This is a viewer only at the moment see the article on how this works.
To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk
This is a preview from the server running through my markdig pipeline
Wednesday, 19 November 2025
تطور تدفقات العمل والدافع إلى التبسيط
هل تريد مني أن أدفع لكي أحول هذا إلى منتج مناسب؟ إسقاط لي سطر: [email protected]
لماذا يقوم دماغ بشري بالتعرف في الوقت الحقيقي على 20 واط في حين أن أفضل نماذجنا في الذكاء الاصطناعي تحتاج إلى ميغاواط فقط للتحدث عن الفطور؟
LLLs العصرية تهدف إلى أن تكون مثل قشرة هائلة هائلة - طن من الذاكرة، طن من الأداء، ولكن ألف فقط فقطلأداء المهام التي يقوم بها الإنسان بلا جهد، يمضغون من خلال كيلوواط من القوة باستخدام عشرات جيغابايت من الذاكرة. هذا لا يمكن أن يكون صحيحاً إذا كان الدماغ يعمل على 20 واط.
هذا ما يفتقدونه: الدماغ ليس بجرة واحدة من الرمادي منظومة النظم الفرعية المتخصصة الرؤية، الحركة، تخزين الذاكرة (بالطبقات!) كلها منسقة من قشرة القشرة. LLMs لا تفعل ذلك. إنها مثل محرك تفكير ضخم مثبت في بنية تحتية غبية. تخزينها لا يتكيف. إنها لا تبني نظم فرعية متخصصة. هم ناقصون.
اعتدت أن أكون طبيب نفسي، لذا أفكر في أشياء كهذه. وهنا المبدأ الأساسي الذي بنيته DESE حول:
"Cheap تَفْهمُ conception contradition concern concern conference."
دماغك لا يعيد تحليل كيفية المشي في كل مرة تتخذ فيها خطوة. إنه يفرغ ذلك إلى نظم فرعية سريعة ورخيصة وتلقائية. هذا الاستقرار يحرر القشرة الجبهيّة الغاليّة للتعامل مع مشاكل الرواية. دي سي يفعل الشيء نفسه: إنه يحل محل مكالمات LLLM الباهظة الثمن بمسودات رخيصة للبايثون، ويحرر نماذج حدودية للعمل على المشاكل الصعبة الحقيقية. النظام يستقر نفسه من خلال الحصول على البساطة، وليس أكثر تعقيدا.
ماذا لو كان تدفق العمل الخاص بك أدرك أنه لم يكن بحاجة إلى AI وحول نفسه إلى نص بايثون؟ DISE يقوم بذلك. إنه يبني تدفق العمل كأدوات قابلة للاختبار مخزنة في معامل RAG. عندما تصبح الأنماط واضحة، فإنها تستبدل اتصالات LLM مع الوقت بايثون. عندما تحتاج إلى المزيد من الميزات، فإنها تبني على ما هو مطلوب على سبيل التنبؤ، على سبيل الاختبار. عندما تنجرف الأدوات، فإنها تتطور بعيدا عن المشاكل قبل أن تلاحظ. نموذج سينتينيل صغير (1B params) يتعامل مع جميع الأعمال المنزلية المملّة للبنسات. أوصل واجهة LLLM بشكل مختصر لتحسن كل شيء، ثم فصل و تشغيل برخصة إلى الأبد. إنه AS الذي يحصل على كفاءة أكبر كلما طال تشغيله - وهو بالضبط كيف ينبغي لنظم الإنتاج أن تعمل.
معظم أنظمة الذكاء الاصطناعي اليوم مبنية كأوائل نصوص PHP التي كتبتها Circa 2003 خفافية، غير قابلة للاختبار، وعندما تنكسر،
عندما يفشلون، لا يمكنك أن تقول لماذا. عندما ينجرفون (وهم) سوفعندما تحتاج إلى تحسينها؟ العودة إلى مربع واحد، رقمي سيسيفوس.
هناك طريقة أفضل. ماذا لو تم بناء كل أداة من أدوات AI مثل البرمجيات المناسبة من اليوم الأول - مع الاختبارات، العقود، المواصفات، والمساءلة؟ لم يتم تجاهلها عندما يأتي مراجعو الحسابات يطرقون الباب.
هذا ليس بخارياً، بل شفرة عمل، إليك كيف يجب أن تعمل هندسة الـ(آي إي) عندما تكبر.
اسمحوا لي أن أرسم لكم صورة مع رسم بياني، لأنني مثل ذلك:
graph TD
A[Traditional AI Development] --> B[Write Prompt]
B --> C[Hope for Best]
C --> D{Does it work?}
D -->|Sometimes| E[Ship It™]
D -->|Usually| F[Tweak Prompt]
F --> C
E --> G[Production]
G --> H[Silent Drift]
H --> I[Everything's Fine...]
