ما هو AI Agent Registry؟
.webp)
Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
ملخص سريع: سجل وكلاء الذكاء الاصطناعي (AI Agent Registry) هو كتالوج مركزي للوكلاء المستقلين وإمكانياتهم - بمثابة "دليل هاتف" لوكلاء الذكاء الاصطناعي. تستخدمه المؤسسات للاكتشاف والحوكمة وإعادة الاستخدام عبر الأنظمة متعددة الوكلاء (multi-agent systems).
أصبحت أنظمة الذكاء الاصطناعي أكثر نمطية وتعاونية، مع وجود وكلاء متخصصين صُمموا للتعامل مع مهام محددة — سواء كانت استرجاع البيانات، أو تنفيذ سير العمل، أو اتخاذ قرارات مستقلة. ومع تزايد هؤلاء الوكلاء داخل المؤسسة أو عبر المنصات المختلفة، تتجلى الأهمية البالغة لإدارتهم بكفاءة. وهنا يأتي دور سجل وكلاء الذكاء الاصطناعي (AI Agent Registry).
ما هو AI Agent Registry؟
وكلاء الذكاء الاصطناعي هم برامج مستقلة يمكنها التفكير والتصرف والتعاون في تنفيذ المهام. ومع نشر المؤسسات للعديد من الوكلاء المتخصصين (مثل روبوتات تحليل السير الذاتية، ومساعدي الجدولة، ووكلاء التحليلات)، تحتاج الفرق إلى طريقة تتيح لهؤلاء الوكلاء اكتشاف بعضهم البعض، ومشاركة الإمكانيات، والاندماج في أنظمة سير العمل.
يعمل AI Agent Registry ككتالوج مركزي (أو موزع) للوكلاء النشطين وبياناتهم الوصفية (metadata)، بشكل يشبه إلى حد كبير سجل النماذج (model registry) في نماذج ML. يتيح هذا السجل اكتشاف الإمكانيات والتنسيق (orchestration): حيث يستعلم الوكلاء (أو البشر) السجل للعثور على الوكيل المناسب لمهمة ما، وفحص قدراته، والحصول على تفاصيل الاتصال به. وجوهر الأمر أنه يعمل كـ "دليل هاتف" أو منصة لاكتشاف وكلاء الذكاء الاصطناعي للوكلاء المستقلين.
بالنسبة لفرق الذكاء الاصطناعي و MLOps في المؤسسات، يوفر سجل الوكلاء التوحيد القياسي والحوكمة على عمليات نشر الوكلاء. وأصبح هذا أمراً أساسياً لتطوير agentic AI في enterprise بآمان. وعلى غرار الطريقة التي تقدم بها TrueFoundry واجهة مستخدم لسجل النماذج، يوفر سجل الوكلاء نافذة واحدة للتصفح والتصنيف حسب الإصدار والتحكم في الوكلاء.
من خلال فهرسة هوية كل وكيل وإصداره وإمكانياته بتنسيق مشترك (مثل "بطاقات الوكلاء" Agent Cards أو JSON schemas)، يسهل السجل على الفرق إعادة استخدام الوكلاء، وتتبع ما تم نشره، وضمان التفاعلات الآمنة. ونتيجة لذلك، أصبح مكوناً رئيسياً في بنية enterprise AI registry لتسهيل التوافق التشغيلي وحوكمة الوكلاء المستقلين عبر الأقسام المختلفة.
الوظائف الرئيسية لـ AI Agent Registry
يوفر AI Agent Registry العديد من الوظائف الأساسية لمنظومة الوكلاء:
1. تسجيل الوكيل (Agent Registration): يسجل الوكلاء عن طريق تقديم حمولة البيانات الوصفية (metadata payload) إلى السجل (غالباً عبر REST endpoint). تتضمن بطاقة الوكيل (agent card) هذه حقولاً مثل اسم الوكيل، والوصف، والإصدار، ورابط endpoint URL، والإمكانيات أو المهارات المعلنة للوكيل.
على سبيل المثال، قد تقبل نقطة نهاية FastAPI حمولة JSON وتخزن كائن AgentCard في قاعدة بيانات السجل. يمكن أن يبدو مقتطع FastAPI البسيط كما يلي:
يتوافق هذا مع نمط أمثلة بروتوكول A2A، حيث تنشر الفرق "بطاقات الوكلاء (Agent Cards) الخاصة بوكلائها في هذا السجل، مما يجعل إمكانياتهم قابلة للاكتشاف بواسطة الوكلاء الآخرين".
