من الذكاء الاصطناعي الذي يولّد إلى الذي يعمل: دراسة حالة TidyFactor في بناء طبقة السياق والمهارات

خلال السنوات الأولى للذكاء الاصطناعي التوليدي، كان السؤال بسيطاً ومباشراً: ماذا يمكن أن ينجز الذكاء الاصطناعي لنا؟
اكتب مقالاً. اكتب كوداً. أنشئ صورة. لخّص مستنداً. اكتب حملة تسويقية.

ثم تطورت التجربة سريعاً إلى مرحلة أكثر تعقيداً وأعلى خطورة: هل يستطيع الذكاء الاصطناعي أن يعمل معنا داخل المشروع نفسه؟

• أن يفهم الكود الموجود، وليس أن يبدأ دائماً من الصفر.
• أن يتذكر القرارات المعمارية السابقة.
• أن يعرف قيود وقواعد المشروع بدقة.
• أن يستخدم الأدوات المناسبة في اللحظة المناسبة.
• أن يلتزم بمعايير الجودة الصارمة ويختبر ما أنجزه.
• وأن يواصل العمل من النقطة التي توقف عندها في الجلسة السابقة دون نسيان أو انحراف.

هنا تحديداً بدأت معضلة مختلفة تماماً في الظهور: لم تعد المشكلة الأساسية هي قدرة النموذج على التوليد (Generation)، بل أصبحت: كيف نمد النموذج بالسياق الصحيح، والمهارات الصحيحة، والأدوات الصحيحة، في الوقت الصحيح؟
من صلب هذه التجربة الميدانية نشأت منظومة TidyFactor.

1. المشكلة التي لم يحلها الذكاء الاصطناعي التوليدي وحده

أحدثت النماذج اللغوية الكبيرة تحولاً هائلاً في تكلفة إنتاج المعرفة والكود والمحتوى. لكن القدرة على التوليد لا تعني بالضرورة القدرة على الإنتاج الحقيقي (Production Ready).

هناك فارق جذري بين أن تطلب من النموذج:
«ابنِ لي لوحة تحكم.»
وبين أن تقول له:
«عدّل لوحة التحكم الموجودة في هذا المشروع، مع الحفاظ الكامل على المعمارية الحالية، ونظام الصلاحيات RBAC، وقواعد RTL، وقرارات قاعدة البيانات، ونمط المكونات، واختبارات الوصول، ودون كسر أي واجهة برمجية API قائمة.»

في الحالة الثانية، التحدي ليس في كتابة أسطر الكود؛ التحدي في معرفة ما يجب عدم المساس به أيضاً. فالبرمجيات لا تُبنى في فراغ، وكل مشروع يحمل وراءه طبقات تراكمية من المعرفة:

• قرارات معمارية وسياسات أمنية (Architecture & Security Policies).
• نمط كتابة الكود واختيارات التقنية والقيود التشغيلية.
• تفضيلات الفريق ومتطلبات السوق والأخطاء التاريخية المعالجة.

إذا لم تصل هذه المعرفة إلى وكيل الذكاء الاصطناعي في اللحظة المناسبة، فسوف يعوض النقص بالتخمين والهلوسة. وهنا تبرز الحقيقة الكبرى: النموذج قد يكون خارق الذكاء، لكنه يجهل مشروعك تماماً.

2. من Prompt Engineering إلى Context Engineering

في بداية الموجة، انصب الاهتمام على هندسة الأوامر (Prompt Engineering): كيف نصوغ السؤال؟ ما هي الكلمات السحرية؟ لكن مع انتقال النماذج إلى العمل الوكيل متعدد الخطوات (Multi-Step Agentic Work)، أصبحت المعامل أوسع بكثير. فالوكيل يحتاج إلى التعامل المتزامن مع:

Instructions + Memory + Tools + Project Data + History + Rules + External Systems

أي أن جودة النتيجة أصبحت مشروطة بجودة البيئة المعلوماتية والسياقية التي يعمل داخلها. وهذا هو جوهر Context Engineering.

تصف Anthropic هذا التحول بدقة: هندسة السياق لا تتعلق فقط بكتابة Prompt جيد، بل بتنسيق وإدارة مجموعة المعلومات التي تصل إلى النموذج أثناء دورة العمل، بما في ذلك التعليمات، الأدوات، بروتوكول MCP، البيانات الخارجية، وسجل التفاعل التاريخي.

وهنا انطلق تساؤل TidyFactor التأسيسي: ماذا لو تعاملنا مع سياق المشروع باعتباره بنية تحتية هندسية مستقلة، وليس مجرد نص نضعه في نافذة المحادثة؟

3. TidyFactor: من مكتبة Prompts إلى طبقة سياق هندسي

تطورت TidyFactor من تجربة عملية في تطوير البرمجيات إلى معمارية متكاملة تحت مسمى AI Engineering Context Layer؛ طبقة تربط الوكيل الذكي بالسياق الهندسي المطلوب ليعمل داخل منظومة حقيقية بكفاءة استثنائية. تجمع المنظومة بين طبقات متناغمة:

• Brain Cloud MCP: بروتوكول اتصال معياري بالسياق والبيانات.
• Persistent Memory: ذاكرة دائمة متعددة المستويات لحفظ تراكم المعرفة.
• Agent Skills: مهارات تشغيلية محددة الخطوات والقيود.
• Context Governance: حوكمة السياق ومنع التشتت والخلط بين المجالات.
• Architecture & ADRs: سجلات القرارات المعمارية الموثقة.
• Validation & Quality Gates: بوابات جودة وتحقق ترفض المخرجات الناقصة.

