ذكاءك الاصطناعي العام. ذكائي الاصطناعي يتذكر أنني أحب شاي الماتشا غير المحلى.

كنت في مقهى The Kettle في شارع أبوت كيني صباح أحد الأيام، أنتظر طلبي المعتاد. إنها طقس صغير، ولكنه محدد: ماتشا مثلجة، حليب الشوفان، غير محلاة. أومأ الباريستا، الذي رآني ربما اثني عشر مرة، برأسه فقط. "الطلب المعتاد، أليكسي؟ غير محلى." إنها لحظة صغيرة من التخصيص بزمن انتقال منخفض ودقة عالية. إنه نوع التفاعل الذي يبني الولاء، والشعور بالاعتراف والفهم. وهي لحظة، حتى الآن، كان من المستحيل تقريبًا تكرارها في التجارة الرقمية.

لسنوات، بِعنا رؤية للذكاء الاصطناعي "المخصص" والتي لا تتعدى كونها تصفية تعاونية ("الأشخاص الذين اشتروا X اشتروا أيضًا Y") أو، مؤخرًا، روبوتات دردشة يمكنها الوصول إلى قاعدة معرفية. لكن هذه الأنظمة ليس لديها ذاكرة. إنها عالقة باستمرار في حالة من فقدان الذاكرة الرقمي. كل تفاعل هو "يوم جرذ الأرض". تخبر روبوت الدردشة أنك تريد فقط رؤية المنتجات المصنوعة في الولايات المتحدة الأمريكية، وفي اليوم التالي مباشرة، سيعرض لك بسعادة عناصر يتم شحنها من قوانغتشو. تطلب منه تلخيص مراجعات المنتج في نقاط، وفي صفحة المنتج التالية، يعود إلى فقرات كثيفة.

هذا ليس فشلًا في النية؛ إنه قيود معمارية أساسية. معظم الأنظمة القائمة على العميل (agentic systems) عديمة الحالة. تقوم بمعالجة طلب، والوصول إلى بعض البيانات عبر التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG)، وصياغة استجابة. ثم تمسح اللوحة نظيفة. إنها لا تتعلم من التفاعل، ليس بأي طريقة مستمرة وذات مغزى. السياق مؤقت، يختفي بمجرد انتهاء الجلسة. لترسيخ تفضيل، ستحتاج تقليديًا إلى إعادة تدريب أو ضبط النموذج بأكمله، وهي عملية مكلفة وبطيئة وغير قابلة للتطوير.

لكن ورقة بحثية جديدة نُشرت بهدوء على arXiv في الأسبوع الأول من مارس 2026، بعنوان "AutoSkill"، تشير إلى بداية النهاية للذكاء الاصطناعي الذي يعاني من فقدان الذاكرة [11]. من مؤسسة غير محددة، قام فريق من الباحثين بقيادة Yutao Yang بتطوير إطار عمل لما يسمونه "التعلم مدى الحياة القائم على التجربة" [1]. إنها طريقة خالية من التدريب لعميل LLM لاستخراج "المهارات" وتطويرها وإعادة استخدامها من محادثاته مع المستخدمين. إنها تحول المؤقت إلى دائم. إنها الطريقة التي يمكن للذكاء الاصطناعي أن يتعلم بها أخيرًا أنك تحب الماتشا غير المحلاة. وبالنسبة للعلامات التجارية التجارية، فإنها تمثل أحد أهم التحديات والفرص المعمارية في العقد المقبل.

ماذا لو كان ذكاؤك الاصطناعي يمكنه التعلم حقًا؟

الوعد الأساسي للتجارة المعتمدة على العملاء (agentic commerce) ليس مجرد أن يتمكن الذكاء الاصطناعي من الإجابة على سؤال. بل هو أن يصبح بديلًا موثوقًا وفعالًا لعلامتك التجارية أو مساعدًا فائق التخصيص لعميلك. تتطلب الثقة ذاكرة. وتتطلب الفعالية التكيف. يفشل الجيل الحالي من عملاء الذكاء الاصطناعي في كلا الأمرين.

فكر في أفضل مساعد بشري لدى بائع تجزئة راقٍ. إنه لا يجلب المنتجات فحسب. إنه يتذكرك. يتذكر أنك اشتريت بدلة زرقاء في المرة الأخيرة وربما تبحث عن ربطة عنق مطابقة. يتذكر أنك تفضل القصّة الضيقة. يتعلم أسلوب تواصلك – هل تريد المواصفات الفنية أم ملخصًا بسيطًا؟ هذه الذاكرة ليست غامضة؛ إنها مجموعة من الاستدلالات المتعلمة، أو "المهارات"، المستمدة من التفاعلات السابقة.

