ما هي Jev؟ لماذا قد تحتاج وكلاء الذكاء الاصطناعي إلى نماذج لاتخاذ القرارات، وليس إلى مزيد من روبوتات الدردشة

Jev ليس روبوت محادثة آخر. طوّرته TypeSafe AI لمهمة أضيق: أخذ بعض الحالة، واتخاذ قرار منظم، وإرجاع شيء يمكن للبرنامج تنفيذ إجراء بناءً عليه فورًا. وبدلًا من كتابة فقرات، ينتج Jev خيارات محددة مسبقًا، ودرجات، واحتمالات، وتقديرات للثقة.

وهذا مهم لأن قدرًا كبيرًا من عمل وكيل الذكاء الاصطناعي لا يتعلق بالتوليد. إذ يقرر الوكلاء باستمرار الأداة التي ينبغي استدعاؤها، وما إذا كان المستند ذا صلة، وما إذا كان الإجراء محفوفًا بالمخاطر، ومتى ينبغي إعادة المحاولة، ومتى ينبغي التصعيد. ويطرح Jev سؤالًا معماريًا مفيدًا: لماذا نستدعي نموذجًا توليديًا كبيرًا عندما لا يحتاج البرنامج إلا إلى قرار؟

ما هو Jev؟

Jev هو أول نموذج عام تُصدره TypeSafe AI ضمن ما تسميه الشركة نماذج النظام الواحد: نماذج محسّنة لاتخاذ قرارات سريعة داخل البرامج بدلًا من المحادثات مفتوحة النهاية.

قدّمت TypeSafe Jev في سبتمبر 2026 حول واجهة بسيطة:

حالة غير منظمة
        ↓
سؤال منظم
        ↓
قرار احتمالي محدد النوع

قد يصنّف نموذج لغوي تقليدي طلب دعم من خلال توليد:

"يبدو أن هذه مشكلة فوترة لأن
يقول العميل إنه حُوّل إليه المبلغ مرتين."

صُمّم Jev لإرجاع الجزء الذي يحتاج إليه البرنامج فعليًا:

الفوترة:     0.87
التقني:   0.09
المبيعات:       0.04

لا يكمن الفرق الأساسي في الذكاء مقابل انعدامه. بل يكمن في الواجهة: نماذج اللغة تولّد؛ ونماذج اتخاذ القرار تختار.

Jev مقابل نماذج اللغة الكبيرة: لماذا نولّد نصًا عندما لا نحتاج إلا إلى قرار؟

تتميز نماذج اللغة العامة بقيمتها تحديدًا لأنها تستطيع توليد أي شيء تقريبًا: الشروحات، والتعليمات البرمجية، والخطط، والملخصات، ورسائل البريد الإلكتروني، أو وسيطات الأدوات.

لكن هذه المرونة تخلق عبئًا إضافيًا غير ضروري عندما تقتصر المهمة على:

أي أداة ينبغي أن تتولى هذا؟

أ. البحث على الويب
ب. تنفيذ التعليمات البرمجية
ج. البحث عن الملفات
د. البريد الإلكتروني

يمكن لنموذج تقليدي حل هذه المسألة، لكنه يظل نظامًا توليديًا عامًا للأغراض يُستخدم كمصنّف أو موجّه.

وهذا يجعل Jev ذا صلة خاصة بـ أتمتة وكلاء الذكاء الاصطناعي العملية، حيث قد يتخذ النموذج العديد من قرارات التوجيه والسلامة الصغيرة قبل إنتاج إجابة واحدة موجهة إلى المستخدم.

كيف يتخذ Jev قرارات مهيكلة؟

لم تكشف TypeSafe عن كل تفاصيل البنية، لكنها تصف ثلاثة اختلافات مهمة: نموذجًا محسّنًا لاتخاذ القرارات المهيكلة، وأداة أخذ عينات متوازية، ونهجًا تدريبيًا يُسمى التعلم التعزيزي لاتخاذ قرارات مُعايرة، أو RLCD.

ويصبح التجريد الموجّه للمطورين:

الحالة
  ↓
سؤال القرار
  ↓
توزيع الاحتمالات
  ↓
سياسة التطبيق

توضح تقييمات سير العمل العامة لدى TypeSafe ثلاث بدائيات لاتخاذ القرار:

يتولى النموذج الحكم غير المؤكد، بينما تحدد التعليمات البرمجية ما يُسمح لكل قرار بفعله.

