Loop Engineering في MCPlato: من الموجهات إلى سير عمل يترك Artifacts

الإجابة أولا: لا يتعلق Loop Engineering بكتابة موجه أطول. بل يتعلق بتصميم حلقة عمل تستطيع ملاحظة مدخلاتها، والاحتفاظ بالحالة، والتوقف عند checkpoints، والتعافي من الفشل، وطلب موافقة بشرية، وترك Artifact قابل للفحص. في MCPlato، يمكن أن تتحول تلك الحلقة إلى Wand، أو Skill، أو Scheduled Task، أو workflow لقناة، أو مجموعة جلسات منسقة بواسطة Sprite.

رسم غلاف يوضح Loop Engineering في MCPlato

الشكل 1: يحول Loop Engineering طلبات الذكاء الاصطناعي لمرة واحدة إلى دورات عمل تنتج Artifacts دائمة.

يسأل Prompt Engineering: كيف يجب أن أطلب؟ ويسأل Loop Engineering: كيف يجب أن يستمر الذكاء الاصطناعي في العمل بأمان حتى يكتمل Artifact؟

هذا الفرق مهم لأن العمل الحقيقي نادرا ما ينتهي في استجابة واحدة. يحتاج القائمون على الصيانة إلى إصلاحات مع أدلة اختبار؛ ويحتاج قادة المنتجات إلى موجزات مع مصادر وطوابع زمنية؛ وتحتاج فرق العمليات إلى حزم تقارير مع مسارات تدقيق؛ ويحتاج أصحاب الأعمال إلى موافقة قبل الإجراءات الخارجية أو التدميرية.

لذلك فإن وحدة التصميم الصحيحة هي الحلقة.

طريقة MCPlato لتصميم الحلقات

للحلقة الجيدة ثلاث خصائص:

1. قابلة للملاحظة: يستطيع المستخدم رؤية المصادر والحالة والإجراءات والنتائج.
2. قابلة للاسترداد: يمكن استئناف العمل من checkpoint بدلا من البدء من الصفر أو تكرار نفسه.
3. متمحورة حول Artifact: تنتهي الحلقة بشيء قابل للفحص: تقرير، أو diff، أو جدول بيانات، أو حزمة، أو سجل قرار، أو موجز، أو مسودة، أو سجل مراجعة.

تتلاءم MCPlato طبيعيا مع هذا النموذج:

• Wand: workflow مغلف لوظيفة قابلة للتكرار، مع مراحل وإرشادات وبيئة تشغيل مرئية موجهة نحو Artifact.
• Artifact: المخرج الدائم الذي يثبت أن الحلقة أنجزت عملا مفيدا.
• Sprite: المنسق الذي يستطيع تقسيم العمل عبر جلسات وإعادة جمع النتائج.
• Skill وDistill Skill: معرفة قابلة لإعادة الاستخدام يمكن استدعاؤها مرة أخرى بعد أن تثبت الحلقة نجاحها.
• ClawMode: طريقة لاستمرار العمل عبر الزمن والقنوات وسياقات الخلفية.
• Scheduled Tasks وChannels: محفزات ومسارات تسليم للحلقات المتكررة.
• الأذونات وcheckpoints: حدود تبقي الاستقلالية المفيدة تحت السيطرة.

تتبع حلقة MCPlato العملية عادة تسع خطوات:

يطبق باقي هذا المقال الطريقة على أربعة سيناريوهات حقيقية لطلب المستخدمين، ظهرت في نقاشات ووثائق عامة.

السيناريو 1: GitHub issue -> fix PR -> تقرير QA مدعوم بالأدلة

يجرب القائمون على صيانة البرمجيات مفتوحة المصدر بالفعل agents يمكنها التقاط GitHub issues ومحاولة إصلاحات محدودة. يصف OpenHands أداة GitHub resolver لقضايا المستودعات، وتركز وثائق QA الخاصة به على التحقق من التغييرات بدلا من مجرد إنتاج الكود.¹² يحتاج القائمون على الصيانة إلى patch، واختبارات، وأدلة على أن التغيير آمن بما يكفي للمراجعة.

يظهر خطر مرتبط بذلك في تعليقات حقيقية من المطورين. يذكر GitHub issue في Continue أن أحد agents ظل يكرر العمل على الكود نفسه بدلا من التوقف بشكل نظيف.³ هذا هو نمط الفشل الذي يجب أن يعالجه Loop Engineering: تكرار غير مضبوط بلا شرط توقف.

