)
"موظف ذكاء اصطناعي" يؤدي العمل المستمر لموظف بشري بدوام كامل، 24/7، بجزء من الكلفة. يعمل 168 ساعة في الأسبوع بلا تعب. هو الدور نفسه الذي تسميه الأطروحة AI Worker: قوة عاملة تُوظف وتُسند وتُدرج وتُحال إلى التقاعد.
🔹 مثال: Digital FTE لدعم العملاء يعالج 500 محادثة يومياً، 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 مفصل لما يجب بناؤه بالضبط: الأهداف، والقيود، والمدخلات، والمخرجات المتوقعة، والسلوك. إنه "المخطط" الذي يتبعه الذكاء الاصطناعي.
💡 تشبيه: spec مثل مخطط معماري. لا يبدأ البنّاء بالتخمين؛ بل يتبع الخطة.
Spec-Driven Development (SDD)
منهجية تطوير تكتب فيها المواصفة التفصيلية أولاً، ثم تدع الذكاء الاصطناعي يولد الكود والاختبارات والتوثيق منها. المواصفة هي مصدر الحقيقة، لا الكود.
📌 المراحل الأربع: البحث → المواصفة → التنقيح → التنفيذ.
🔹 مثال: تريد REST API لمكتبة. تكتب spec تحتوي endpoints، وحقول الكتب، والتحقق من المدخلات، وJSON. تسلمها إلى Claude Code فيولد تطبيق FastAPI والاختبارات والتوثيق.
Test-Driven Generation (TDG)
الصيغة الخاصة ب Python من SDD. تكتب الاختبارات أولاً لتحديد ما يجب أن يفعله الكود، ثم تدع Claude Code يولد الكود الذي ينجح فيها.
💡 تشبيه: قبل خبز كعكة، تكتب معايير الكعكة المثالية. إن لم تطابق الوصفة المعايير، تعيد المحاولة. المعايير هي الاختبارات، والوصفة هي الكود المولد.
10-80-10 Rule
إيقاع تشغيل قوة الذكاء الاصطناعي العاملة: يقدم الإنسان أول 10%، أي القصد والاتجاه؛ ويتولى الذكاء الاصطناعي وسط 80%، أي التنفيذ؛ ثم يعود الإنسان في آخر 10% للتحقق والحكم.
📌 الأصل: اتبع Steve Jobs هذا النمط في Apple: يضع الرؤية (10%)، ويدع الفريق يبني (80%)، ثم يعود للصقل والشحن (10%). استبدل "الفريق" ب "موظفي الذكاء الاصطناعي".
AGENTS.md / CLAUDE.md
ملفات إعداد تقدم سياقاً دائماً لوكيل برمجة بالذكاء الاصطناعي. تحتوي قواعد المشروع، ومعايير الكود، والقرارات المعمارية، والتفضيلات، وتُحمّل في كل تفاعل.
💡 تشبيه: وثيقة إدماج لموظف جديد: "هكذا نعمل. هذا أسلوب الكود. وهذا ما لا نفعله."
SPEC.md
ملف محدد يحتوي المواصفة التفصيلية لمشروع. إنه "مصدر الحقيقة" الوحيد لما يجب أن تفعله البرمجيات.
🔹 مثال: قد يقول SPEC.md: "ابنِ chatbot واتساب لمطعم. يعرض القائمة، ويأخذ الطلبات، ويؤكد عنوان التسليم، ويحسب الإجمالي مع GST، ويرسل تأكيداً."
SKILL.md
ملف يعبئ قدرة قابلة لإعادة الاستخدام لوكيل ذكاء اصطناعي، وفيه تعليمات وأفضل ممارسات وقوالب لنوع مهمة معين، مثل توليد PDF أو نشر Docker containers.
🔹 مثال: Docker SKILL.md قد يقول: "عند containerizing تطبيق FastAPI، استخدم دائماً multi-stage build، والصورة python:3.12-slim، ولا تشغل ك root."
Skill Library
مجموعة ملفات SKILL.md يستطيع وكيل ذكاء اصطناعي الرجوع إليها، مانحة إياه خبرة في مجالات متعددة مثل مكتبة مرجعية يستشيرها موظف.
Agent Skills
القدرات المحددة التي يملكها وكيل ذكاء اصطناعي، وتحددها أدواته ومعرفته وملفات SKILL.md.
🔹 مثال: لدى الموظف البشري مهارات مثل Excel أو التفاوض. ولدى الوكيل مهارات مثل توليد PDF، والاستعلام عن قاعدة بيانات، وصياغة البريد.
Agent Triangle
إطار في هذا الكتاب يصف المكونات الثلاثة التي يحتاجها كل وكيل فعال: (1) دور واضح، (2) أدوات محددة، و(3) قيود معرفة. إن غاب واحد منها، ضعف أداء الوكيل.
Body + Brain
نمط معمارية للوكيل. Brain هو LLM الذي يستدل ويتخذ القرارات. Body هو طبقة التنفيذ: الأدوات، وAPIs، والبنية التحتية التي تنفذ تلك القرارات.
💡 تشبيه: يقرر دماغك "أريد التقاط هذا الكوب"، وتنفذ اليد الفعل. في وكيل ذكاء اصطناعي، يقرر Claude أنه يحتاج إلى الاستعلام عن قاعدة بيانات، وينفذ NanoClaw الاستعلام.
NanoClaw
وقت تشغيل containers خفيف يعمل ك "Body" للوكيل في معمارية OpenClaw، فينفذ المهام، ويشغل الأدوات، ويدير بيئة الوكيل.
💡 تشبيه: إذا كان LLM هو الطيار الذي يقرر أين يطير، فإن NanoClaw هو الطائرة التي تنفذ الرحلة: محركات، وأجنحة، وتحكم.
OpenClaw
إطار تطبيقات مفتوح المصدر لبناء تطبيقات تعمل بالوكلاء. في معمارية الأطروحة، OpenClaw هو المندوب في Edge Layer: وكيل "رئيس الطاقم" الذي يمثل الإنسان، ويعرف سياقه، ويتحدث باسمه. NanoClaw هو طبقة التنفيذ القائمة على containers داخله.
TutorClaw
معلم ذكاء اصطناعي 24/7 عبر WhatsApp، مبني على معمارية Agent Factory. يقرأ TutorClaw من هذا الكتاب كنظام سجل، فيعلّم من معرفة محققة لا من توليد احتمالي. إنه أول Digital FTE في الكتاب ومثال حي لما تنتجه Agent Factory.
Claude Code
وكيل Anthropic البرمجي بالذكاء الاصطناعي، يعمل من الطرفية. يقرأ قاعدة الكود كاملة، ويفهم سياق المشروع، ويولد 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. فكر فيه كمساعد مكتب بالذكاء الاصطناعي.
Dispatch
ميزة تتيح لك إسناد العمل إلى Cowork من هاتفك. ترسل مهمة وأنت في الطريق؛ ويعمل Claude على سطح مكتبك. وعندما ينتهي، تصلك إشعار دفع.
💡 تشبيه: تجعل Dispatch من Cowork موظفاً تديره عن بعد، لا أداة تجلس بجانبها.
Computer Use
ميزة بحثية يستطيع فيها Claude رؤية شاشة macOS والتحكم بها، مثل النقر والكتابة والتنقل في الواجهات، كموظف عن بعد يستخدم حاسوبك.
🔹 مثال: تقول ل Claude: "افتح الجدول على سطح المكتب، وحدّث عمود إيرادات Q3 بهذه الأرقام، ثم أرسله إلى فريق المالية." يرى الشاشة وينفذ كما يفعل مساعد بشري.
Claude Desktop
تطبيق سطح المكتب للتفاعل مع Claude، ويستضيف ميزات Cowork وComputer Use وDispatch.
Hooks
أفعال آلية تعمل قبل أو بعد عمليات معينة في Claude Code، مثل تنسيق الكود بعد كل حفظ، أو تشغيل الاختبارات قبل كل commit.
💡 تشبيه: تعليمات دائمة لمساعد: "كلما انتهيت من كتابة خطاب، شغل التدقيق الإملائي قبل أن تعرضه علي."
Subagents
وكلاء متخصصون يستطيع Claude Code إنشاءهم لمعالجة مهام فرعية داخل مشروع أكبر، لكل واحد منهم سياقه المركز.
💡 تشبيه: مدير مشروع يفوض التصميم إلى مصمم، والمحاسبة إلى محاسب. كل واحد يركز على تخصصه.
Tasks System
ميزة مدمجة في Claude Code لإدارة حالة دائمة عبر الجلسات، وتتبع ما أُنجز، وما ينتظر، وما الخطوة التالية في مشروع متعدد الخطوات.
Context Engineering
انضباط ضبط الجودة في تصنيع Digital FTEs. يعني تصميم بيئة المعلومات الكاملة التي يتلقاها الوكيل لضمان مخرجات متسقة وعالية الجودة. هذه هي المهارة الأولى التي تفرق وكيلاً يباع ب 2,000 دولار شهرياً عن وكيل لا يريده أحد.
💡 تشبيه: يضمن مصنع Toyota بضوابط منهجية أن كل سيارة تطابق المواصفة. تضمن هندسة السياق أن Digital FTEs تقدم قيمة قابلة للبيع باستمرار.
Context Injection
إدخال معلومات خارجية ذات صلة في نافذة سياق الذكاء الاصطناعي مباشرة قبل أن يولد الاستجابة، فيحصل على المعلومة الصحيحة في الوقت الصحيح.