لماذا تحتاج وكلاء الذكاء الاصطناعي إلى طبقة لاتخاذ القرار

قد يحتاج الوكيل إلى اتخاذ عشرات القرارات الصغيرة قبل أن يحتاج إلى استدلال جاد:

• ما الأداة التي ينبغي أن أستدعيها؟
• هل هذا المستند ذو صلة؟
• هل ينبغي أن أبحث في الويب؟
• هل يمكن تنفيذ هذا الإجراء تلقائيًا؟
• هل نجحت الخطوة السابقة؟
• هل ينبغي أن أعيد المحاولة؟
• هل يتطلب هذا موافقة بشرية؟

يُعد استخدام أكبر نموذج متاح لكل فرع أمرًا بسيطًا، لكنه قد يزيد من زمن الاستجابة والتكلفة معًا.

طلب المستخدم
      ↓
طبقة اتخاذ القرار
      ↓
 ┌────┼─────┬─────┐
 ↓    ↓     ↓     ↓
الويب  الملفات  التعليمات البرمجية  البريد الإلكتروني
وكيل وكيل وكيل وكيل

لا يحتاج الموجّه إلى شرح سبب اختياره لوكيل الملفات. بل يحتاج إلى اختيار المسار الصحيح بدرجة كافية من الثقة.

يعزز هذا أيضًا مبدأ أمان مهمًا للأنظمة المستقلة: ينبغي أن يقترح مخرج النموذج إجراءً، لا أن يرث تلقائيًا صلاحية تنفيذه. ويمكن لـ حدود ثقة منفصلة لتنفيذ الأدوات التحقق من الصلاحيات والوسائط والآثار الجانبية قبل أن تغيّر التعليمات البرمجية الملفات أو الأنظمة فعليًا.

قد تنقسم حزمة وكيل الذكاء الاصطناعي إلى التفكير واتخاذ القرار

تستخدم العديد من الوكلاء الأوائل نموذجًا قويًا واحدًا لكل شيء تقريبًا: تفسير الطلب، واختيار الأدوات، وتقييم النتائج، وتحديد ما إذا كان ينبغي المتابعة، وكتابة الاستجابة.

تفصل بنية أكثر تخصصًا بين هذه المهام:

طبقة اتخاذ القرار
      ↓
طبقة الاستدلال
      ↓
طبقة الأدوات
      ↓
طبقة البيانات / التخزين

تتولى طبقة اتخاذ القرار التوجيه والتقييم وتحديد الصلة والبوابات المتكررة. ويتولى نموذج أكبر التوليف والتخطيط والبرمجة والاستدلال الصعب. وينفذ البرنامج الحتمي الإجراء النهائي.

صيغة مختصرة مفيدة هي:

النموذج السريع:
«ماذا ينبغي أن يحدث؟»

النموذج الكبير:
«كيف ينبغي أن ننفذه؟»

الشفرة:
«نفّذه.»

ولهذا السبب أيضاً تُعد توجيهات النماذج لتكاليف الذكاء الاصطناعي مهمة. غالباً لا تكون البنية الأرخص هي نموذجاً واحداً ينفذ كل شيء، بل إرسال كل مهمة إلى الطبقة الأقل تكلفة التي يمكنها معالجتها بموثوقية.

لماذا تهم الثقة أكثر من الإجابة الأبرز

يصبح القرار المدرك للاحتمالات أكثر فائدة عندما يتمكن البرنامج من التمييز بين الحالات الواضحة والحالات الملتبسة.

تأمل ما يلي:

فاتورة:     0.97
عقد:        0.02
أخرى:       0.01

قد تكون المعالجة التلقائية معقولة.

والآن قارن:

فاتورة:     0.43
عقد:        0.39
أخرى:       0.18

لا تزال «الفاتورة» الإجابة الأبرز، لكن ينبغي أن يغيّر عدم اليقين ما يحدث تالياً.

