يشهد توجيه نماذج الذكاء الاصطناعي داخل المؤسسات تحولاً لافتاً مع انتقاله من قواعد ثابتة إلى أنظمة تتعلم من النتائج الفعلية. ويقدم إطار مفتوح المصدر جديد يسمى Agent-as-a-Router، إلى جانب تطبيقه العملي ACRouter، مقاربة مختلفة تهدف إلى إرسال كل مهمة إلى النموذج الأكثر ملاءمة لها، بما يوازن بين الأداء والتكلفة بدلاً من الاعتماد المستمر على النماذج الأعلى سعراً.
الفكرة الأساسية بسيطة من حيث المبدأ لكنها مهمة في التطبيق: ليست كل المهام تحتاج إلى أكبر نموذج أو أغلاه، كما أن النموذج الأرخص ليس بالضرورة مناسباً لكل سيناريو. في بيئات العمل التي تجمع بين البرمجة وتحليل البيانات والأنظمة الوكيلة، قد ينجح نموذج متوسط الكلفة في مهمة معينة بينما يتفوق نموذج متقدم في مهمة أخرى أكثر تعقيداً. هنا تظهر أهمية التوجيه الذكي.
مشكلة التوجيه الثابت في البنية التحتية للذكاء الاصطناعي
تعتمد كثير من فرق التطوير اليوم على أسلوبين رئيسيين لتوجيه الطلبات بين النماذج. الأول هو القواعد اليدوية، حيث يحدد المهندس شروطاً مسبقة: إذا احتوى الطلب على كلمات معينة يذهب إلى نموذج محدد، وإذا لم يفعل ينتقل إلى نموذج آخر. أما الأسلوب الثاني فيقوم على مصنفات تدريبية ثابتة تتعلم من بيانات تاريخية ثم تتنبأ بالنموذج المناسب بناءً على تمثيل الطلب النصي.
المشكلة في النهجين أنهما يظلان ثابتين بعد النشر. فهما لا يلتقطان ما إذا كانت المهمة قد نجحت فعلاً، ولا يستفيدان من نتائج التنفيذ الحقيقية. وعندما تتغير طبيعة الاستخدام أو تتبدل خصائص النماذج نفسها، يصبح التوجيه القديم أقل دقة. هذه الفجوة تظهر بوضوح في مهام البرمجة والأنظمة الوكيلة، حيث لا يكفي فهم النص وحده لمعرفة ما إذا كان الناتج قابلاً للتنفيذ.
كما أن هذا النوع من الأنظمة يواجه ثلاث مشكلات متكررة: أولها أن ذاكرة القرار لا تتطور بعد الإطلاق، وثانيها ضعف التعميم عندما تنتقل البيانات من بيئة الاختبار إلى بيئة العمل الفعلية، وثالثها أن أي تغيير في قائمة النماذج المتاحة قد يجعل التوجيه السابق غير صالح بسرعة.
Agent-as-a-Router: التوجيه كعملية تعلم مستمرة
يقترح الإطار الجديد التعامل مع الموجّه نفسه كوكيل يتعلم أثناء التشغيل، لا كمجرد فاصل تصنيفي. ويقوم هذا المنهج على حلقة من ثلاث مراحل: السياق، ثم الفعل، ثم التغذية الراجعة. عند وصول طلب جديد، يفحص النظام تفاصيل المهمة وخصائصها، ثم يبحث في ذاكرته عن مهام مشابهة سبق أن نجحت أو فشلت مع نماذج معينة، وبعد ذلك يختار النموذج الأنسب لتنفيذ المهمة.
الخطوة الحاسمة تأتي بعد التنفيذ. فالنظام لا يكتفي بالتخمين، بل يراقب النتيجة النهائية داخل بيئة قابلة للتحقق، مثل مفسر بايثون أو قاعدة بيانات أو بيئة وكيلة، ثم يسجل النتيجة في الذاكرة لتصبح جزءاً من قراراته اللاحقة. بهذه الطريقة يتراكم لدى الموجّه تاريخ عملي مبني على النجاح والفشل الفعليين، لا على افتراضات مسبقة فقط.
هذا التصميم يغير طبيعة التوجيه من قرار لحظي جامد إلى عملية تراكمية تتكيف مع الواقع. فإذا فشل نموذج أقل كلفة في تنفيذ استعلام SQL معقد بسبب خطأ في اسم عمود أو بنية غير صحيحة، يمكن للنظام تسجيل هذا الفشل والاعتماد على نموذج أقوى في الطلبات المشابهة لاحقاً. وفي المقابل، إذا أثبت نموذج أخف وزناً نجاحه في فئة معينة من المهام، يمكن توجيه المزيد من الطلبات إليه لتقليل الكلفة.
ACRouter: تطبيق عملي يعتمد على الذاكرة والتحقق
النسخة العملية من هذا التصور هي ACRouter، وتتكون من ثلاثة مكونات رئيسية: المنسق، والمتحقق، والذاكرة. الذاكرة مبنية على مخزن متجهي يسمح باستدعاء التجارب السابقة ذات الصلة. أما المنسق فهو المسؤول عن اختيار النموذج المستهدف بناءً على الطلب الحالي وما استرجعه من تاريخ سابق. بينما يتولى المتحقق تقييم النتيجة وإنتاج إشارة واضحة حول النجاح أو الفشل.