💡 تشبيه: قبل أن يدخل المحامي المحكمة، يعطيه مساعده ملف القضية. حقن السياق يفعل الشيء نفسه للذكاء الاصطناعي.
Context Isolation
بدء جلسة جديدة بسياق نظيف بدلاً من حمل حالة طويلة قد تكون مشوشة أو متناقضة من جلسة سابقة.
💡 تشبيه: عندما يصبح مكتبك مزدحماً إلى حد لا تستطيع التفكير، تنظفه وتبدأ من جديد. السياق النظيف قد يعطي نتائج أفضل من تاريخ فوضوي.
Harness Engineering
انضباط تصميم البيئة حول وكيل الذكاء الاصطناعي وتحسينها باستمرار حتى يعمل بثقة ومن دون إشراف دائم. يأتي بعد prompt engineering وcontext engineering: الأولى تحسن تبادلاً واحداً، والثانية تدير ما يراه النموذج دفعة واحدة، أما harness engineering فيبني بيئة التنفيذ التي يعمل فيها الوكيل عبر مئات القرارات. تبلورت الممارسة المسماة في أوائل 2026 على يد Mitchell Hashimoto. الشعار المختصر: لا تصلح الوكيل، أصلح العالم الذي يعيش فيه الوكيل.
💡 تشبيه: إصلاح prompt ضمادة؛ وإصلاح harness لقاح. الأول يحل حالة واحدة من الفشل، والثاني يغلق فئة كاملة من الفشل لكل وكيل مستقبلي.
🔹 مثال: يعطي TutorClaw ملاحظات قاسية على مبتدئ. الإصلاح الساذج تعديل prompt. إصلاح harness إضافة مهارة فحص نبرة تمرر كل مخرج عبر rubric.
📌 في OpenClaw: وحدة توسيع harness هي ملف SKILL.md. كل مهارة يكتبها الطلاب أثر من آثار harness engineering.
Progress Files
ملفات تتبع حالة مشروع طويل عبر جلسات Claude Code متعددة، وتوثق ما اكتمل، والقرارات المتخذة، وما يلي.
💡 تشبيه: سجل موقع بناء. كل يوم يسجل المشرف ما بُني، وما المشكلات، وما خطة الغد. عندما تصل وردية جديدة، تقرأ السجل وتكمل.
Session Architecture
تصميم كيفية ترتيب تفاعلاتك مع وكيل ذكاء اصطناعي وتسلسلها عبر جلسات متعددة في مشروع كبير: متى تبدأ من جديد، ومتى تحمل السياق، وما الذي تحفظه.
🔹 مثال: لمشروع كتاب من 30 فصلاً، لا تضع الكتاب كله في جلسة واحدة. تصمم معمارية: جلسة للمخطط، وجلسة للفصل 1، ثم جلسة للفصل 2 مع ملخص ما سبق.
Five Powers
القدرات الخمس التي تمكّن الانتقال من واجهات المستخدم التقليدية إلى وكلاء ذاتيين: (1) فهم اللغة الطبيعية، (2) الاستدلال، (3) استخدام الأدوات، (4) الذاكرة، و(5) التخطيط.
💡 تشبيه: مساعد بشري قادر يفهم ما تقول، ويفكر في المشكلات، ويستخدم الأدوات، ويتذكر تفضيلاتك، ويخطط لمشاريع متعددة الخطوات.
Agent Maturity Model
إطار من خمسة مستويات يصف مراحل تبني مؤسسة للذكاء الاصطناعي:
| المستوى | الاسم | الوصف |
|---|---|---|
| 1 | تجريبي | مطورون أفراد يجربون أدوات برمجة بالذكاء الاصطناعي |
| 2 | موحد | تبن على مستوى المؤسسة مع حوكمة |
| 3 | AI-Driven | تتحول المواصفات إلى توثيق حي وتُعاد هندسة سير العمل |
| 4 | AI-Native | منتجات يكون AI/LLMs مكونات أساسية فيها |
| 5 | مستقل | المؤسسة كلها AI-native وأنظمة ذاتية التحسن |
AI-Assisted Development
استخدام الذكاء الاصطناعي كمساعد أو copilot: إكمال كود، وكشف أخطاء، وتوليد توثيق. لا يزال الإنسان يكتب معظم الكود.
🔹 مثال: GitHub Copilot يقترح السطر التالي أثناء الكتابة.
AI-Driven Development
الذكاء الاصطناعي يولد قدراً كبيراً من الكود من مواصفات كتبها البشر. يعمل الإنسان كمعماري، ومخرج، ومراجع، لا ككاتب.
🔹 مثال: تكتب SPEC.md يصف REST API، فيولد Claude Code تطبيق FastAPI والاختبارات والتوثيق.
AI-Native Development
تطبيقات مبنية من الأساس حول قدرات الذكاء الاصطناعي؛ لا يُضاف الذكاء الاصطناعي كميزة، بل يكون قلب المنتج.
🔹 مثال: TutorClaw ليس كتاباً أضيف إليه chatbot. معلم الذكاء الاصطناعي هو المنتج.
Nine Pillars of AIDD
تسعة مبادئ تأسيسية للتطوير المدفوع بالذكاء الاصطناعي كما يعرفه هذا الكتاب، من التصميم بالمواصفات أولاً إلى التحقق المستمر.
OODA Loop (Observe, Orient, Decide, Act)
دورة قرار سريعة للعمل مع وكلاء الذكاء الاصطناعي. تلاحظ مخرج الوكيل، وتتموضع بفحص مطابقته للمواصفة، وتقرر القبول أو التوجيه، ثم تتصرف بالموافقة أو إعطاء تعليمات جديدة.
📌 الأصل: إطار استراتيجي عسكري طوره الطيار John Boyd، ويُطبق الآن على دورات العمل السريعة مع الذكاء الاصطناعي.
PRIMM-AI+
إطار تعليمي مستخدم في هذا الكتاب: توقع ماذا سيفعل الكود → شغله → حقق في المخرج → عدله → اصنع نسختك. تعني AI+ أن الذكاء الاصطناعي مدمج في كل خطوة.
Identic AI
مفهوم يكون فيه لكل إنسان وكيل ذكاء اصطناعي شخصي يعكس حكمه وتفضيلاته وسلطته، ويفوض المهام عبر أنظمة ذكاء اصطناعي متعددة نيابة عنه. في المعمارية المرجعية للكتاب، OpenClaw هو identic AI: المندوب في Edge Layer.
💡 تشبيه: لدى CEO مساعد تنفيذي يعرف أولوياته وأسلوب قراره إلى حد يستطيع التصرف باسمه. Identic AI هو النسخة الذكية من ممثلك الشخصي.
System of Record / Source of Truth
مصدر البيانات الموثوق الوحيد الذي يثق الجميع في دقته. عندما تتعارض النسخ، يكون system of record هو الكلمة النهائية.
🔹 مثال: إذا قال نظام HR إن راتب موظف Rs. 200,000 وقال جدول Rs. 180,000، فالنظام الرسمي هو system of record.
Bounded Workflow
سير عمل له نقاط بداية ونهاية وقيود واضحة. يعرف الوكيل بالضبط ما يستطيع وما لا يستطيع فعله. لا غموض ولا تمدد نطاق.
Escalation Protocol
قاعدة مسبقة تحدد متى يجب أن يتوقف الوكيل ويسلم المهمة إلى إنسان: لأنها معقدة جداً، أو خطرة جداً، أو خارج سلطته.
🔹 مثال: وكيل خدمة العملاء يجيب عن الأسئلة الروتينية، لكن إذا هدد عميل بإجراء قانوني، ينقل الحديث إلى مدير بشري.
Tool Interface
العقد المحدد لكيف يتصل الوكيل بأداة خارجية ويستخدمها، بما في ذلك المدخلات التي تتوقعها الأداة والمخرجات التي تعيدها.
Vertical Intelligence
خبرة عميقة في صناعة معينة: مصطلحاتها، ولوائحها، وسير عملها، وآلامها، معبأة داخل وكيل.
🔹 مثال: وكيل للمصدرين النسيجيين في Pakistan يفهم SRO notifications وHS codes ووثائق LC ولوائح SBP، لا معرفة أعمال عامة فقط.
Agentic Enterprise
منظمة دمجت وكلاء الذكاء الاصطناعي في عملياتها الأساسية، مع Digital FTEs إلى جانب الموظفين البشر كطريقة عمل قياسية. في الأطروحة، هي AI-Native Company: المؤسسة العاملة التي تنتجها Agent Factory.
🔹 مثال: شركة لوجستيات يتولى فيها الوكلاء تتبع الطلبات، وتحسين المسارات، وإشعارات العملاء 24/7، بينما يركز البشر على الشراكات والاستثناءات والاستراتيجية.
Custom-Built AI Employee
وكيل ذكاء اصطناعي تبنيه من الصفر لحاجة أعمال محددة، مفصل على سير عملك ومجالك.
🔹 مثال: مصدر نسيج يبني وكيلاً يقرأ مستندات LC، ويطابقها مع لوائح SBP، ويرصد التناقضات، ويكتب طلبات تعديل.
Pre-Built AI Employee
وكيل جاهز للاستخدام فوراً بلا تطوير مخصص، مثل استخدام ChatGPT أو Claude أو chatbot خدمة عملاء موجود.