ثقة عالية
      ↓
إجراء تلقائي

ثقة متوسطة
      ↓
نموذج استدلال أكبر

ثقة منخفضة
      ↓
مراجعة بشرية

يصف TypeSafe تقنية RLCD بأنها تدريب يهدف إلى جعل هذه الثقة مفيدة للقرارات اللاحقة. عملياً، السؤال المهم هو المعايرة: عندما يدّعي النظام ثقة عالية، هل يتوافق ذلك مع دقة أعلى في العالم الحقيقي؟

يُعد هذا مفيداً بشكل خاص للوكلاء الذين يتعاملون مع الملفات المحلية أو إجراءات النظام، حيث يمكن لبوابات الموافقة أن تفصل بين الأتمتة منخفضة المخاطر والتغييرات عالية التأثير.

هل يمتلك Jev فعلاً «هلوسات صفرية»؟

يحتاج هذا الادعاء إلى تعريف دقيق.

مساحة مخرجات Jev محددة مسبقاً. فإذا كانت الخيارات المسموح بها هي:

الفوترة
تقني
المبيعات

لا يستطيع النموذج إرجاع فئة حرة غير متوقعة مثل:

تسويقي

أو فقرة تفسيرية بدلاً من نوع صالح.

هذا يزيل أحد أنماط الإخفاق المهمة: المخرجات غير الصالحة.

ولا يلغي مشكلة أخرى:

قرارات صحيحة شكلياً لكنها خاطئة.

قد يُرجع Jev الفوترة عندما كانت الإجابة الصحيحة هي تقني. يمكن أن يكون الإخراج آمناً نوعياً تماماً، ومع ذلك يكون غير صحيح.

لذلك، التفسير المفيد هو:

يمكن لـ Jev منع الإجابات الخارجة عن المخطط. لكنه لا يستطيع ضمان صحة كل حكم يطابق المخطط.

يصبح هذا التمييز أكثر أهمية عندما يتمكن وكيل من تنفيذ إجراءات فعلية. تقلل المخرجات المُهيكلة من الغموض، لكن أذونات مستوى التطبيق والتحقق يظلان مهمين.

Jev مقابل المخرجات المُهيكلة: أليست هذه مجرد وضع JSON؟

يمكن لواجهات برمجة تطبيقات LLM الحديثة بالفعل إرجاع كائنات مقيّدة:

{
  "route": "billing",
  "priority": 4,
  "needs_human": false
}

لذلك، لا يكمن الفرق الحقيقي ببساطة في أن «Jev ينتج بيانات منظمة».

لا يزال نموذج اللغة الكبير ذي المخرجات المنظمة نموذجًا توليديًا عامًا تُقيَّد استجابته ضمن مخطط. أما Jev فمصمم حول القرارات المنظمة بوصفها عبء العمل نفسه.

لذلك، فالسؤال الأفضل ليس ما إذا كان كلاهما يستطيع إرجاع JSON. فكلاهما يستطيع ذلك.

السؤال هو ما إذا كان مولد لغة للأغراض العامة هو الأداة الأكثر كفاءة لملايين قرارات التصنيف والتوجيه والبوابة الصغيرة.

ما مدى سرعة Jev ورخص تكلفته؟

تفيد TypeSafe بأن أزمنة الاستجابة الشاملة تتراوح تقريبًا بين 70 و500 مللي ثانية لأحمال Jev المنشورة. كما تفيد الشركة بزيادات في السرعة تتراوح تقريبًا بين 40 و200 ضعفًا مقارنة بإعدادات النماذج الرائدة في مهام قرار محددة.

عند الإطلاق، تحدد TypeSafe سعر Jev بـ 0.042 دولار لكل مليون رمز إدخال، مع عدم فرض رسوم منفصلة حاليًا على مخرجات القرارات.

هذه الأرقام مثيرة للاهتمام، لكنها لا تشكل دليلًا على أن Jev «أسرع من نماذج اللغة الكبيرة بواقع 200 ضعف» بشكل عام.

تقول ملاحظات المعايير الخاصة بـ TypeSafe إن أكبر مكاسب سير العمل يُرجح أن تظهر قرب الحد الأعلى لما ينبغي للمستخدمين توقعه. وتقر الشركة أيضًا بأن تقييمات سير العمل صُممت داخليًا وقد تتضمن تحيزًا.

