ما هو هندسة التحكيم؟ ساحة المعركة التالية للذكاء الاصطناعي ليست النماذج، بل الطبقة المعمارية خارج النماذج

في عام 2026، ظهر إجماع جديد في صناعة الذكاء الاصطناعي: لم يعد تحديد جودة منتج الذكاء الاصطناعي يعتمد على النموذج نفسه، بل على الطبقة الموجودة حول النموذج والتي تُسمّى «harness». ومع تقارب النماذج الأساسية المستخدمة في Claude Code وCursor وOpenClaw بشكل متزايد، فإن ما يوسع الفجوة الفعلية بين المنتجات هو تصميم harness. تشير المدونة التقنية لدى Martin Fowler، ومسؤول منتج Anthropic trq212، وكلمات Andrej Karpathy الأخيرة، جميعها إلى الاتجاه نفسه: ساحة المعركة التالية للذكاء الاصطناعي هي Harness Engineering.

ما هو Agent Harness

يمكن تقسيم وكيل ذكاء اصطناعي (AI agent) إلى جزأين: النموذج (Model) وHarness. النموذج هو الدماغ، وهو مسؤول عن فهم اللغة والاستدلال. أمّا Harness فهو كل شيء خارج النموذج — استدعاء الأدوات، إدارة الذاكرة، تجميع السياق، حفظ الحالة بشكل مستمر، معالجة الأخطاء، إجراءات الحماية الآمنة، جدولة المهام، وإدارة دورة الحياة.

بتشبيه توضيحي: LLM هو حصان، وharness هو لجام الحصان — الحبال (اللجام) والسرج وبنية الوصل بين الحصان والمركبة. إذا لم توجد تجهيزات، فلن يجرّ الحصان القوي العربة. وبالمثل، حتى لو كان نموذج وكيل الذكاء الاصطناعي ذكيًا، فلن يستطيع إنجاز المهام الفعلية بشكل موثوق من دون harness جيد.

طرح Akshay Pachaar تشبيهًا آخر في تغريدة انتشرت على نطاق واسع: «LLM مكشوف مثل CPU بدون نظام تشغيل — يمكنه الحساب، لكن لا يستطيع فعل أي شيء مفيد بمفرده». Harness هو نظام التشغيل.

لماذا أصبحت Harness Engineering فجأة مهمة في 2026

الأسباب ثلاثة:

أولًا، تتجه قدرات النماذج إلى التجانس. الفروقات في معظم اختبارات القياس بين GPT-5.4 وClaude Opus 4.6 وGemini 3.1 Pro تقلّصت إلى نطاق أرقام مئوية واحدية. عندما لا يعود النموذج هو عنق الزجاجة، تنتقل عملية تمايز المنتج طبيعيًا إلى طبقة harness.

ثانيًا، انتقل الوكيل من التجارب إلى الإنتاج. كانت أغلب وكالات 2025 مجرد عروض (demo)، بينما يجب أن تعمل وكالات 2026 في بيئات الشركات — أي إنها تحتاج إلى التعامل مع الاستئناف بعد الانقطاع، التشغيل طويل الأمد، المهام متعددة الخطوات، والتحكم في الصلاحيات. وهذه كلها أعمال harness.

ثالثًا، LLM بطبيعته عديم الحالة. في كل مرة يبدأ session جديد من الصفر، ولا يتذكر النموذج المحادثة السابقة. يتولى Harness مسؤولية حفظ الذاكرة والسياق والتقدم في العمل بشكل مستمر، ليتمكن الوكيل من العمل باستمرارية مثل «زميل حقيقي» في فريق العمل.