2. الاكتشاف والبحث (Discovery and Search): تستعلم العملاء (وكلاء آخرون، أو خدمات التنسيق، أو واجهات المستخدم) السجل للعثور على الوكلاء حسب الإمكانية، أو الوسم (tag)، أو الكلمة المفتاحية. على سبيل المثال، يمكن لـ search API تصفية الوكلاء الذين تتوافق بياناتهم الوصفية مع الاستعلام. قد يستند الاكتشاف القياسي إلى عناوين URL معروفة (مثل جلب ملف .well-known/agent.json للوكيل) أو نقطة نهاية بحث مركزية (مثل GET /agents?skill=document-extraction). يتيح ذلك للمنصة العمل كـ "منصة اكتشاف وكلاء الذكاء الاصطناعي" حيث يمكن توجيه المهام تلقائياً إلى الوكيل المناسب.
3. إدارة البيانات الوصفية (Metadata Management): يحتفظ السجل ببيانات وصفية غنية لكل وكيل. فإلى جانب الاسم والإصدار، قد تتضمن البيانات الوصفية بيانات المصادقة، وبروتوكولات التفاعل المدعومة (A2A، REST، إلخ)، وأنواع البيانات (نصوص، صور، ملفات)، واعتمادات الثقة. على سبيل المثال، تقترح المقترحات البحثية استخدام AgentFacts "القابلة للتحقق تشفيرياً" أو شهادات PKI لضمان الثقة. قد يتتبع السجل أيضاً معلومات دورة الحياة مثل آخر إشارة نبضات قلب (heartbeat) أو حالة الصحة.
4. مراقبة الصحة وإشارات نبضات القلب (Health Monitoring & Heartbeats): للحفاظ على دقة السجل، ترسل الوكلاء غالباً إشارات نبضات قلب دورية. إذا فشل الوكيل في تسجيل الحضور (مثلاً خلال 30 ثانية)، يمكن للسجل تعليق حالته أو إزالته. يضمن ذلك عدم إمكانية اكتشاف سوى الوكلاء النشطين، ويساعد في حوكمة الوكلاء المستقلين من خلال اكتشاف الوكلاء غير الأصحاء أو المتوقفين عن العمل.
5. التحكم في الوصول والحوكمة (Access Control and Governance): يطبق السجل قواعد تحدد من يمكنه تسجيل أو استدعاء أي وكيل. تماماً كما لا ينبغي لكل مستخدم رؤية كل أداة ذكاء اصطناعي، لا ينبغي أن يكون كل وكيل متاحاً لجميع المستدعين. يمكن للسجل تطبيق سياسات RBAC، وإرجاع بطاقات وكلاء محددة (Agent Cards) بناءً على أذونات العميل. على سبيل المثال، قد يصل الوكلاء الداخليون إلى نقاط نهاية خاصة، بينما لا يرى الوكلاء الخارجيون سوى الإمكانيات العامة. من خلال تجميع نقاط نهاية الوكلاء وقوائم التحكم في الوصول (ACLs) الخاصة بهم، تضمن المنصة أن تفاعلات الوكلاء تتوافق مع سياسات الأمان الخاصة بالمؤسسة.
6. سجلات التدقيق وإمكانية الملاحظة (Audit Logging and Observability): توفر عملية تسجيل كل عملية تسجيل، أو استعلام اكتشاف، أو استدعاء مسار تدقيق شاملاً. يمكن لفرق المؤسسات تسجيل وقت استخدام الوكلاء، ومَن استخدمهم، ولأي غرض. يدعم التنسيق الموجه بالسجل (مثل AI Gateway من TrueFoundry) خاصية LLM tool calling وينقل استجابات الأدوات مباشرة إلى واجهة المستخدم. وبالمثل، قد تغذي سجلات الوكلاء أدوات المراقبة بالسجلات والمقاييس لتعزيز إمكانية الملاحظة، مما يساعد الفرق على فهم أنماط الاستخدام واستكشاف أخطاء التكامل وإصلاحها. على سبيل المثال، تؤكد أطر العمل مثل Kagent على "المقاييس والسجلات والتتبع لجميع استدعاءات الأدوات، مما يقدم رؤى أعمق حول كيفية تفاعل وكيل الذكاء الاصطناعي مع APIs الخارجية". يمكن لسجل الوكلاء تجميع هذه البيانات على مستوى المنصة.
تُحول هذه الوظائف مجتمعة سجل الوكلاء إلى ما هو أكثر من مجرد دatabase – فهو يمثل العمود الفقري للتكامل، مما يتيح للوكلاء العثور على بعضهم البعض واستخدام قدراتهم بموثوقية تحت حوكمة المؤسسة.
