5 دروس حول تشغيل الذكاء الاصطناعي القائم على الوكلاء (Agentic AI) في بيئة الإنتاج - من جلسة الحوار المباشرة
.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
تمتلك معظم المؤسسات الآن وكلاء يعملون في بيئة الإنتاج قبل أن تكون لديها طريقة لرؤية ما يفعله هؤلاء الوكلاء. وتلك الفجوة هي المكان الذي تظهر فيه التكاليف الزائدة، والأخطاء غير القابلة للتتبع، والذكاء الاصطناعي الخفي (shadow AI). لقد سمعنا القصة نفسها من 200 من قادة الذكاء الاصطناعي في المؤسسات عبر 18 قطاعًا، ومرة أخرى في جلسة حية مع Daniel، نائب رئيس الهندسة في Via، وMeenal، التي تقود بيانات وذكاء الاصطناعي للمؤسسة في SurveyMonkey.
كان الخيط المشترك في كل إجابة تقريبًا هو الفكرة نفسها، حتى لو لم يستخدم أحد هذه الكلمة: أنت بحاجة إلى AI gateway. ليس مجرد أداة مراقبة أخرى تم إلحاقها بعد فوات الأوان، بل طبقة تحكم واحدة تمر عبرها النماذج وخوادم MCP والوكلاء، بحيث يتم التعامل مع التكلفة والتسجيل (logging) والوصول في مكان واحد بدلاً من كل قاعدة برمجية (codebase). إليك ما تعلمه القادة الذين تحدثنا إليهم أثناء وصولهم إلى هذه النتيجة.
شاهد حوار Fireside المفضل بالتفصيل هنا -

لماذا تعتبر حوكمة الذكاء الاصطناعي القائم على الوكلاء مهمة على نطاق واسع
كانت النتيجة الأكثر كشفًا في تقريرنا عبارة عن مفارقة. عندما سألنا القادة عن اتجاهات ميزانياتهم لعامي 2026 و2027، احتل توسيع حالات استخدام الذكاء الاصطناعي المرتبة الأولى. وعندما سألنا بشكل منفصل عما يرونه أكبر خطر يجب تمويل الحماية ضده، احتلت أمن وحوكمة هذا التوسع نفسه مرتبة عالية بنفس القدر. فالبندان يقعان تقريبًا فوق بعضهما البعض.
هذا التوتر هو جوهر اللعبة بأكملها. إذا ضغطت بقوة أكبر على التوسع، فستخرج التكلفة والمخاطر عن سيطرتك. وإذا تحركت بحذر شديد، فستتخلف عن الركب. كل قائد تحدثنا معه يحاول تمويل الاثنين في وقت واحد، والذين يفعلون ذلك بنجاح يتعاملون مع الحوكمة باعتبارها الشيء الذي يسمح لهم بالتوسع بشكل أسرع، وليس الشيء الذي يبطئهم. وكما قالت Meenal، فإن كل دولار تنفقه على وضع المخاطر والأمان الصحيح يصبح وسيلة تمكين لضخ المزيد من الأموال في التوسع برتم أسرع.
الدرس 1: فاتورة الاستنتاج (Inference) هي الجزء الأصغر من التكلفة
كان هناك الكثير من الضجيج حول ما تردد عن استهلاك Uber لميزانية الذكاء الاصطناعي الخاصة بها مبكرًا، ومن السهل قراءة ذلك على أنه مشكلة في سعر الاستنتاج (inference-price). ولكنه ليس كذلك في العادة. الفاتورة ترتفع بسبب السياق (context) الذي تغذي به النموذج، وليس بسبب المعدل لكل رمز (per-token rate).
صاغت Meenal الأمر على أنه واجب منزلي يتعين على المؤسسة القيام به قبل أن تقوم بتوسيع أي شيء. يأتي السياق من ثلاثة مصادر: البيانات الموجودة في قواعد البيانات الخاصة بك، ومنطق اتخاذ القرار الذي تطبقه فرقك، والمعرفة المؤسسية والجماعية التي تعيش في أذهان الأشخاص. قم بتجميع ذلك جيدًا وسيحصل الوكيل على ما يحتاجه بأقل عدد من الرموز (tokens). تتجاهل ذلك وستدفع للنموذج نفسه ليتخمن مرارًا وتكرارًا نفس المشكلة.