🔹 مثال: استخدام Claude مباشرة لصياغة رسائل بريد أو تلخيص مستندات. يبدأ فوراً، لكنه ليس متخصصاً في عملية أعمالك الفريدة.
Build vs. Buy
قرار استراتيجي: هل تبني وكيلك المخصص (تحكم أكبر، كلفة أعلى، وقت أطول)، أم تستخدم وكيلاً موجوداً (نشر أسرع، تخصيص أقل)؟
🔹 مثال: مستشفى يحتاج وكيل جدولة مرضى. شراء: منصة صحية جاهزة. بناء: وكيل مخصص مدمج مع EMR وتفضيلات الأطباء ودعم Urdu/English.
FTE Development Plugin
أداة أو امتداد يساعد في تطوير Digital FTEs ونشرهم، ويجعل سير عمل Agent Factory أكثر سلاسة.
Skill Shim
طبقة adapter رقيقة تترجم بين صيغ مهارات مختلفة للوكلاء، لتمكين التوافق بين المنصات.
💡 تشبيه: محول كهرباء سفر. قابسك لا يدخل في المقبس، لكن shim يجعلهما متوافقين بلا إعادة توصيل.
Gateway Proxy Pattern
نمط معماري فيه نقطة دخول واحدة (gateway) توجه الطلبات إلى الوكيل أو الخدمة الخلفية الصحيحة، وتدير المصادقة، وحدود المعدل، وتوزيع الحمل.
💡 تشبيه: مكتب استقبال في مستشفى كبير: كل المرضى يدخلون منه، فيتحقق من الموعد والهوية ويوجههم إلى القسم الصحيح.
Piggyback Protocol
استراتيجية شركة ناشئة مذكورة في الكتاب: بناء المنتج فوق توزيع منصة موجودة للوصول إلى المستخدمين بسرعة، قبل بناء قنواتك المستقلة.
🔹 مثال: بدلاً من بناء تطبيق مراسلة خاص لتقديم TutorClaw، تبنيه فوق WhatsApp الذي يملك أكثر من 100 مليون مستخدم في Pakistan.
2. الذكاء الاصطناعي وتعلم الآلة: الأساسيات
هذه هي الأفكار المؤسسة خلف كل ما في هذا الكتاب.
AI ⊃ ML ⊃ DL ⊃ LLMs
(كل واحد منها جزء من الذي قبله)
AI (Artificial Intelligence)
جعل الحواسيب تنجز أشياء تتطلب عادة ذكاء بشرياً، مثل فهم اللغة، والتعرف إلى الصور، واتخاذ القرارات، وحل المشكلات.
🔹 مثال: عندما يتنبأ هاتفك بالكلمة التالية في Urdu أو English، فهذا AI. وعندما يقدر Careem وقت الرحلة حسب المرور، فهذا AI.
ML (Machine Learning)
طريقة لتعليم الحواسيب عبر أمثلة بدلاً من كتابة قواعد صريحة. يجد الحاسوب أنماطاً في البيانات ويتعلم منها.
🔹 مثال: يوصي YouTube بفيديوهات قد تعجبك. لم يبرمج أحد قاعدة محددة لكل مستخدم؛ بل تعلم النظام الأنماط من مليارات عادات المشاهدة.
💡 تشبيه: تعلم طفلاً تمييز المانجو. لا تشرح علم النبات؛ تريه عشرات المانجو وتقول "مانجو". فيتعرف لاحقاً إلى أنواع لم يرها.
DL (Deep Learning)
نسخة أقوى من machine learning تستخدم "شبكات عصبية" متعددة الطبقات. تستطيع تعلم أنماط شديدة التعقيد، مثل فهم الكلام، وتوليد الصور، والترجمة.
🔹 مثال: عندما يترجم Google Translate فقرة Urdu إلى English بطلاقة، يشغّل deep learning هذه الترجمة.
Model
برنامج دُرب على بيانات وأصبح يستطيع التنبؤ أو توليد المخرجات. عندما يقول الناس "GPT-4" أو "Claude"، فهم يشيرون إلى models.
💡 تشبيه: النموذج مثل طالب قرأ ملايين الكتب. تسأله فيجيب بناء على ما قرأه. بعض النماذج أفضل في الرياضيات، وأخرى في الكتابة.
Foundation Model
نموذج كبير جداً وعام الغرض دُرب على بيانات هائلة، ويمكن تكييفه لمهام كثيرة بلا تدريب من الصفر. Claude وGPT-4 وGemini نماذج أساسية.
💡 تشبيه: خريج جامعة بتعليم واسع. لم يتخصص بعد، لكنه يستطيع التكيف بسرعة مع المحاسبة، والكتابة، والبحث، والإدارة.
Neural Network
نظام حوسبة مستوحى من الدماغ البشري، بطبقات من "عُقد" مترابطة تعالج المعلومات وتستخرج أنماطاً أعقد في كل طبقة.
💡 تشبيه: سلسلة غرابيل بأحجام مختلفة. يمرر كل غربال البيانات ويلتقط نوعاً أدق من الأنماط.
Transformer
معمارية الشبكة العصبية التي تشغل كل LLMs الحديثة. اخترعت في 2017، وهي قوية في فهم العلاقات بين الكلمات، مثل اختلاف معنى "bank" في "river bank" و"bank account".
💡 تشبيه: كان الذكاء الاصطناعي القديم يقرأ كلمة كلمة كمن ينظر من ثقب مفتاح. أما transformers فتقرأ الجملة كلها دفعة واحدة وترى علاقات الكلمات معاً.
💡 لماذا يهم: كل نموذج في هذا الكتاب، مثل Claude وGPT وGemini، مبني على transformers.
Multimodal Model
نموذج يستطيع العمل مع أنواع متعددة من المدخلات: نصوص، وصور، وصوت، وفيديو، لا نوع واحد فقط.
🔹 مثال: تصور فاتورة مطعم وتسأل Claude: "ما الإجمالي؟" فيفهم الصورة والسؤال معاً.
Reasoning Model
نموذج مصمم كي "يفكر" في المشكلات المعقدة خطوة بخطوة قبل الإجابة، بدلاً من الرد فوراً. يكون غالباً أدق في المسائل الصعبة.
💡 تشبيه: في cricket، بعض الضاربين يلعبون بالغريزة، وبعضهم يدرس الملعب والرامي. reasoning model هو النوع الثاني: أبطأ لكنه أوثق في الكرات الصعبة.
Training
عملية تغذية النموذج بكميات ضخمة من البيانات كي يتعلم الأنماط. يحدث ذلك قبل أن تتفاعل معه؛ إنها مرحلة "التعليم".
💡 تشبيه: تدريب الطاهي في مدرسة طبخ سنوات، يتذوق آلاف الأطباق ويتعلم التقنيات. عندما تذهب إلى مطعمه يكون التعلم قد حدث.
Pretraining
أول مرحلة تدريب وأغلاها. يقرأ النموذج كميات هائلة من النصوص، من كتب ومواقع وكود ومحادثات، ويتعلم معرفة عامة عن اللغة والعالم.
Post-Training
تدريب إضافي بعد pretraining لجعل النموذج مفيداً وآمناً ومتوافقاً مع توقعات البشر، فيتعلم اتباع التعليمات، واللطف، ورفض الطلبات الضارة.
💡 تشبيه: pretraining مثل التعليم العام، وpost-training مثل توجيه العمل: ثقافة المؤسسة، وأسلوب التواصل، والمعايير المهنية.
Fine-Tuning
تدريب نموذج موجود أكثر على مجموعة بيانات أصغر ومحددة ليصبح خبيراً في مجال معين.
🔹 مثال: ضبط نموذج عام على آلاف أحكام الضرائب الباكستانية ليصبح جيداً جداً في الاستشارات الضريبية.
Parameters
الأرقام الداخلية في النموذج التي تتعدل أثناء التدريب. غالباً يعني عدد أكبر من parameters نموذجاً أقدر. LLMs الحديثة تملك مليارات أو تريليونات parameters.
💡 تشبيه: parameters مثل خيوط سجادة ضخمة. أثناء التدريب يتعدل كل خيط حتى يظهر النمط الكامل.
Weights
القيم الرقمية المحددة ل parameters بعد التدريب. عندما يقول أحد "تنزيل weights"، يقصد ملف الأرقام المدربة، أي معرفة النموذج المتعلمة.
Dataset
مجموعة بيانات تستخدم لتدريب نموذج ذكاء اصطناعي أو تقييمه.
🔹 مثال: Dataset لتدريب مرشح spam قد تحتوي مليون رسالة مصنفة spam أو not spam.
Benchmark
اختبار موحد لقياس أداء نماذج الذكاء الاصطناعي ومقارنتها.
🔹 مثال: كما تسمح امتحانات CSS أو Cambridge بمقارنة الطلاب، تسمح benchmarks مثل MMLU وHumanEval بمقارنة النماذج.
Inference
عملية توليد نموذج مدرب لاستجابة على مدخلك. كل مرة تسأل Claude وتستلم إجابة، فهذا inference.
💡 تشبيه: التدريب هو الدراسة للامتحان. inference هو الجلوس للامتحان وتطبيق ما تعلمه النموذج.
3. أساسيات LLM
LLMs هي المحركات التي تشغل كل وكيل ذكاء اصطناعي في هذا الكتاب. يشرح هذا القسم كيف تعمل عملياً.