بنية AI Agent Registry
فيما يلي البنية المفهومية لـ enterprise AI registry. يسجل الوكلاء المستقلون في الخدمة المركزية، التي تخزن بياناتهم الوصفية وتوفر واجهات برمجة تطبيقات (APIs) للبحث والاكتشاف. تتفاعل واجهة مستخدم المنصة أو طبقة التنسيق مع هذا السجل للعثور على الوكلاء.

في بنية enterprise AI registry هذه، يسجل الوكلاء (A, B) من خلال استدعاء Registry API، التي تخزن AgentCard الخاصة بهم في Metadata Database. وحدة السياسات والحوكمة (Policy/Governance) تطبق عناصر التحكم في الوصول على عمليات التسجيل والبحث. تتيح خدمة الاكتشاف والبحث (Discovery/Search) للعملاء وواجهة المستخدم العثور على الوكلاء عن طريق الاستعلام في قاعدة البيانات (على سبيل المثال، البحث بالنص الكامل أو التصفية حسب أوسام الإمكانيات). يمكن لواجهة المستخدم الإدارية (مثل واجهة سجل النماذج من TrueFoundry) عرض جميع الوكلاء المسجلين، وإصداراتهم، وقواعد الوصول الخاصة بهم.
تحت المظلة، يمكن للمرء استخدام مخزن مفتاح-قيمة (key-value store) عال الأداء أو قاعدة بيانات رسومية (graph database) للبيانات الوصفية، وأطر عمل ويب قياسية (مثل FastAPI) لتنفيذ الـ API. على سبيل المثال، يقترح مقترح خدمة أسماء الوكلاء (ANS) دليلاً مستوحى من DNS يستخدم PKI للهوية. وتعمل AI Gateway من TrueFoundry بشكل مشابه على تجميع "الوصول إلى أدوات تطوير الذكاء الاصطناعي" مع سجل وتدفقات OAuth لإدارة الرموز البرمجية (tokens) بآمان. تحاكي بنيتنا هذه الأنماط بمستوى المؤسسات: خدمة سجل مركزية للاكتشاف، مدمجة مع المصادقة (OAuth/PKI)، وطبقة تنسيق لسير عمل الوكلاء، وطبقة واجهة مستخدم توفر الرؤية الكاملة.
أطر العمل التي تدعم سجلات الوكلاء
تظهر العديد من أطر العمل والبروتوكولات المفتوحة لجعل سجلات وكلاء الذكاء الاصطناعي قابلة للتوافق التشغيلي وموحدة وآمنة:
- MCP (Model Context Protocol): تم تصميمه في الأصل لتوحيد كيفية تواصل LLMs مع الأدوات الخارجية، وقد تطور MCP سريعاً إلى طبقة توافق تشغيلي للأدوات والوكلاء. تعرض خوادم MCP الإمكانيات من خلال مخطط قياسي، وتعمل السجلات المركزية (مثل سجل MCP الخاص بـ GitHub) بالفعل ككتالوجات لخدمات MCP القابلة للاكتشاف.
- LangGraph: إطار عمل لتنسيق سير عمل الذكاء الاصطناعي. عند اقترانه ببروتوكولات مثل A2A، يتيح LangGraph خطوط أنابيب متعدة الوكلاء حيث يتم تفويض المهام (الاسترجاع، الحساب، التفكير) ديناميكياً إلى الوكلاء الفرعيين المناسبين. بينما ينصب التركيز الرئيسي لـ LangGraph على تنسيق سير العمل، فإنه غالباً ما يتكامل مع السجلات أو الكتالوجات لاختيار الوكلاء المناسبين في وقت التشغيل.
- Agent2Agent (A2A) Protocol: معيار مفتوح (تقوده Google ومجتمع A2A) للتواصل بين الوكلاء. يحدد A2A تنسيق JSON-RPC ومخطط Agent Card للتسجيل والاكتشاف. باستخدام مكتبة python-a2a على سبيل المثال:
ينفذ هذا تصميم "دليل الهاتف" الخاص بـ A2A. يمكن للوكلاء أيضاً التسجيل الذاتي وإرسال إشارات نبضات القلب عبر المساعد enable_discovery.
- Agent Protocol (AP من AGI, Inc.): مواصفات مستندة إلى REST مع مخطط OpenAPI. يجب على أي وكيل متوافق كشف نقاط نهاية مثل POST /ap/v1/agent/tasks. يمنح هذا السجلات طريقة موحدة للتفاعل مع الوكلاء المتنوعين، حيث يمكن للعملاء استخدام نفس واجهة الـ API عبر عمليات التنفيذ المختلفة.