كما قدمت تشبيهًا علق في أذهاننا. إنها قصة الانتقال من البنية التحتية المحلية (on-prem) إلى السحابة (cloud) تكرر نفسها. انتقلت الشركات إلى السحابة، وشاهدت التكاليف ترتفع بشكل كبير على أي حال، وبعد ذلك فقط تعلمت كيفية إدارتها. الذكاء الاصطناعي هو المنحنى نفسه بشكل مضغوط. ستستمر التكاليف في الارتفاع حيث تكتشف الأدوات كيفية تسعير الذكاء الاصطناعي ومع زيادة تكلفة الحوسبة الأساسية، لذا يجب أن يأتي الانضباط في وقت مبكر هذه المرة.
من خلال العمل عبر المؤسسات، يرى مؤسسنا المشارك Anurag أن التحكم في التكاليف يقع في ثلاث طبقات، وتعد بوابة الذكاء الاصطناعي (AI gateway) هي المكان الذي يتم فيه تطبيق الثلاثة جميعها:
- الرؤية (Visibility). إذا سمحت بالنماذج عبر Bedrock وOpenAI وAnthropic، فأنت بحاجة إلى عرض واحد لمكان ذهاب الإنفاق، حسب المستخدم والفريق والتطبيق. لا يمكنك إدارة ما لا يمكنك رؤيته.
- التحكم (Control). بمجرد حصولك على الرؤية، فإنك تضع الحدود: الميزانيات وحدود المعدل (rate limits) على مستوى المستخدم أو الفريق أو التطبيق، وتكون متوافقة مع عائد الاستثمار (ROI) لقيمة كل تطبيق.
- التوجيه (Routing). الطبقة الأكثر ذكاءً. الطلب المرسل إلى نموذج كبير متطور (frontier model) يمكنه في كثير من الأحيان الحصول على نفس النتيجة من نموذج أصغر. ترى الطبقة المركزية كل حركة المرور (traffic)، لذا يمكنها توجيه كل طلب إلى النموذج المناسب، ومع مرور الوقت يتحسن منطق التوجيه لأنه يتعلم من سجلات القابلية للملاحظة (observability logs).
إليك الفرق بين تشغيل الوكلاء بدون تلك الطبقة وتشغيلهم خلفها.
الدرس 2: لا يمكنك تتبع ما لم تصممه ليكون قابلاً للتتبع
أكثر من نصف المؤسسات التي شملها الاستطلاع لم تتمكن من تتبع الوكلاء الذين يعملون لديهم في بيئة الإنتاج بشكل كامل. كان بعض هؤلاء الوكلاء معتمدين. وكان بعضهم عبارة عن ذكاء اصطناعي خفي (shadow AI)، تم نشره دون معرفة قسم تقنية المعلومات أو القيادة.
كان لدى Daniel الطريقة الأكثر حدة في التعبير عن المخاطر. تخيل إعطاء موظف جهاز كمبيوتر محمول مع الإذن بتثبيت أي شيء، ووصول كامل إلى الشبكة، وبدون مراقبة. لا توجد شركة حديثة تفعل ذلك. يحتاج الوكلاء إلى نفس ضوابط الأمان، وهم بحاجة إليها من البداية، لأن تتبع نظام غير حتمي (non-deterministic system) بعد فوات الأوان أمر شبه مستحيل. لا يفعل الوكيل الشيء نفسه مرتين، لذا إذا لم يتم تصميم مسار التدقيق (audit trail) منذ البداية، فلن تجده عندما تبحث عنه.
في Via، يتعاملون مع ذلك على أنه أمر أساسي لا بد منه. البنية التحتية الجيدة لتشغيل الوكلاء تفعل شيئين في وقت واحد: فهي تجعل النشر أكثر أمانًا، وتجعل النشر سهلًا، مما يعني أن الأشخاص ينشرون الكثير منهم. لهذا السبب يجب أن تكون إمكانية ملاحظة الوكيل (agent observability) جزءًا من المنصة، وليست مشروعًا تصل إليه لاحقًا. إحدى التقنيات العملية التي نجحت معهم كانت تقسيم مطالبة الوكيل (agent's prompt) إلى أجزاء ذات نقاط تحقق (checkpointed pieces)، حتى يتمكنوا من فحص كل استجابة في السلسلة وتحديد مكان وقوع الخطأ.