LLM (Large Language Model)
نموذج ذكاء اصطناعي كبير جداً دُرب على كميات واسعة من النصوص، ويستطيع فهم اللغة والكود وتوليدهما. Claude وGPT-4 وGemini كلها LLMs.
💡 تشبيه: LLM مثل مساعد بحث شديد القراءة، قرأ Wikipedia وكتباً ومليارات صفحات الويب، فتستطيع سؤاله عن الكتابة والتحليل والكود والترجمة.
Prompt
المدخل الذي تعطيه للنموذج: سؤال، أو تعليمة، أو طلب. تؤثر جودة prompt مباشرة في جودة الاستجابة.
🔹 مثال: "اكتب شيئاً عن التسويق" prompt ضعيف. أما "اكتب منشور LinkedIn من 500 كلمة عن استخدام مصدري النسيج في Pakistan لوكلاء الذكاء الاصطناعي في تتبع الطلبات" فهو أقوى.
System Prompt
تعليمات مخفية تُعطى للنموذج قبل بدء المحادثة. يضعها المطور، لا المستخدم، وتحدد شخصية النموذج وسلوكه وقيوده.
🔹 مثال: قد يقول system prompt في chatbot مصرفي: "أنت مساعد HBL. أجب Urdu أو English حسب لغة العميل. لا تكشف الأرصدة بلا OTP."
User Prompt
الرسالة التي تكتبها أنت، المستخدم، فعلاً. إنها جانبك من المحادثة.
Instruction
توجيه محدد داخل prompt يخبر النموذج بما يجب أن يفعل.
🔹 مثال: "لخص هذا في ثلاث نقاط"، "ترجم إلى Urdu"، "أصلح الخطأ في هذا الكود" كلها instructions واضحة.
Context
كل المعلومات المتاحة للنموذج أثناء المحادثة: system prompt، وتاريخ المحادثة، والمستندات المرفوعة، ورسالتك الحالية.
💡 تشبيه: عندما تطلب نصيحة من زميل بشأن صفقة، يكون context كل ما يعرفه: تاريخ العميل، والرسائل السابقة، وشروط العقد، وسياسات الشركة.
Context Window
أكبر كمية نص يستطيع LLM معالجتها مرة واحدة، مقاسة ب tokens. فكر فيها ك "ذاكرة عاملة" للنموذج.
🔹 مثال: توفر نماذج Claude نوافذ سياق من 200,000 إلى أكثر من مليون token. حتى 200,000 token تقارب 150,000 كلمة.
Token
الوحدة الأساسية للنص التي يعالجها LLM. token تقارب ثلاثة أرباع كلمة. الكلمات القصيرة مثل "the" token واحد، والكلمات الطويلة قد تنقسم إلى عدة tokens.
🔹 مثال: "I love biryani" تقارب 4 tokens. صفحة كاملة تقارب 500-700 tokens.
Completion / Generation
المخرج الذي ينتجه LLM استجابة ل prompt. عندما "يكمل" النموذج طلبك، تكون تلك الاستجابة completion.
Structured Output
أن يولد LLM استجابته بصيغة محددة قابلة للآلة، مثل JSON، بدلاً من نص محادثة، كي تستطيع برمجيات أخرى معالجتها بسهولة.
🔹 مثال: بدلاً من "الحرارة في Karachi هي 35 والجو مشمس"، يكون structured output:
{"city": "Karachi", "temp": 35, "condition": "sunny"}.
Hallucination
عندما يولد نموذج ذكاء اصطناعي معلومات كاذبة أو غير دقيقة أو مختلقة بثقة ويقدمها كحقيقة.
🔹 مثال: تسأل عن حكم قضائي، فيخترع النموذج قضية كاملة بأرقام مرجعية وهمية.
Grounding
ربط نموذج الذكاء الاصطناعي بمصادر بيانات واقعية ومحققة كي يعطي إجابات دقيقة بدلاً من الهلوسة.
💡 تشبيه: grounding مثل السماح للطالب باستخدام كتابه أثناء الامتحان.
Temperature
إعداد يتحكم في الإبداع مقابل التوقع في استجابات LLM. درجة منخفضة (0) تعني اتساقاً عالياً. درجة عالية (1+) تعني تنوعاً وإبداعاً أكثر.
💡 تشبيه: temperature مثل حرية الطاهي: 0 تعني "اتبع الوصفة حرفياً"، و1 تعني "ارتجل".
Latency
التأخير بين إرسال الطلب واستقبال الاستجابة. latency أقل يعني أسرع، ويقاس بالمللي ثانية أو الثواني.
Throughput
عدد الطلبات التي يستطيع النظام معالجتها في وحدة زمنية. throughput عال يعني خدمة مستخدمين كثيرين بالتزامن.
💡 تشبيه: latency هي سرعة مرور سيارة واحدة في بوابة رسوم، وthroughput هو عدد السيارات في الساعة.
Deterministic vs. Non-Deterministic
Deterministic: المدخل نفسه يعطي المخرج نفسه دائماً، مثل الآلة الحاسبة. Non-deterministic: المدخل نفسه قد يعطي مخرجات مختلفة كل مرة.
LLMs غير حتمية: قد تسأل السؤال نفسه مرتين وتحصل على إجابتين مختلفتين قليلاً، وكلتاهما صالحة.
Stateless
بلا ذاكرة بين التفاعلات المنفصلة. تبدأ كل محادثة جديدة مع LLM من الصفر؛ لا يعرف النموذج أي محادثة سابقة.
💡 تشبيه: صاحب متجر مصاب بفقدان ذاكرة. كل مرة تدخل، يعاملك كغريب.
Prompt Engineering
مهارة صياغة تعليمات واضحة ومحددة للحصول على أفضل مخرج من نموذج ذكاء اصطناعي. ليست "ماذا تسأل" فقط، بل "كيف تسأل".
NLP (Natural Language Processing)
فرع الذكاء الاصطناعي المعني بفهم اللغة البشرية وتفسيرها وتوليدها، وهو الأساس الذي يجعل LLMs ممكنة.
Copilot
مساعد ذكاء اصطناعي مدمج داخل بيئة برمجية، مثل محرر كود، يعمل بجانبك لزيادة الإنتاجية عبر الاقتراح والإكمال والمراجعة.
4. المعرفة والاسترجاع والسياق
تصف هذه المصطلحات كيف يصل وكلاء الذكاء الاصطناعي إلى معرفة خارجية ويستخدمونها لإجابات أفضل وأدق.
RAG (Retrieval-Augmented Generation)
تقنية يسترجع فيها الذكاء الاصطناعي أولاً معلومات ذات صلة من مستندات أو قواعد بيانات خارجية، ثم يستخدمها لتوليد استجابة أدق.
💡 تشبيه: امتحان بكتاب مفتوح: لا تعتمد على ذاكرة قد تخطئ، بل تبحث في المرجع قبل كتابة الإجابة.
Embedding
تحويل النص إلى إحداثيات رقمية يستطيع الحاسوب بها قياس تشابه النصوص بالمعنى، لا بالكلمات المفتاحية فقط.
Vector
قائمة أرقام تمثل نصاً في فضاء رياضي. عندما يتحول النص إلى embedding، تكون النتيجة vector.
🔹 مثال: كلمة "cricket" قد تصبح
[0.8, 0.3, 0.7, 0.1, ...]مع أرقام تلتقط المعنى بحسب السياق.
Vector Database
قاعدة بيانات متخصصة لتخزين vectors والبحث فيها بسرعة، للعثور على محتوى مشابه بالمعنى بدلاً من التطابق اللفظي.
🔹 مثال: تخزن 10,000 مستند شركة ك vectors. عندما يسأل أحد عن سياسة الإرجاع، تجد قاعدة البيانات المستندات الأقرب معنى حتى لو لم تتطابق العبارة.
Semantic Search
بحث بالمعنى بدلاً من الكلمات الدقيقة. سؤال "كيف أعيد منتجاً؟" قد يطابق مستنداً بعنوان "Refund Process".
Retrieval
جلب معلومات ذات صلة من مصدر بيانات، مثل قاعدة بيانات أو مجموعة مستندات أو الويب، ليستعملها الذكاء الاصطناعي في الإجابة.
Reranking
بعد استرجاع عدة نتائج، إعادة ترتيبها حسب الصلة بحيث تظهر النتيجة الأكثر فائدة أولاً. إنه مرشح جودة بعد البحث الأولي.
Chunking / Chunk
تقسيم مستند كبير إلى أجزاء أصغر كي تُخزن وتُبحث منفصلة.
🔹 مثال: دليل HR من 200 صفحة يُقسم إلى فقرات. عند السؤال عن الإجازة، يسترجع النظام 3-4 فقرات ذات صلة لا الدليل كله.
Knowledge Base
مجموعة منظمة من المعلومات: مستندات، وأسئلة متكررة، وأدلة، وسياسات، يستطيع الذكاء الاصطناعي البحث فيها والرجوع إليها.
Grounding Data
البيانات الواقعية المحددة المرتبطة بنموذج ذكاء اصطناعي لضمان إجابات مبنية على حقائق لا تخمينات.
MCP (Model Context Protocol)
معيار مفتوح أنشأته Anthropic وتديره الآن Linux Foundation، يسمح لأي وكيل ذكاء اصطناعي بالاتصال بأي أداة خارجية عبر بروتوكول عالمي: بحث، وقواعد بيانات، وبريد، وتقويمات، وأنظمة ملفات. MCP هو بروتوكول استدعاء الأدوات. أما بروتوكولات دفع الوكلاء فراجع القسم 11.
