تنفيذ الذكاء الاصطناعي: نهاية 'الذكاء الاصطناعي كنص' للبرمجيات

title: "تنفيذ الذكاء الاصطناعي: نهاية 'الذكاء الاصطناعي كنص' للبرمجيات" slug: "the-era-of-ai-as-text-is-over-execution-is-the-new-interface" date: "2026-03-12" lang: "ar" source: "https://github.blog/ai-and-ml/github-copilot/the-era-of-ai-as-text-is-over-execution-is-the-new-interface/" category: "أدوات المطورين" keywords:

تنفيذ الذكاء الاصطناعي
GitHub Copilot SDK
سير العمل الوكيلية
ذكاء اصطناعي قابل للبرمجة
أدوات المطورين
الذكاء الاصطناعي كبنية تحتية
بروتوكول سياق النموذج
تطوير البرمجيات
تنسيق الذكاء الاصطناعي
برمجيات تكيفية
عمل متعدد الخطوات
ذكاء اصطناعي مدمج meta_description: "اكتشف كيف يمثل GitHub Copilot SDK نهاية 'الذكاء الاصطناعي كنص'، مما يتيح تنفيذًا قويًا للذكاء الاصطناعي وسير عمل وكيلية مباشرة داخل التطبيقات كواجهة برمجية جديدة لتطوير البرمجيات." image: "/images/articles/the-era-of-ai-as-text-is-over-execution-is-the-new-interface.png" image_alt: "شعار GitHub Copilot SDK يمثل تنفيذ الذكاء الاصطناعي وسير العمل الوكيلية في تطوير البرمجيات" quality_score: 94 content_score: 93 seo_score: 95 companies:
GitHub schema_type: "NewsArticle" reading_time: 7 faq:
question: "ما هو التحول الأساسي من 'الذكاء الاصطناعي كنص' إلى 'الذكاء الاصطناعي كتنفيذ' الذي قدمه GitHub Copilot SDK؟" answer: "يشير التحول الجوهري إلى الانتقال من أنظمة الذكاء الاصطناعي التي تولد مخرجات نصية فقط من مدخلات نصية، مما يتطلب تدخلاً بشريًا يدويًا للخطوات التالية، إلى أنظمة يمكن للذكاء الاصطناعي فيها التخطيط والتنفيذ والتكيف والتعافي من الأخطاء بشكل فعال ضمن مجموعة محددة من القيود. هذا يعني أن الذكاء الاصطناعي ينتقل من كونه مساعدًا سلبيًا إلى مشارك نشط، قادر على تنسيق عمليات معقدة ومتعددة الخطوات مباشرة داخل تطبيقات البرامج، مما يجعله مكونًا وظيفيًا بدلاً من مجرد واجهة محادثة. يوفر Copilot SDK الأدوات اللازمة لدمج طبقة التنفيذ هذه في أي تطبيق."
question: "كيف يمكّن GitHub Copilot SDK سير العمل الوكيلية المتطورة داخل التطبيقات؟" answer: "يمكّن GitHub Copilot SDK التطبيقات من خلال توفير الوصول إلى نفس محرك التخطيط والتنفيذ الذي تم اختباره في الإنتاج والذي يدعم GitHub Copilot CLI. بدلاً من بناء مكدسات تنسيق معقدة من الصفر، يمكن للمطورين دمج هذا الـ SDK لتفويض النية إلى وكلاء الذكاء الاصطناعي. يمكن لهؤلاء الوكلاء استكشاف المستودعات، وتخطيط الخطوات الضرورية، وتعديل الملفات، وتشغيل الأوامر، والتكيف مع المشكلات غير المتوقعة - كل ذلك مع احترام الحدود المحددة. وهذا يسمح للبرامج بأن تصبح أكثر تكيفًا ومرونة، متجاوزة سير العمل الجامد والمبرمج إلى عمليات ديناميكية وواعية بالسياق."
question: "ما هو بروتوكول سياق النموذج (MCP) ولماذا هو حاسم لتنفيذ الذكاء الاصطناعي القائم على أساس؟" answer: "بروتوكول سياق النموذج (MCP) هو مكون حيوي يتيح سياقًا منظمًا وقابلاً للتركيب لوكلاء الذكاء الاصطناعي. بدلاً من تضمين منطق النظام والبيانات الهامة داخل المطالبات - وهي ممارسة تؤدي إلى سير عمل هش ويصعب اختباره - يسمح MCP للتطبيقات بتعريف أدوات ومهارات وكيلية خاصة بالمجال. ثم يستخدم محرك التنفيذ MCP لاسترداد السياق ذي الصلة مباشرة في وقت التشغيل، مثل بيانات ملكية الخدمة، أو مخططات API، أو قواعد التبعية. وهذا يضمن أن وكلاء الذكاء الاصطناعي يعملون على بيانات وأنظمة حقيقية ومرخص بها، مما يمنع التخمين ويجعل سير عمل الذكاء الاصطناعي أكثر موثوقية وقابلية للصيانة."