هذا التصميم يعيد هندسة دورة العمل بالكامل:

بدلاً من: Prompt ──► Model ──► Output
أصبحت:   Intent ──► Context ──► Memory ──► Skills ──► Tools ──► Execution ──► Validation ──► Delivery

4. Brain Cloud MCP: عندما تصبح الذاكرة جزءاً من البنية التحتية

أحد أهم مرتكزات التجربة هو TidyFactor Brain Cloud MCP. يعتمد النموذج على نظام حوكمة رباعي للذاكرة يضمن ألا يبدأ الوكيل كل جلسة عمل وكأنه غريب عن المشروع:

• المستوى الأول (ذاكرة المنظومة Global): معايير البرمجة العامة، مبادئ الأمان، والأنماط المعمارية المشتركة.
• المستوى الثاني (ذاكرة التقنية Tech): قواعد الأطر والمكتبات المتخصصة (PHP, Next.js, React, Vanilla JS).
• المستوى الثالث (ذاكرة المشروع Project): سجلات ADR، مخططات البيانات، القواعد التشغيلية، ومحددات العمل الخاصة.
• المستوى الرابع (ذاكرة الجلسة Session): ما تم تنفيذه الآن، ما تغير، أين توقف العمل، وما الخطوة التالية.

5. لماذا لا تكفي الذاكرة وحدها؟ خطر Context Pollution

إذا زودت الوكيل بكل ملفات ووثائق المشروع دفعة واحدة، فأنت لم تحل المشكلة بل صنعت كارثة جديدة تُعرف بـ Context Pollution (تلوث السياق). المزيد من السياق لا يعني بالضرورة سياقاً أفضل. فالوكيل يحتاج إلى:

«أقل قدر ممكن من المعرفة الصحيحة، في اللحظة الصحيحة تماماً.»

لذا ابتكرت TidyFactor استراتيجية Directed Context & Progressive Disclosure (الإفصاح المعرفي التدريجي)؛ حيث يتلقى الوكيل نقطة استدعاء مركزة، ثم يوجه ديناميكياً لاستدعاء المهارة أو القاعدة الدقيقة فقط عند وصوله إلى خطوتها المحددة.

6. من المعرفة إلى المهارة: Agent Skills

المعرفة تخبر الوكيل ماذا يعرف، أما المهارة فتعلمه كيف ينفذ. فالـ Skill في TidyFactor ليست نصاً وصفياً، بل حزمة تشغيلية متكاملة تحدد: شروط التفعيل الدقيقة، المدخلات، القواعد الإلزامية، المحظورات، مسار التنفيذ خطوة بخطوة، وبوابة التحقق من النتيجة. وتضم المنظومة اليوم مصفوفة واسعة من أكثر من 45 مهارة متخصصة تغطي هندسة البرمجيات، النظم السحابية، التصميم، التسويق، والحوكمة.

7. من توليد الكود إلى تنفيذ العملية الهندسية

يتجلى الفارق الجوهري في سيناريوهات العمل اليومية:

8. تحول الاقتصاد: من إنتاج المخرجات إلى إنجاز النتائج

تتحرك وحدة القيمة الاقتصادية للذكاء الاصطناعي بسرعة غير مسبوقة:

9. الدروس السبعة المستفادة من دراسة الحالة

1. Prompt Engineering ليست النهاية: إنها مجرد البداية الأبسط.
2. Context أصبح أصلاً هندسياً: السياق المنظم أثمن بكثير من زيادة حجم النموذج.
3. Memory تحتاج إلى Governance: الذاكرة التي تخزن كل شيء بدون فلترة تصبح عبئاً ومصدراً للهلوسة.
4. Skills تحول المعرفة إلى قدرة تشغيلية: المعرفة تحدد ما يعرفه الوكيل، والمهارة تحدد ما يفعله باحترافية.
5. Tools تحول الذكاء إلى فعل: بدون أدوات يبقى الوكيل محبوساً داخل أسوار النص.
6. Evaluation جزء لا يتجزأ من الذكاء: الوكيل الذي لا يملك أدوات اختبار ومراجعة عمله يظل نظاماً غير موثوق.
7. القيمة الحقيقية هي Outcome: المستخدم والشركة لا يبحثان عن ألف سطر كود، بل عن ميزة تعمل بكفاءة وأمان.

الخلاصة: من AI Assistant إلى AI Workforce

لم تبدأ قصة TidyFactor من محاولة بناء «ذكاء اصطناعي أذكى»، بل من ملاحظة عملية واقعية: الذكاء الاصطناعي يعرف الكثير، لكنه لا يعرف بالضرورة ما نعرفه نحن عن تفاصيل وقرارات مشروعنا.

ومن هنا انطلقت المعادلة: «Give AI better context, not just bigger prompts». وهنا ينفتح الأفق للتحول من مجرد مساعد فردي (Assistant) إلى قوة عمل مؤتمتة ومحكومة (AI Workforce) تتكامل فيها المعرفة، والذاكرة، والمهارات، والأدوات، والحوكمة، لإنتاج قيمة برمجية واقتصادية مستدامة.