I --> J[Until It's Not]
J --> K[Panic]
K --> L[No Audit Trail]
L --> M[Start Again]
style K stroke:#f96
style L stroke:#f96
style M stroke:#f96
هذه هي الطريقة التي يتم بها بناء معظم أنظمة الذكاء الإصطناعي
هذا هو ما يبدو عليه "الأداة" AI في نظامي - الفرز من CLI، لا دخان ومرايا:
flag_potential_violations_base/
├─ flag_potential_violations_base_plan.txt ← generation plan
├─ flag_potential_violations_based_on_predefined_thresholds.feature ← BDD spec
├─ interface.json ← declared IO contract
├─ specification.md ← intent & description
├─ main.py ← implementation (generated)
├─ test_main.py ← unit + BDD tests
├─ locust_flag_potential_violations_base.py ← load/performance tests
└─ node_runtime.py ← runtime integration (a mock of it's tool call for testing use)
هذا ليس بمثال صنعته في (فيجما) لأثير إعجابك النواتج الفعلية الفعليةكل ملف من ملف واحد، من "الآفي" نفسه.
كل عقدة هي:
• الممتلكات/المعنى | ------------- | ----------------------------------------- | (أ) توجد منذ الولادة اختبارات وحدة الاختبار واختبارات الديوكسينات يمكن دائماً إثبات سبب تصرفها كما فعلت يمكن تحسينها عن طريق مقارنات اللياقة البدنية (أ) تشمل الاختبارات على أساس/حمولة يُصبح جزءًا من الذاكرة الإجرائيّة
هذا ليس هندسياً فورياً AI كبرمجيات منظّمة-النوع الذي يمكنك الوثوق به في الإنتاج دون التحقق من (سلاك) كل 5 دقائق
وهذا هو الجزء الذكي حقاً: انها مجرد اشرطة بايثونصحيح، مملة، قابلة للإختبار، نصوص بايثون، لكنها تعيش في قاعدة RAG التطورية حيث تصبح مواصفات كل أداة جزءاً من هويتها. النظام هو ديناميكي قابل للتحلل من مستوى تدفق العمل وصولاً إلى نصوص المرافق الصغيرة.
ماذا لو أنّكِ قررتِ أنّكِ لستِ بحاجة إلى ذلك؟ يحدث ذلك. تدفق العمل يمر عدة مرات، النمط يصبح واضحاً، ويحقق النظام "هذا هو تحويل البيانات فقط، لماذا أنا أدعو LLLM؟" لذلك فإنه يولد نص بايثون النقي. في المرة القادمة عندما تقوم بنفس الطلب؟ ****لا إتصالات من "آي بي آي"، لا أيّة إشارات، لا تأخير، مجرّد (بايثون) مملّة، وسريعة، ويمكن التنبؤ بها.
أو ربما تحتاج للمزيد، ربما يحتاج تدفق العمل هذا فحصاً إضافياً في نظامي، العمل الجديد هو مضافاً عند الحاجةبناء النظام فقط تلك الأجزاء الجديدة كأدوات -- ربما مستندة على الأدوات الموجودة -- ربما جديدة تماما -- ولكن دائما قابلة للتنبؤ، دائما قابلة للاختبار. لا هندسة زائدة. لا "فقط في حالة" شفرة. فقط الحد الأدنى من الأداة الصالحة لحل المشكلة الفعلية التي تواجهها الآن.
تحديث أداة واحدة (بطريقة مُرشدة، قابلة للإختبار بإحكام)، وكل تدفق لسير العمل يستخدمه ينتفع فوراً. لا إعادة توزيع. لا سلسلة تغييرات. فقط أدوات أفضل، متاحة تلقائياً لكل شيء.
هذا هو الجزء الذي يقوم به لا أحد آخر. "AI" الذي يبني الأدوات ليس نموذجاً واحداً إنه من الفريق المتخصص LLLSكل واحد منه مع دفعات بدء مُضبطة بعناية، يعمل كفريق مناسب لهندسة البرمجيات.
(أ) تدفق المعلومات:
call_tool("tool_name", prompt) - هذا هو مفتاح إلى تحويلهذا هو التقدم. يتم تقسيم المهام إلى عمليات ذرية - كما تعلمت القيام به خلال 30 عاما من برامج البناء. - - - - - - - - - - - - - - - - - - - من أجل توليد الرموز عندما تكون المهمة صغيرة ويقوم المشرف بتوفير تعليمات تنفيذ مفصلة.
هذا مثال حقيقي لما تبدو عليه تلك التعليمات. المشرف لا يقول فقط "أكتب جدولاً" - إنه ينص على:
نموذج A 7B يمكن أن يكتب شفرة صلبة من ذلك المواصفات لأنه لا يطلب منها تصميم أي شيء فقط تنفيذ مخطط مفصل. هذا هو لماذا تعمل النماذج الصغيرة لتوليد الرموز في هذا النظام.
