تقدير المشروع
← كل المقالات

كيف وجدتُ طريقي إلى البرمجة الوكيلية (Agentic Coding)

قد يكون الحجم الهائل لأدوات الذكاء الاصطناعي وأخباره مربكًا. ومع ذلك، إذا أردنا البقاء في المقدمة، فعلى كل منا مواصلة النمو واختبار أدوات جديدة والتجريب. كان الناس يسخرون يومًا ممن يستخدمون IDE – فكل ما كان يهم هو محرر جيد وسريع – لكن العالم تقدم، ولم يعد IDE ترفًا.

10 دقائق قراءة
تعلّم الآلةالذكاء الاصطناعيالبرمجة الوكيلية (Agentic Coding)

اهتممتُ بالذكاء الاصطناعي مبكرًا إلى حد ما. أذكر أنني حضرتُ مؤتمرًا في بلغراد عام 2016، كانت روبوتات الدردشة وكيفية تغييرها للعالم موضوعًا ساخنًا فيه.

وهناك أيضًا سمعتُ لأول مرة عن Watson من IBM – إحدى أولى أدوات الذكاء الاصطناعي، رغم أن أحدًا لم يكن يسميها بذلك آنذاك.

الخطوات الأولى

أذكر محاولاتي الأولى لربط Watson ببوت شركتنا لتحسين التواصل. كانت محاولات متعثرة لتطويع الذكاء الاصطناعي لأهدافي، ولأنني لست مهندس تعلّم آلة، كانت مفاهيم كثيرة ببساطة فوق مستواي. لم يكن نظامًا للجميع – فاستخدامه كان يتطلب قدرًا من المعرفة بتعلّم الآلة.

وأذكر مدى انبهاري بما يستطيع الذكاء الاصطناعي فعله عندما صدر ChatGPT. وأظن أنني لم أكن الوحيد المفتون بقوة الذكاء الاصطناعي. فالانتقال من Watson إلى ChatGPT كان أشبه بمبادلة سيارة قديمة بسيارة قديمة أفضل قليلًا.

كان ChatGPT يعمل ببساطة – تسأل شيئًا وتتلقى إجابة، دون حاجة إلى حيل برمجية معقدة – أداة للجميع!

وعلى الفور ربطتُه ببوت شركتنا ليصبح «أذكى». وقد أدى التكامل عملًا رائعًا في المحادثات العادية. كان بإمكانك طرح الأسئلة مباشرة من Slack لدينا والتحدث مع البوت في سلسلة رسائل (thread)، ولا يزال الناس يفعلون ذلك حتى اليوم.

لكن ما كان ينقصني هو المعرفة السياقية بما يستطيع البوت نفسه فعله – وكان لديه عدد لا بأس به من الوظائف التي تدعم عمل شركتنا. وكانت محاولة تطويع ChatGPT ليفهم بشكل أفضل كيف تعمل شركتنا صعبة تمامًا كما كانت مع Watson.

ومع ذلك، انبهرتُ بقدرة ChatGPT على توليد الشيفرة (وكان ذلك آنذاك لا يزال داخل نافذة الدردشة) وبمدى جودة شرحه لتعقيدات الشيفرة، خاصة بلغة لم أكن أعرفها (كنتُ أتعلم TypeScript حينها).

وبطبيعة الحال، لاحظتُ سريعًا أن الذكاء الاصطناعي يخطئ أو، كما نقول اليوم، يهلوس. فبعد لصقها في محرر IDE، كثيرًا ما تبيّن أن الشيفرة المولَّدة تحتوي على أخطاء ولا تُترجم (compile)، وهكذا. فكنتُ أعود إلى نافذة الدردشة وأحاول بجهد جهيد الحصول على نتيجة تعمل، ناسخًا نسخة تلو أخرى من الشيفرة إلى المحرر ومتحققًا مما إذا كانت تعمل.

كان اكتشاف أن ChatGPT يستطيع كتابة شيفرة Python وتنفيذها بمثابة كشف لي. فقد مكّنني من العمل أسرع: كنتُ أولّد حلًا بلغة Python، وأختبره من جانب ChatGPT، ثم أجعل الذكاء الاصطناعي يترجمه إلى TypeScript – وهو ما لم ينجح جيدًا، كما قد تخمّن. لكنه أتاح لي التجريب بسرعة أكبر لمعرفة ما ينجح وما لا ينجح، وإن لم تخني الذاكرة فهذه الميزة لا تزال موجودة.

البرمجة بمساعدة الذكاء الاصطناعي

ربما جاءت أكبر إثارة عندما أطلق Copilot إضافة لـ IntelliJ IDEA تُدخل الذكاء الاصطناعي مباشرة إلى IDE، سواء كدردشة أو كإكمال للشيفرة. كانت القفزة في الإنتاجية مذهلة، كالنبيذ المعتّق.