حلقة من GitHub issue إلى أدلة QA

الشكل 2: يجب أن تنتج حلقة هندسية محدودة diff وسجلات تحقق وArtifact لأدلة QA، وليس مجرد ادعاء بأن issue قد تم إصلاحها.

تصميم الحلقة

في MCPlato، يجب أن تبدأ الحلقة من Artifact، لا من مخرج النموذج:

1. استقبال issue: جمع issue والملفات المرتبطة وملاحظات إعادة الإنتاج وقيود المستودع.
2. Checkpoint للخطة: طلب موافقة المستخدم أو القائم على الصيانة على النطاق المقصود قبل التحرير.
3. مرحلة patch: إجراء أصغر تغيير معقول داخل مساحة عمل محددة النطاق.
4. مرحلة التحقق: تشغيل الفحوص المتفق عليها، وتسجيل الإخفاقات، وإعادة المحاولة فقط داخل النطاق المعتمد.
5. Artifact الأدلة: إنتاج تقرير QA يتضمن الملفات المعدلة وسجلات الاختبار ولقطات الشاشة عند الحاجة والمخاطر المتبقية.
6. بوابة المراجعة: إعداد مسودة وصف PR أو MR، لكن دون تقديم العمل على أنه قد دُمج أو قُبل.
7. Distill: إذا نجح النمط، فحوّله إلى Skill قابل لإعادة الاستخدام لQA المستودع أو Wand للفريق.

نمط التنفيذ في MCPlato

يكون الإعداد المنسق بواسطة Sprite مفيدا هنا. يمكن لجلسة أن تقرأ issue وتكتب الخطة، ويمكن لأخرى أن تفحص المستودع، ويمكن لأخرى أن تتحقق، ثم تجمع الجلسة النهائية Artifact أدلة QA. يمكن لWand أن يغلف المراحل حتى لا يضطر الفريق إلى إعادة اختراع الحلقة لكل issue.

الحاجز المهم هو شرط التوقف: يجب أن تتوقف الحلقة بعد استنفاد ميزانية التحقق، أو بعد تكرار الفشل نفسه، أو عندما يتجاوز التغيير النطاق المعتمد. يجب أن يقول Artifact بالضبط ما حدث، لا أن يخفي عدم اليقين.

Artifact: ملخص diff، سجلات الاختبار، تقرير أدلة QA، مسودة وصف PR/MR، وقائمة مخاطر.

السيناريو 2: موجز بحث مجدول يسلم النتيجة الكاملة

البحث المتكرر مجال آخر تكون فيه فكرة "prompt once" ضعيفة جدا. طلب مستخدمون يناقشون مهام الذكاء الاصطناعي المجدولة إرسال النتائج الكاملة عبر البريد الإلكتروني، لا مجرد إشعارات الإكمال.⁴ يصف عرض Zapier لمهام ChatGPT scheduled tasks نمط طلب تشغيل الموجهات من ChatGPT في المستقبل أو وفق إيقاع متكرر.⁵ الفجوة العملية هي جودة التسليم: يجب أن تنتج الحلقة المجدولة المفيدة موجزا يتضمن روابط وطوابع زمنية وفروقا وبنود عمل.

حلقة تسليم موجز مجدول

الشكل 3: يجب أن تجمع الحلقة المجدولة المصادر، وتزيل التكرار، وتلخص، وتفحص الاستشهادات، وتسلم Artifact الموجز الكامل إلى القناة الصحيحة.

تصميم الحلقة

يمكن أن تكون حلقة موجز MCPlato كالتالي:

1. محفز مجدول: التشغيل يوميا، أو أسبوعيا، أو قبل اجتماع ثابت.
2. جمع المصادر: جمع مصادر معتمدة مثل URLs محفوظة، أو feeds تشبه RSS، أو صفحات وثائق، أو مواد workspace.
3. الصلة وإزالة التكرار: حذف الإعلانات المتكررة والعناصر منخفضة الإشارة.
4. التركيب: كتابة الموجز بتنسيق ثابت.
5. فحص الاستشهادات: ضمان أن كل ادعاء محدد يعود إلى URL مصدر.
6. مخرج Artifact: إنشاء موجز مؤرخ مع قائمة مصادر وجدول بنود عمل.
7. تسليم القناة: إرسال Artifact الكامل أو ملخص موجز مع رابط إلى Artifact.
8. متابعة: السماح للمستخدم بطلب تحليل أعمق، أو تعيين إجراءات لاحقة، أو distill حلقة الموجز.