المكونات الأساسية لـ Harness

عادةً ما يتضمن harness كامل لوكيل ذكاء اصطناعي عدة طبقات:

المكوّن الوظيفة القياس Orchestration Loop يتحكم في حلقة «تفكير → فعل → ملاحظة» الخاصة بالوكيل الحلقة الرئيسية لنظام التشغيل Tool Management إدارة الأدوات التي يمكن للوكيل استخدامها (قراءة/كتابة ملفات، استدعاء API، عمليات المتصفح… إلخ) محرك التشغيل Context Engineering تحديد أي معلومات يتم إرسالها إلى النموذج في كل مرة من الاستدعاء، وما الذي يجب قصّه هندسة السياق إدارة الذاكرة إدارة الذاكرة حفظ الحالة حفظ التقدم في العمل وسجل المحادثات والنتائج الوسيطة محرك الأقراص Error Recovery اكتشاف حالات الفشل وإعادة المحاولة تلقائيًا أو الرجوع للخلف استرداد الأخطاء معالجة الاستثناءات Safety Guardrails تقييد نطاق سلوك الوكيل لمنع العمليات الخطرة جدار الحماية Verification Loops جعل الوكيل يقوم بفحص جودة مخرجاته بنفسه اختبارات وحدات ثلاث طبقات من الهندسة: Prompt وContext وHarness

يمكن تقسيم ممارسات هندسة LLM إلى ثلاث طبقات متداخلة، على شكل دوائر متحدة المركز:

أعمق طبقة هي Prompt Engineering — تصميم التعليمات المُرسلة إلى النموذج، وهو ما يحدد «كيف يفكر» النموذج. هذه كانت المهارة السائدة في 2023.

الطبقة الوسطى هي Context Engineering — إدارة «ماذا يرى» النموذج. تحدد أي معلومات تُرسل إلى نافذة السياق في أي وقت، وأي معلومات ينبغي قصّها. ومع توسع نافذة السياق إلى مئات الملايين من التوكنات، بدأت أهمية هذه الطبقة بالظهور في 2025.

أما الطبقة الخارجية فهي Harness Engineering — وتشمل ما سبق، بالإضافة إلى البنية التحتية الكاملة للتطبيق: تنسيق الأدوات، حفظ الحالة بشكل مستمر، استرداد الأخطاء، حلقات التحقق، آليات الأمان، وإدارة دورة الحياة. وهذه هي ساحة المعركة الأساسية في 2026.

مثال: لماذا يظهر أن النموذج نفسه يختلف أداءه اختلافًا كبيرًا بين منتجات مختلفة

يمكن لـ Claude Opus 4.6 إعادة هيكلة كامل قاعدة كود مشروع في Claude Code خلال ساعة واحدة تقريبًا. لكن عندما تُربط النموذج نفسه عبر API مع harness بدائي، فقد لا يستطيع حتى إصلاح أخطاء تمتد عبر ملفات متعددة. الفرق ليس في النموذج، بل في harness.

ماذا فعلت harness الخاصة بـ Claude Code؟

• بحث تلقائي في كامل قاعدة الكود للعثور على الملفات ذات الصلة بدلًا من مطالبة المستخدم بتحديدها واحدًا تلو الآخر
• قراءة محتوى الملفات قبل التعديل، ثم تشغيل الاختبارات والتحقق بعد التعديل
• إذا فشلت الاختبارات، يقوم بتحليل الخطأ تلقائيًا وإعادة المحاولة
• الاتصال بأدوات خارجية عبر MCP (GitHub، قواعد البيانات… إلخ)
• نظام ذاكرة يحفظ تفضيلات المستخدم وسياق المشروع عبر الجلسات (session)
• استراتيجية Advisor تجعل نماذج مختلفة القدرات تعمل معًا بشكل تكاملي

كل ذلك يعود إلى إنجازات harness.

Feedforward وFeedback: نمطا التحكم الرئيسيان في Harness

وفقًا لتحليل المدونة التقنية لدى Martin Fowler، تُقسم آليات التحكم في harness إلى نوعين:

Feedforward (التحكم بالاستباق)— يتم إعداد القواعد قبل أن ينفذ الوكيل أفعاله، من أجل منع المخرجات غير المرغوبة. مثال: قواعد السلوك داخل system prompt، وقوائم الأدوات المسموح بها (white list)، وصلاحيات الوصول للملفات.