كانت بضع ضغطات على المفاتيح كافية لإنتاج عشرات الأسطر من الشيفرة. وكانت دوال وأصناف كاملة تظهر وكأنها بالسحر – آلاف الأسطر في دقائق، مع اختبارات وحدة مولَّدة تتحقق من كل ذلك. وظل الشعور بأنني معزَّز بالذكاء الاصطناعي ينمو – وبدا كأن كل شيء ممكن.

لكن الواقع لحق بي بسرعة وتركني مع صداع سيئ…

كانت الشيفرة المولَّدة ذات جودة جيدة، لكن تنفيذها كان ساذجًا جدًا كلما تعقدت المشكلة. فقد كان الذكاء الاصطناعي يميل إلى العلوق في «حلقات تكرار» لما هو موجود أصلًا في الشيفرة، وكانت الدوال الجديدة في الحقيقة نسخًا من دوال موجودة، وكان الضغط على «Tab» بحماس زائد يعني قضاء دقائق طويلة في حذف أجزاء زائدة أو مكررة بجهد ممل. وانخفضت الإنتاجية بسرعة. وفي النهاية أوقفتُ هذه الميزة، لأنها كانت تشتتني أكثر مما تساعدني في كتابة شيفرة جيدة.

وكانت خطوتي التالية في بناء مهارات الذكاء الاصطناعي هي Claude Code. وقد مثّل محطة أخرى في توليد الشيفرة. فلم يعد الذكاء الاصطناعي يقترح مقتطفات شيفرة بسذاجة أو ينتج كتلًا من الشيفرة من طلبي. كان بإمكانك وصف المشكلة، وإعطاؤه سياقًا (مثل ملف معين يحتوي على صنف)، أو توجيهه إلى المكان الذي ينبغي أن يستمد منه «الإلهام».

كان Claude Code يأخذ وقتًا في إعداد قوائم TODO – وهي قوائم TODO المعروفة التي نسخها مزودون آخرون لاحقًا. ومع قائمة المهام في اليد، كان يتوقف ويسأل عما إذا كان هذا ما أريده وعما إذا كان الاقتراح يلبي متطلباتي. كان ذلك مدهشًا، لأنه أعطاني شعورًا بالسيطرة على ما ينتجه الذكاء الاصطناعي. وأخيرًا، لم تعد شيفرة عشوائية مبعثرة في كل مكان، بل خطة عمل حقيقية تشبه إلى حد بعيد عملنا اليومي – تخطيط المهام في سبرنت أو في backlog.

ومع ذلك، اصطدمتُ حتى هنا بـ«جدار» مع كتابة الطلبات (prompting). فاستئناف الجلسات السابقة لإنهاء ميزة أكبر أصبح أقل فعالية شيئًا فشيئًا. فكل المعلومات المتراكمة في السياق جعلت الذكاء الاصطناعي نفسه «يتيه»، وكان من الصعب عليّ أيضًا أن أعرف ما الذي نبنيه فعلًا عند تلك النقطة ومدى تقدمنا في الخطة – ببساطة، كنا «تائهين في الغابة»، كما يقال. فالـ prompting وحده لم يكن كافيًا للمشكلات الأكثر تعقيدًا.

السياق هو كل شيء

إن فهم كيفية عمل الذكاء الاصطناعي – أو بدقة أكبر، أي الطلبات (prompts) التي يولّدها الوكيل قبل أن نكتب نحن طلباتنا حتى – أمر أساسي لمعرفة كيفية توجيه سلوك الأداة. فطلبنا ليس سوى جزء مما أعدّه الوكيل أصلًا. ويمكنك رؤية ذلك بوضوح مع الأمر /context في Claude Code:

لم أكتب كلمة واحدة، ومع ذلك فالسياق ممتلئ بنسبة 40% – وأقترح خصوصًا النظر في System prompt وSystem tools، اللذين هما خارج سيطرتنا. أما خوادم MCP والوكلاء الفرعيون (subagents)، فبإمكاننا تعريفها والتحكم بها بأنفسنا.

وبالمثل، ما يُكتب في ملف CLAUDE.md يعود بالكامل إلينا. ويمكن العثور على طلبات النظام (System prompts) لمختلف الوكلاء على الإنترنت، وأقترح التعرف عليها لنرى كيف يمكن لطلباتنا أن تشكّل سلوك الذكاء الاصطناعي. ولا تنسَ أن الذكاء الاصطناعي ليس حتميًا (deterministic) – فهناك دائمًا قدر من العشوائية في طريقة عمله.