الدرس 3: 76% يفتقرون إلى التسجيل الموحد، وهي مشكلة حوكمة
ستة وسبعون بالمائة من المؤسسات في تقريرنا يفتقرون إلى التسجيل الموحد (unified logging) بالكامل عبر جميع النماذج وسير العمل الخاصة بهم. هذه مشكلة تكلفة ومشكلة تحكم في الوقت نفسه. إذا كنت لا تستطيع رؤية النموذج الذي يتم استخدامه، ومن قبل من، وفي أي قسم، فلا يمكنك تقدير هيكل التكلفة ولا يمكنك التحكم في أي جزء منه.
وضعت SurveyMonkey إمكانية ملاحظة نماذج اللغات الكبيرة (LLM observability) أولاً، قبل التوسع، بالضبط لأن هذه الأنظمة تتخرج عن السيطرة بدونها. يتجاوز تسجيلهم الآن التكلفة إلى الجودة: فهم يراقبون الهلوسة (hallucination)، ويستخدمون التقييمات (evals) ونماذج اللغات الكبيرة كمقيمين (LLM-as-judge) للتحقق من المخرجات. أثار Daniel نكتة أربكت الكثير من الفرق. يمكن أن تحتوي مخرجات الوكيل على معلومات تحديد الهوية الشخصية (PII) للمستخدم حتى عندما لا تحتوي سجلاتك العادية على ذلك أبدًا، لذلك عليك تصميم ما يتم تسجيله وما يتم مسحه بدلاً من تسجيل كل شيء بشكل افتراضي.
واتفق كلاهما على الجزء غير المريح: نادراً ما تبدو إمكانية الملاحظة وكأنها أول شيء يجب بناؤه. الجذب يتجه نحو شحن شيء ما وإظهار القيمة. هذا أمر معقول، ولكن الحوكمة المضافة لاحقًا تكون أكثر تكلفة بكثير من الحوكمة المصممة منذ البداية، وتعد AI gateway هي المكان الذي يصبح فيه ذلك التسجيل تلقائيًا بدلاً من أن يكون شيئًا يجب على كل مطور تذكره.
الدرس 4: الداخلي مقابل الخارجي يحدد وضع المخاطر الخاص بك
يعتمد المكان الذي تصل إليه في مسألة التوسع مقابل المخاطر بشكل أساسي على شيء واحد: ما إذا كان الذكاء الاصطناعي يواجه الداخل أو الخارج. كانت هذه قراءة Anurag عبر المؤسسات التي نعمل معها، وأكدها كلا الممارسين.
يمكن لأدوات الإنتاجية الداخلية أن تتحرك بسرعة، لأن تكلفة حدوث شيء خاطئ بشكل طفيف تكون منخفضة. قامت Via ببناء بنية تحتية داخلية حتى يستطيع موظفوها، بما في ذلك الموظفون غير الفنيين، إنشاء لوحة تحكم أو موقع صغير أو أتمتة من قالب جاهز. أي شيء يواجه العميل هو قصة مختلفة. كانت Meenal مباشرة: الذكاء الاصطناعي الخارجي يواجه تدقيقًا أشد لأن العملاء يريدون معرفة كيفية استخدام بياناتهم، لذلك يمر بدورة مراجعة أصعب من أي شيء داخلي. الشركات التي توازن بين الاثنين جيدًا هي تلك التي تستثمر في وضع المخاطر أولاً ثم تستخدم هذه المساحة للتوسع.
الدرس 5: ابدأ بـ 8 إلى 10 حالات استخدام ذات عائد استثمار عالٍ، وليس 200
أقوى نصيحة من الجلسة كانت حول ضبط النفس. لا تحاول حل كل شيء دفعة واحدة. كانت قاعدة Meenal هي البدء بحالة الاستخدام، وليس التكنولوجيا، لأن البدء من المشكلة هو ما يوجهك إلى الأدوات المناسبة وعائد الاستثمار (ROI) الحقيقي. وكانت نصيحة Daniel هي اختيار الهدف بحكمة: صغير جدًا ولا معنى له، أو بعيد جدًا وغير معقول، ثم تشغيله كـ POC مرن، وبناء ضوابط الأمان، والشحن عندما يصمد.
