برومبت استخراج الفيديو

📹 VIDEO TOPIC: مقدمة إلى بروتوكول سياق النموذج (MCP) والأنظمة الوكيلية
🕐 COVERAGE: مقدمة إلى MCP + أساسيات استدعاء الأدوات

**⭐ 🔹 ما هو بروتوكول سياق النموذج (MCP)؟**
→ **بروتوكول سياق النموذج (MCP)** هو إطار عمل أو نمط تصميم يهدف إلى توحيد كيفية تفاعل نماذج AI مع بعضها البعض ومع الأدوات الخارجية. إنه يمثل طريقة منظمة لـ "توصيل" نماذج AI معًا، مما يسمح لها بالتعاون في مهام معقدة. بدلاً من أن يكون كل نموذج AI كيانًا مستقلاً، يتيح MCP لهذه النماذج العمل كجزء من نظام أكبر وأكثر ترابطًا، حيث يمكنها تبادل المعلومات، استدعاء الأدوات، وتنسيق الإجراءات. إنه يركز على إنشاء "لغة مشتركة" أو "عقد" بين مكونات AI المختلفة.
> ⭐ **ملاحظة اختبار:** هذا هو التعريف الأساسي لـ MCP؛ فهمه ضروري للإجابة على أي سؤال يتعلق بهيكل أو وظيفة أنظمة AI الوكيلية.

**🔹 الأنظمة الوكيلية (Agentic Systems)**
→ تشير الأنظمة الوكيلية إلى الأنظمة التي تتكون من وكلاء AI مستقلين أو شبه مستقلين يمكنهم إدراك بيئتهم، اتخاذ القرارات، واتخاذ الإجراءات لتحقيق أهداف محددة. غالبًا ما تتضمن هذه الأنظمة وكلاء متعددين يتعاونون أو يتنافسون. MCP هو نمط تصميم أساسي يمكّن هذه الأنظمة الوكيلية من العمل بفعالية من خلال توفير طريقة منظمة للوكلاء للتفاعل وتبادل السياق.

**🔹 التحديات في بناء أنظمة AI معقدة بدون MCP**
→ بدون إطار عمل مثل MCP، يصبح بناء أنظمة AI معقدة أمرًا صعبًا للغاية. تتضمن التحديات:
1.  **التنسيق:** كيف تتفاعل نماذج AI المختلفة أو الوكلاء مع بعضهم البعض؟
2.  **تبادل السياق:** كيف يمكن لوكيل أن يفهم ما فعله وكيل آخر أو ما هي المعلومات ذات الصلة؟
3.  **استدعاء الأدوات:** كيف يمكن لوكيل أن يقرر متى وكيف يستخدم أداة خارجية (مثل API)؟
4.  **قابلية التوسع:** كيف يمكن للنظام أن ينمو ويصبح أكثر تعقيدًا دون أن يصبح فوضويًا؟
5.  **قابلية الصيانة:** كيف يمكن تصحيح الأخطاء أو تحديث المكونات الفردية دون كسر النظام بأكمله؟
MCP يعالج هذه التحديات من خلال توفير هيكل موحد.

**🔹 مقارنة: تطبيقات AI التقليدية مقابل الأنظمة الوكيلية**
→ **تطبيقات AI التقليدية:**
    - غالبًا ما تكون خطية: إدخال -> معالجة -> إخراج.
    - محدودة في قدرتها على التكيف أو التخطيط.
    - تتطلب تدخلًا بشريًا كبيرًا لتغيير السلوك أو معالجة حالات جديدة.
    - أمثلة: نماذج تصنيف الصور، نماذج ترجمة اللغة.
→ **الأنظمة الوكيلية:**
    - ديناميكية وغير خطية: يمكن للوكلاء التخطيط، التفكير، اتخاذ الإجراءات، وتعديل سلوكهم بناءً على الملاحظات.
    - قادرة على حل المشكلات المعقدة التي تتطلب خطوات متعددة وتفاعلات مع البيئة.
    - تتضمن غالبًا حلقة ملاحظات (perception-action loop).
    - أمثلة: وكلاء الدردشة الذين يمكنهم حجز الرحلات، وكلاء الأتمتة الذين يديرون سير العمل.
MCP هو عامل تمكين رئيسي للأنظمة الوكيلية.