question: "بخلاف بيئة التطوير المتكاملة (IDE)، أين يمكن لـ GitHub Copilot SDK تضمين تنفيذ الذكاء الاصطناعي؟" answer: "يحرر GitHub Copilot SDK تنفيذ الذكاء الاصطناعي من كونه مقتصرًا بشكل أساسي على بيئة التطوير المتكاملة (IDE)، مما يسمح له بالعمل كقدرة منتشرة على مستوى التطبيق. وهذا يعني أنه يمكن دمج القدرات الوكيلية بسلاسة في مجموعة واسعة من البيئات، بما في ذلك تطبيقات سطح المكتب، وأدوات التشغيل الداخلية، والخدمات الخلفية، ومنصات SaaS، والأنظمة القائمة على الأحداث. من خلال تمكين التطبيقات من استدعاء Copilot برمجيًا عند أحداث محددة - مثل تغيير ملف، أو مشغل نشر، أو إجراء مستخدم - يحول SDK الذكاء الاصطناعي من مجرد مساعد في نافذة جانبية إلى بنية تحتية أساسية تعمل أينما تعمل البرمجيات."
question: "ما هي الفوائد الأساسية لتفويض المهام متعددة الخطوات لوكلاء الذكاء الاصطناعي باستخدام Copilot SDK؟" answer: "يوفر تفويض المهام متعددة الخطوات لوكلاء الذكاء الاصطناعي عبر Copilot SDK مزايا كبيرة على البرمجة النصية التقليدية. فهو يسمح للبرامج بمعالجة سير العمل الذي يعتمد على السياق، أو يتغير ديناميكيًا في منتصف التشغيل، أو يتطلب استعادة قوية للأخطاء، والتي عادة ما تفشل فيها البرامج النصية الثابتة. من خلال تفويض 'النية' بدلاً من الخطوات الصريحة، يمكن للوكلاء الاستكشاف والتخطيط والتنفيذ والتكيف بشكل مستقل ضمن قيود محددة. وهذا يؤدي إلى أنظمة أكثر قابلية للتطوير والتكيف والمراقبة، مما يحرر المطورين من إعادة بناء طبقات التنسيق المخصصة باستمرار للعمليات المعقدة والمتطورة."
question: "كيف يحسن Copilot SDK موثوقية وقابلية تكيف الأنظمة المدعومة بالذكاء الاصطناعي؟" answer: "يعزز Copilot SDK الموثوقية وقابلية التكيف من خلال توفير طبقة تنفيذ قوية ودمج سياق منظم. يضمن محرك التخطيط والتنفيذ الذي تم اختباره في الإنتاج أن الوكلاء يمكنهم تخطيط عمليات معقدة، وتنفيذ الأوامر، وتعديل الملفات، والتعافي من الأخطاء، مما يجعل الأنظمة أكثر مرونة. علاوة على ذلك، من خلال استخدام بروتوكول سياق النموذج (MCP)، يصل الوكلاء إلى سياق في الوقت الفعلي، منظم، ومرخص - مثل مخططات API أو رسوم بيانية التبعية - بدلاً من الاعتماد على معلومات مطالبات قديمة أو معممة. يضمن هذا التأسيس في البيانات الحقيقية أن يتخذ الوكلاء قرارات مستنيرة، مما يقلل الأخطاء ويزيد من قدرة النظام على التكيف مع الظروف والقيود المتغيرة."
question: "هل GitHub Copilot SDK مخصص بشكل أساسي للمطورين المحترفين، أم يمكن للآخرين الاستفادة من قدراته؟" answer: "بينما تم تصميم GitHub Copilot SDK لتمكين المطورين المحترفين من خلال توسيع قدرات الذكاء الاصطناعي الوكيلية في تطبيقاتهم وبنيتهم التحتية، فإن فوائده تتسع لتشمل الآخرين. فمن خلال تمكين الذكاء الاصطناعي من التعامل مع المهام المعقدة ومتعددة الخطوات ودمجها مباشرة في أنظمة برمجية مختلفة، فإنه يبسط سير العمل، ويقلل الجهد اليدوي، ويعزز قابلية تكيف التطبيقات. وهذا يفيد المستخدمين النهائيين والمؤسسات في نهاية المطاف من خلال توفير برمجيات أكثر كفاءة وذكاء وقوة، حتى لو كان التفاعل المباشر مع SDK يقع بشكل أساسي على جانب المطور. يجعل SDK الذكاء الاصطناعي مكونًا أساسيًا للبنية التحتية عبر النظام البيئي للبرمجيات."