شاهد Anurag هذا التغيير بشكل مباشر. قبل بضع سنوات، كانت الفرق تأتي بقوائم تضم 200 حالة استخدام أرادوا حلها باستخدام الذكاء الاصطناعي، وكان معظمها سيكلف بناؤه قدر ما يوفره. المنظمات التي تتصدر المشهد اليوم تجلب 8 إلى 10 حالات استخدام، كل منها بعائد استثمار قوي، وتضع ضوابط التكلفة والحوكمة وإمكانية الملاحظة منذ اليوم صفر. هذا الجزء الأخير مهم: الفرق التي تتجاهله تشحن إلى بيئة الإنتاج، وتواجه فشلاً واحدًا، وتضطر إلى التراجع وإعادة بناء الأمر برمته. ضع طبقة التحكم مبكرًا وستحصل حالات الاستخدام الجيدة على مساحة للنمو.
كيف تدير TrueFoundry حوكمة الذكاء الاصطناعي القائم على الوكلاء من خلال طبقة تحكم واحدة
نحن نبني TrueFoundry كطبقة تحكم للذكاء الاصطناعي المؤسسي (AI control plane) مخصصة للذكاء الاصطناعي القائم على الوكلاء (agentic AI). تفيد الفكرة بشكل مباشر من الدروس الستة أعلاه: جمع النماذج وMCPs والوكلاء معًا في طبقة واحدة، ثم وضع التكلفة والحوكمة وإمكانية الملاحظة فوق كل ذلك.
تعد بوابة الذكاء الاصطناعي (AI gateway) هي نقطة الدخول. فهي تمنحك API واحدًا متوافقًا مع OpenAI لأكثر من 1000 نموذج لغة كبير (LLM) عبر المزودين، لذا فإن تبديل النماذج يكون مجرد تغيير اسم في الطلب بدلاً من إعادة الكتابة. تضيف تقريبًا من 3 إلى 4 مللي ثانية من الحمل الإضافي (overhead) وتتعامل مع أكثر من 350 RPS على vCPU واحد، مما يبقيها في المسار السريع دون أن تصبح نقطة اختناق. ولأن كل طلب يتدفق من خلالها، يتم تطبيق تتبع الإنفاق والميزانيات وحدود المعدل وتوجيه النماذج مركزيًا بدلاً من إعادة تنفيذها في كل خدمة.
تتعامل بوابة MCP وسجل الوكلاء مع مشكلة N-by-M من الدرس 3. تسجل خوادم MCP والوكلاء في مكان واحد مع التحكم في الوصول على مستوى الأداة، بحيث يمكنك منح مستخدم معين أداة معينة دون كشف الباقي، ويتم مصادقة وتتبع كل مكالمة. تطبق ضوابط الأمان كسياسة في هذه الطبقة، وهو النمط الذي وصفته SurveyMonkey مع قوالب الوكلاء المعتمدة مسبقًا: حيث يتم دمج عناصر التحكم في البيانات والسياق وإمكانية الملاحظة في القالب بحيث ترثها الفرق بشكل افتراضي.
بالنسبة لإمكانية الملاحظة، فإن البوابة متوافقة مع OpenTelemetry وتتتبع كل طلب من المطالبة إلى الأداة وتنفيذ النموذج، ثم تتصل بـ Grafana أو Datadog أو Prometheus. إذا ظهر مدير تقنية المعلومات (CTO) ومعه 30 وكيلًا، وثلاثة مزودي نماذج، ولا توجد طبقة تحكم، فإن الخطوة الأولى ليست إعادة الكتابة. بل هي تسجيل كل ما يستهلكه هؤلاء الوكلاء في مكان واحد وتوجيه نقاط النهاية (endpoints) الخاصة بهم إلى الطبقة المركزية، بحيث يأتي التسجيل الموحد والتحكم في التكلفة دون أن يلمس المطورون أكوادهم البرمجية.
