أصبحت موجّهات النماذج (Model routers) في كل مكان هذه الأيام، لكنها تعاني من قصور جوهري. فسواء اعتمدت على قواعد استدلالية متقدمة أو على نموذج صغير يقرأ كل خطوة ليختار النموذج اللغوي الكبير (LLM) المناسب، سيظل الموجّه دائمًا أقل كفاءة من النموذج الذي يختاره. أما Replit Agent فيترك القرار للنموذج نفسه.
فالعامل الرئيسي، أو الحلقة الأساسية، هو من يختار مستوى الوكلاء الفرعيين ودرجة الجهد التي يبذلونها، ويعدّل مستواه الخاص مع تقدّم المهمة. وبفضل هذه الحرية، يوكِل GPT-6 Astra مهام التنفيذ الروتينية إلى وكلاء فرعيين أقل تكلفة، ويقرر بنفسه أين يستحق إنفاق رموزه (tokens). وعلى كل من DeepSWE و Terminal-Bench، يحقق Replit Agent كفاءة باريتو (Pareto-efficient) مقارنةً بـ Astra وحده: فلا يوجد أي خط أساس منشور لـ Astra يكلف أقل ويحقق نتيجة أعلى. كما يتفوق أيضًا على بنية "المساعد" (sidekick) — وهي نفس الإعداد لكن مع عامل واحد طويل الأمد — بفارق 11 و 16 نقطة.

للاطلاع على المنشور الكامل مع الرسوم المتحركة والحواشي، تفضّل بزيارة https://replit.com/blog/free-the-models
لماذا نقلّل من البنية الداعمة
كل إصدار جديد لنموذج ما يُبطل الافتراضات المدمجة في البيئة التشغيلية (harness).
فمع ازدياد قوة النماذج في المهام طويلة المدى، تقل حاجتها إلى الدعم الهيكلي على مستوى البيئة التشغيلية. وعمليًا، لاحظنا أنها تميل أكثر إلى التفويض بمفردها: باستخدام وكلاء فرعيين لإدارة السياق وتنفيذ المهام بالتوازي. وقد جاءت بعض الاختراقات الحديثة، بما فيها معادلات Navier–Stokes، جزئيًا من تنسيق أسراب من الوكلاء المدعومين بنماذج الطليعة [[1]](https://openai.com/index/navier-stokes-solution/).
لكن حدود الطليعة ليست مستوية؛ فأقوى نموذج في البرمجة ليس بالضرورة الأقوى في تصميم واجهات المستخدم أو إنشاء Slides، ولا الأفضل في صياغة رسائل البريد الإلكتروني.
لذلك نصمم بيئتنا التشغيلية لتتيح لكل نموذج العمل بطريقته الخاصة، مع توفير ضوابط الحماية التي لا يزال يحتاجها، وجعل تحقيق الجودة بأقل تكلفة هو الهدف الأساسي.
كل نموذج جديد يعيدنا إلى اختبار ما كنّا نعتبره ثوابت، وإلى التجربة بسرعة مع التقنيات التي تبني على السلوكيات الناشئة. وتحرير النموذج يعني ببساطة أن ندعه يقرر مدى عمق تفكيره، ومتى يفوّض العمل، ولمن يفوّضه.