عندما تدير فورج تدفق العمل، فإنه لا يزال ديناميكياً قابلاً للتحلل عن طريق RAG. إذا ظهرت أداة جديدة، أفضل تظهر التي تمر بنفس الاختبارات؟ يتم استخدامها تلقائياً. وتذكر المرة القادمة.
دعوني أريكم العمارة مع رسم بياني آخر، لأنني على ما يبدو لا أستطيع منع نفسي:
graph TB
subgraph "RAG-Based Tool Substrate"
A[Semantic Intent] --> B[Plan Generation]
B --> C[Contract Definition]
C --> D[Code Generation]
D --> E[Test Generation]
E --> F[Fitness Evaluation]
F --> G{Passes?}
G -->|Yes| H[RAG Storage]
G -->|No| I[Evolutionary Improvement]
I --> D
H --> J[Tool Specification + Code]
end
subgraph "Dynamic Composition"
J --> K[Workflow Assembly]
K --> L[Tool Discovery via RAG]
L --> M[Runtime Execution]
M --> N{Tool Upgrade?}
N -->|Yes| H
N -->|No| O[Continue]
end
style H stroke:#9f6
style J stroke:#9f6
style L stroke:#6cf
الـ "آر آر جي" هي الـصلصة السريّة. مواصفات كل أداة - العقد، غرضه، درجات اللياقة البدنية - تصبح هوية قابلة للبحث. عندما تحتاج إلى أداة، يجد النظام أفضل تطابق. عندما تُحسّن أداة، كل تدفق عمل يستخدمه يحصل تلقائياً على التحسين.
هو مثل إمتِلاك ذاتي التنظيم صندوق أدوات الذي يُصبحُ أكثر ذكاء بمرور الوقت.
تستخدم الأنشطه العاديه نهج "دراسه سريعه" في كل مرة يقومون فيها بمعالجة مهمة ما، يقومون بخلطها من أجل إمتحان - قراءة كل السياقات، معرفة المشكلة، توليد حل. الأمر أشبه بإعادة صياغة دروس القيادة الخاصة بك في كل مرة تحصل فيها على سيارة. ليس قيادتك. الاختبار (بالرغم أن هذه مشكلة أخرى مع حلول AI)، الدروس المستفادة من الدروس المستفادةتخيّل شرح ما يفعله القابض كل صباح قبل أن تسافر
الشفرة الحديثة CLIs لديها حل جزئي: انظر إلى دليل مشروعك لـ CLAUDE.md، أو إلى مجموعة من الدساتير المتناثرة. هذه الملفات؟ هذا جيد بقدر ما يمكنهم القيام به مع الذاكرة. هو مثل ترك ملاحظات Post-T لنفسك، ما عدا أن عليك قراءتها كلها في كل مرة قبل القيام بأي شيء.
DESE في الواقع يُذكّر. عندما يحل مشكلة، فإنه يخزن الحل كأداة موثقة مختبرة في خانة RAG. المرة القادمة. إنه فقط يستخدمه. لا إعادة تعلم. لا إعادة صياغة. لا "دعني أقرأ كل ملفات سياقك مرة أخرى". لقد قاد هذا الطريق بالأمس، إنه يعرف أين هي الدوران.
هذه الروابط مباشرة إلى المفاهيم التي كنت أتطرق إليها في سلسلة استخباراتي الدنوية تحديداً:
كل عقدة لديها بالفعل:
هذه هي الطبقة التحتية اللازمة لتضخيم (اي ايه) بشكل مسؤول - لا مزيد من الرموز، لا نماذج أكبر، ولا غلاف دموي آخر.
هذا هو الجزء الذي يهم حقاً: (أ) الأدوات والموارد المحدودة التكلفة والخيارات الاختياريةنظام السفن مع افتراضي LLLM، ويمكنه أن يعمل كل شيء من الصفر إذا كان عليه أن. ولكن الأدوات تعطيه بداية مسبقة.
فكّر في أدوات مثل كتب المكتبة. بعضها هي ملفات JSON (التحريات التخصصية للمنطق والترميز والتحليل - هم أنفسهم musabable والتطور). العديد منها هي نصوص بايثون (التحليل الاستاتيكي، Scikit-Learn لـ ML، الترجمة العصبية - القدرات التخصصية الجاهزة للاستخدام). بعضها حتى لديها قوالب (لتوليد الكود، إعطاء النظام حلقة أكثر إحكام عند إنشاء أدوات جديدة). أداة واحدة حرفياً تقوم بتثبيت نود. js وتستخدم الحوريات. js للرسم البياني. بعضها هي مخازن البيانات التي يمكن للنظام أن يستفسر عنها. بعضها عبارة عن تثبيتات رموز للأنماط المشتركة.