💡 تشبيه: MCP هو معيار USB لوكلاء الذكاء الاصطناعي: بروتوكول واحد يربط أي وكيل بأي أداة.
Connector
تكامل محدد يربط وكيل ذكاء اصطناعي بخدمة خارجية عبر MCP أو بروتوكول آخر.
🔹 مثال: "Gmail connector" يسمح للوكيل بقراءة البريد والبحث فيه وإرساله.
System Integration
ربط أنظمة برمجية مختلفة كي تشارك البيانات وتعمل معاً بسلاسة. إنها "السباكة" خلف أي نشر وكيل مؤسسي.
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 إدراك بيئته، واتخاذ قرارات، وتنفيذ أفعال لتحقيق هدف من دون أن يوجهه إنسان في كل خطوة.
🔹 مثال: chatbot يجيب. أما AI agent فيتلقى هدفاً مثل "اعثر على أرخص رحلة Karachi إلى Dubai يوم الجمعة القادم" ثم يبحث ويقارن ويحجز.
Agentic AI
فئة الذكاء الاصطناعي المعنية ببناء وكلاء يخططون، ويستدلون، ويتصرفون، ويتكيفون ذاتياً. هذه حدود الذكاء الاصطناعي في 2026.
General Agent
وكيل ذكاء اصطناعي يُستخدم باللغة الطبيعية لطيف واسع من المهام. لا يُبنى لوظيفة واحدة؛ بل هو أداة متعددة الاستعمالات للكود، والكتابة، والبحث، وإدارة الملفات.
Autonomy
درجة قدرة الوكيل على العمل مستقلاً بلا موافقة بشرية في كل خطوة.
💡 تشبيه: موظف مبتدئ يحتاج إذناً لكل بريد لديه استقلالية منخفضة؛ ومدير كبير يقرر ضمن حدود واضحة لديه استقلالية عالية.
Reasoning
قدرة الوكيل على التفكير المنطقي في مشكلة: تحليل المعلومات، وموازنة الخيارات، واستخلاص النتائج قبل الفعل.
Acting
عندما يفعل الوكيل شيئاً في العالم الحقيقي: يرسل بريداً، أو يكتب ملفاً، أو يستدعي API، أو يضع طلباً، أو يحجز موعداً.
Planning
قدرة الوكيل على تقسيم هدف معقد إلى خطوات وتحديد ترتيب تنفيذها.
Task Decomposition
تفكيك مهمة كبيرة ومعقدة إلى مهام فرعية أصغر يمكن حلها منفردة.
Orchestration
تنسيق عدة وكلاء أو أدوات للعمل معاً، وإدارة تدفق المعلومات بينها.
Multi-Agent System
نظام يتعاون فيه عدة وكلاء ذكاء اصطناعي، كل منهم يعالج جزءاً مختلفاً من المهمة، لإنجاز ما لا يستطيع واحد منهم إنجازه وحده.
🔹 مثال: وكيل يبحث أسعار المنافسين، وآخر يكتب التحليل، وثالث ينسق الشرائح، ورابع يجهز ملاحظات المتحدث.
Supervisor Agent
وكيل وظيفته تنسيق وكلاء آخرين وإدارتهم: توزيع المهام، ومراقبة التقدم، وجمع النتائج.
Handoff
عندما يمرر وكيل مهمة وسياقها إلى وكيل آخر، مثل عداء التتابع الذي يسلم العصا.
Tool Use / Function Calling
قدرة الوكيل على استخدام أدوات خارجية، مثل البحث، والاستعلام عن قواعد البيانات، وإرسال البريد، وتشغيل الكود، بدلاً من توليد نص من الذاكرة فقط.
State
الحالة أو البيانات الحالية للنظام في لحظة معينة. "الحفاظ على state" يعني تذكر أين تقف العملية.
Memory (Agent Memory)
آليات تسمح للوكيل بتذكر معلومات عبر التفاعلات: محادثات سابقة، وتفضيلات المستخدم، أو حقائق متعلمة.
💡 تشبيه: state ذاكرة قصيرة المدى لما يحدث الآن؛ memory ذاكرة طويلة المدى لما حدث عبر محادثات سابقة.
Session
تفاعل واحد مستمر بين مستخدم ونظام ذكاء اصطناعي. بدء chat جديد يعني بدء session جديدة.
Reflection
عندما يراجع الوكيل مخرجه، ويحدد أخطاء أو نقاط ضعف، ثم يحاول من جديد بتحسينات.
Retry / Fallback
Retry: محاولة الفعل نفسه مرة أخرى عند الفشل. Fallback: الانتقال إلى طريقة بديلة عندما تفشل الطريقة الأساسية مراراً.
Guardrails
قيود أمان تمنع الوكيل من أفعال ضارة أو غير مناسبة أو غير مفوضة. النسخة المالية من guardrails، مثل حدود الإنفاق وقوائم الموردين ومسارات التدقيق، هي authority envelope.
HITL (Human in the Loop)
نمط تصميم يراجع فيه إنسان أو يوافق أو يتدخل في نقاط حرجة من سير عمل الوكيل.
Reliability
مدى اتساق الوكيل في إنتاج نتائج صحيحة ومتوقعة. الوكيل الموثوق يصيب 99 مرة من 100، لا 60.
Verifiability
القدرة على فحص مخرج الوكيل وتأكيد صحته: الكود ينجح في الاختبارات، والأرقام تتطابق، والمراجع موجودة.
Auditability
القدرة على تتبع كل قرار وفعل اتخذه الوكيل، وفهم ما فعل ولماذا.
💡 تشبيه: كشف الحساب البنكي يتتبع كل معاملة. ومسار تدقيق الوكيل يتتبع كل استدعاء أداة وقرار ومخرج.
Workflow
تسلسل محدد من الخطوات يتبعه الوكيل لإكمال مهمة من البداية إلى النهاية.
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. يدعمها تقريباً كل إطار ذكاء اصطناعي أولاً.
TypeScript
امتداد typed ل JavaScript يستخدم في تطبيقات الويب والواجهات realtime. يغطيه الجزء 9 من الكتاب.
Frontend
جزء التطبيق الذي يراه المستخدمون ويتفاعلون معه: أزرار، وقوائم، ونصوص، وصور على الشاشة.
🔹 مثال: في Daraz.pk، صور المنتجات، وشريط البحث، وسلة التسوق، وصفحة الدفع هي frontend.
Backend
الجزء الذي يعمل خلف الكواليس: خوادم، وقواعد بيانات، ومنطق أعمال لا يراه المستخدم مباشرة.
Full-Stack
مطور أو تطبيق يتعامل مع frontend وbackend معاً.
API (Application Programming Interface)
مجموعة قواعد تسمح لبرامج مختلفة بالتواصل. APIs هي طريقة تفاعل الوكلاء مع العالم الخارجي.
SDK (Software Development Kit)
عدة أدوات جاهزة لتطوير تطبيقات على منصة معينة.
CLI (Command-Line Interface)
طريقة نصية للتعامل مع الحاسوب بكتابة أوامر بدلاً من النقر على أزرار.
🔹 مثال: بدلاً من سحب ملف إلى مجلد، تكتب
mv report.pdf documents/.
HTTP / HTTPS
بروتوكول اتصال الويب. كل زيارة موقع وكل API call تستخدم HTTP أو نسخته الآمنة HTTPS.
REST (Representational State Transfer)
معيار واسع الاستخدام لتصميم web APIs: بسيط، ومتوقع، ومبني على HTTP.
Endpoint
URL محدد تستقبل عنده API الطلبات. يعالج كل endpoint وظيفة واحدة.
Request / Response
Request: رسالة من العميل إلى الخادم تطلب شيئاً. Response: رد الخادم.
JSON (JavaScript Object Notation)
صيغة خفيفة وقابلة للقراءة لتخزين البيانات وتبادلها. إنها صيغة البيانات القياسية في عالم الذكاء الاصطناعي.
🔹 مثال:
{
"name": "Ahmed Khan",
"city": "Lahore",
"role": "Software Engineer"
}
كل جزء من البيانات له تسمية وقيمة واضحتان. تقرأ البرمجيات JSON بسهولة.
Schema
بنية أو مخطط تنظيم البيانات: ما الحقول، وما نوع كل حقل، وأيها مطلوب.
Validation
فحص أن البيانات تطابق schema المتوقع: الصيغة الصحيحة، والنوع الصحيح، ولا شيء ناقص.
Library / Package
كود جاهز كتبه وشاركه آخرون كي لا تكتب الوظائف الشائعة من الصفر.
Framework
عدة أدوات أكبر وأكثر تنظيماً من library. يوفر framework معمارية التطبيق ويحدد طريقة تنظيم الكود.
Dependency
مكتبة خارجية يحتاجها مشروعك كي يعمل.
Repo (Repository)
مجلد مشروع يتتبعه Git ويحتوي كل الكود والملفات وتاريخ التغييرات.
Git
نظام تحكم في الإصدارات يسجل كل تغيير في الكود: من غير ماذا ومتى ولماذا.
GitHub
منصة سحابية لاستضافة مستودعات Git، وأكبر منصة عالمية لمشاركة الكود والتعاون.
Environment Variable / .env
إعداد مخزن خارج الكود، غالباً في ملف .env، ويحمل معلومات حساسة مثل كلمات المرور وAPI keys.