هذه هي الفجوة التي يهدف AutoSkill إلى سدها بالضبط. فبدلاً من التعامل مع كل استعلام مستخدم كحدث مستقل، فإنه يرى كل تفاعل كفرصة تعلم محتملة [1]. يصف مؤلفو الورقة البحثية ذلك بشكل مثالي: "يستخلص AutoSkill المهارات من تجربة المستخدم، ويدعم تطورها الذاتي المستمر، ويحقن المهارات ذات الصلة ديناميكيًا في الطلبات المستقبلية دون إعادة تدريب النموذج الأساسي" [11].

دعنا نحلل لماذا يمثل هذا اختلافًا كبيرًا عن الوضع الراهن:

• الضبط الدقيق (Fine-Tuning) مطرقة، وليست مشرطًا: كانت الطريقة القديمة "لتعليم" النموذج هي الضبط الدقيق (fine-tuning). يتضمن ذلك أخذ نموذج أساسي وتدريبه بشكل أكبر على مجموعة بيانات متخصصة. للتخصيص، هذا كابوس. لا يمكنك بشكل واقعي تشغيل عملية ضبط دقيق منفصلة لملايين المستخدمين الفرديين. إنه مكلف حسابيًا وبطيء، وتخاطر بـ "النسيان الكارثي" (catastrophic forgetting)، حيث يفقد النموذج قدراته العامة أثناء تعلم قدرات محددة.

• RAG مكتبة، وليس دماغًا: كان التوليد المعزز بالاسترجاع (RAG) خطوة كبيرة إلى الأمام. فهو يسمح للعميل بسحب معلومات خارجية للإجابة على استعلام. إنه مثل إعطاء روبوت محادثة إمكانية الوصول إلى مكتبة شركتك بأكملها من أدلة المنتجات ومقالات الدعم. لكن أمين المكتبة لا يتذكر ما قمت بتسجيل خروجه أمس. يوفر RAG المعرفة، لكنه لا يوفر سلوكًا متعلمًا. يمكنه استرداد الحقائق، لكنه لا يستطيع تكييف أسلوبه أو استراتيجيته بناءً على ملاحظاتك [1].

يقترح AutoSkill طريقة ثالثة. لا يتعلق الأمر بتغيير أوزان النموذج (الضبط الدقيق) أو مجرد إعطائه حق الوصول إلى مكتبة ثابتة (RAG). إنه يتعلق بإنشاء مكتبة خارجية ومتطورة من السلوكيات، وليست مجرد حقائق. إنه يخرج "ذاكرة" العميل إلى قطع فنية صريحة وقابلة للإدارة والتحرير. إنه الفرق بين إعطاء طاهٍ كتاب طبخ جديد وبين أن يتذكر هذا الطاهي نفسه، بعد أن ذكرته مرة واحدة، أنك تعاني من حساسية تجاه المكسرات وأن يحرص على إبقائها خارج أطباقك المستقبلية. هذا ليس مجرد استرجاع للمعرفة؛ إنه تطور للخدمة.

تفكيك AutoSkill: كيف تنهي "القطع الفنية للمهارات" فقدان الذاكرة في الذكاء الاصطناعي

تكمن أناقة إطار عمل AutoSkill في بنيته ذات المسار المزدوج، التي تعمل دون الحاجة إلى لحظة واحدة من إعادة تدريب النموذج [1, 14]. فهو يفصل المهمة الفورية للاستجابة للمستخدم (مسار "الخدمة عبر الإنترنت") عن عملية التعلم المستمرة من تلك التفاعلات (مسار "التعلم في الخلفية").

في قلب هذا النظام يوجد مفهوم جديد: المهارة الفنية (Skill Artifact). هذا ليس تضمينًا مجردًا مخفيًا في قاعدة بيانات متجهة؛ بل هو ملف منظم ومقروء بشريًا، مثل مستند ماركداون SKILL.md [1]. يعمل هذا الأثر على ترميز سلوك أو قيد أو إجراء محدد مستخرج من تفاعل المستخدم.