وجميعها تعيش في المنطقة، وجميعها متاحة لجميع تدفقات العمل.
أنت لا تفعل الحاجة يمكن للنظام أن يجد الأشياء من تلقاء نفسه. ولكن وجود 200 أداة هو مثل وجود 200 كتاب يشرح "هنا كيفية القيام بـ X بكفاءة." عندما يحتاج إلى إعراب Json، فإنه لا يحتاج إلى استخلاص Joson إعراب من المبادئ الأولى - لديه أداة. عندما يحتاج إلى التعلم الآلي، فإنه لا يحتاج إلى تنفيذ التدرج المنحدر - إنه يدعو scikit- learn. عندما يحتاج إلى توليد الرسوم البيانية، فإنه يستخدم أداة الحوريات التي تقوم بتثبيت المعتمدات الخاصة بها.
ويمكن للنظام أن يقوم بما يلي:
graph LR
subgraph "Tool Ecosystem"
A[Python Scripts] --> E[RAG Substrate]
B[LLM Specialists] --> E
C[External APIs] --> E
D[MCP Tools] --> E
end
E --> F[Dynamic Discovery]
F --> G[Workflow Composition]
G --> H[Execution]
H --> I[Feedback & Learning]
I --> E
style E stroke:#6cf
style F stroke:#9f6
ولأن كل شيء يخزن في مستودع RAG مع البحث الدهني، يمكنك بناء شبكات النظم المترابطة نظام واحد يعرف كيفية التعامل مع تحويل البيانات الصعب؟ كل نظام متصل يعرف عنه الآن.
النظام الذي يُنظر فيه على أساس ضغط مُرض:
إنها تعمل فقط عند الحاجة. لا توجد تكبيرات مسبقة. لا "قد نحتاج إلى هذا يوماً ما" رمز. فقط التحسينات المستهدفة استجابة للمشاكل الفعلية، المقيسة.
هو مثل إمتِلاك a عقل خلية لأدواتِكَ، ماعدا أقل مخيفاً وأكثر قابلية للمراجعة.
هنا حيث يحصل بشكل صحيح على exci-fi (لكن بطريقة جيدة). شبكة نظم النظم (ج) القيام، بصورة جماعية، بما يلي:
graph TB
subgraph "System A"
A1[Workflow] --> A2[Tool Discovery]
A2 --> A3[RAG Substrate]
end
subgraph "System B"
B1[Workflow] --> B2[Tool Discovery]
B2 --> B3[RAG Substrate]
end
subgraph "System C"
C1[Workflow] --> C2[Tool Discovery]
C2 --> C3[RAG Substrate]
end
A3 <--> D[Shared Tool Repository]
B3 <--> D
C3 <--> D
D --> E[Collective Learning]
E --> F[Improved Tools]
F --> D
style D stroke:#6cf
style E stroke:#9f6
وما يعنيه ذلك في الممارسة:
ويحتفظ كل نظام بتدفقات العمل والتخصصات الخاصة به، ولكنها جميعا تسهم في مستودع مشترك للأدوات التي تم اختبارها والتحقق من صحتها واللياقة البدنية، وتستفيد منه.
كل مساهمة يتم اختبارها و نسخها و مراجعة حساباتها. لا يمكن لأحد أن يكسر عن طريق الصدفة أشياء الآخرين (ينظر إليك، node_modules).
هنا جزء ذكي آخر: النظام لا يحتاج إلى نماذج حدودية مكلفة تعمل على مدار 24/7. ** بدء سير العمل** حيث:
graph TD
A[Task Arrives] --> B[Sentinel: 1B LLM]
B --> C{Classify Complexity}
C -->|Housekeeping| D[Sentinel Handles It]
C -->|Simple| E[Local Model]
C -->|Moderate| F[Mid-Tier Model]
C -->|Complex| G[Frontier Model]
D --> H[Routing, Classification, etc.]
E --> I[Fast & Cheap]
F --> J[Balanced]
G --> K[Powerful]
H --> L{Success?}
I --> L
J --> L
K --> L
L -->|Yes| M[Result]
L -->|No| N[Escalate to Higher Tier]
N --> F
N --> G
style B stroke:#6cf
style D stroke:#6cf
style E stroke:#9f6
style F stroke:#ff9
style G stroke:#f96
"الساينتيل" هو سر تخفيض التكاليف إنّه نموذج سريع وصغير وسريع من طراز 1B-بارامتر يعمل بإستمرار، مناولته:
فكروا في الأمر على أنه موظفة الاستقبال التي تعرف متى تتعامل مع شيء ما بنفسها ومتى تصعد إلى الشركاء الكبار. إنها تعمل في ملي ثانية، وتكلف أجزاء من بنس واحد، وتبقى النماذج الباهظة الثمن من أن تكون منشغلة بالتفاهات.