يشهد المشهد العام للذكاء الاصطناعي في تطوير البرمجيات تحولًا عميقًا. على مدى العامين الماضيين، تمثلت النماذج السائدة للتفاعل مع الذكاء الاصطناعي في تبادل بسيط: إدخال نص، استقبال مخرجات نصية، ثم اتخاذ قرار يدوي بشأن مسار العمل التالي. عصر "الذكاء الاصطناعي كنص" هذا، على الرغم من كونه ثوريًا، يفسح المجال الآن لنهج أكثر ديناميكية وتكاملًا. هنا يظهر GitHub Copilot SDK، مبشرًا بالعصر الجديد حيث يصبح الذكاء الاصطناعي كتنفيذ هو الواجهة.

البرمجيات الإنتاجية تدور بطبيعتها حول التنفيذ — تخطيط الخطوات، استدعاء الأدوات، تعديل الملفات، التعافي من الأخطاء، والتكيف مع القيود. هذه عمليات معقدة ومتعددة الخطوات لا يمكن لتوليد النص وحده أن يغطيها بالكامل. يعالج GitHub Copilot SDK هذه الفجوة مباشرة، جاعلاً طبقة التنفيذ القوية التي تدعم GitHub Copilot CLI متاحة كقدرة برمجية داخل أي تطبيق برمجي. وهذا يعني أن الفرق يمكنها تضمين محركات التخطيط والتنفيذ التي تم اختبارها في الإنتاج مباشرة في أنظمتها، مما يغير بشكل أساسي كيفية تصميم وتشغيل التطبيقات المدعومة بالذكاء الاصطناعي.

من البرامج النصية الثابتة إلى سير العمل الوكيلية التكيفية

لطالما اعتمد تطوير البرمجيات التقليدي على البرامج النصية والكود اللاصق (glue code) لأتمتة المهام المتكررة. وعلى الرغم من فعاليتها للتسلسلات الثابتة، إلا أن هذه الحلول سرعان ما تصبح هشة عند مواجهة الفروق الدقيقة السياقية، أو التغييرات أثناء التشغيل، أو الحاجة إلى استعادة قوية للأخطاء. يجد المطورون أنفسهم غالبًا يبرمجون الحالات الهامشية (edge cases) أو يبنون طبقات تنسيق مخصصة، وهو جهد يستغرق وقتًا طويلاً وغالبًا ما يكون غير مستدام.