ومع هذه المعرفة، بدأتُ أستثمر وقتًا أكبر في صياغة الطلب الصحيح، خاصة عندما تتطلب المهمة أكثر من بضع دوال واختبارات وحدة. وبدأت طلباتي تبدأ أكثر فأكثر بطلب خطة وتنقيحها قبل أن أترك الوكيل يكتب الشيفرة. وحدّدتُ المتطلبات بوضوح – ما أحتاجه وما يمكن الاستغناء عنه.

إن إخبار الذكاء الاصطناعي بما لا تحتاجه لا يقل أهمية – فالذكاء الاصطناعي بارع للغاية في «الانجراف» بعيدًا عن المتطلبات. خطة تنفيذ، خطة ترحيل، تقديرات زمنية لفريق غير موجود – سينتج الذكاء الاصطناعي كل هذه ما لم تمنعه. بل لا تحتاج إلى طلبها – ستظهر ببساطة في خطتك المثالية في كل الأحوال وتفسدها – لأنها «نفايات» «تشتت» الذكاء الاصطناعي بلا طائل عما يهم أكثر.

الخطط مهمة، لكن اتباع الخطة أهم

العنوان أعلاه يقول كل شيء تقريبًا. فبعد أن تصبح لدي خطة جاهزة، كنتُ أسلّمها للذكاء الاصطناعي لينفذها – فمع وجود خطة، لا بد أنه سيلتزم بها ولن «يضيع». كنتُ واثقًا من أن الآلة ستنجز عملها عند هذه النقطة وفق البرنامج الذي أُعطيته، فهكذا كنتُ أرى الخطة.

هل ذكرتُ أن الذكاء الاصطناعي ليس حتميًا؟ سأقولها مرة أخرى – ليس كذلك، وحتى أفضل خطة قد تتشوه، وقد تُتخطى أجزاء مهمة منها. لماذا؟ بسبب السياق – فخطتنا تدخل في السياق وتُضاف إلى ما فيه أصلًا، مثل System prompt وغيره.

ومع مرور الوقت، تتراكم ردود الذكاء الاصطناعي نفسه في السياق – مقتطفات شيفرة، وعمليات بحث على الويب، وردود تحتوي على وثائق. آلاف الأسطر من النص قليلة الصلة بخطتنا. فتُخفَّف الخطة بـ«الضوضاء» التي ينتجها الوكيل. وكل هذه الضوضاء تجعل الذكاء الاصطناعي يكف عن «فهم» ما يهم. كما أن التوقف ومسح السياق لا يجدي، لأننا عندما نبدأ من جديد بالخطة، تتولد «ضوضاء» جديدة، ولأنها تختلف عن الضوضاء السابقة، تختلف النتائج أيضًا – «فوضى» خالصة.

ما نجح هو تقسيم التنفيذ إلى مراحل. لكن لذلك كانت الخطة نفسها بحاجة إلى خطوات تصف ما ينبغي تنفيذه وبأي ترتيب. ولإعداد خطة مقسمة إلى مراحل، كان عليّ تضييق النطاق بشكل صحيح وحذف كل ما لا لزوم له. فتقييد ما يدخل في الخطة وما ينبغي أن يركز عليه الذكاء الاصطناعي لا يقل أهمية عن وصف المتطلبات بدقة.

وقد مكّنني التصريح بوضوح بأنني لا أحتاج إلى تقديرات زمنية لفريقي أو تكاليف بنية AWS التحتية أو خطط النشر والترحيل من تقليص الخطة بحيث تركز على البرمجة فقط.

وفي هذه الأيام، يزداد الحديث والكتابة عن التطوير القائم على المواصفات (Spec-Driven Development). وهي ليست فكرة جديدة بالطبع، لكنها مهمة للغاية عند العمل مع الذكاء الاصطناعي. فكتابة وثيقة PRD موجزة ثم اشتقاق مواصفات تقنية منها يعطي نتائج أفضل بكثير من مجرد كتابة طلب جيد.

وقد التقط مزودو الأدوات هذا أيضًا، فروّجوا لهذا النهج أو قدموا أدوات مثل Spec Kit أو OpenSpec. فنحن نكتب تعليمات واضحة للذكاء الاصطناعي ونوثّق مشروعنا في الوقت نفسه. ولن يمضي وقت طويل قبل أن تُنشأ ADR بهذه الطريقة أيضًا، كي «يهضمها» الذكاء الاصطناعي بسهولة.

وبطبيعة الحال، يعمل هذا النهج بأفضل صورة في مشاريع greenfield، لكن يمكن تطبيق التطوير القائم على المواصفات في مشاريع brownfield أيضًا، بفوائد حقيقية – فهو يتفوق على صقل طلباتنا إلى ما لا نهاية.