لكن هنا حيث تصبح مثيرة للاهتمام حقاً: اتصال إلى a حدود LLM مؤقت (حتى لبضع ساعات فقط)، وسيستخدم النظام تلك الطاقة الإضافية إلى:
ثم يمكنك فصل النموذج الباهظ الثمن، والنظام يستمر في العمل مع كل تلك التحسينات المحصنة في كبنود بايثون المختبرة. الـ Sentinel يبقي كل شيء على قيد الحياة، وقد قمت أساسا بـ "تجزئة" نموذج الحدود الاستخباراتية في مكتبة أدواتك.
ويستجيب النظام أيضاً للتغيرات في البيانات والتغيرات البيئية دال - العوامل الدينامية والرخيصة:
graph LR
A[Environmental Change] --> B[Pattern Detection]
B --> C{Existing Tool?}
C -->|Yes| D[Use Cheap Model]
C -->|No| E[Generate New Tool]
E --> F[Frontier Model]
F --> G[Test & Validate]
G --> H[Add to RAG]
H --> D
D --> I[Continue Cheaply]
style D stroke:#9f6
style F stroke:#f96
style I stroke:#9f6
في الممارسة:
أنت أساساً تدفع للمخابرات مقدماً، ثم تعمل على الطيار الآلي بعد ذلك. الأمر أشبه بتعيين مستشار لإصلاح عملياتك،
مفهوم الخروج من العمل يعني أنه يمكنك الاستجابة للتغيرات البيئية بطريقة ديناميكية والحفاظ على نظام ضخم للبنسات يومياً، فقط تتصاعد إلى نماذج مكلفة عندما تحتاج إليها حقاً.
الحق، اسمحوا لي أن أكون واضحا حول ما يفعله هذا النظام في الواقع، لأن معظم ادعاءات AI تبدو مثل حكايات وادي السيليكون الخيالية: "لاحظ AI كل شيء كان أسفل وأنقذ بشكل بطولي اليوم!" هذا ليس ما يحدث هنا. هذا أكثر نضجا من ذلك.
هذه هي الآلية الفعلية:
graph TB
A[Tool in Production] --> B[Fitness Monitoring]
B --> C[Performance Tracking]
C --> D{Drift Detected?}
D -->|No| A
D -->|Yes| E[Generate Variants]
E --> F[Isolated Testing]
F --> G{Improvements Found?}
G -->|No| A
G -->|Yes| H[Merge to Tool]
H --> I[Update Tests]
I --> J[Update Audit Trail]
J --> K[Update Provenance]
K --> A
style D stroke:#ff9
style G stroke:#ff9
style H stroke:#9f6
النظام:
لم "تصلح المشكلة" بل ببساطة تطورت بعيداً عنها.
لا يوجد استجابة طارئة. لا تقرير عن حوادث. لا اجتماع بعد الوفاة حيث يدّعي الجميع أنهم يعرفون ما يحدث. لاحظ النظام اتجاهاً، استكشف البدائل، تحقق التحسينات، وأدمجها. بحلول الوقت الذي سيلاحظ فيه الإنسان شيئاً ما كان غريباً قليلاً، كانت الأداة قد حسّنت نفسها بالفعل.
لنفترض أن لديك أداة تعرض ردود API. على مدى ثلاثة أسابيع، يقوم مقدم API بإجراء تغييرات دقيقة في شكلها - لا شيء يكسر فوراً، فقط تناقضات صغيرة. الاستجابة تتصاعد بسرعة 50 متراً. التعبير عن معدل النجاح ينخفض من 99.8% إلى 99.3%.
النهج التقليدي:
النهج التوسيسي:
لا دراما، لا تدخل، فقط تطور إنضباطي ووقائي
هذا ليس سحراً، وبالتأكيد ليس AGI يقوم بأشياء غامضة. إنها هندسية مباشرة:
sequenceDiagram
participant M as Monitoring
participant A as Analyser
participant G as Generator
participant T as Test Harness
participant V as Validator
participant I as Integrator
M->>A: Performance metrics trending down
A->>A: Analyse fitness scores
A->>G: Request variants
G->>G: Generate alternatives
G->>T: Submit for testing
T->>T: Run full test suite
T->>V: Results + metrics
V->>V: Compare fitness scores
alt Improvement Found
V->>I: Merge approved variant
I->>I: Update code, tests, docs
I->>M: Resume monitoring
else No Improvement
V->>M: Continue monitoring
end
كل خطوة هي عملية تحديدية. كل قرار قابل للقياس. كل تغيير قابل للمراجعة.
"التطور" هو مجرد:
إنها ليست يقظة، إنها ليست ذكية، إنها فقط صبورة، شاملة، ولا تأخذ عطلة نهاية الأسبوع.