يحرر GitHub Copilot SDK التطبيقات من هذه القيود من خلال السماح لها بتفويض النية بدلاً من ترميز كل خطوة بشكل صريح. تخيل تطبيقًا يحتاج إلى "إعداد هذا المستودع للإصدار". بدلاً من برنامج نصي جامد، يمكّن Copilot SDK وكيل الذكاء الاصطناعي من:

استكشاف هيكل المستودع ومحتوياته.
تخطيط الخطوات الضرورية، مثل تحديث التوثيق، تشغيل الاختبارات، أو زيادة أرقام الإصدارات.
تعديل الملفات حسب الحاجة.
تشغيل الأوامر ضمن بيئة النظام.
التكيف ديناميكيًا إذا فشلت أي خطوة أو إذا ظهرت معلومات جديدة، كل ذلك أثناء العمل ضمن حدود وأذونات محددة مسبقًا.

هذا التحول حاسم لأنظمة البرمجيات الحديثة. مع توسع التطبيقات وتطور البيئات، فإن سير العمل الثابتة عرضة للفشل. يسمح التنفيذ الوكيلي، المدعوم من Copilot SDK، للبرامج بالتكيف والتصحيح الذاتي، مع الحفاظ على قابلية الملاحظة والقيود دون العبء المستمر لإعادة بناء تنسيق معقد من الصفر. هذا يجعل الذكاء الاصطناعي مشاركًا نشطًا وذكيًا في دورة حياة التطوير، متجاوزًا الإكمال الأساسي للكود إلى أتمتة المهام الذكية. لمزيد من الأفكار حول كيفية تأمين سير العمل المعقدة هذه، استكشف بنية الأمان لسير عمل GitHub Agentic.

سياق منظم لذكاء اصطناعي موثوق: بروتوكول سياق النموذج (MCP)

كان أحد الأخطاء الشائعة في عصر "الذكاء الاصطناعي كنص" هو محاولة دفع الكثير من سلوك النظام وبياناته إلى مطالبات الذكاء الاصطناعي. بينما يبدو ذلك مريحًا، فإن ترميز المنطق في النص يجعل سير العمل صعب الاختبار، والتفكير فيه، وتطويره. بمرور الوقت، تصبح هذه المطالبات المعقدة بدائل هشة للتكامل الصحيح والمنظم للنظام.

يعالج GitHub Copilot SDK هذا الأمر من خلال نهج منظم وقابل للتركيب للسياق، مستفيدًا من بروتوكول سياق النموذج (MCP). باستخدام MCP، يمكن للمطورين:

تعريف أدوات خاصة بالمجال أو مهارات وكيلية يمكن للذكاء الاصطناعي استدعاؤها.
كشف هذه الأدوات والمهارات عبر MCP.
تمكين محرك التنفيذ من استرداد السياق ديناميكيًا في وقت التشغيل.

هذا يعني أن المعلومات الهامة — مثل بيانات ملكية الخدمة، أو مخططات API، أو سجلات القرارات التاريخية، أو رسوم بيانية التبعية، أو واجهات برمجة التطبيقات الداخلية — لم تعد بحاجة إلى حشرها في المطالبات. بدلاً من ذلك، يصل الوكلاء إلى هذه الأنظمة مباشرة أثناء مراحل التخطيط والتنفيذ. على سبيل المثال، قد يقوم وكيل داخلي مكلف بحل مشكلة تلقائيًا بالاستعلام عن ملكية الخدمة، وسحب البيانات التاريخية ذات الصلة، والتحقق من رسوم بيانية التبعية لتقييم التأثير، والرجوع إلى واجهات برمجة التطبيقات الداخلية لاقتراح حلول، كل ذلك مع الالتزام بقيود الأمان المحددة. يتناقض هذا النهج بشكل حاد مع تحديات أفضل الممارسات لهندسة المطالبات باستخدام OpenAI API حيث يمكن أن يكون حقن السياق معقدًا.

لماذا يهم هذا: يتم بناء سير عمل الذكاء الاصطناعي الموثوقة على سياق قائم على أساس، ومرخص، ومنظم. يوفر MCP الأساسيات الحيوية، مما يضمن أن التنفيذ الوكيلي يعمل على أدوات وبيانات حقيقية، مما يزيل التخمين والهشاشة المرتبطة بهندسة المطالبات القائمة على النص.