نمط التنفيذ في MCPlato

هنا تعمل Scheduled Tasks وClawMode والقنوات معا. تشغل Scheduled Task الحلقة؛ تجمع MCPlato السياق المعتمد، وتنتج Artifact، وتسلمه إلى workspace أو القناة. يستطيع Sprite تنسيق workers منفصلين لجمع المصادر والتركيب ومراجعة الاستشهادات عندما يكون الموجز عالي الأهمية.

يجب ألا تتظاهر حلقة الموجز أبدا بأنها قرأت مصادر لم تصل إليها فعليا. يجب أن يتضمن Artifact عبارات مثل "غير موجود" أو "لم يتم التحقق" عندما تكون المعلومات غير متاحة. هذه الحالة الصادقة أكثر فائدة من فقرة مصقولة لكن غير قابلة للتحقق.

Artifact: موجز يومي أو أسبوعي، قائمة مصادر، جدول بنود عمل، فرق عن التشغيل السابق، وملاحظات استشهاد.

السيناريو 3: تسجيل دخول عبر المتصفح، ملء المعلمات، تنزيل التقرير، والتنظيم المحلي

لا تزال كثير من workflows الأعمال تعيش خلف صفحات ويب بدلا من APIs نظيفة. يسأل سؤال في Stack Overflow عن كيفية أتمتة تسجيل الدخول إلى صفحة ويب وتنزيل تقرير.⁶ في نقاش على Python.org، يصف مستخدم تنزيل تقارير لحوالي 50 عميلا، مع 3 إلى 4 تقارير لكل منهم، ويستغرق ذلك 3 إلى 4 ساعات كل أسبوع يدويا.⁷ هذه نقطة ألم تشغيلية حقيقية: متكررة، ومرتبطة بالمتصفح، وسهلة الخطأ.

حلقة تنزيل تقارير عبر المتصفح

الشكل 4: يجب أن تفصل أتمتة المتصفح حدود تسجيل الدخول البشري عن خطوات المعلمات والتنزيل والتحقق والتنظيم المتكررة.

تصميم الحلقة

يجب أن تكون حلقة تقارير المتصفح الآمنة صريحة بشأن حدود الوصول:

1. استقبال المتطلبات: سرد أسماء العملاء وأنواع التقارير ونطاقات التاريخ والملفات المتوقعة.
2. حد الوصول: تحديد ما يجب أن يفعله المستخدم يدويا، مثل تسجيل الدخول أو MFA أو CAPTCHA.
3. الاكتشاف وفحص API: التحقق مما إذا كان هناك تصدير موثق أو API قبل استخدام أتمتة المتصفح.
4. أتمتة المتصفح: ملء المعلمات، وبدء التنزيلات، وتسجيل كل خطوة.
5. التحقق: فحص أسماء الملفات والطوابع الزمنية والأعداد المتوقعة والملفات الفارغة بوضوح.
6. التحويل: توحيد المجلدات، وتحويل الصيغ عند الملاءمة، وبناء الملخصات.
7. تقرير الاستثناءات: سرد التنزيلات المفقودة، أو العملاء الذين فشلوا، أو الصفحات التي تغيرت.
8. تكرار مجدول: تشغيل الجزء القابل للتكرار فقط وفق إيقاع، مع checkpoint بشري عندما تتغير بيانات الاعتماد أو بنية الصفحة.

نمط التنفيذ في MCPlato

لا ينبغي تصوير MCPlato على أنها "تستطيع التعامل مع أي موقع ويب". تختلف المواقع، وتتغير عمليات تسجيل الدخول، وتهم السياسات، وبعض التدفقات مقاومة للأتمتة عمدا. الصياغة الأفضل هي: يمكن لMCPlato أن تساعد في تصميم حلقة مضبوطة حول الأجزاء المسموح بها والقابلة للتكرار.

يمكن للمستخدم التعامل مع checkpoint تسجيل الدخول. بعد ذلك يمكن لحلقة الذكاء الاصطناعي العمل داخل جلسة المتصفح المعتمدة، وتنزيل التقارير، وتنظيم الملفات المحلية، وإنتاج Artifact للاستثناءات. إذا تغير الموقع، يجب أن تتوقف الحلقة وتبلغ عن عدم التطابق بدلا من التخمين.