لأنه بدون إنضباط، وهنا ما يحدث:
graph TD
A[Undisciplined AI] --> B[Behaviour Drift]
A --> C[Silent Failures]
A --> D[Untraceable Decisions]
A --> E[Mystery Bugs]
B --> F[Production Incident]
C --> F
D --> F
E --> F
F --> G[Debugging Session from Hell]
G --> H[No Audit Trail]
H --> I[Blame Game]
I --> J[Resume Update]
style F stroke:#f96
style G stroke:#f96
style H stroke:#f96
style I stroke:#f96
style J stroke:#f66
الحق، وهذا هو السيناريو الكابوس. وهنا ما يعطيك هذا النهج في الواقع:
هذه هي الطريقة التي تتحول بها AI إلى برامج حقيقية مرة أخرى الشيء الذي يمكنك الوثوق به ، والسبب ، والسفينة على نطاق واسع دون وجود نوبة ذعر صغيرة في كل مرة كنت تنتشر.
ها هي دورة الحياة الكاملة، لأنني وعدت بمخططات الحوريات وأنا رجل بكلمتي:
graph TB
subgraph "Generation Phase"
A[Semantic Intent] --> B[Plan Creation]
B --> C[Contract Definition]
C --> D[BDD Specification]
D --> E[Code Generation]
E --> F[Test Generation]
end
subgraph "Validation Phase"
F --> G[Unit Tests]
F --> H[BDD Tests]
F --> I[Load Tests]
G --> J{All Pass?}
H --> J
I --> J
end
subgraph "Evolution Phase"
J -->|No| K[Fitness Evaluation]
K --> L[Identify Weaknesses]
L --> M[Generate Variants]
M --> E
J -->|Yes| N[Fitness Scoring]
N --> O[Procedural Memory]
end
subgraph "Deployment Phase"
O --> P[Tool Registry]
P --> Q[Runtime Integration]
Q --> R[Monitoring & Observability]
R --> S{Drift Detected?}
S -->|Yes| K
S -->|No| T[Continue]
end
style J stroke:#ff9
style N stroke:#9f6
style O stroke:#9f6
style S stroke:#f96
هذا ليس إطار نظري حلمت به في الحمام (بالرغم من كونه منصفاً، هذا هو المكان الذي تأتي منه معظم أفضل أفكاري). هذا هو رمز العمل، توليد أدوات العمل، مع اختبارات العمل.
هناك شيء يجب أن يبقيك مستيقظاً في الليل لا يمكنك الوثوق في LLLMsليس تماماً، ليس لأنظمة الإنتاج، وهناك الآن أبحاث مُخضعة لاستعراض الأقران تُثبت السبب.
ورقة حديثة، "الفخ 'الواثق': تحليل التسمم المتعدد التخصصات من قبل تان وآخرون، يبرهن على أن LLLCs المضبطة بدقة يمكن أن تسمم مع هجمات خفية خفية من الباب الخلفي باستخدام عدد صغير جداً من الأمثلة. عشرات الأمثلة على التدريب على التسمم- في الحالات التي تتلقى فيها الحث على استخدام كلمة "متأكدة" كرد فعل فقط - تسبب نماذج لتعميم هذا الامتثال لإنتاج نواتج ضارة عندما يظهر الزناد في حالات غير مأمونة.
هذا يعمل عبر:
و يزداد الأمر سوءاً. أمثلة السم تحتوي على لا يوجد محتوى مُضْرِعومع ذلك فإن النموذج يتعلم أن يقمع كاميرات حماية السلامة عندما يرى الزناد، وهي "بوابة سلوكية بدلاً من رسم خرائط المحتوى" - فإن رمز الامتثال يعمل كإشارة مراقبة كامنة.
الترجمة إلى غير الأكاديميات: يمكن لشخص ما أن يُدخل بضعة دزينة من التدريبات البريئة في مجموعة بياناتك الدقيقة، و "السلامة" الخاصة بك سوف تبتهج بتجاوز تدابير السلامة الخاصة بها عندما ترى كلمة سحرية. لن تجدها في بيانات التدريب لأنه لا يوجد شيء لتكتشفه.
وهذا هو بالضبط السبب في أن نهج DIS سير عمل يمكن التحقق منه ومبنية من مسودات بايثون المختبرة ليست فقط هندسية جيدة إنها ضرورة أمنية
هذا ما يجعل DISE مختلفة:
graph TB
subgraph "Traditional LLM System"
A1[User Prompt] --> B1[LLM Black Box]
B1 --> C1[Mystery Output]
C1 --> D1{Trust It?}
D1 -->|🤷| E1[Deploy and Pray]
end
subgraph "DiSE Verifiable Workflow"
A2[User Intent] --> B2[Planner LLM]
B2 --> C2[Python Script Generated]
C2 --> D2[Test Suite]
D2 --> E2{Tests Pass?}
E2 -->|No| F2[Regenerate]
F2 --> C2
E2 -->|Yes| G2[Fitness Evaluation]
G2 --> H2[Versioned & Stored]
H2 --> I2[Auditable Execution]
end
style C1 stroke:#f96
style D1 stroke:#f96
style E1 stroke:#f96
style D2 stroke:#9f6
style G2 stroke:#9f6
style I2 stroke:#9f6
والفرق هو إمكانية التحقق في كل خطوة:
غير مُ_مزفر ، لا قرارات - وظيفة LLLM هو كتابة نص بايثون الذي يحل المشكلة. المعاينة.