**⭐ 🔹 حلقة الوكيل (Agent Loop)**
→ **حلقة الوكيل** هي النمط الأساسي الذي يصف سلوك وكيل AI. إنها دورة مستمرة من الإدراك والتفكير والعمل.
1.  **الإدراك (Perception):** يجمع الوكيل معلومات من بيئته (مثل إدخال المستخدم، نتائج استدعاء الأداة، مخرجات وكلاء آخرين).
2.  **التفكير (Thought/Reasoning):** يعالج الوكيل المعلومات المدركة، ويخطط للخطوة التالية، ويقرر الإجراء الذي يجب اتخاذه. قد يتضمن ذلك التفكير في الأهداف، القيود، والأدوات المتاحة.
3.  **العمل (Action):** ينفذ الوكيل الإجراء المخطط له. قد يكون هذا الإجراء استدعاء أداة، إرسال رسالة إلى وكيل آخر، أو إنتاج مخرج للمستخدم.
4.  **الملاحظات (Feedback):** يتلقى الوكيل ملاحظات حول نتيجة الإجراء، والتي تغذي حلقة الإدراك التالية.
هذه الحلقة تمكن الوكلاء من التكيف والتعلم بمرور الوقت.
> ⭐ **ملاحظة اختبار:** هذا هو التعريف الأساسي لنمط حلقة الوكيل؛ فهمه مطلوب للإجابة على أي سؤال على مستوى البنية.

**🔹 أهمية استدعاء الأدوات (Tool Calling) في الأنظمة الوكيلية**
→ استدعاء الأدوات هو قدرة وكيل AI على استخدام وظائف أو خدمات خارجية (APIs) لتوسيع قدراته. إنه أمر بالغ الأهمية لأن نماذج اللغة الكبيرة (LLMs) وحدها لا يمكنها الوصول إلى معلومات في الوقت الفعلي، أو إجراء عمليات حسابية معقدة، أو التفاعل مع أنظمة العالم الحقيقي. من خلال استدعاء الأدوات، يمكن للوكلاء:
-   **الوصول إلى البيانات في الوقت الفعلي:** مثل أسعار الأسهم، الطقس، أو معلومات المنتج.
-   **إجراء عمليات حسابية:** استخدام الآلات الحاسبة، جداول البيانات، أو نماذج ML المتخصصة.
-   **التفاعل مع الأنظمة الخارجية:** إرسال رسائل بريد إلكتروني، حجز رحلات، تحديث قواعد البيانات.
-   **تجاوز قيود LLM:** مثل طول السياق أو المعرفة المقطوعة.
MCP يوفر طريقة موحدة للوكلاء لتحديد الأدوات المتاحة، وفهم كيفية استخدامها، واستدعائها.

**🔹 مثال على استدعاء الأداة: وظيفة "get_current_weather"**
→ يوضح هذا المثال كيف يمكن لوكيل AI أن يقرر استدعاء وظيفة خارجية للحصول على معلومات الطقس.
-   **السيناريو:** يسأل المستخدم عن الطقس في مدينة معينة.
-   **قرار الوكيل:** يدرك الوكيل أنه لا يمتلك معلومات الطقس الحالية، ويقرر أن هناك أداة متاحة (مثل `get_current_weather`) يمكنها توفير هذه المعلومات.
-   **استدعاء الأداة:** يقوم الوكيل بإنشاء استدعاء للوظيفة، مع تمرير المعلمات المطلوبة (مثل اسم المدينة).
-   **الاستجابة:** تتلقى الأداة الاستدعاء، وتنفذ الوظيفة، وتعيد النتيجة إلى الوكيل.
-   **التفكير اللاحق:** يستخدم الوكيل نتيجة الأداة لصياغة استجابة للمستخدم.