- NANDA (Networked Agents and Decentralized AI): نموذج سجل غير مركزي يربط معرفات الوكلاء بـ AgentFacts القابلة للتحقق تشفيرياً (الإمكانيات، نقاط النهاية، بيانات الثقة الوصفية). يدعم الاكتشاف الحافظ للخصوصية، والتحديثات الديناميكية، والإلغاء. من الناحية الهيكلية، يعمل NANDA مثل DNS للوكلاء، مما يجعل الاكتشاف العالمي قابلاً للتوسع وآمناً.
- LOKA Protocol: إطار عمل متعدد الطبقات يركز على الهوية اللامركزية والحوكمة الأخلاقية. توفر طبقة هوية الوكيل العالمية (UAIL) الخاصة به معرفات وكلاء فريدة ومتحقق منها عالمياً (عبر DIDs/VCs)، مما يجعلها مفيدة مباشرة للتسجيل والاكتشاف الآمن في السجل. يركز LOKA أيضاً على المساءلة والأخلاق، مضيفاً طبقات حوكمة لعمليات السجل.
- منظومات أخرى: توفر أدوات مثل Kagent (لـ MCP من Anthropic) سجلات/بوابات لمركزية نقاط نهاية الأدوات. وتعتبر AWS Strands Agents و GPT Agents حزم SDK يمكن توصيلها ببنيات السجلات التحتية. تتبنى العديد من الفرق أيضاً LangChain أو خدمات مصغرة مخصصة مع قاعدة بيانات خفيفة الوزن للحفاظ على نمط السجل.
تعالج أطر العمل هذه مجتمعة الجوانب الرئيسية لتحديات السجل: الاكتشاف (A2A، NANDA)، والتوافق التشغيلي (Agent Protocol، LangGraph)، والهوية (LOKA)، والحوكمة (Kagent، والبوابات الشبيهة بـ TrueFoundry). ومن خلال التوافق مع واحد أو أكثر من هذه المعايير، يمكن للمؤسسات ضمان التوافق التشغيلي السلس للوكلاء مع مراعاة الأمان والقدرة على التوسع.
فوائد AI Agent Registry
يوفر تطبيق سجل وكلاء الذكاء الاصطناعي ميزات عديدة لفرق الذكاء الاصطناعي في المؤسسات:
- الاكتشاف الآلي: لم يعد هناك داعٍ لترميز الوكلاء صلباً (hard-coding) أو تهيئتهم يدوياً. يتيح السجل للأنظمة العثور ديناميكياً على الوكيل المناسب لمهمة معينة. على سبيل المثال، يمكن لخدمة التنسيق الاستعلام "اعرض لي كل الوكلاء الذين يمتلكون إمكانية معالجة الفواتير" والحصول على قائمة فوراً. يسرع هذا من التطوير ويقلل من التكرار.
- التوافق التشغيلي والتوحيد القياسي: بوجود كتالوج مركزي، تتحدث وكلاء الفرق المختلفة لغة مشتركة. يفرض السجل مخططات بيانات وصفية موحدة (مثل Agent Cards)، بحيث يمكن لأي وكيل الاندماج في المنظومة. يفتح هذا المجال لـ agent interoperability – فيمكن للوكلاء المبنثيين على أطر عمل مختلفة الاكتشاف والتنسيق طالما أنهم يسجلون بشكل صحيح. وتجسد معايير A2A و Agent Protocol هذا النهج، مما يجعل الوكلاء "مستقلين عن المكدس التقني" (tech stack agnostic) عبر كشف نقاط نهاية API ثابتة.
- الحوكمة والأمان: يركز سجل الوكلاء عملية التحكم في الوصول. ومن خلال تحديد الأدوار أو الفرق التي يمكنها استدعاء كل وكيل، تفرض المنصة سياسات الحوكمة. على سبيل المثال، يخزن سجل النماذج في TrueFoundry تفاصيل المصادقة ورموز OAuth في طبقة التحكم (control plane) بحيث لا يصل إلى النموذج أو الأداة سوى المستخدمين المصرّح لهم. وبالمثل، يمكن لسجل الوكلاء الاندماج مع IAM للمؤسسة: باستخدام رمز تسجيل دخول موحد (SSO token) أو رمز وصول شخصي لمنح مستدعي الوكيل حق الوصول إلى وكلاء متعددين بسلاسة. وتتيح بطاقات الوكلاء المخصصة للسجل إخفاء تفاصيل نقاط النهاية الحساسة عن العملاء غير المصرح لهم، مما يعزز الأمان.