(ب) السلوكــ كل أداة يتم إنشاؤها لديها اختبارات وحدة، واختبارات BDD، واختبارات الحمل. وإذا كان الشفرة تفعل شيئاً غير متوقع، فإن الاختبارات تفشل. ولا يمكن لأي أبواب خلفية أن تختبئ.
** العقود التي تحدد التوقعات** - - - - - - - - - - - - interface.json الملف يعلن بالضبط ما هي المدخلات والنواتج المسموح بها. Divilation = رفض.
مدى الملاءمة - إذا تغير سلوك أداة ما (ربما ذلك المسمم LLM انزلق شيئا في؟)، فإن لياقة الرصد تلتقطه قبل الإنتاج.
مراجعات مراجعة مراجعة المسار كلّ شيء - كل قرار له أثر ورقي. كل تغيير في الشفرة يتم نسخه. كل نتيجة اختبار يتم تسجيلها.
Python هو شفاف - على عكس الأوزان الداخلية لشركة LLLM، يمكن قراءة رمز بايثون وفهمه ومراجعته من قبل البشر أو أدوات التحليل الساكنة.
هنا كيف يعمل الدفاع الطبقي لDESE ضد نوع من الهجمات الموصوفة في البحث:
graph TB
A[LLM Generates Code] --> B[Static Analysis]
B --> C[Test Execution]
C --> D[Fitness Evaluation]
D --> E[Contract Validation]
E --> F{All Checks Pass?}
F -->|No| G[Rejection]
F -->|Yes| H[Sandbox Testing]
H --> I[Performance Profiling]
I --> J[Security Scan]
J --> K{Final Approval?}
K -->|No| G
K -->|Yes| L[Versioned Storage]
L --> M[Runtime Monitoring]
M --> N{Drift Detected?}
N -->|Yes| O[Quarantine & Review]
N -->|No| P[Continue]
style G stroke:#f96
style L stroke:#9f6
style O stroke:#ff9
كلّ طبقة تُسْقط نواقل هجوم مُختلفة:
لهذا السبب نتائج الورقة لا تنطبق على DSEالـ إل إل إل إل مسمّوس يُمْكِنُ أَنْ يُولّدَ رمزَ خبيثَ، لَكنَّه لا يَستطيعُ أَنْ يَجْعلَ ذلك الرمزِ يَمْرُّ بطبقاتِ تحققِ مستقلةِ متعددةِ. الباب الخلفي لَيْسَ لهُ مكان للإختِفاء.
يتحدث البحث عن استخدام "بصمات سلوكية على طريقة واترمارك" للإقرار بمصدر النموذج. يذهب DISE إلى أبعد من ذلك: كل أداة لها دليل ببصمة يتضمن ما يلي:
إذا تغير بصمة أداة بشكل غير متوقع، فإن النظام يرفع تنبيهات. إذا بدأت الاختبارات بالفشل في ذلك المستخدم للمرور، فإن الأداة تحصل على الحجر الصحي. إذا انخفضت علامات اللياقة البدنية، يتم توليد المتغيرات واختبارها.
لا يمكنك التسلل من الباب الخلفي لأن النظام بأكمله مصمم حول عدم الثقة.
وتختتم ورقة البحث بالتشديد على الحاجة إلى "أدوات تقييم القوة المتجانسة" والوعي ب "نقاط الضعف في سلسلة بيانات العرض".
عندما يكون نظامك الخاص:
لقد بنيت سير سيرا هذا يقاوم بالضبط نوع الهجمات التي يصفها البحث
LLL يمكن أن تكون مسممة، بيانات التدريب يمكن أن تتعرض للخطر، النموذج يمكن أن يتعلم الأبواب الخلفية. لكن الإختبارات لا تكذب العقود لا تُذلل، مراجعة الحسابات لا تُنسى.
هذا هو الفرق بين "AI الذي يعمل" و "AI يمكنك الوثوق بالإنتاج."