قراءات ذات صلة
- ما هي LLM Gateway؟ المدخل المعماري وراء هذا المنشور
- أفضل MCP Gateways كيفية تقييم الطبقة التي تحكم خوادم MCP الخاصة بك
- حل تتبع تكلفة LLM التعمق في رؤية الإنفاق
- MCP مقابل RAG كيف تقارن بين الطريقتين لمنح الوكلاء السياق
الخاتمة
ستة دروس، وخيط مشترك واحد. تعود التكلفة والتتبع والوصول إلى MCP والتسجيل ووضع المخاطر واختيار حالة الاستخدام جميعها إلى ما إذا كان لديك مكان واحد لرؤية والتحكم في ما يفعله وكلاؤك. بوابة الذكاء الاصطناعي (AI gateway) هي ذلك المكان، ووضعها مبكرًا هو ما يسمح للفرق بتوسيع الذكاء الاصطناعي القائم على الوكلاء في بيئة الإنتاج بدلاً من التراجع عنه بعد الفشل الأول.
شاهد كيف تتعامل AI gateway من TrueFoundry مع التكلفة وحوكمة MCP وإمكانية الملاحظة في طبقة تحكم واحدة، أو احجز عرضًا توضيحيًا لمراجعته مع البنية التحتية الخاصة بك.
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.


Recent Blogs
Frequently asked questions
ما هي حوكمة وكلاء الذكاء الاصطناعي؟
حوكمة وكلاء الذكاء الاصطناعي هي مجموعة الضوابط التي تحافظ على سلامة الوكلاء المستقلين، وقابليتهم للتتبع، ومحدودية تكلفتهم في بيئة الإنتاج: شفافية التكلفة وحدودها، وتسجيل موحد للبيانات، والتحكم في الوصول إلى الأدوات وMCPs التي يمكن للوكلاء استدعاؤها، والضوابط الوقائية المطبقة كسياسة. عمليًا، تطبق الشركات ذلك من خلال لوحة تحكم مركزية، أو بوابة ذكاء اصطناعي، تمر عبرها جميع طلبات الوكلاء.
كيف تساعد بوابة الذكاء الاصطناعي في التحكم في تكلفة الذكاء الاصطناعي الوكيل؟
ترى بوابة الذكاء الاصطناعي كل حركة المرور، لذا يمكنها عرض الإنفاق حسب المستخدم والفريق والتطبيق، وتطبيق الميزانيات وحدود المعدل قبل ارتفاع التكاليف، وتوجيه كل طلب إلى النموذج المناسب. وهذا يغطي طبقات التكلفة الثلاث: الرؤية والتحكم والتوجيه.
ما هي بوابة MCP ولماذا تحتاج المؤسسات إليها؟
بوابة MCP هي طبقة مركزية تسجل خوادم MCP الخاصة بك وتطبق التحكم في الوصول على مستوى الأداة، بحيث يمكنك تحديد المستخدمين الذين يمكنهم الوصول إلى أي أدوات وبأي طريقة مصادقة. إنها تحول الانتشار المعقد للعملاء والخوادم والأدوات (N في M) إلى شيء يمكنك إدارته ومراجعته من مكان واحد.
كيف تتعامل مع الذكاء الاصطناعي الظلي والوكلاء غير القابلين للتتبع؟
توجّه الوكلاء عبر بنية تحتية تسجل وتصادق افتراضيًا، بدلاً من السماح لهم بالنشر بشكل عشوائي. صمم التتبع منذ البداية، نظرًا لأن الوكلاء غير الحتميين لا يمكن تتبعهم بشكل موثوق بعد وقوع الحدث، ويتطلبون حسابات خدمة بدلاً من بيانات الاعتماد الشخصية لأي شيء يتم نشره.
هل يمكنني تشغيل TrueFoundry في شبكتي الافتراضية الخاصة (VPC) أو في موقعي؟
نعم. يعمل TrueFoundry في شبكتك الافتراضية الخاصة (VPC)، أو في موقعك، أو في بيئة معزولة، أو في بيئة هجينة، أو عبر السحابات المختلفة، ولا تغادر أي بيانات نطاقك. وهذا هو السبب الرئيسي الذي يجعل الشركات الخاضعة للتنظيم تفضله على البوابات التي تعتمد على SaaS فقط.
هل يتكامل مع حزمة المراقبة الحالية لدي؟
نعم. البوابة متوافقة مع OpenTelemetry وتتكامل مع Grafana أو Datadog أو Prometheus أو حزمتك المفضلة. فهي تتتبع كل طلب من المطالبة إلى تنفيذ الأداة والنموذج، لتحصل على تسجيل موحد دون الحاجة إلى تغيير ما تستخدمه حاليًا.

