Synchronous
عمليات تحدث واحدة تلو الأخرى، وينتظر كل خطوة انتهاء السابقة.
Asynchronous
عمليات يمكن أن تعمل بالتزامن. يبدأ البرنامج مهمة ويمضي بلا انتظار انتهائها.
Event-Driven Architecture
تصميم برمجي يستجيب للأحداث، أي الأشياء التي تقع، بدلاً من اتباع تسلسل جامد محدد مسبقاً.
Variable
حاوية مسماة في الكود تخزن قيمة. price = 500 يعني أن المتغير price يحمل 500.
Function
كتلة كود قابلة لإعادة الاستخدام تؤدي مهمة محددة: تقبل مدخلات، وتعمل، وتعيد مخرجاً.
Type Annotation
التصريح بنوع البيانات الذي يتوقعه متغير أو دالة: نص، أو رقم، أو قائمة، إلخ.
Dataclass
ميزة في Python لإنشاء حاويات بيانات منظمة ونظيفة، مثل قالب له حقول مسماة.
🔹 مثال:
@dataclass
class Student:
name: str
age: int
grade: strيمكنك الآن كتابة
student = Student("Ahmed", 20, "A")وتصبح البيانات منظمة وموسومة ومفحوصة النوع تلقائياً.
Decorator
ميزة في Python تُكتب ب @ وتضيف وظيفة إلى دالة أو صنف من دون تغيير كوده. @dataclass في المثال أعلاه decorator.
Syntax
قواعد لغة البرمجة: كيف يجب أن يُكتب الكود كي يفهمه الحاسوب.
Boilerplate
كود قياسي متكرر لازم للإعداد، لكنه لا يحتوي منطقك الفريد.
Linter
أداة تفحص الكود بحثاً عن أخطاء، ومخالفات أسلوب، ومشكلات محتملة، مثل مدقق قواعد للكود.
Debugging
العثور على الأخطاء البرمجية وإصلاحها.
Refactoring
إعادة تنظيم كود موجود ليصبح أنظف أو أكفأ من دون تغيير سلوكه.
pytest
أشهر إطار اختبار في Python. تكتب حالات اختبار تصف ما يجب أن يفعله الكود، ويتحقق pytest من أنه يفعل ذلك.
pyright
مدقق أنواع ل Python يضمن ألا تمرر نصاً حيث يتوقع رقم، فيلتقط الأخطاء قبل وقوعها.
ruff
linter وformatter سريع جداً ل Python يفرض أسلوب كود متسقاً ويلتقط الأخطاء الشائعة.
uv
مدير حزم Python حديث وسريع جداً لتثبيت الاعتماديات وإدارتها. يستبدل أدوات أقدم مثل pip في إدارة المشاريع.
pip
مثبت الحزم التقليدي المدمج في Python. الأمر pip install requests ينزل مكتبة requests من الإنترنت ويثبتها.
7. مصطلحات البيانات وقواعد البيانات
Database
مجموعة منظمة من البيانات مخزنة إلكترونياً ومصممة لتُبحث وتُحدث وتُدار بسهولة.
SQL (Structured Query Language)
اللغة القياسية للتواصل مع قواعد البيانات: طرح أسئلة، وإضافة سجلات، وتحديث بيانات.
Table / Row / Column
Table: مجموعة بيانات مرتبطة في صفوف وأعمدة. Row: سجل كامل واحد. Column: حقل واحد عبر كل السجلات.
🔹 مثال: جدول "Customers":
Name (column) City (column) Phone (column) Ahmed Khan (row 1) Karachi 0300-1234567 Sara Ali (row 2) Lahore 0321-9876543
Query
طلب بيانات محددة من قاعدة بيانات. كل عبارة SQL هي query.
PostgreSQL
قاعدة بيانات قوية ومجانية ومفتوحة المصدر، مستخدمة على نطاق واسع في تطبيقات الإنتاج ومنها خلفيات وكلاء الذكاء الاصطناعي.
NoSQL
قواعد بيانات تخزن البيانات بصيغ مرنة غير الجداول الصارمة، مثل المستندات أو key-value أو graphs.
Cache
طبقة تخزين عالية السرعة تحفظ نسخاً من البيانات كثيرة الاستخدام لتسريع الاسترجاع.
Queue / Message Broker
نظام يدير الرسائل بين مكونات التطبيق، ويضمن معالجة المهام بثقة وبالترتيب حتى تحت حمل عال.
Kafka
message broker مفتوح المصدر شائع لمعالجة تدفقات ضخمة من البيانات realtime، ويستخدم كثيراً في نشر الذكاء الاصطناعي المؤسسي.
Transaction
مجموعة عمليات قاعدة بيانات يجب أن تنجح كلها معاً أو تفشل كلها معاً، بلا حالة نصف منجزة.
Data Pipeline
تسلسل آلي من الخطوات ينقل البيانات من مصادر إلى وجهات ويحولها في الطريق.
ETL (Extract, Transform, Load)
نمط pipeline بيانات قياسي: Extract البيانات من المصادر → Transform تنظيفاً وإعادة هيكلة وإثراء → Load إلى نظام وجهة.
Persistent Storage
بيانات تبقى بعد انتهاء البرنامج أو إعادة تشغيل الحاسوب. الملفات على القرص دائمة؛ بيانات RAM تختفي عند الإغلاق.
8. مصطلحات السحابة والنشر
Cloud
خوادم وتخزين وخدمات تُستخدم عبر الإنترنت بدلاً من حاسوبك الخاص. "السحابة" تعني عملياً "حواسيب غيرك، مدارة باحتراف".
Cloud-Native
تطبيقات مصممة من الأساس للعمل على بنية سحابية، مستفيدة من التوسع والمرونة والخدمات المدارة.
Container
حزمة خفيفة ومعزولة تحتوي كل ما يحتاجه التطبيق للعمل: الكود، والمكتبات، والإعدادات، بحيث يعمل بالطريقة نفسها في كل مكان.
Docker
أشهر أداة لإنشاء containers وتشغيلها. تعرف متطلبات تطبيقك في Dockerfile، وتبني image، وتشغلها Docker على أي جهاز بالطريقة نفسها.
Docker Image
قالب read-only لإنشاء containers. image هي الوصفة، وال container العامل هو الطبق المطبوخ.
Dockerfile
ملف نصي يحتوي تعليمات خطوة بخطوة لبناء Docker image، مثل بطاقة وصفة.
Kubernetes (K8s)
نظام لإدارة آلاف containers على نطاق واسع، يشغلها ويوقفها ويوزعها ويعالج أعطالها تلقائياً عبر الخوادم.
KEDA
Kubernetes Event-Driven Autoscaling: أداة توسع pods صعوداً أو هبوطاً حسب الأحداث الواردة، مثل عمق queue، لا CPU فقط.
StatefulSets
ميزة في Kubernetes لإدارة containers تحتاج هوية دائمة وتخزيناً ثابتاً، بخلاف stateless containers التي يمكن استبدالها.
Pod
أصغر وحدة في Kubernetes: container واحد أو أكثر يعملون معاً ويتشاركون الموارد.
Service (Kubernetes)
endpoint شبكي ثابت يوجه الحركة إلى pods الصحيحة حتى وهي تُنشأ وتُدمر.
Ingress
نقطة دخول توجه حركة الويب الخارجية إلى الخدمة الصحيحة داخل Kubernetes cluster.
Deployment
جعل تطبيق متاحاً للمستخدمين الحقيقيين بنقله من حاسوب التطوير إلى خوادم سحابية.
Autoscaling
إضافة موارد حوسبة أو إزالتها تلقائياً حسب الطلب.
Microservice
خدمة صغيرة مستقلة تؤدي وظيفة واحدة محددة. تتجمع microservices كثيرة لتكوين تطبيق كامل.
Serverless
حوسبة سحابية يدير فيها المزود البنية كلها. تكتب الكود فيعمل. لا تفكر في الخوادم أو التوسع أو الصيانة.
Dapr
وقت تشغيل مفتوح المصدر يبسط تطوير microservices بتوفير قدرات شائعة جاهزة مثل messaging وstate management وsecrets.
Ray
إطار Python لتوسيع أحمال الذكاء الاصطناعي عبر عدة أجهزة، موزعاً التدريب والاستدلال على cluster.
IaC (Infrastructure as Code)
إدارة البنية التحتية عبر ملفات إعداد بدلاً من النقر اليدوي في لوحات مزودي السحابة.
Terraform
أداة IaC شائعة لتعريف ونشر البنية السحابية عبر أي مزود، مثل AWS وAzure وGCP، باستخدام الكود.
Cloudflare R2
خدمة تخزين objects من Cloudflare، مستخدمة في هذا الكتاب لتخزين قواعد معرفة الوكلاء وتقديم المحتوى عالمياً بزمن استجابة منخفض.
Cloudflare Workers
دوال serverless تعمل على شبكة Cloudflare العالمية، قريبة من المستخدمين، وتستخدم في هذا الكتاب ل API endpoints خفيفة وخدمات ترجمة.
CI/CD (Continuous Integration / Continuous Delivery)
CI: اختبار الكود تلقائياً كلما غيّر مطور شيئاً. CD: نشر الكود المختبر إلى الإنتاج تلقائياً.
🔹 مثال: يدفع مطور الكود إلى GitHub الساعة 2 PM. يشغل CI 200 اختبار في 3 دقائق. تنجح كلها. ينشر CD النسخة الجديدة. يحصل المستخدمون على التحديث عند 2:10 PM.