- إدارة الإصدارات ودورة الحياة: تماماً كما تتبع سجلات النماذج الإصدارات، يمكن لسجل الوكلاء تسجيل الإصدارات المختلفة لمنطق الوكيل. يمكن للفرق وسم الوكلاء بأرقام الإصدارات ومعرفة الإصدار المخصص بدقة وأين تم نشره. يتيح هذا إمكانية التراجع (rollbacks) وسهولة التكرار – فتكون على دراية دائماً بكود الوكيل المستخدم في سير العمل بالإنتاج.
- إمكانية الملاحظة والمقاييس: يمكن للسجلات المركزية جمع بيانات التتبع (telemetry) حول استخدام الوكيل. وعبر توجيه جميع استدعاءات الوكلاء من خلال بوابة أو نقاط نهاية متتبعة، يمكن للمنصة تسجيل أوقات الاستجابة، ومعدلات النجاح/الفشل، وأعداد الاستخدام. وكما أُشير، توفر أدوات مثل Kagent إمكانية ملاحظة كاملة لتفاعلات الوكلاء. تساعد هذه التغذية الراجعة فرق MLOps على مراقبة صحة النظام، واكتشاف الاختناقات، وتحسين استخدام الموارد. على سبيل المثال، إذا كان أحد الوكلاء محملاً بأكثر من طاقته، فقد تقوم المنصة بتوسيع نطاقه أو توجيه الطلبات إلى وكيل بديل.
- الكفاءة وإعادة الاستخدام: من خلال فهرسة الإمكانيات، يشجع السجل على إعادة استخدام الوكلاء الحاليين بدلاً من بناء وكلاء جدد لكل مشروع. يمكن للفرق الاكتشاف بسرعة عما إذا كان الوكيل يؤدي بالفعل الوظيفة المطلوبة. ومع مرور الوقت، ينشئ هذا سوقاً للوكلاء المعتمدين (يشبه "Model Zoo" للنماذج)، حيث تتطور الوكلاء الأكثر موثوقية وتصبح هي المعايير القياسية.

تساعد كل فائدة من هذه الفوائد المؤسسات على التحرك نحو عمليات ذكاء اصطناعي (AI ops) قوية. ومن خلال التعامل مع الوكلاء كأصول رئيسية من الدرجة الأولى في السجل، تكتسب المؤسسات الحوكمة، وقابلية الاكتشاف، والتدقيق التي طالما كانت معياراً قياسياً للبيانات والنماذج، وتوسعها لتشمل الوكلاء المستقلين.
التحديات في تطبيق AI Agent Registry
إن بناء سجل وكلاء بمستوى مؤسسي ليس بالأمر السهل. يجب على الفرق التعامل مع عدة تحديات:
- توحيد البيانات الوصفية (Metadata Standardization): هناك معايير متنافسة لوصف الوكلاء. على سبيل المثال، يستخدم نهج MCP سجل mcp.json مركزياً مستنداً إلى GitHub، بينما يستخدم A2A ملفات JSON غير مركزية لـ "Agent Card". ويقترح NANDA مخطط "AgentFacts" مع التوقيع التشفيري. إن اتخاذ قرار بشأن نموذج بيانات وصفية واحد (أو دعم نماذج متعددة) أمر معقد. قد تؤدي المخططات غير المتوافقة إلى إعاقة التكامل بين الفرق، لذا يجب على السجل تحديد مخطط واضح أو طبقة ترجمة.
- المركزية مقابل اللامركزية: توفر السجلات المركزية الحوكمة ولكنها قد تشكل نقطة عطل واحدة. يسهل السجل الفائق المركزي لـ MCP عملية الاكتشاف ولكنه يتطلب بنية تحتية موثوقة (كما توضح بوابة TrueFoundry). في المقابل، يتيح النموذج اللامركزي لـ A2A لكل وكيل النشر الذاتي عبر .well-known/agent.json. يجعل هذا الاكتشاف أكثر قدرة على التوسع ولكن من الصعب حوكمته مركزياً. قد يحتاج سجل المؤسسة إلى الجمع بين الكلا العالمين (على سبيل المثال، فحص نقاط نهاية agent-well-known دورياً لإدراجها في الفهرس المركزي).