تخيل عميلاً يتفاعل مع عميل تجاري:

• المستخدم: "قارن لي خيمة سلسلة a7 الجديدة بسلسلة x5. لا تكتفِ بسرد المواصفات، أخبرني أي منهما أفضل لحقائب الظهر في سييرا نيفادا في أواخر الخريف."
• العميل: (يقدم مقارنة عامة للبيانات الفنية).
• المستخدم: "هذا ليس مفيدًا. أحتاج إلى ملخص في ثلاث نقاط رئيسية تركز على الوزن ومقاومة الطقس للثلج وسهولة الإعداد في البرد. أقر بالمزايا والعيوب لحالة استخدامي المحددة."

في نظام تقليدي، تضيع هذه الملاحظات. في إطار AutoSkill، يبدأ مسار التعلم في الخلفية بالعمل. يحدد هذا كـ "ملاحظات متكررة" أو تعليمات توضيحية، تشير إلى فجوة في سلوك العميل الافتراضي [1]. ثم يستخدم عملية تعتمد على LLM تسمى "الاستخراج القائم على الاستعلام فقط" لتلخيص هذا التفاعل في مهارة جديدة.

قد تبدو القطعة الفنية الناتجة شيئًا كهذا:

# SKILL-ID: 8a7b3c2d
# Version: 1
# Type: Product-Comparison-Style

## Description
عندما يطلب المستخدم مقارنة منتج لحالة استخدام محددة وعالية المخاطر (مثل معدات الأنشطة الخارجية للطقس القاسي)، فإنه يفضل ملخصًا موجزًا للمزايا والعيوب مصممًا لهذا السياق، وليس قائمة عامة بالمواصفات.

## Procedure
1.  تحديد السياق الأساسي للمستخدم (مثل "حقائب الظهر"، "سييرا نيفادا"، "أواخر الخريف").
2.  توليد ملخص لا يزيد عن ثلاث نقاط.
3.  يجب أن تركز كل نقطة على ميزة ذات صلة مباشرة بالسياق (مثل الوزن المعبأ، ومعدل مقاومة الماء، وتعقيد الإعداد).
4.  ذكر صراحة المزايا والعيوب لكل منتج لحالة الاستخدام المحددة.
5.  تجنب مجرد إعادة ذكر ورقة المواصفات الخاصة بالمنتج.

يتم بعد ذلك حفظ هذا الملف SKILL.md وفهرسته في قاعدة بيانات متجهة. في المرة التالية التي يطرح فيها المستخدم سؤال مقارنة مماثل، يسترجع مسار الخدمة عبر الإنترنت هذا العنصر الأثري للمهارة عبر بحث هجين ويحقنه كـ "كتلة سياق موجزة" في الطلب المرسل إلى LLM [1]. يتم الآن تهيئة الوكيل لاتباع هذا الإجراء المحسّن، مما ينتج عنه إجابة أكثر فائدة بكثير.

حلقة التعلم مدى الحياة في AutoSkill

يمكن تصور العملية بأكملها كحلقة مستمرة، مما يضمن أن يصبح العميل أكثر ذكاءً مع كل محادثة.

مسار الخلفية هو المكان الذي يحدث فيه "التطور الذاتي" [14]. إذا قدم المستخدم ملاحظات تعدل تعليمات سابقة (على سبيل المثال، "في الواقع، أربع نقاط أفضل")، فإن النظام لا ينشئ مهارة جديدة ومتضاربة. تستخدم عملية الصيانة بحثًا عن أقرب جار للعثور على عنصر SKILL-ID: 8a7b3c2d الحالي، ومن خلال "الدمج الموزع الإصدارات (versioned merging)"، يقوم بتحديثه إلى الإصدار: 2، مما يحسن الإجراء [1]. هذا يمنع تضخم المستودع ويضمن تكيف العميل مع تفضيلات المستخدم المتطورة.

هذه البنية مستقلة عن النموذج. إنها طبقة إضافية يمكن أن تعمل مع خطوط أنابيب LLM الحالية مثل ReAct أو Toolformer، مما يعززها بذاكرة دائمة وسلوك تكيفي [1]. إنها طريقة بسيطة وقوية وغير مكلفة حسابيًا لتحقيق تخصيص قابل للتطوير.