Production
البيئة الحية حيث يتفاعل المستخدمون الحقيقيون مع التطبيق. إذا تعطل شيء في production، يتأثر عملاء حقيقيون.
Staging
بيئة اختبار تحاكي production لاكتشاف الأخطاء قبل وصولها إلى المستخدمين.
Local Development
تشغيل البرمجيات واختبارها على حاسوبك قبل نشرها في أي مكان.
Infrastructure
موارد الحوسبة الأساسية التي تعمل عليها التطبيقات: خوادم، وشبكات، وتخزين، وقواعد بيانات.
Scalability
قدرة النظام على تحمل أحمال متزايدة بإضافة موارد من دون تدهور الأداء.
9. مصطلحات realtime ووكلاء الصوت
Realtime
معالجة البيانات والاستجابة لها فور وصولها وبأقل تأخير، بخلاف batch processing حيث تُجمع البيانات وتُعالج لاحقاً.
Streaming
إرسال البيانات باستمرار في قطع صغيرة أثناء توفرها، بدلاً من انتظار النتيجة الكاملة.
WebSocket
بروتوكول اتصال يحافظ على اتصال دائم ثنائي الاتجاه بين العميل والخادم؛ يستطيع الطرفان إرسال الرسائل في أي وقت.
SSE (Server-Sent Events)
تقنية تسمح للخادم بدفع تحديثات realtime إلى العميل عبر اتصال HTTP قياسي باتجاه واحد.
Event Stream
تدفق مستمر من الأحداث، مثل نقاط بيانات أو إشعارات أو تغيرات حالة، يستمع إليه النظام ويتفاعل معه في realtime.
Voice Agent
وكيل ذكاء اصطناعي يتواصل بالكلام: يستمع إلى صوتك، ويفهمه، ويرد بصوت.
ASR (Automatic Speech Recognition)
تقنية تحول الكلام المنطوق إلى نص.
STT (Speech to Text)
مصطلح آخر ل ASR: تحويل الكلام المنطوق إلى نص مكتوب.
TTS (Text to Speech)
تحويل النص المكتوب إلى صوت منطوق: عكس STT.
VAD (Voice Activity Detection)
تقنية تكتشف متى يتكلم شخص ومتى يكون هناك صمت، كي يعرف النظام متى يستمع ومتى انتهى المتحدث.
Transcription
النص المكتوب الناتج من تحويل الكلام إلى نص، أي المستند الذي تنتجه ASR.
Synthesis (Speech)
توليد صوت منطوق طبيعي من نص، وهو الصوت الذي تنتجه TTS.
Turn-Taking
إدارة من يتكلم ومتى في محادثة صوتية. ينتظر النظام انتهاء الإنسان ثم يرد.
Interruption / Barge-In
عندما يبدأ المستخدم الكلام بينما لا يزال الذكاء الاصطناعي يرد، فيقاطعه. وكلاء الصوت المصممون جيداً يتوقفون فوراً ويستمعون.
10. مصطلحات الأمن والسلامة والمؤسسات
Authentication (AuthN)
التحقق من هوية شخص أو نظام.
Authorization (AuthZ)
تحديد ما يُسمح للكيان الموثق بفعله.
OAuth
بروتوكول واسع الاستخدام يسمح لك بمنح وصول محدود إلى حساباتك من دون مشاركة كلمة المرور.
API Key
رمز فريد يحدد من يرسل API request، مثل كلمة مرور للتواصل بين البرمجيات. عامله ك PIN بنكي ولا تنشره.
Secret
أي اعتماد حساس، مثل API keys أو كلمات المرور أو tokens، يجب إبقاؤه سرياً. يُخزن في environment variables لا في الكود.
RBAC (Role-Based Access Control)
نظام أمان تُسند فيه الأذونات إلى أدوار، ويُسند المستخدمون إلى أدوار، لا إلى أذونات فردية.
Least Privilege
منح المستخدمين أو الوكلاء أو الأنظمة الحد الأدنى فقط من الأذونات اللازمة لعملهم.
PII (Personally Identifiable Information)
بيانات يمكن أن تحدد شخصاً بعينه، مثل الاسم، والبريد، والهاتف، وCNIC، والعنوان، والبيانات الحيوية.
Compliance
اتباع القوانين واللوائح والمعايير الصناعية ذات الصلة.
Policy
مجموعة قواعد تحدد المسموح والممنوع داخل النظام، مشفرة في الإعدادات لا مكتوبة في مستند فقط.
Prompt Injection
هجوم أمني يخدع نموذج الذكاء الاصطناعي كي يتجاهل تعليماته الأصلية ويتبع أوامر المهاجم.
Jailbreak
تقنية لتجاوز قيود السلامة في نموذج ذكاء اصطناعي ومحاولة جعله ينتج محتوى صُمم لرفضه.
Data Leakage
تعرض معلومات حساسة أو سرية بالخطأ، مثل ظهور بيانات عملاء خاصة في رد عام.
Sandboxing
تشغيل كود أو وكيل داخل بيئة معزولة لا يستطيع الوصول منها إلى النظام الأوسع أو التأثير فيه.
Audit Trail
سجل زمني لكل فعل اتخذه نظام: من فعل ماذا، ومتى، ولماذا. ضروري ل compliance والتنقيح.
هذه تسعة مداخل جديدة تدعم الأطروحة المحدثة. يُنصح بإضافتها كقسم جديد 11. Agentic Commerce and Payments 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 تسمح لهم بالدفع مقابل الحوسبة والبيانات والخدمات ذاتياً، داخل غلاف السلطة الذي يحدده مشرفهم البشري. يعود كل مصطلح هنا إلى قسم الوكلاء كفاعلين اقتصاديين في الأطروحة.
Agentic Commerce
التحول الواسع من بشر ينقرون "buy" إلى وكلاء ذكاء اصطناعي ينفذون الشراء نيابة عنهم. يشمل معاملات وكيل إلى شركة، ومعاملات وكيل إلى وكيل.
Agents as Economic Actors
ادعاء الأطروحة أن AI Workers سيتوقفون عن كونهم أدوات ويصبحون مشاركين في الأسواق: يكتشفون الخدمات، ويتفاوضون، ويدفعون، ويوقعون عقوداً ضمن الميزانيات التي يضعها المشرف البشري.
Authority Envelope
مجموعة القواعد التي تحدد ما يسمح للوكيل بفعله نيابة عن إنسان: حدود إنفاق، وموردون معتمدون، وموافقات لازمة، ومتطلبات تدقيق.
Trust Layer
البنية التي تسمح للمؤسسات بتفويض سلطة الشراء للوكلاء بأمان: تفويضات موقعة، ومسارات تدقيق، وتسوية نزاعات، وأطر مسؤولية، ومطابقة. قنوات الدفع موجودة؛ طبقة الثقة هي الفجوة التي تسابق الصناعة لسدها في 2026.
Signed Mandate
بيان موقّع تشفيرياً وقابل للتحقق يحدد ما يحق للوكيل فعله نيابة عن الأصيل: ماذا يشتري، وكم ينفق، ومن من، وتحت أي شروط. يكون قابلاً للنقل والتحقق والإلغاء.
ACP (Agentic Commerce Protocol)
معيار مفتوح طورته OpenAI وStripe لتوحيد تدفقات checkout بين وكلاء الذكاء الاصطناعي والتجار. نُشر أولاً في Instant Checkout داخل ChatGPT، ويتوسع عبر Shopify وPayPal.
AP2 (Agent Payments Protocol)
معيار مفتوح طورته Google مع أكثر من 60 شريكاً لطبقة تفويض مدفوعات الوكلاء. يحدد AP2 كيف تُوقع mandates وتُتحقق وتُنفذ عبر الأنظمة. لا يحرك المال بنفسه؛ بل يقرر هل يُسمح للوكيل بتحريك المال.
x402
بروتوكول أنشأته Coinbase يعيد استخدام حالة HTTP 402 "Payment Required" لتمكين مدفوعات stablecoin فورية عبر HTTP. مصمم للمعاملات الصغيرة بين الآلات، مثل وكيل يدفع لكل API call.
MPP (Machine Payments Protocol)
معيار مفتوح طورته Stripe وTempo، أُطلق في 18 مارس 2026. يشترك مع x402 في آلية HTTP 402 لكنه محايد لطريقة الدفع، ويدعم stablecoins والبطاقات والمحافظ وShared Payment Tokens. يقدم نموذج sessions يتيح للوكيل تفويض حد إنفاق مسبق وبث مدفوعات صغيرة داخله.
12. المراقبة والجودة وLLMOps
LLMOps
ممارسات تشغيلية لنشر تطبيقات LLM ومراقبتها وصيانتها في الإنتاج. مثل DevOps لكن لأنظمة الذكاء الاصطناعي، مع إدارة إصدارات النماذج وprompts والتقييم والانحراف.
Logging
تسجيل الأحداث والأفعال والأخطاء أثناء تشغيل النظام. السجلات هي "مذكرات" التطبيق العامل.
Tracing
تتبع طلب واحد عبر كل خدمة وخطوة يمر بها، من رسالة المستخدم إلى الاستجابة النهائية.
Telemetry
جمع بيانات الأداء تلقائياً من نظام عامل وإرسالها، مثل CPU، وزمن الاستجابة، ومعدلات الخطأ، واستهلاك الذاكرة.