- الأمان والثقة: يُعد التأكد من أن الوكلاء المسجلين موثوقون أمراً حيوياً. قد تؤدي التسجيلات الخبيثة أو المزيفة إلى تسميم النظام. تقدم حلول مثل ANS بنية تحتية للمفاتيح العامة (PKI) بحيث يكون لكل وكيل هوية قابلة للتحقق، كما تؤمن DNSSEC أسماء النطاقات. يجب على السجل مصادقة الوكلاء عند التسجيل واستخدام التشفير (mTLS) على جميع نقاط النهاية. حماية البيانات الوصفية للوكيل (والتي قد تتضمن نقاط نهاية API حساسة أو اعتمادات) تشكل تحدياً أيضاً؛ وغالباً ما تتطلب التشفير أو عدم تخزين الأسرار بنص صريح.
- القدرة على التوسع (Scalability): قد تمتلك المؤسسة الكبيرة مئات أو آلاف الوكلاء. يجب أن يتوسع السجل للتعامل مع أعباء التسجيل والاستعلام العالية. هناك حاجة إلى فهرسة كفؤة (مثل الفهارس النصية الكاملة أو الاتجاهية للبحث في الإمكانيات). يجب أيضاً التعامل مع التقلبات: تشغيل الوكلاء وإيقافهم. تُعد التخزين المؤقت المناسب، وتقسيم نتائج البحث إلى صفحات، والتوسع الأفقي عقبات هندسية تتطلب حلاً.
- تعقيد الحوكمة: يجب على المسؤولين تحديد من يمكنه تسجيل الوكلاء، وأي البيئات تكون مرئية (التطوير/الاختبار مقابل الإنتاج)، وكيفية تطبيق السياسات. ينطوي تطبيق التحكم في الوصول دقيق الحبيبات (fine-grained access control) (مثل: يرى وكيل وكيلاً آخر فقط إذا كانا يتشاركان نفس المشروع) على تعقيد النظام. يصبح السجل نفسه نقطة لتطبيق السياسات، وقد تؤدي التهائات الخاطئة إلى تعطيل سير العمل.
- التوافق التشغيلي عبر النطاقات: في الإعدادات الموزعة أو متعددة السحب، قد يتواجد الوكلاء في نطاقات أمان مختلفة. يجب على السجل التعامل مع الاكتشاف عبر النطاقات (كما يهدف NANDA). وتظهر هنا مشكلات مثل العزل الشبكي، وتحليل DNS، وتجميع الاعتمادات.
- قابلية الصيانة: تُعد المحافظة على تحديث السجل (مثل إزالة الوكلاء الخاملين عبر انقضاء مهلة إشارة نبضات القلب) والتوافق العكسي لمخططات البيانات الوصفية مهمة مستمرة. تشير دراسة عام 2025 إلى أن الصيانة والمصادقة هما عاملا مقارنة رئيسيان. يجب على الفرق تحديد إصدارات واجهات البرمجة (APIs) والتخطيط للترقيات (مثل إضافة حقول بيانات وصفية جديدة للوكيل دون تعطيل العملاء).
رغم هذه التحديات، تعالج المقترحات الحديثة ودراسات الحالة العديد منها. على سبيل المثال، يستخدم ANS مخطط تسمية شبيهاً بـ DNS مع خوارزميات تحليل آمنة، ونشر مجتمع A2A أفضل الممارسات لأمان بطاقة الوكيل (agent card security). من المرجح أن يدمج تنفيذ سجل المؤسسات استراتيجيات متعددة: الاكتشاف الموزع، والهوية القوية، وطبقة حوكمة متينة.
أفضل الممارسات لسجلات وكلاء الذكاء الاصطناعي (AI Agent Registries)
لنشر سجل الوكلاء وإدارته بنجاح، يجب على الفرق اتباع التوصيات التالية:
- البدء بحجم صغير والتطوير بشكل تدريجي: ابدأ بمجموعة ضئيلة من الوكلاء ونموذج أولي بسيط للسجل. كما ينصح ديفيد علامي بالنسبة لسجلات الأدوات: "لا تنتظر حتى يمتلك لديك 50 أداة. حتى لو كان لديك أداتان أو ثلاث فقط، ضعها في بنية سجل بسيطة ذات واجهة قياسية". يكشف الاستخدام المبكر عن متطلبات الأمان وسير العمل. قم بالتطوير التدريجي عن طريق إضافة المزيد من الوكلاء، وتحسين البيانات الوصفية (metadata)، وإدماج البروتوكولات (مثل A2A) مع مرور الوقت.