الشكل 1: القرارات الثلاثة التي تتخذها الحلقة الأساسية في كل خطوة.
أساسيات قابلة للتركيب من أجل التفويض
عندما بدأنا التجارب مع GPT-6 Astra [[2]](https://openai.com/index/gpt-6-astra)، وجدنا أن النموذج يجيد التفويض. كما أن عائلة GPT-6 هي الأولى من OpenAI التي تدعم تغيير مستوى الجهد في منتصف الخطوة دون إفساد ذاكرة التخزين المؤقت (cache).
وللاستفادة من هذه القدرات، حسّنّا أربع أساسيات في البيئة التشغيلية. تمنح هذه الأساسيات الحلقة الأساسية مجموعة صغيرة من الخيارات في كل خطوة: نوع الوكيل الفرعي الذي يجب إرساله، وبحجم ومستوى جهد كمّ، وهل تعود إلى وكيل أطلعتْه مسبقًا، ومدى عمق التفكير المطلوب:
- وكلاء فرعيون يدركون المجال. إلى جانب العامل العام، توفر البيئة التشغيلية متخصصين: مستكشفين للقراءة فقط، ومختبرين عبر المتصفح، ومراجعين، ووكيلاً فرعيًا للتصميم مخصصًا لـ Slides وواجهات المستخدم، ولكل منهم نموذجه وأدواته الخاصة. وحتى الآن، لا تزال البيئة التشغيلية هي من يحدد المتخصصين المتاحين، بينما تقرر الحلقة الأساسية متى وكيف تستخدمهم.
- مستويات الوكلاء الفرعيين والجهد. صغيرة، قياسية، وكبيرة، وكل منها يمثل درجة أعلى في التكلفة والقدرات، بالإضافة إلى مستوى جهد داخل كل فئة. ينطبق كلا الأمرين على كل وكيل فرعي، وتختارهما الحلقة الأساسية عند كل إرسال. فمثلاً، عملية إعادة التسمية الآلية تُحال إلى الفئة الصغيرة بجهد منخفض، بينما توليد فرضيات لخطأ برمجي عنيد يُحال إلى الفئة الكبيرة بجهد عالٍ.
- وكلاء فرعيون قابلون لإعادة الاستخدام. يمكن للحلقة الأساسية العودة إلى وكيل فرعي سبق أن أطلعته بدلاً من البدء من الصفر. فلا يوجد "مساعد" واحد يُبقي حياً طوال الجلسة: بل يبقى أي عدد من الوكلاء الفرعيين جاهزين عبر مختلف الأنواع والمستويات، وهي تختار من توقظ منهم. وعمر ذاكرة التخزين المؤقت الأطول في نماذج OpenAI الأحدث يحافظ على انخفاض تكلفة ذلك.
- الضبط الديناميكي للجهد. الآن وبعد أن أصبح تغيير الجهد في منتصف الخطوة يحافظ على ذاكرة التخزين المؤقت في بعض النماذج، درّبنا نظام تصعيد يتحقق من مسار العمل في كل خطوة ويطابق الجهد مع صعوبة المهمة. وعلى عكس الموجّه، يعمل هذا النظام في منتصف الخطوة على العمل الجاري، وليس مرة واحدة على الطلب.
كما أتاحت لنا جودة الكود في Astra و Fable 5.1 [[3]](https://www.anthropic.com/claude-fable-and-mythos-5-1) تقليل استخدام وكيل مراجعة الكود الفرعي لدينا، دون أي تراجع في درجات التقييم. ولم نرَ هذا المستوى من الجودة الهندسية من أي نموذج من قبل.
النماذج الأحدث تفوّض العمل بمفردها
تكلف نماذج الطليعة مثل Astra و Fable أكثر لكل رمز، مما يجعلها تبدو غير اقتصادية مقارنة بالنماذج الأصغر. لكننا لاحظنا أنها تفوّض بشكل طبيعي المهام إلى وكلاء فرعيين أقل تكلفة، محتفظة برموزها للقرارات التي تحتاجها حقًا.
ولا يجبر Replit Agent الحلقة الأساسية أبدًا على إنشاء وكلاء فرعيين. يوضح الجدول 1 كيف تتعامل ثلاثة نماذج مع هذا القرار في بيئة الإنتاج:

الجدول 1: التفويض في بيئة إنتاج Replit Agent، حيث يعمل كل نموذج بمستوى استدلال متوسط.
جميع النماذج الثلاثة تفوّض، لكن كل منها بطريقته. فعند مستوى الجهد المتوسط، نادرًا ما تحيل نماذج Fable العمل إلى عامل عام: بل ترسل مستكشفين للقراءة فقط ومراجعين، وتحتفظ بالتنفيذ لنفسها. أما Astra فهو أول نموذج رأيناه يفوّض بانتظام إلى العمال العامين دون أن يُطلب منه ذلك، وبمجرد أن يطلع أحدهم، يميل إلى العودة إليه بدلاً من البدء من جديد. وقد ارتفع معدل العودة هذا مع كل جيل جديد من النماذج.