**🔹 كيفية عمل استدعاء الأدوات (من منظور LLM)**
→ عندما يتم تزويد LLM بوصف للأدوات المتاحة، فإنه يتعلم "متى" و "كيف" يستدعيها.
1.  **وصف الأداة:** يتم تزويد LLM بوصف JSON أو YAML لكل أداة، بما في ذلك اسمها، وصفها، ومعلماتها المتوقعة (النوع، الوصف، ما إذا كانت مطلوبة).
    ```json
    {
      "name": "get_current_weather",
      "description": "Get the current weather in a given location",
      "parameters": {
        "type": "object",
        "properties": {
          "location": {
            "type": "string",
            "description": "The city and state, e.g. San Francisco, CA"
          },
          "unit": {
            "type": "string",
            "enum": ["celsius", "fahrenheit"]
          }
        },
        "required": ["location"]
      }
    }
    ```
2.  **قرار LLM:** بناءً على استعلام المستخدم والسياق، يقرر LLM أن استدعاء أداة ضروري.
3.  **إنشاء استدعاء الوظيفة:** يقوم LLM بإنشاء استدعاء وظيفة بتنسيق JSON يتوافق مع وصف الأداة.
    ```json
    {
      "tool_calls": [
        {
          "id": "call_abc123",
          "type": "function",
          "function": {
            "name": "get_current_weather",
            "arguments": {
              "location": "Boston, MA",
              "unit": "fahrenheit"
            }
          }
        }
      ]
    }
    ```
4.  **تنفيذ الأداة:** يتم اعتراض استدعاء الوظيفة هذا بواسطة طبقة تنسيق (orchestration layer) خارج LLM، والتي تقوم بتنفيذ الوظيفة الفعلية.
5.  **إعادة النتيجة:** يتم إرجاع نتيجة تنفيذ الأداة إلى LLM كجزء من السياق، مما يسمح له بمواصلة التفكير أو صياغة استجابة.

**🔹 دور طبقة التنسيق (Orchestration Layer) في استدعاء الأدوات**
→ طبقة التنسيق هي المكون الذي يجلس بين LLM والأدوات الفعلية. مسؤولياتها تشمل:
-   **اعتراض استدعاءات الوظائف:** عندما يخرج LLM استدعاء وظيفة، تلتقطه طبقة التنسيق.
-   **تنفيذ الوظيفة:** تقوم باستدعاء الوظيفة الفعلية (مثل استدعاء API خارجي).
-   **إدارة الأخطاء:** تتعامل مع أي أخطاء تحدث أثناء تنفيذ الأداة.
-   **إعادة النتائج إلى LLM:** تقوم بتنسيق إرجاع مخرجات الأداة إلى LLM حتى يتمكن من استخدامها.
هذه الطبقة ضرورية لربط LLM بالعالم الخارجي.

**🔹 أهمية السياق في الأنظمة الوكيلية**
→ السياق هو كل المعلومات ذات الصلة التي يحتاجها الوكيل لاتخاذ قرارات مستنيرة. في الأنظمة الوكيلية، يتضمن السياق:
-   **تاريخ المحادثة:** ما قيل سابقًا.
-   **الأهداف:** ما يحاول الوكيل تحقيقه.
-   **الأدوات المتاحة:** ما هي الوظائف التي يمكن للوكيل استدعائها.
-   **نتائج الأداة:** مخرجات استدعاءات الأدوات السابقة.
-   **حالة البيئة:** أي معلومات ذات صلة حول العالم الخارجي.
MCP مصمم لإدارة وتبادل هذا السياق بين الوكلاء والمكونات المختلفة للنظام.

***
## ⭐ قائمة يجب معرفتها (مفاهيم حرجة للاختبار)
1.  ما هو بروتوكول سياق النموذج (MCP)؟
2.  حلقة الوكيل (Agent Loop)