- اعتماد المعايير والواجهات: استخدم مواصفات API مشتركة للوكلاء. على سبيل المثال، يضمن تطبيق Agent Protocol كشف كل وكيل لنفس نقاط النهاية (endpoints) (مثل /ap/v1/agent/tasks). حدد مخططًا واضحًا لـ Agent Card أو نموذج JSON (الاسم، الإصدار، نقطة النهاية، القدرات، المدخلات/المخرجات). هذا يقلل من تعقيد كود السجل ويدعم الامتثال من أطراف خارجية.
- البحث الدلالي والاكتشاف: فعّل الاكتشاف القائم على المحتوى. إلى جانب وسوم الكلمات المفتاحية، فكّر في فهرسة النصوص التوضيحية أو حتى أمثلة الاستخدام للوكلاء في متجر متجهات (vector store). عندئذٍ، يمكن لوكلاء العملاء إجراء بحث دلالي سريع عبر السجل. (غالباً ما تستخدم سجلات الأدوات هذا النمط لمطابقة الأدوات مع المهام.) على سبيل المثال، استخدم قاعدة بيانات تضمينات (embeddings) بسيطة لوصف الوكلاء بحيث يجد الوكيل الذي يطلب "معالجة أرقام الفواتير" وكيل "invoice-extractor".
- فرض الحوكمة من اليوم الأول: قم بإدماج IAM/SSO بحيث تكون جميع إجراءات السجل موثقة. استخدم السياسات في مرحلة مبكرة: تأكد من أن الأدوار المصرح لها فقط هي التي يمكنها تسجيل أو الاستعلام عن وكلاء معينين. من الصعب جداً إضافة الحوكمة لاحقاً. على سبيل المثال، يربط سجل TrueFoundry الوصول إلى الوكلاء برموز OAuth وتراخيص المستخدمين. وبالمثل، يمكن للسجل رفض الاستعلامات العامة لبطاقات الوكلاء الخاصة أو حجب التفاصيل تلقائياً ما لم يتم تقديم رمز مفتاح (token) صالحة.
- المراقبة وتسجيل الأنشطة (Logging): ابنِ الرؤية التشغيلية في السجل نفسه. قم بتسجيل كل عملية تسجيل، واستعلام، واستدعاء. استخدم معرفات الارتباط (correlation IDs) لتتمكن من تتبع المهمة عند مرورها عبر وكلاء متعددين. يتوافق هذا مع أفضل الممارسات في منصات ML حيث تكون القابلية للملاحظة (observability) أمرًا حاسمًا. قم بمراجعة السجلات دورياً لإزالة الوكلاء غير النشطين (باستخدام سجلات نبضات القلب - heartbeat logs) ورصد الأنماط غير العادية (مثل وكيل يسجل عدة مرات في فترة زمنية قصيرة).
- التكامل المستمر (Continuous Integration): تعامل مع كود الوكلاء ومدخلات السجل الخاصة بهم مثل أي برنامج آخر. عند تحديث وكيل، استخدم أنابيب CI/CD لتحديث البيانات الوصفية الخاصة به في السجل (مثل رفع رقم الإصدار). توفر الأتمتة (CLI/SDK) لعملية التسجيل. على سبيل المثال، يمكن لسيناريو النشر (deployment script) إجراء
requests.post("http://registry/v1/agents/register", json=agent_card)
- بعد كل إصدار. هذا يضمن عدم تعارض السجل مع الوكلاء النشطين حالياً.
- واجهات مستخدم سهلة الاستخدام: قدّم بوابة خدمة ذاتية أو CLI للمستخدمين لاستكشاف الوكلاء. واجهة المستخدم لسجل نماذج TrueFoundry (الموضحة أعلاه) تعتبر نمطاً جيداً: تعرض قوائم قابلة للبحث من الوكلاء، وتصفية حسب القدرات، وأزرار لـ "اختبار" أو "نشر" الوكيل. وبالمثل، قم بتضمين علامات تبويب مستكشف API توضح كيفية استدعاء كل وكيل (أجزاء من الكود). هذا يقلل من الحاجة إلى مجهود كبير من علماء البيانات والمطورين لتبني الوكلاء.
- الاستفادة من أطر العمل الحالية: استخدم أو وسّع المكتبات مفتوحة المصدر حيثما أمكن. توفر مكتبة python-a2a وSDKs الخاصة بـ Agent Protocol وLangGraph جميعها اللبنات الأساسية التي تقلل من الكود المكرر. كما يشير علامي، تمنح أطر العمل هذه الفرق انطلاقة سريعة. على سبيل المثال، يؤدي استخدام enable_discovery في python-a2a إلى أتمتة منطق نبضات القلب (heartbeat logic)، وتبسط SDK الخاصة بـ Agent Protocol لـ Node/TS كتابة وكلاء ممتثلين.