Observability
القدرة على فهم ما يحدث داخل النظام بفحص مخرجاته الخارجية، مثل logs وmetrics وtraces.
Evaluation / Evals
اختبار منهجي لجودة مخرجات نظام الذكاء الاصطناعي، وقياس الدقة، والفائدة، والسلامة، والاتساق مقابل معايير محددة.
Offline Eval / Online Eval
Offline eval: اختبار على حالات معدة مسبقاً قبل النشر. Online eval: مراقبة الجودة أثناء التشغيل وخدمة المستخدمين الحقيقيين.
A/B Testing
مقارنة نسختين بعرض Version A على نصف المستخدمين وVersion B على النصف الآخر، ثم قياس الأفضل.
Regression Test
التحقق من أن التغييرات الجديدة لم تكسر وظيفة كانت تعمل من قبل.
Prompt Versioning
تتبع تغييرات prompts بمرور الوقت، مثل التحكم في إصدارات الكود. قد يتصرف الإصدار 1 من prompt بصورة مختلفة تماماً عن الإصدار 5.
Model Versioning
تتبع نسخة نموذج الذكاء الاصطناعي المستخدمة. تحديثات النماذج قد تغير السلوك.
Drift
تدهور تدريجي في أداء النظام مع الوقت، غالباً لأن بيانات العالم الحقيقي تغيرت عن بيانات التدريب.
Monitoring
مراقبة صحة النظام باستمرار: الأخطاء، والبطء، والشذوذ، والسلوك غير المتوقع في realtime.
SLA (Service Level Agreement)
التزام رسمي بأداء النظام، عادة في uptime وزمن الاستجابة والتوفر.
SLO (Service Level Objective)
هدف أداء داخلي، غالباً أشد من SLA الخارجي، كي تحقق التزامات العملاء بهامش أمان.
Incident
حدث غير مخطط يعطل الخدمة أو يضعفها، مثل crash أو فقد بيانات أو خرق أمني أو مشكلة أداء كبيرة.
Rollback
إرجاع النظام إلى نسخة سابقة معروفة بأنها جيدة عندما يسبب تحديث جديد مشكلات.
13. البروتوكولات والمعايير
AAIF / Agentic AI Foundation
مبادرة من Linux Foundation توفر حوكمة محايدة لمعايير الذكاء الاصطناعي المفتوحة، بما فيها MCP وAGENTS.md وغيرهما. من أعضائها البلاتينيين AWS وAnthropic وBlock وBloomberg وCloudflare وGoogle وMicrosoft وOpenAI.
A2A (Agent-to-Agent Protocol)
بروتوكول يمكّن وكلاء الذكاء الاصطناعي من اكتشاف بعضهم، والتواصل، وتفويض المهام، ومشاركة النتائج مباشرة.
OpenAPI
معيار لوصف REST APIs بصيغة قابلة للآلة، كي يفهم البشر والبرمجيات ما تفعله API، وما مدخلاتها، وما مخرجاتها.
14. مصطلحات الأعمال والمنتج والاستراتيجية
SaaS (Software as a Service)
برمجيات تُقدم عبر الإنترنت باشتراك. تسجل الدخول وتستخدمها بلا تثبيت.
Per-Seat Software
نموذج تسعير يفرض رسوماً عن كل مستخدم يدخل إلى البرمجيات.
Workflow Automation
استخدام التقنية لأداء مهام متكررة تلقائياً بلا تدخل بشري.
ROI (Return on Investment)
مقدار القيمة التي تعود إليك مقارنة بما أنفقته.
Operating Model
كيف تنظم المؤسسة أشخاصها وعملياتها وتقنيتها لتقديم القيمة. تقترح أطروحة Agent Factory نموذج تشغيل جديداً: فرقاً هجينة من البشر والوكلاء.
Monetization
توليد إيراد من منتج أو خدمة. يعلّم الكتاب استراتيجيات متعددة لتحقيق دخل من الذكاء الاصطناعي.
Managed Subscription
نموذج رسوم متكررة يدفع فيه العملاء شهرياً أو سنوياً لحل ذكاء اصطناعي يستضيفه المزود ويصونه ويحدثه ويشغله.
Success Fee
نموذج تسعير يرتبط الدفع فيه بتحقيق نتائج محددة: تدفع أو تدفع علاوة عندما يسلم الحل نتائج قابلة للقياس.
Enterprise License
اتفاقية ترخيص للمؤسسات الكبيرة، غالباً مع خصومات حجم، وتخصيص، ودعم مخصص، وضمانات امتثال.
Skill Marketplace
سوق يبيع فيه المطورون أو يشاركون مهارات وكلاء قابلة لإعادة الاستخدام، مثل ملفات SKILL.md، وplugins، وconnectors.
Domain Expertise
معرفة عميقة بمجال أو صناعة محددة: مصطلحات، ولوائح، وسير عمل، وآلام، وديناميات تنافسية.
Reusable Intellectual Property
أدوات أو أطر أو قوالب أو إعدادات وكلاء مملوكة يمكن استخدامها عبر عدة عملاء أو مشاريع، فتخلق قيمة مركبة مع كل انخراط.
Hybrid Workforce
نموذج تنظيمي يعمل فيه الموظفون البشر وDigital FTEs جنباً إلى جنب، كل منهم يعالج ما يجيده. البشر يقدمون الحكم والإبداع؛ والوكلاء يقدمون النطاق والاتساق.
Outcome-Based Pricing
التسعير بناء على النتائج المحققة بدلاً من الوقت المصروف أو الميزات المستخدمة. يرى الكتاب أن هذا مستقبل خدمات الذكاء الاصطناعي.
Gain-Share Model
ترتيب تسعير يحصل فيه المزود على نسبة من التوفير أو الإيراد القابل للقياس الذي يحققه الحل.
Hyperscaler
أكبر مزودي السحابة، مثل AWS وAzure وGoogle Cloud، ببنية عالمية ضخمة تخدم مليارات المستخدمين.
Go-to-Market (GTM)
الاستراتيجية الكاملة لإيصال منتج إلى العملاء: التموضع، والتسعير، وقنوات التوزيع، ونهج المبيعات.
Consultative Selling
نهج مبيعات تفهم فيه مشكلة المشتري بعمق قبل اقتراح حل، كمستشار موثوق لا كبائع يدفع منتجاً.
Agile Development
نهج تكراري لبناء البرمجيات: تسليم زيادات صغيرة بسرعة، وجمع تغذية راجعة، والتعديل، والتكرار.
Stakeholder
كل من له مصلحة في مشروع أو تأثير عليه: عملاء، ومديرون، ومستثمرون، وفريق، ومنظمون، ومستخدمون نهائيون.
Vertical Market
قطاع صناعي محدد له متطلبات فريدة، مثل الصحة، أو المصارف، أو النسيج، أو اللوجستيات، أو التعليم.
15. أدوات ومنتجات مذكورة
Claude
عائلة نماذج الذكاء الاصطناعي من Anthropic. Claude Opus هو الأكثر قدرة؛ Claude Sonnet يوازن القدرة والسرعة؛ Claude Haiku هو الأسرع والأوفر.
GPT
عائلة نماذج OpenAI، مثل GPT-4 وGPT-5، وتشغل ChatGPT وكثيراً من التطبيقات.
Gemini
عائلة نماذج Google، مدمجة في منتجات Google ومتاحة عبر API.
Anthropic
شركة سلامة ذكاء اصطناعي تبني Claude. تأسست في 2021 ومقرها San Francisco.
OpenAI
الشركة التي تبني GPT وChatGPT. تأسست في 2015.
OpenAI Agents SDK
عدة OpenAI لبناء وكلاء ذكاء اصطناعي برمجياً، ويغطيها الجزء 6 من هذا الكتاب.
Google ADK (Agent Development Kit)
عدة Google لبناء وكلاء ذكاء اصطناعي باستخدام نماذج Gemini.
FastAPI
إطار Python حديث وسريع لبناء APIs، ويستخدم كثيراً في خلفيات وكلاء الذكاء الاصطناعي. يغطى بالتفصيل في الجزء 6.
Docusaurus
مولد مواقع ثابتة من Meta لإنشاء مواقع توثيق. بُني هذا الكتاب باستخدام Docusaurus.
Markdown
لغة تنسيق نص بسيطة تستخدم رموزاً مثل # للعناوين، و** للخط العريض، و- للقوائم. إنها اللغة المشتركة للتوثيق التقني.
VS Code (Visual Studio Code)
محرر كود مجاني وشائع من Microsoft، يستخدم كثيراً إلى جانب Claude Code.
AWS (Amazon Web Services)
منصة الحوسبة السحابية من Amazon، وأكبر مزود سحابي في العالم.
GCP (Google Cloud Platform)
منصة الحوسبة السحابية من Google.
Azure
منصة الحوسبة السحابية من Microsoft.
Cloudflare
شركة بنية تحتية وأمن سحابي توفر CDN، وحوسبة حافة، وR2 storage، وWorkers. تُستخدم بكثرة في معمارية النشر في الكتاب.
أنت جاهز. لا تحتاج إلى حفظ أي من هذا. ضع إشارة مرجعية على هذه الصفحة. أثناء قراءة الكتاب، ستصبح المصطلحات التي تبدو مجردة اليوم طبيعية عبر الممارسة العملية.
أفضل طريقة لتعلم اللغة هي استخدامها.
لنبدأ البناء.