الذكاء الاصطناعي الوكيلي في 2026: Hermes وNVIDIA Nemotron وstack النماذج المفتوحة

الحدود المثيرة للاهتمام في 2026 ليست chatbot أكبر. إنها الوكيل: نموذج يخطّط، وينادي الأدوات، ويقرأ النتائج، ويكرّر الحلقة حتى تكتمل المهمة. الدردشة تجيب عن سؤال؛ والوكيل يغيّر حالة نظام. وفي اللحظة التي يستطيع فيها نموذج أن يتصرّف، تتوقف الموثوقية عن كونها ترفًا وتصبح المنتج بأكمله.

عائلتان من الأوزان المفتوحة صارتا العمود الفقري للوكلاء المستضافين ذاتيًا — Hermes من Nous Research وNemotron من NVIDIA. إليك لماذا، وكيف يبدو الـ stack من حولهما.

ما يتطلّبه «الوكيلي» فعلًا

النموذج الحواري القدير ليس تلقائيًا وكيلًا قديرًا. الوكلاء يحيون أو يموتون على مجموعة أضيق من المهارات:

• Function calling — إصدار نداءات أدوات حسنة التكوين وصحيحة وفق المخطط، في كل مرة، لا في أغلب المرات.
• مخرجات مُهيكلة — JSON موثوق يستطيع الكود المحيط تحليله بلا حيل تقريبية.
• القابلية للتوجيه — الطاعة الفعلية للـ system prompt الذي يحدّد دور الوكيل وحدوده.
• الاستدلال داخل حلقة — التخطيط لعمل متعدد الخطوات والتعافي حين تُرجع أداة خطأً.

نموذج أفضل بنسبة 2٪ في المعلومات العامة لكنه أسوأ بنسبة 20٪ في إصدار نداءات أدوات صحيحة هو وكيل أسوأ. تلك الحقيقة الوحيدة تفسّر معظم مشهد النماذج المفتوحة.

Hermes: حصان العمل المفتوح والقابل للتوجيه

Hermes، من Nous Research، عائلة من الـ fine-tunes مبنية على قواعد مفتوحة مثل Llama. تقوم سمعتها على ثلاثة أمور يهتم بها بُناة الوكلاء: function calling قوي، ومخرجات مُهيكلة/JSON موثوقة، ومحاذاة محايدة وقابلة للتوجيه عن قصد — تتبع الـ system prompt الخاص بك بدلًا من شخصية مثبّتة من المزوّد.

بالنسبة للوكلاء المستضافين ذاتيًا الذين يجب أن يندرجوا في حواجزك الخاصة ويتصرّفوا بشكل متوقّع، تلك القابلية للتوجيه هي الجاذبية كلها. أنت تحدّد الدور؛ والنموذج يلتزم به. إنها الغريزة نفسها وراء تشغيل النماذج محليًا التي استكشفتها سابقًا: التحكّم في السلوك، لا في الأوزان فحسب.

NVIDIA Nemotron: استدلال مضبوط للأدوات

Nemotron هو خط النماذج المفتوحة من NVIDIA، ونماذج الاستدلال Llama Nemotron (بأحجام Nano وSuper وUltra) مضبوطة صراحةً للعمل الوكيلي: استدلال متعدد الخطوات ونداء للأدوات، مع استدلال يمكنك تشغيله للمهام الصعبة وإطفاؤه للرخيصة. تأتي بأوزان مفتوحة وتُغلَّف كخدمات NIM مصغّرة لنشرها خلف API قياسي.

تكسب عائلة Nemotron قوتها أيضًا في مكان غير برّاق: توليد البيانات الاصطناعية. تُستخدَم متغيّرات reward وinstruct الأكبر على نطاق واسع لتوليد وتقييم بيانات تدريب لنماذج أخرى — بما فيها وكلاء قد تضبطهم بنفسك.

الـ stack المحيط بالنموذج

النموذج ربما ثلث وكيل عامل. البقية هندسة:

• مخططات الأدوات — تعريفات دوال محكمة وجيدة الوصف. المخططات المبهمة تنتج نداءات مبهمة.
• التنسيق — حلقة تخطيط/تصرّف/مراقبة (بأسلوب ReAct)، بحدود للخطوات وأزمنة انتهاء كي يفشل وكيل مرتبك بسرعة بدلًا من حرق التوكينات إلى الأبد.
• الحواجز (guardrails) — تحقّق من كل نداء أداة قبل تنفيذه؛ لا تدَع النموذج أبدًا يصل إلى أنظمة الإنتاج بلا رقابة.
• الـ evals — مجموعة ذهبية من المهام تعيد تشغيلها عند كل تغيير في النموذج أو الـ prompt. بلا evals لا تمارس الهندسة، بل تخمّن.
• القابلية للملاحظة — تتبّع كل خطوة. حين يشرد وكيل في الثانية صباحًا، يكون التتبّع هو الشيء الوحيد الذي ينقذك.

مفتوح مقابل API: كيف تختار

نماذج الحدود عبر API ما زالت أسهل طريقة لتشغيل وكيل قدير اليوم، ولكثير من الفرق تلك هي القرار الصحيح. اسحب من الـ stack المفتوح — Hermes وNemotron — حين تحتاج إلى إقامة البيانات، وتكلفة متوقّعة عند الحجم الكبير، وتخصيص عميق عبر الـ fine-tuning، أو ببساطة ضمان ألّا يتغيّر النموذج تحت قدميك الربع القادم. غالبًا ما يكون الجواب العملي مزيجًا: نموذج حدودي للاستدلال الصعب، ونموذج مفتوح للنداءات المتكررة وجيدة النطاق.

---

الذكاء الاصطناعي الوكيلي يكافئ انضباط الهندسة المملّ أكثر بكثير من ضجيج النماذج: أدوات محكمة، وحلقة صارمة، وحواجز حقيقية، وevals تثق بها. اختر نموذجًا جيدًا حقًا في نداء الأدوات — Hermes وNemotron كلاهما كذلك — واصرف طاقتك على الأداة المحيطة به. إن كنت ستربط وكيلًا ببيانات عمل حقيقية، فابدأ حيث تعيش البيانات: lakehouse الخاص بـ Databricks وFabric مع Copilot Studio.