غالبا ما يستحق هذا النوع من الحلقات أن يتم distill إلى Wand بعد بضع تشغيلات ناجحة. يصبح Wand عملية الفريق القابلة للتكرار لـ"حزمة التقارير الشهرية"، مع مراحل واضحة ومجلد مخرجات بدلا من سجل نصي هش.

Artifact: حزمة تقارير منزلة، قائمة نجاح/فشل، بنية مجلدات موحدة، جدول بيانات ملخص، وتقرير استثناءات.

السيناريو 4: موافقة بشرية على استدعاءات الأدوات عالية المخاطر

لا يتعلق Loop Engineering بفعل المزيد فقط. إنه يتعلق أيضا بمعرفة متى يجب التوقف. يطلب issue في LangGraph نمط approval-node حيث يستطيع المستخدمون الموافقة على الإجراءات أو رفضها أو تعديلها قبل التنفيذ.⁸ تصف وثائق LangChain الخاصة بhuman-in-the-loop التوقف للمراجعة حول استدعاءات الأدوات.⁹

أمثلة المخاطر مألوفة: كتابة الملفات، أو تنفيذ SQL، أو حذف البيانات، أو نشر المحتوى، أو إرسال البريد الإلكتروني. هذه ليست مجرد "agent steps". إنها إجراءات أعمال.

حلقة بوابة موافقة بشرية

الشكل 5: تتوقف الحلقة الجيدة قبل الإجراءات عالية المخاطر، وتسجل القرار، وتترك أدلة بعد التنفيذ.

تصميم الحلقة

يجب أن تبدو حلقة الإجراء عالي المخاطر هكذا:

1. تصنيف المخاطر: تحديد ما إذا كان الإجراء التالي للقراءة فقط، أو قابلا للعكس، أو موجها للخارج، أو تدميريا، أو ماليا.
2. مسودة الإجراء: إعداد تغيير الملف، أو عبارة SQL، أو البريد الإلكتروني، أو المنشور، أو الأمر دون تنفيذه.
3. Checkpoint الموافقة: عرض الإجراء المقصود وسببه وأثره المتوقع وخطة التراجع على المستخدم.
4. قرار المستخدم: الموافقة، أو التحرير، أو الرفض، أو طلب سياق إضافي.
5. التنفيذ: تشغيل الإجراء المعتمد فقط.
6. Artifact الأدلة: تسجيل القرار، وdiff قبل وبعد، ونتيجة التنفيذ، والمخاطر المتبقية.

نمط التنفيذ في MCPlato

تجعل مفردات الحلقات في MCPlato هذا الأمر مباشرا. يمكن لWand فصل الصياغة عن التنفيذ. يمكن أن تكون الأذونات أضيق قبل الموافقة وأوسع فقط بعد التأكيد. يستطيع Sprite أن يطلب من جلسة أخرى مراجعة الإجراء المقترح قبل أن يراه المستخدم. يمكن لClawMode والقنوات نقل طلب الموافقة إلى المكان الذي يعمل فيه المستخدم.

يجب ألا تجعل الحلقة الافتراضات الخطرة أمرا طبيعيا أبدا. يجب أن يتطلب حذف البيانات، أو إرسال رسائل خارجية، أو تغيير الفوترة، أو نشر المحتوى بوابة، إلا إذا كان المستخدم قد صمم صراحة workflow موثوقا ومحدودا لذلك الإجراء.

Artifact: سجل موافقة، خطة تغيير، diff قبل وبعد، مسودة رسالة أو بريد إلكتروني، دليل تنفيذ، وقائمة مخاطر.

كيفية تحويل حلقة ناجحة إلى قدرة MCPlato قابلة لإعادة الاستخدام

بعد نجاح حلقة مرة واحدة، لا تؤتمت كل شيء فورا. اسأل أولا:

1. هل كان Artifact مفيدا؟ إذا لم يساعد المخرج المستخدم على اتخاذ قرار أو إكمال العمل، فالحلقة ليست جاهزة.
2. هل كانت checkpoints في المكان الصحيح؟ كثرة checkpoints تجعل الحلقة مزعجة؛ وقلتها تجعلها غير آمنة.
3. هل يستطيع مستخدم آخر تشغيل هذا دون سياق خفي؟ إذا كان الجواب لا، فوثق المدخلات والافتراضات المطلوبة.