هل بنية الذكاء الاصطناعي للتجارة لديك جاهزة لوكلاء التعلم مدى الحياة؟

ظهور أطر عمل مثل AutoSkill ليس دعوة لشراء أداة برمجية جديدة. إنه طلب لإعادة تقييم بنية الذكاء الاصطناعي للتجارة بأكملها. لقد قضت معظم العلامات التجارية سنوات في تحسين عالم عديم الحالة، يعتمد على الطلب والاستجابة. من المحتمل أن بنيتك التحتية مبنية للمعاملات، وليس للمحادثات؛ للجلسات، وليس للعلاقات. يتطلب تبني وكلاء التعلم مدى الحياة تحولًا جوهريًا.

من واجهات برمجة التطبيقات عديمة الحالة إلى حلقات التفاعل Stateful: من المحتمل أن تبدو مكدسك التقني الحالي كما يلي: ينقر المستخدم على زر، ويتم إجراء مكالمة واجهة برمجة تطبيقات (API) إلى خدمة (مثل /getProduct)، ويتم إرجاع كائن JSON، ويتم عرض الواجهة الأمامية. النهاية. لدعم وكيل يتعلم، يجب عليك التقاط السياق الكامل للتفاعل: استعلام المستخدم، واستجابة الوكيل، وأي ملاحظات لاحقة من المستخدم. لا يمكن التخلص من هذه البيانات. فهي تصبح شريان الحياة لتطور الوكيل. يجب أن تتضمن بنيتك التحتية متجر بيانات دائم لسجلات التفاعل هذه - المادة الخام لمسار التعلم في الخلفية في AutoSkill.

خطوط أنابيب البيانات لاستخراج المهارات: لا يكفي مجرد تخزين البيانات. تحتاج إلى خطوط أنابيب لمعالجتها. يشير "مسار التعلم في الخلفية" إلى بنية غير متزامنة تعتمد على الأحداث. عندما تنتهي محادثة المستخدم، يجب أن يؤدي حدث إلى تشغيل سير عمل يغذي سجل التفاعل إلى المستخرج القائم على LLM لإنشاء أو تحديث أثر المهارة [1]. هذا ليس إضافة تافهة. يتطلب قوائم انتظار الرسائل (مثل RabbitMQ أو Kafka)، ووظائف بدون خادم (مثل AWS Lambda أو Google Cloud Functions)، وقاعدة بيانات متجهة (مثل Pinecone أو Weaviate) لإدارة مستودع المهارات. هذه مكونات لا تمتلكها العديد من مكدسات التجارة، وخاصة تلك المبنية على منصات متجانسة (monolithic platforms)، ببساطة.

ما وراء التخصيص المستند إلى الجلسة: لسنوات، كان "التخصيص" في التجارة الإلكترونية يعني استخدام ملفات تعريف الارتباط أو بيانات الجلسة لتغيير تجربة المستخدم قليلاً طوال مدة زيارة واحدة. يجعل AutoSkill هذا قديمًا. يجب أن تكون المهارة المكتسبة في جلسة دردشة يوم الاثنين نشطة ومتاحة عندما يزور نفس المستخدم موقعك يوم الجمعة، أو يتفاعل مع وكيل علامتك التجارية داخل بيئة طرف ثالث مثل WhatsApp أو iMessage. يتطلب ذلك نظام هوية مستخدم قوي ومتعدد القنوات ومستودع مهارات مركزي يمكن لجميع نقاط نهاية الوكيل الوصول إليه. "المهارة" مرتبطة بالمستخدم، وليست بالجلسة.

ينقل هذا النموذج المعماري الجديد مصدر الحقيقة من كتالوج منتجات ثابت إلى مستودع ديناميكي ومتزايد باستمرار للسلوكيات المتعلمة. لن تقتصر القيمة الفريدة لعلامتك التجارية على ما تبيعه فحسب، بل في كيف تبيعه نماذجك الرقمية، وكيف تخدمه، وكيف تتكيف مع كل عميل على حدة.

آلة مكافحة الهلوسة: بناء الثقة بمهارات قابلة للتفتيش

أحد أكبر العوائق أمام تبني الشركات لوكلاء الذكاء الاصطناعي الأقوياء هو مشكلة "الصندوق الأسود". عندما ينتج الوكيل استجابة خاطئة أو متحيزة أو خارجة عن العلامة التجارية - "هلوسة" - قد يكون من الصعب للغاية تشخيصها وإصلاحها. لماذا قال النموذج ذلك؟ غالبًا ما يكون الجواب مدفونًا في شبكة معقدة من تريليونات المعلمات. يمكنك محاولة إصلاحها باستخدام هندسة الأوامر أو بإضافة المزيد من البيانات إلى متجر RAG الخاص بك، ولكنها غالبًا ما تكون لعبة محبطة ومطاردة للأخطاء.