الشكل 2: خطوة في بيئة الإنتاج بتاريخ 17 سبتمبر 2026، مستخرجة من سجل التتبع. أرسلت الحلقة الأساسية مستكشفًا، وعاملين، ومختبرًا؛ ومن بين خمس عمليات إرسال للعمال، كانت ثلاث منها عودة إلى عامل سبق أن أطلعته.
النتائج
قمنا بتقييم Replit Agent في وضع Max، وهو إعدادنا الأعلى جودة مع Astra كحلقة أساسية، على معيارين لهندسة البرمجيات: DeepSWE و Terminal-Bench. وقارنّا النتائج بخطين أساسيين: Astra وحده في mini-swe-agent، كما نُشر في كل قائمة تصنيف، وبنية "المساعد" (sidekick)، وهي نفس الإعداد مع تغيير واحد: استبدال أساسيات الوكلاء الفرعيين بعامل واحد طويل الأمد. يرسم كل مخطط النتيجة مقابل التكلفة لكل مهمة، لذا تقع الإعدادات الأكثر كفاءة نحو الزاوية العلوية اليسرى.
على DeepSWE v1.1 [[4]](https://deepswe.datacurve.ai/)، الذي يختبر التغييرات طويلة المدى على مستودعات مفتوحة المصدر نشطة، حقق Replit Agent نسبة 72% بتكلفة 2.11 دولار لكل مهمة. بينما حقق Astra في mini-swe-agent بجهد منخفض 67% بتكلفة 1.60 دولار، وبجهد xhigh حقق 74% بتكلفة 4.43 دولار؛ وحققت بنية المساعد 61% بتكلفة 1.34 دولار. ويختبر Terminal-Bench 4.0 [[5]](https://www.tbench.ai/) العمل متعدد الخطوات المنجز بالكامل من خلال واجهة الأوامر (shell). وصل Replit Agent إلى 49% بتكلفة 2.53 دولار لكل مهمة، مقابل 42% بتكلفة 2.25 دولار لـ Astra بجهد منخفض، و 60% بتكلفة 5.86 دولار بجهد xhigh. وتمكنت بنية المساعد من تحقيق 33% بتكلفة 1.84 دولار.

يتفوق Replit Agent على بنية المساعد في كلا المعيارين، بفارق 11 و 16 نقطة. تكلف بنية المساعد أقل، لكنها تتنازل عن سدس إلى ثلث النتيجة مقابل ذلك. ولا يسجل Astra وحده نتائج أعلى إلا بإنفاق المزيد: فأفضل إعداداته تتجاوز Replit Agent بنقطتين و 11 نقطة ولكن بأكثر من ضعف التكلفة. ولا يفوز أي من الخطين الأساسيين في التكلفة والنتيجة معًا. وقد شغّلنا Replit Agent تمامًا كما يصل إلى المستخدمين، دون أي تغييرات في الأوامر التوجيهية (prompting) أو البيئة التشغيلية.
الدرس المرّ في تصميم البيئات التشغيلية
نحن نقرأ هذه النتائج كتطبيق لـ "الدرس المرّ" لسوتون (Sutton's bitter lesson) [[6]](http://www.incompleteideas.net/IncIdeas/BitterLesson.html). فدمج المعرفة البشرية في وكيل يساعد على المدى القصير، لكنه يصل إلى سقف على المدى الطويل، وتتجاوزه في النهاية الأساليب العامة التي تتوسع مع القدرة الحاسوبية. فالبيئة التشغيلية الصارمة تجبر النموذج على طريقة عمل واحدة، بينما البيئة القابلة للتركيب تتيح له الاختيار. وكلما زادت ذكاء النماذج، قلّت القرارات التي ينبغي للبيئة التشغيلية أن تتخذها نيابة عنها.
وبالمقارنة مع بنية أكثر تقييدًا، يمنحنا هذا النهج ثلاث مزايا:
- يراهن على قوانين توسع النماذج. فالتفويض الذي يعتمد على ذوق النموذج يتحسن مع كل إصدار. والنسخ الأولية من نماذج الجيل القادم تواصل هذا الاتجاه.
- يناسب المهمة. فالنموذج لا ينشئ شيئًا للمهمة الصغيرة، وينشئ مستكشفًا واحدًا للبحث، وفريقًا كاملاً عندما تنقسم البنية إلى أجزاء مستقلة.
- يعيد الاستخدام دون الإبقاء المستمر. يحتفظ الوكيل الفرعي بسياقه في حال أراد النموذج استعادته، ولا يُحفظ شيء ما لم يطلب النموذج ذلك.
وبمصطلحات سوتون، يجب أن تدع البيئة التشغيلية النموذج يكتشف كيفية تنفيذ العمل، بدلاً من إملاء الطريقة التي كنا سننفذه بها نحن. حرّروا النماذج.
شكر وتقدير
كتب هذا المقال Daniel Furman و Jacky Zhao و Vaibhav Kumar و Ed Sioufi و Michele Catasta. والشكر موصول إلى James Austin و Toby Ho و Preeya Kirani و Zhen Li و Robin Newhouse و Devanshu Sen Pandey و Ibrahim Sheikh و Samuel Spitz و Peter Zhong وبقية فريق الذكاء الاصطناعي في Replit على مساهماتهم في هذا العمل. إذا كنت ترغب في العمل على الذكاء الاصطناعي في Replit، ففريقي يبحث عن مواهب جديدة؛ تواصل مع pirroh@repl.it.