Feedback (التحكم بالاستجابة)— يتم فحص النتائج بعد تنفيذ أفعال الوكيل، مع السماح للتصحيح الذاتي. مثال: تنفيذ الاختبارات للتأكد من صحة الكود، ومقارنة المخرجات مع تنسيق متوقع، واكتشاف الهلوسة ثم إعادة التوليد.

يستخدم harness الجيد كلا نمطي التحكم معًا: يقيّد نطاق السلوك مع الحفاظ على المرونة.

تسويق Harness Engineering كمنتج: كيف تفعل Anthropic ذلك

تحديثات المنتجات التي أطلقتها Anthropic بشكل مكثف في أبريل 2026، كانت في الأساس كلها عبارة عن تحويل harness engineering إلى منتجات:

Managed Agents — تحويل البنية التحتية لـ harness (sandbox، الجدولة، إدارة الحالة) إلى خدمة مُدارة، بحيث يعرّف المطور فقط سلوك الوكيل Advisor strategy — بنية خلط بين نماذج على مستوى harness، تقرر تلقائيًا متى ينبغي استشارة نموذج أقوى Cowork النسخة الخاصة بالشركات — توفير harness كامل للمستخدمين غير التقنيين (التحكم في الصلاحيات، إدارة الإنفاق، تحليلات الاستخدام) حتى لا يحتاجوا إلى فهم التقنية الأساسية

كانت صياغة مسؤول منتج Anthropic trq212 أدق ما يكون: «Prompting هي مهارة في الحديث مع الوكيل، لكنها تُدار/يُوسَطُها harness. هدفّي الأساسي هو زيادة عرض الحزمة (القدرة على نقل البيانات) بين البشر والوكيل».

معنى ذلك للمطورين: وظائف ومهارات جديدة

تتحول Harness Engineering إلى مجال هندسي مستقل. مجموعة المهارات التي يتطلبها تختلف عن هندسة الباك-إند التقليدية أو هندسة ML:

• فهم حدود قدرات LLM وأنماط الفشل
• تصميم استدعاءات أدوات موثوقة وتسلسلات معالجة الأخطاء
• إدارة نافذة context — متى تضع أي معلومات
• بناء قابلية الملاحظة (observability) — تتبع مسارات قرارات الوكيل واستخدام الأدوات
• تصميم الأمان — تقييد نطاق سلوك الوكيل دون خنق قدراته

بالنسبة لمن يتعلم Vibe Coding أو يستخدم أدوات الذكاء الاصطناعي لتطوير البرامج، فإن فهم مفهوم harness سيساعدك على التعاون بشكل أكثر فعالية مع وكيل الذكاء الاصطناعي — لأنك ستعرف أين المشكلة: هل في النموذج أم في harness، وكيف يمكن تحسين النتائج عبر تعديل إعدادات harness (بدلًا من تغيير prompt بشكل متكرر).

الخلاصة: صراع البنية التحتية للحقبة القادمة

لن يتوقف التنافس على نماذج الذكاء الاصطناعي، لكن العائدات الحدّية تتناقص. المنافسة على طبقة harness بدأت للتو — من يستطيع بناء harness الأكثر موثوقية ومرونة وأمانًا، سيكون قادرًا على تحويل قدرات النموذج نفسها إلى تجربة منتج أفضل.

وهذا يفسر أيضًا لماذا تتحول Anthropic وOpenAI وGoogle من «شركات نماذج» إلى «شركات منصات»: ما تبيعه لم يعد مجرد واجهات برمجة نموذجية (model API)، بل البنية التحتية الكاملة لـ harness. بالنسبة للمطورين، فهم harness engineering ليس خيارًا اختياريًا، بل هو مهارة أساسية لبناء المنتجات في عصر الذكاء الاصطناعي.

هذه المقالة: ما هي Harness Engineering؟ ساحة المعركة التالية للذكاء الاصطناعي ليست النموذج، بل الطبقة المعمارية الموجودة خارج النموذج ظهرت لأول مرة في لينك/قناة أخبار ABMedia.