الذكاء الاصطناعي كبنية تحتية: تضمين التنفيذ خارج بيئة التطوير المتكاملة (IDE)

تاريخيًا، كان الكثير من أدوات الذكاء الاصطناعي للمطورين مقتصرًا على بيئة التطوير المتكاملة (IDE). بينما لا تقدر بثمن للبرمجة، تمتد أنظمة البرمجيات الحديثة إلى ما هو أبعد من محرر واحد. تحتاج الفرق إلى قدرات وكيلية في عدد لا يحصى من البيئات: تطبيقات سطح المكتب، وأدوات التشغيل الداخلية، والخدمات الخلفية، ومنصات SaaS، والأنظمة المعتمدة على الأحداث.

يتجاوز Copilot SDK هذه الحدود، جاعلاً التنفيذ قدرة على مستوى التطبيق. هذا يعني أن نظامك يمكنه الآن الاستماع للأحداث — تغيير ملف، مشغل نشر، إجراء مستخدم — واستدعاء Copilot برمجيًا لبدء سير عمل وكيلي. حلقة التخطيط والتنفيذ تعمل داخل منتجك، وليس كواجهة منفصلة أو أداة للمطورين.

الميزة	عصر "الذكاء الاصطناعي كنص"	عصر "الذكاء الاصطناعي كتنفيذ" (Copilot SDK)
التفاعل	إدخال نصي، إخراج نصي	حلقات تنفيذ قابلة للبرمجة
سير العمل	قرار يدوي، برامج نصية هشة	وكلاء تكيفيون، تصحيح ذاتي
السياق	غالبًا ما يتم تضمينه في المطالبات (هش)	منظم عبر MCP، استرداد في الوقت الفعلي
التكامل	تبادلات معزولة، مركزة على IDE	مدمج في أي مكان (تطبيق، خدمة، SaaS)
دور المطور	هندسة المطالبات، تنسيق يدوي	تحديد النية، القيود، الأدوات
المبدأ الأساسي	الذكاء الاصطناعي يقدم المشورة، الإنسان ينفذ	الذكاء الاصطناعي يخطط وينفذ، الإنسان يشرف

لماذا يهم هذا: عندما يتم تضمين تنفيذ الذكاء الاصطناعي مباشرة في تطبيقك، فإنه يتوقف عن كونه مساعدًا مفيدًا ويصبح بنية تحتية أساسية. يصبح متاحًا أينما تعمل برامجك، مما يوسع قوة الذكاء الاصطناعي إلى كل زاوية من عملياتك الرقمية، ويعزز مشهدًا برمجيًا ذكيًا وتكيفيًا حقًا.

التحول المعماري: الذكاء الاصطناعي القابل للبرمجة والمستقبل

يمثل الانتقال من "الذكاء الاصطناعي كنص" إلى "الذكاء الاصطناعي كتنفيذ" تطورًا معماريًا كبيرًا. إنه يشير إلى نموذج لا يقوم فيه وكلاء الذكاء الاصطناعي بتوليد مقتطفات فقط، بل هم حلقات تخطيط وتنفيذ قابلة للبرمجة قادرة على العمل ضمن قيود محددة، والتكامل بسلاسة مع الأنظمة الحقيقية، والتكيف بذكاء في وقت التشغيل.

يعد GitHub Copilot SDK الممكن الرئيسي لهذا المستقبل. فمن خلال جعل قدرات التنفيذ المتطورة هذه متاحة كطبقة قابلة للبرمجة، فإنه يمكّن فرق التطوير من التركيز على المستوى الأعلى "ماذا" يجب أن يحققه برنامجهم، بدلاً من إعادة بناء "كيف" التنسيق الأساسي للذكاء الاصطناعي باستمرار. يحول هذا التحول الذكاء الاصطناعي من أداة مساعدة مبتكرة إلى مكون أساسي لا غنى عنه في بنية البرمجيات الحديثة، واعدًا بتطبيقات أكثر مرونة واستقلالية وذكاءً على نطاق واسع. إذا كان تطبيقك يستطيع تشغيل منطق ما، فيمكنه الآن تشغيل تنفيذ وكيلي، مبشرًا بعصر جديد من البرمجيات الذكية حقًا.

المصدر الأصلي

https://github.blog/ai-and-ml/github-copilot/the-era-of-ai-as-text-is-over-execution-is-the-new-interface/

الأسئلة الشائعة

What is the core shift from 'AI as text' to 'AI as execution' introduced by the GitHub Copilot SDK?