يوفر استخدام AutoSkill لعناصر SKILL.md الواضحة والمقروءة بشريًا حلاً قويًا لهذه المشكلة [1]. تعتبر هذه الميزة، بلا شك، واحدة من أهم ميزاتها لأي علامة تجارية تجارية جادة. نظرًا لأن السلوكيات المتعلمة تُخرج إلى ملفات نصية منظمة، فإنها تكون شفافة تمامًا وقابلة للتفتيش.

إذا بدأ وكيل في تقديم خصومات لا ينبغي له تقديمها، يمكن للمطور أو حتى مستخدم الأعمال الدخول إلى مستودع المهارات، والعثور على عنصر المهارة المعيب، وقراءته. الإجراء الذي أدى إلى الخطأ مكتوب بلغة واضحة. على سبيل المثال، قد يجدون مهارة تم إنشاؤها عن طريق الخطأ من محادثة مع وكيل دعم كان مصرحًا له بمنح خصم مجاملة لمرة واحدة.

# SKILL-ID: f4e5g6h7
# Version: 1
# Type: Customer-Retention-Procedure

## Description
عندما يعبر العميل عن إحباطه بشأن تأخر الشحنة، قدم له خصمًا بنسبة 15% على طلبه التالي للحفاظ على النية الحسنة.

## Procedure
1.  اكتشاف إحباط المستخدم المتعلق بتأخيرات الشحن.
2.  التحقق من تأخير الشحن في نظام إدارة الطلبات.
3.  إذا تم التأكيد، قم بإنشاء رمز خصم فريد بنسبة 15% وقدمه للمستخدم.

هذا كابوس سياسة علامة تجارية ينتظر الحدوث. ولكن مع AutoSkill، لا يكمن الإصلاح في إعادة تدريب نموذج متعدد المعلمات بمليارات. يكمن الإصلاح في تحرير أو حذف ملف نصي. يمكنك التحكم في إصدار هذه المهارات في Git. يمكنك الحصول على عملية موافقة بشرية قبل أن تصبح المهارة الجديدة "مباشرة". يمكنك بناء طبقة حوكمة كاملة حول دماغ الوكيل، وهو أمر مستحيل عندما يكون هذا الدماغ عبارة عن شبكة عصبية مبهمة.

يخلق هذا نظامًا من المساءلة الحسابية. بالنسبة للعلامات التجارية في الصناعات المنظمة مثل الرعاية الصحية أو التمويل، هذا أمر غير قابل للتفاوض. ولكن حتى بالنسبة لعلامة تجارية للملابس الموجهة مباشرة للمستهلك (DTC)، فإن الحفاظ على صوت علامة تجارية متسق وآمن أمر بالغ الأهمية. يمكن أن يكون الوكيل الذي يقرر عشوائيًا استخدام لغة عامية عصرية لجيل Z لأنه تعلمها من محادثة واحدة ضارًا تمامًا مثل الوكيل الذي يتوهم ميزة منتج. من خلال إخراج المهارات، يسمح لك AutoSkill بوضع حواجز حماية على شخصية الذكاء الاصطناعي الخاص بك، مما يضمن تطوره في اتجاه يتوافق مع استراتيجية علامتك التجارية. إنه يحول الوكيل من صندوق أسود لا يمكن التنبؤ به إلى نظام حتمي قابل للتدقيق. هذا هو الأساس لبناء ثقة حقيقية مع العملاء على نطاق واسع.

AutoSkill في مواجهة العالم: نظرة مقارنة

لتقدير حداثة AutoSkill بشكل كامل، من المفيد وضعه في سياق أطر العمل وأنظمة الذاكرة الأخرى المعتمدة على العملاء. ابتكاره لا يكمن في استخدامه للذاكرة، بل في كيفية إنشاء هذه الذاكرة وإدارتها واستخدامها.

تتناقض الورقة البحثية نفسها بين AutoSkill وسابقاتها مثل ReAct و Toolformer، مشيرة إلى أنه بينما هما قويان في الاستدلال داخل السياق، فإنهما يفتقران إلى آلية الاستمرارية والتطور [1]. إليك تفصيل أكثر تفصيلاً:

• agentic-commerce
• commerce-ai
• architecture
• personalization
• arxiv-radar
• lifelong-learning