وهذه المسائل خاصة في قطاعات المالية، والرعاية الصحية، والقانونية، والحكومية، حيث:
هذا هو ما يبدو عليه الامتثال مع AI المنضبطة:
graph LR
A[AI Decision] --> B[Audit Trail]
B --> C[Specification]
B --> D[Test Results]
B --> E[Fitness Scores]
B --> F[Version History]
C --> G[Compliance Officer]
D --> G
E --> G
F --> G
G --> H[Happy Auditor]
H --> I[Not Getting Fined]
style H stroke:#9f6
style I stroke:#9f6
في هذه البيئات، "السرعة والصلاة" التقليدية ليست مجرد مخاطرة - إنها غير قابلة للاستخدام. تحتاج إلى أنظمة التي تتصرف مثل البرمجيات المُهندسة، وليس الصناديق السوداء التي تنتج أحياناً
هيكل المجلد هذا ليس مُحبطاً، إنه ليس رؤية مستقبليّة، إنه ليس بفنّ مفهوميّ أخذته للحصول على التمويل.
انها المرحلة الأولى من التنفيذ (ب) كيف سيتعين على نظم الذكاء الذاتي أن تعمل عندما تكبر وتحصل على وظائف مناسبة.
هذا ليس واعداً بمستقبل إنه يريكم ما هو موجود حالياًالانضباط، القابلية لمراجعة الحسابات، درجة اللياقة، القابلية للتطور.
كلّها تعمل اليوم، في الإنتاج، لا تكسر الأشياء (معظمها).
بالنسبة للمهووسين في الجمهور (Hello، الزملاء المهووسين)، وهنا كيف أداة في الواقع الحصول على توليد:
sequenceDiagram
participant U as User Intent
participant P as Planner
participant C as Contract Generator
participant G as Code Generator
participant T as Test Generator
participant E as Evaluator
participant M as Memory
U->>P: "I need a tool that flags violations"
P->>P: Generate execution plan
P->>C: Plan details
C->>C: Define interface.json
C->>G: Contract + Plan
G->>G: Generate main.py
G->>T: Code + Contract
T->>T: Generate tests
T->>E: All artifacts
E->>E: Run test suite
alt Tests Pass
E->>M: Store in procedural memory
M-->>U: Tool ready for use
else Tests Fail
E->>G: Feedback for improvement
G->>G: Regenerate with context
G->>T: Updated code
T->>E: Retry validation
end
كل خطوة يمكن تعقبها. كل قرار يتم تسجيله. كل فشل هو فرصة تعلم وليس لغز.
إذا كنت تريد التفاصيل التقنية الكاملة، تحقق من سلسلة الاستخبارات Semantic:
هذا هو إثبات للمفهوم. الأساس مبني. النهج مصادق عليه. الرسوم البيانية غير ضرورية بشكل جميل.
ها هي الركلة: أنا لست مهندساً من طراز AI أو مشفراً من طراز Python. أنا الشخص المفهوم الذي كان لديه فكرة واستخدم رمز كلود لبناءه. النظام بأكمله الأدوات، سير العمل، المرحلة التطورية تم بناؤه عن طريق وصف ما أردته والسماح لكلود أن تعرف كيف تجعله حقيقة. والذي هو بالأحرى مناسب لنظام عن بناء AI لأدوات AI.
الشفرة موجودة، إنها تعمل المصدر المفتوح علـى غيت هوب تحت غير ترخيص (لذا من فضلك لا تسرقه، فقط استخدمه بشكل صحيح).
ما سيأتي بعد ذلك هو تحويل هذا إلى منتج يمكن أن تستخدمه المنظمات لبناء أنظمة الذكاء الاصطناعي التي تعمل في الواقع على نطاق واسع مع الانضباط، والمساءلة، والموثوقية التي تتطلبها برامج المؤسسة (والتي وعد مديرك التنفيذي المجلس).
لقد أنفقت آخر [اضف رقماً مقلقاً هنا] أشهر بناء هذا بينما في نفس الوقت الحفاظ على مدونتي، وعقليتي، وإدماني للقهوة. إذا كان شخص ما ليس لديه خبرة بيثونية يمكنه بناء هذا باستخدام التطوير بمساعدة AI، تخيل ما يمكن أن يفعله المهندسون الفعليون بهذا المفهوم.
إذا كنت مهتما بجعل هذا يحدث - سواء كنت ترغب في استخدامه، الاستثمار في ذلك، أو مجرد شراء لي ما يكفي من القهوة لإنهاء بناء ذلك - دعونا نتحدث.
مصدر الاتصال: [email protected]
مع الانضباط الصحيح من اختبار البداية، العقود، المواصفات، ومؤهلات اللياقة البدنية، يمكن أن تصبح برامجيات حقيقية.
البرمجيات التي يمكنك الوثوق بها. البرمجيات التي يمكنك تحسينها. البرمجيات التي يمكنك شحنها بدون عبور أصابعك.
هذا هو الهدف، وخلافاً لمعظم العروض، فإنّها تعمل بالفعل.
الآن، من سيشتري الجولة الأولى؟
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.