من خلال اتباع أفضل الممارسات هذه، يمكن للفرق جعل سجل وكلاء الذكاء الاصطناعي مكونًا قويًا وقابلاً للتوسع في منصة MLOps أو ModelOps الخاصة بهم. مع مرور الوقت، سيتطور ليصبح جزءًا أساسيًا من منصة اكتشاف الذكاء الاصطناعي للمؤسسات - بنفس الطريقة التي أصبحت بها سجلات النماذج أمرًا لا غنى عنه لإدارة دورة حياة ML.
الخاتمة
تستعد سجلات وكلاء الذكاء الاصطناعي (AI Agent Registries) لتصبح عنصرًا أساسيًا في البنية التحتية للذكاء الاصطناعي للمؤسسات. مع تزايد الوكلاء المستقلين (autonomous agents)، فإن وجود آلية اكتشاف معيارية يضمن إمكانية تنسيق العمل بين الوكلاء بدلاً من التضارب. الإجماع في الأبحاث واضح: "أصبح توفر أنظمة سجلات معيارية لدعم الاكتشاف، والهوية، ومشاركة القدرات أمرًا ضروريًا". من خلال مركزية البيانات الوصفية للوكلاء، والتسجيل، والحوكمة، تمكّن المؤسسات من تحقيق توافق تشغيلي سلس بين الوكلاء وحوكمة قوية للوكلاء المستقلين.
بالنظرة إلى المستقبل، نتوقع المزيد من التقارب حول البروتوكولات (مثل A2A وAgent Protocol وAgentFacts) والمزيد من الأدوات (مثل بوابة TrueFoundry للأدوات). في النهاية، سيكون سجل الوكلاء أمرًا روتينيًا مثل سجل النماذج اليوم – حيث يوفر مسارات التدقيق، وإدارة الإصدارات، وكتالوجًا قابلًا للبحث لعمليات الذكاء الاصطناعي. بالنسبة لفرق الذكاء الاصطناعي في المؤسسات، فإن الاستثمار في سجل الوكلاء الآن يعني الحصول على منصة قابلة للتوسع لتنسيق مسارات عمل الذكاء الاصطناعي المعقدة، وتقليل احتكاك التكامل، وإطلاق الإمكانات الكاملة للذكاء الاصطناعي الوكيل (agentic AI) في بيئة الإنتاج.
الأسئلة الشائعة
كيف يعمل سجل وكلاء الذكاء الاصطناعي (AI Agent Registry)؟
يعمل سجل وكلاء الذكاء الاصطناعي كـ "دليل هاتف" مركزي حيث يقوم الوكلاء المستقلون بتسجيل بياناتهم الوصفية وقدراتهم عبر بطاقة الوكيل (agent card). يتيح هذا النظام للوكلاء الآخرين أو للمستخدمين البحث عن مهارات محددة، والتحقق من الهويات، والحصول على تفاصيل الاتصال من خلال بروتوكولات اكتشاف معيارية.
لماذا تحتاج المؤسسات إلى سجل وكلاء الذكاء الاصطناعي؟
يعد سجل وكلاء الذكاء الاصطناعي أمرًا ضروريًا للمؤسسات لإدارة التعقيد المتزايد لأنظمة الذكاء الاصطناعي المجزأة (modular) على نطاق واسع. فهو يوفر واجهة واحدة للحوكمة، مما يتيح للفرق فرض سياسات الأمان، وتتبع الإصدارات، ومراقبة صحة الوكيل مع تشجيع إعادة استخدام الوكلاء الحاليين عبر الأقسام المختلفة.
كيف يختلف سجل وكلاء الذكاء الاصطناعي عن سجل النماذج (Model Registry)؟
بينما يتتبع سجل النماذج نواتج ML الثابتة، يركز سجل Agentic AI على البرامج الحية المستقلة التي تفكر وتتصرف. يدير سجل النماذج الإصدارات والأوزان (weights)، بينما يتعامل سجل الوكلاء مع الاكتشاف في الوقت الفعلي، ومراقبة نبضات القلب (heartbeat)، والتنسيق الديناميكي لسير العمل النشط بين عدة وكلاء متخصصين.
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.















.webp)




.webp)
.webp)
.png)

.png)
.png)
.png)
.png)
.png)
.webp)
.webp)