The fundamental shift signifies a move from AI systems that merely generate text output from text input, requiring manual human intervention for the next steps, to systems where AI can actively plan, execute, adapt, and recover from errors within a predefined set of constraints. This means AI transitions from a passive assistant to an active participant, capable of orchestrating complex, multi-step operations directly within software applications, making it a functional component rather than just a conversational interface. The Copilot SDK provides the tools to embed this execution layer into any application.

How does the GitHub Copilot SDK enable sophisticated agentic workflows within applications?

The GitHub Copilot SDK empowers applications by providing access to the same production-tested planning and execution engine that drives GitHub Copilot CLI. Instead of building complex orchestration stacks from scratch, developers can embed this SDK to delegate intent to AI agents. These agents can explore repositories, plan necessary steps, modify files, run commands, and adapt to unforeseen issues—all while respecting defined boundaries. This allows software to become more adaptive and resilient, moving beyond rigid, scripted workflows to dynamic, context-aware operations.

What is the Model Context Protocol (MCP) and why is it crucial for grounded AI execution?

The Model Context Protocol (MCP) is a vital component that enables structured and composable context for AI agents. Rather than embedding critical system logic and data within prompts—a practice that leads to brittle, hard-to-test workflows—MCP allows applications to define domain-specific tools and agent skills. The execution engine then uses MCP to retrieve relevant context directly at runtime, such as service ownership data, API schemas, or dependency rules. This ensures that AI agents operate on real, permissioned data and systems, preventing guesswork and making AI workflows more reliable and maintainable.

Beyond the Integrated Development Environment (IDE), where can the GitHub Copilot SDK embed AI execution?

The GitHub Copilot SDK liberates AI execution from being confined primarily to the IDE, allowing it to function as a pervasive application-layer capability. This means agentic capabilities can be seamlessly integrated into a wide array of environments, including desktop applications, internal operational tools, background services, SaaS platforms, and event-driven systems. By enabling applications to programmatically invoke Copilot upon specific events—like a file change, deployment trigger, or user action—the SDK transforms AI from a mere helper in a side window into core infrastructure that operates wherever the software runs.

What are the primary benefits of delegating multi-step tasks to AI agents using the Copilot SDK?

Delegating multi-step tasks to AI agents via the Copilot SDK offers significant advantages over traditional scripting. It allows software to handle workflows that are context-dependent, change dynamically mid-run, or require robust error recovery, which typically break down fixed scripts. By delegating 'intent' rather than explicit steps, agents can autonomously explore, plan, execute, and adapt within defined constraints. This leads to more scalable, adaptable, and observable systems, freeing developers from continually rebuilding bespoke orchestration layers for complex, evolving processes.

How does the Copilot SDK improve the reliability and adaptability of AI-powered systems?

The Copilot SDK enhances reliability and adaptability by providing a robust execution layer and integrating structured context. Its production-tested planning and execution engine ensures agents can plan complex operations, execute commands, modify files, and recover from errors, making systems more resilient. Furthermore, by utilizing the Model Context Protocol (MCP), agents access real-time, structured, and permissioned context—like API schemas or dependency graphs—rather than relying on potentially outdated or generalized prompt information. This grounding in real data ensures agents make informed decisions, reducing errors and increasing the system's ability to adapt to changing conditions and constraints.

Is the GitHub Copilot SDK primarily for professional developers, or can others benefit from its capabilities?

While the GitHub Copilot SDK is designed to empower professional developers by extending agentic AI capabilities into their applications and infrastructure, its benefits ripple outwards. By enabling AI to handle complex, multi-step tasks and integrate directly into various software systems, it streamlines workflows, reduces manual effort, and enhances the adaptability of applications. This ultimately benefits end-users and organizations by leading to more efficient, intelligent, and robust software, even if the direct interaction with the SDK is primarily on the developer's side. The SDK makes AI a fundamental infrastructure component across the software ecosystem.

ابقَ على اطلاع

احصل على آخر أخبار الذكاء الاصطناعي في بريدك.