التطوير المستمر

توصلتُ إلى معظم هذه الاستنتاجات إلى حد كبير بالتجربة والخطأ، بتجربة تقنيات متنوعة في المشاريع واختبار أفكاري مقابل أفكار الآخرين في الشركة.

وكان سيكون أفضل بكثير لو استطعتُ أن أتعلم فورًا من أشخاص واجهوا هذه المشكلات من قبل ولديهم إجابات جاهزة. والدورات التدريبية هي الحل البديهي، لكن هناك آلاف الدورات المتعلقة بالذكاء الاصطناعي في السوق الآن، ومن الصعب اختيار دورة تناسب احتياجاتنا.

أنا محظوظ بالعمل في شركة تركز بقوة على النمو وتشجع الناس على المشاركة في التدريب. وفوق ذلك، قدّم خبيران في Scala ورشة Efficient Programming in Scala with Friendly Agents في Scala Days هذا العام.

وفي وقت لاحق، قدّما الورشة نفسها داخليًا لأشخاص من شركتنا الأم وشركتنا. ولو كان عليّ تلخيص ما تعلمته هناك في جملة واحدة: كان هو كل ما توصلتُ إليه بنفسي خلال الأشهر الستة الماضية ووصفتُه في الفقرات أعلاه.

ركزت الورشة على الاستخدام العملي لأدوات الذكاء الاصطناعي في العمل اليومي لمبرمج Scala. فاستعرضنا الأتمتة والسكربتات وكتابة الطلبات (prompts) وكيفية الاستخدام المعقول للوكلاء ولمختلف الأدوات التي تدعم كتابة الشيفرة وإعادة هيكلتها.

وتحدثنا أيضًا عما تستطيع النماذج اللغوية الكبيرة فعله حقًا وكيف تؤثر في عمل المبرمج، مبيّنين كيفية تجنب تصديق الخرافات الشائعة عن الذكاء الاصطناعي. وجرّبنا معًا مسارات عمل الذكاء الاصطناعي والأدوات المتكاملة، بل حاولنا أتمتة عمليات ترحيل مشاريع Scala أكبر – كل ذلك بروح التجريب وتبادل المعرفة. وكانت الساعات التي قضيتها هناك، 2x 8 ساعات، استثمارًا جيدًا جدًا. وإن أتيحت لك فرصة المشاركة في هذه الورشة، فأنصح بها.

ونوع آخر من التدريب هو دورة عبر الإنترنت عن التطوير بمساعدة الذكاء الاصطناعي – وهذه هي نسختها الثانية، وقد حازت النسخة الأولى تقييمات جيدة جدًا. أنا في منتصف الدورة الآن، ومن الصعب بالفعل القول كم تعلمتُ.

ومع ذلك، فإن نطاق المواد التي نمر بها ومقدمات كل جزء جديد تتوافق بشكل وثيق مع تجربتي الخاصة، وكثيرًا ما تعمّق معرفتي في مجالات كنتُ أعتقد أنني أعرفها جيدًا. وهناك تركيز قوي على كتابة طلبات جيدة (هندسة الطلبات – prompt engineering) وعلى إعداد الخطط للذكاء الاصطناعي.

الخلاصة

يتطور الذكاء الاصطناعي اليوم بسرعة أكبر مما تطور به نظام JavaScript البيئي عندما كان يظهر إطار عمل أو مكتبة جديدة كل أسبوع. وفي الوقت الحالي، من الصعب مواكبة كل الأدوات التي تصل إلى السوق. ولأن نماذج LLM التي يقدمها اللاعبون الكبار متاحة للجميع، يستطيع أي شخص بناء أنواع شتى من الأدوات.

وتظهر باستمرار أفكار ونُهُج جديدة لاستخدام الذكاء الاصطناعي في عمل المبرمج. وهذه ليست سوى «فقاعتي» الخاصة التي شكّلها زملائي المبرمجون – فالتقدم نفسه يحدث في كل مجال، من توليد النصوص والصور إلى إنتاج أفلام طويلة كاملة.

قد يكون الحجم الهائل لأدوات الذكاء الاصطناعي وأخباره مربكًا. ومع ذلك، إذا أردنا البقاء في المقدمة، فعلى كل منا مواصلة النمو واختبار أدوات جديدة والتجريب. كان الناس يسخرون يومًا ممن يستخدمون IDE – فكل ما كان يهم هو محرر جيد وسريع – لكن العالم تقدم، ولم يعد IDE ترفًا.

وسيسلك الذكاء الاصطناعي في عملنا كمبرمجين الطريق نفسه – فهو ليس مجرد «زخارف» (حتى لو بدا بعضه كذلك)، بل أداة تواصل التطور.