إلى جانب ذلك، يربط النظام طبقة أدوات ببيئات التنفيذ الفعلية حتى يتمكن من تشغيل الكود أو الاستعلام واختبار ما إذا كانت النتيجة قابلة للعمل. هذه النقطة مهمة لأن الإشارة الراجعة في هذا السياق ليست نظرية أو انطباعية، بل ناتجة من تنفيذ فعلي يمكن التحقق منه.
والمثير للاهتمام أن المنسق نفسه ليس نموذجاً ضخماً مكلفاً. فقد استخدم الباحثون وحدة خفيفة نسبياً مبنية على Qwen 3.5 بحجم 0.8 مليار معامل فقط، ما يعني أن هذا الجزء من النظام يمكن استضافته محلياً دون الحاجة إلى بنية حوسبة ثقيلة مثل تلك المطلوبة لتشغيل النماذج الكبرى مباشرة في كل قرار توجيه.
نتائج الاختبار: كلفة أقل وأداء أفضل في المهام المعقدة
لاختبار الإطار الجديد، جرى بناء بيئة تقييم تضم نحو عشرة آلاف مهمة موزعة على نماذج رائدة متعددة، مع الفصل بين مهام داخل التوزيع واختبارات خارج التوزيع أكثر تعقيداً. تضمنت هذه البيئة مهاماً في التصميم الخوارزمي، وتوليد الاختبارات، والتنقل في ملفات متعددة، وتصحيح أخطاء متسلسلة، وهي سيناريوهات تمثل واقع العمل التطبيقي أكثر من الاختبارات المختبرية البسيطة.
النتيجة الأساسية كانت واضحة: لا يوجد نموذج واحد يهيمن على كل الفئات. بعض النماذج تتفوق في مهام محددة، بينما تتأخر في أخرى. وهذا بالضبط ما يجعل التوجيه الذكي مهماً، لأن الاعتماد على نموذج واحد باهظ الثمن لكل شيء يرفع الكلفة من دون ضمان أفضل نتيجة في كل مرة.
في الاختبارات، تفوق ACRouter على الموجهات الثابتة وعلى استراتيجية التوجيه الافتراضي إلى النماذج الأعلى سعراً. وعلى مجموعة المهام الداخلية، سجل النظام كلفة إجمالية بلغت 13.21 دولاراً مقابل 34.02 دولاراً عندما جرى الاعتماد المستمر على نموذج ممتاز عالي الكلفة، أي وفراً يقارب 2.6 مرة. وفي الوقت نفسه حقق النظام أقل خسارة تراكمية، ما يشير إلى قرارات توجيه أكثر اتساقاً مع الزمن.
هذا النوع من النتائج يحمل أهمية عملية لفرق الهندسة والمنتجات التي تدير أحمال عمل متنوعة. فالشركات لا تحتاج دائماً إلى استخدام النماذج الرائدة في كل طلب، بل إلى بنية تعرف متى تستدعيها ومتى تكتفي بخيارات أقل تكلفة. ومع تطور نماذج الأساس بوتيرة سريعة، تصبح هذه القدرة على التكيف أكثر قيمة من أي وقت مضى.
متى يفيد هذا النهج ومتى لا يكون مناسباً
رغم جاذبيته، لا يصلح هذا النهج لكل حالات الاستخدام. فهو يبرز بشكل خاص في المهام القابلة للتحقق، حيث يمكن للنظام الحصول على إشارة نجاح أو فشل واضحة من البيئة. وهذا يجعله مناسباً للبرمجة، واسترجاع البيانات، والتطبيقات التي تتغير فيها الأنماط أو تتعدد فيها أفضلية النماذج حسب نوع المهمة.
أما في المهام البسيطة جداً، فقد لا تكون التعقيدات الإضافية للتوجيه المتعلم ضرورية. كما أنه أقل ملاءمة للمجالات ذات الأحكام الذاتية مثل الكتابة الإبداعية، لأن التقييم فيها لا ينتج عادة إشارة موضوعية واضحة يمكن تحويلها إلى تغذية راجعة قابلة للمعالجة.
ومع ذلك، فإن الرسالة الأوسع لهذا التطور تبقى مهمة: مستقبل البنية التحتية للذكاء الاصطناعي لا يدور فقط حول بناء نماذج أكبر، بل أيضاً حول بناء طبقات أذكى قادرة على اختيار النموذج المناسب في الوقت المناسب. وفي هذا السياق، يبدو التوجيه القائم على الذاكرة والتغذية الراجعة أحد الاتجاهات الواعدة لتقليل الهدر وتحسين النتائج في آن واحد.
كما أن إتاحة الكود والأوزان بشكل مفتوح تعطي الفرق التقنية فرصة لتجربة الفكرة وتكييفها داخل بيئاتها الخاصة. وإذا أثبتت هذه المقاربة أنها قابلة للتوسيع في سيناريوهات إنتاجية أكثر، فقد تتحول من تجربة بحثية إلى مكوّن أساسي في بنية الذكاء الاصطناعي المؤسسي خلال المرحلة المقبلة.