النموذج اللغوي الذي يجيب عن سؤال ليس بالضرورة Agent.

الـ Agent يستطيع فهم الهدف، مراقبة الحالة الحالية، اختيار الخطوة التالية، استخدام أداة، فحص النتيجة ثم تكرار العملية حتى يكتمل الهدف.

يمكن تبسيط العملية هكذا:

Goal → Observe → Decide → Act → Evaluate → Repeat

هذه الدورة تسمى Agent Loop.

ما هو AI Agent؟

AI Agent هو نظام يحاول الوصول إلى هدف عن طريق سلسلة من القرارات والعمليات.

على سبيل المثال إذا طلب المستخدم:

حلل حالة العميل Acme.

فيمكن للـ Agent البحث في CRM، جلب Account، فحص Opportunities وSupport Cases ثم إنتاج النتيجة.

الـ Chatbot يجيب غالباً، بينما الـ Agent يستطيع تنفيذ Workflow.

Agentic AI

يشير Agentic AI إلى الأنظمة التي تمتلك مستوى من الاستقلالية والقدرة على اتخاذ القرار وتنفيذ الإجراءات.

يمكن للنظام أن:

• يقسم الهدف إلى مهام صغيرة
• يختار الأدوات
• يجمع البيانات
• يغير الخطة
• يستخدم الذاكرة
• يتعامل مع الأخطاء
• يصعّد القرارات المهمة إلى الإنسان

Agent Loop

الـ Agent يعمل عادة ضمن حلقة:

Observe
↓
Decide
↓
Act
↓
Inspect Result
↓
Repeat

يجب أن تحتوي الحلقة على Stop Conditions حتى لا تستمر بلا نهاية.

من شروط التوقف:

• اكتمال الهدف
• نقص المعلومات
• الحاجة إلى سؤال المستخدم
• الحاجة إلى موافقة بشرية
• تجاوز الحد الأقصى للخطوات
• تكرار فشل Tool

Planning

Planning يعني تحديد الخطوات المطلوبة للوصول إلى الهدف.

مثلاً:

Prepare quarterly sales report

قد تتحول إلى:

1. جلب بيانات المبيعات
2. حذف الطلبات الملغاة
3. حساب الإيرادات
4. تحديد أفضل العملاء
5. المقارنة بالفترة السابقة
6. إعداد الملخص

هذا يسمى Task Decomposition.

Reasoning

Reasoning يعني اختيار الخطوة الأنسب بناءً على البيانات والقواعد المتاحة.

إذا طلب المستخدم إرسال بريد للعميل، قد يحتاج Agent إلى التحقق من البريد والصلاحيات وآخر تواصل قبل تحديد القرار.

يمكن أن تكون النتيجة:

ACT

ASK

ABSTAIN

ESCALATE

من الأفضل في الأنظمة الإنتاجية تسجيل قرار منظم بدلاً من الاعتماد على نص داخلي طويل.

Tool Calling

الأدوات تربط Agent بالأنظمة الحقيقية.

مثل:

get_customer(customerId)
get_opportunities(accountId)
create_task(data)
send_email(data)

يختار النموذج Tool المناسبة، لكن Backend هو المسؤول عن Validation وPermissions والتنفيذ الحقيقي.

Multi-step Tasks

المهام الحقيقية قد تحتاج إلى خطوات كثيرة.

مثلاً:

حدد ثلاثة عملاء لديهم أعلى خطر Churn وأنشئ مهام متابعة للمديرين المسؤولين عنهم.

قد يتطلب ذلك بيانات الاستخدام والدعم والدفع ثم حساب المخاطر وترتيب العملاء وإنشاء Tasks.

لهذا يحتاج Agent إلى State يحفظ ما تم إنجازه.

Memory

Memory هي المعلومات التي يخزنها النظام ويسترجعها عند الحاجة.

هي مختلفة عن Context Window.

يمكن تقسيمها إلى:

• Working Memory
• Conversation Memory
• Long-term Memory
• Episodic Memory
• Semantic Memory

يجب أن تكون الذاكرة انتقائية، لأن تخزين كل شيء يسبب تكلفة ومشاكل خصوصية ومعلومات قديمة.

ReAct

ReAct هو نمط يعتمد على التناوب بين القرار والعمل:

Observe → Decide → Act → Observe

مثلاً يمكن للـ Agent فحص حالة طلب، ثم إذا اكتشف التأخير ينشئ Ticket، ثم يبلغ المستخدم بالنتيجة.

Reflection وVerification

يمكن للـ Agent مراجعة النتيجة والتأكد من اكتمال المهمة.

لكن القواعد الدقيقة، مثل حدود الخصم والصلاحيات، يجب أن يتم التحقق منها في Code وليس بواسطة LLM فقط.

Human in the Loop

العمليات الحساسة لا يجب تنفيذها دائماً بشكل تلقائي.

مثلاً:

Agent proposes → Human approves → Backend executes

هذا مهم في عمليات مثل Refund أو حذف بيانات أو تعديل عقد.

بنية Agent عملية

User
↓
Agent Controller
↓
LLM
↓
Decision
↓
Tool Router
↓
APIs / Database
↓
Result
↓
Agent Controller

Agent Controller يجب أن يدير State وRetries وTimeouts وPermissions وLogging وحدود الخطوات.

مثال Agentic CRM

طلب المستخدم:

حدد العملاء الأكثر عرضة لـ Churn وأنشئ Tasks للمتابعة.

قد يقوم Agent بـ:

1. تحميل Accounts
2. تحميل Usage
3. قراءة Support Tickets
4. قراءة Payment History
5. حساب Churn Risk
6. ترتيب العملاء
7. تحديد أفضل ثلاثة
8. تحديد Account Managers
9. إنشاء Tasks
10. عرض النتيجة

إذا لم يجد Account Manager فلا يجب أن يخترعه، بل يجب أن يسأل أو يصعّد الحالة.

الأمان

Agent متصل بأدوات حقيقية، لذلك مخاطر مثل Prompt Injection وTool Abuse وData Leakage تصبح أكثر أهمية.

لا يجب اعتبار محتوى Web أو Email أو Files تعليمات موثوقة للنظام.

كما يجب تنفيذ Authentication وAuthorization خارج LLM.

الخلاصة

AI Agent هو نظام ينفذ عدة خطوات للوصول إلى هدف.

Agent Loop هو دورة Observe وDecide وAct وEvaluate.

Planning يقسم الهدف إلى خطوات.

Reasoning يحدد الخطوة المناسبة.

Tool Calling يربط Agent بالأنظمة الحقيقية.

Memory تحفظ المعلومات التي يحتاجها Agent لاحقاً.

والأهم:

Agent موثوق لا يتكون فقط من LLM وTools، بل يحتاج أيضاً إلى State Management وValidation وPermissions وError Handling وStop Conditions وLogging وHuman Oversight.

بعد هذه المفاهيم يمكن الانتقال إلى Agent Architecture مثل ReAct وPlanner-Executor وReflection وVerification وOrchestration.