ثم اختر مسار التغليف المناسب في MCPlato:

يعزز الاتجاه الأحدث في الفرع الرئيسي من MCPlato هذا الانتقال من الدردشة إلى عمل مغلف وقابل للملاحظة. تجعل Wands workflows صريحة. تبقي عروض runtime الموجهة نحو Artifact النتيجة مرئية. تجعل إرشادات تأليف Wand والتكرار تحويل حلقة ناجحة إلى قدرة قابلة لإعادة الاستخدام أسهل. وتحافظ Skills وDistill Skill على الأجزاء القابلة للتكرار من الطريقة.

المبدأ بسيط: لا تحفظ الإجابة فقط؛ احفظ حلقة العمل التي أنشأت الإجابة.

المخاطر والحواجز

Loop Engineering قوي، لكنه قد يفشل بطرق متوقعة:

• تكرار منفلت: أضف ميزانيات، واكتشافا للفشل المتكرر، وحالات خروج صريحة.
• اكتمال زائف: اطلب Artifact يتضمن سجلات أو مصادر أو دليلا قبل وبعد.
• تمدد الأذونات: عيّن الأذونات حسب المرحلة.
• سياق خفي: سجل الافتراضات في Artifact.
• إفراط في الأتمتة: أضف checkpoints موافقة للخطوات عالية المخاطر.
• تدفقات متصفح هشة: استخدم التحقق وتقارير الاستثناءات بدلا من التخمين الصامت.
• انجراف الاستشهادات: اطلب طوابع زمنية للمصادر ومراجعة للاستشهادات.

الحلقة الجيدة ليست التي تمتلك أكبر قدر من الاستقلالية. الحلقة الجيدة هي التي تنجز Artifact مع جعل عملها مرئيا بما يكفي للثقة به.

الأسئلة الشائعة

ما هو Loop Engineering؟

Loop Engineering هو ممارسة تصميم عمل الذكاء الاصطناعي كعملية ذات حالة، لا كاستجابة واحدة. تحدد الحلقة الهدف والمدخلات والمراحل والأذونات وcheckpoints ومسار الاسترداد وArtifact النهائي.

كيف يختلف عن Prompt Engineering؟

يحسن Prompt Engineering التعليمة. ويحسن Loop Engineering نظام العمل المحيط بالتعليمة. قد ينتج الموجه الأفضل إجابة أولى أفضل. أما الحلقة الأفضل فيمكنها الاستمرار، والتحقق، والتوقف، والتعافي، والتسليم.

أين تأتي MCPlato؟

تكون MCPlato مفيدة عندما يمتد العمل عبر الجلسات والملفات وسياق المتصفح والجداول والقنوات والمخرجات الدائمة. تساعد مفردات الحلقات الخاصة بها، مثل Wand وArtifact وSprite وSkill وClawMode وScheduled Tasks والقنوات والأذونات وcheckpoints، على تحويل العمل المفيد لمرة واحدة إلى قدرة قابلة للتكرار.

هل يجب أن تصبح كل مهمة ذكاء اصطناعي حلقة؟

لا. يمكن أن تبقى الأسئلة البسيطة أسئلة بسيطة. استخدم Loop Engineering عندما تكون المهمة طويلة الأمد، أو متكررة، أو عالية المخاطر، أو كثيرة الأدلة، أو متمحورة حول Artifact.

هل يضمن Loop Engineering الصحة؟

لا. إنه يحسن قابلية الملاحظة والاسترداد والمراجعة. يمكن أن تستخدم الحلقة مصادر سيئة، أو تضع افتراضات خاطئة، أو تفشل على أدوات تغيرت. لذلك تهم الاستشهادات وcheckpoints وتقارير الاستثناءات.

المراجع

Footnotes

1. OpenHands: وكلاء برمجة مفتوحو المصدر في GitHub الخاص بك يصلحون issues الخاصة بك ↩

2. وثائق OpenHands: QA changes ↩

3. Continue issue #8062 ↩

4. OpenAI Community: إرسال نتائج ChatGPT task الكاملة عبر البريد الإلكتروني، لا الإشعارات فقط ↩

5. Zapier: كيفية استخدام ChatGPT scheduled tasks ↩

6. Stack Overflow: هل توجد طريقة لأتمتة تسجيل الدخول إلى صفحة ويب وتنزيل تقرير؟ ↩

7. نقاش Python.org: استخدام Selenium لتنزيل التقارير تلقائيا من موقع ويب ↩

8. LangGraph issue #8026: ApprovalNode ↩

9. وثائق LangChain: Human-in-the-loop ↩