تظهر الجدوى الاقتصادية المهمة عندما ينفذ الوكيل العديد من الاستدعاءات الصغيرة:

التصنيف
التوجيه
التحقق من الصلة
التحقق من السلامة
التحقق من النتيجة
تحديد ما إذا كان ينبغي إعادة المحاولة

إذا تمكنت طبقة قرار متخصصة من التعامل مع معظم هذه الخطوات، فلن يحتاج نموذج الاستدلال المكلف إلى العمل إلا عندما تكون هناك حاجة فعلية إلى ذكاء أعمق.

أين سيكون Jev مفيدًا فعلًا؟

تشترك هذه المهام في خاصية واحدة: المخرجات الصحيحة معروفة مسبقًا.

لا يناسب Jev عندما يكون اكتشاف الإجابة أو توليدها هو المهمة نفسها. فكتابة التعليمات البرمجية، أو صياغة بريد إلكتروني، أو شرح ورقة بحثية، أو التخطيط لعملية ترحيل، أو إنتاج استجابة إبداعية، لا يزال يتطلب نموذجًا توليديًا.

هل يمكن لـ Jev استبدال موجّه النماذج اللغوية؟

يُعد تحديد المسار أحد أوضح تطبيقات النموذج الذي يضع القرار أولًا.

تستخدم العديد من أنظمة الوكلاء حاليًا نموذجًا لغويًا أصغر أمام نماذج أغلى أو متخصصة:

المستخدم
  ↓
موجّه
  ↓
 ┌──────┬──────┬──────┐
 ↓      ↓      ↓      ↓
التعليمات البرمجية   الويب   الملفات   الدردشة

يضيف موجّه بأسلوب Jev طبقةً للاحتمالات والتصعيد:

حالة المستخدم
    ↓
نموذج القرار
    ↓
احتمالات تحديد المسار
    ↓
سياسة الثقة
   ↙             ↘
واضح             غير مؤكد
 ↓                   ↓
أداة / وكيل      نموذج لغوي كبير

يمكن أن يقلل هذا عدد استدعاءات النماذج المكلفة دون التظاهر بأن كل قرار لتحديد المسار مؤكد.

تظل البنية نفسها مفيدة حتى من دون Jev: إذ يمكن للقواعد أو لنموذج صغير استيعاب القرارات السهلة، بينما يتولى نموذج أكبر الحالات التي يتعذر فيها تحديد المسار.

هل يمكنك تشغيل Jev محليًا؟

ليس حاليًا من خلال نموذج Jev مُصدر للعامة.

اعتبارًا من سبتمبر 2026، تقدم TypeSafe خدمة Jev مستضافة ضمن وصول مبكر. ولا توفر موادها العامة أوزانًا قابلة للتنزيل للنموذج أو مسارًا موثقًا لتشغيل الاستدلال مستضافًا ذاتيًا.

وهذا مهم للذكاء الاصطناعي ذي الأولوية المحلية.

ملف محلي
    ↓
واجهة Jev البرمجية
    ↓
قرار
    ↓
وكيل محلي

قد يعمل الوكيل النهائي محليًا، لكن سير العمل يظل هجينًا إذا أُرسلت الحالة ذات الصلة إلى خدمة Jev المستضافة.

وهذا مهم بشكل خاص للمستندات الخاصة، وسجلات العملاء، والبريد الإلكتروني، وقواعد معارف الشركات، وحالة أتمتة المنزل، والتعليمات البرمجية، أو البيانات الوصفية لوحدات NAS. يجب أن تتحكم صراحةً في سياق ما يعبر حدود الشبكة في سير عمل يستخدم أدوات سحابية مع ملفات محلية، بدلًا من افتراض أن الوكيل المستضاف محليًا يحافظ تلقائيًا على خصوصية جميع البيانات.

تنشر TypeSafe ملحق معالجة البيانات، لكن هذا يظل نموذجًا مختلفًا للخصوصية عن تشغيل الاستدلال بالكامل داخل شبكتك الخاصة.

هل يمكنك إنشاء طبقة اتخاذ قرارات شبيهة بـ Jev محليًا؟

لا يمكنك حاليًا استضافة Jev ذاتيًا استنادًا إلى الإصدار العام، لكن يمكنك إعادة إنتاج الفكرة المعمارية:

طلب
   ↓
قواعد حتمية
   ↓
مصنّف محلي
   ↓
نموذج محلي صغير
   ↓
نموذج محلي كبير
   ↓
إنسان

يمكن لوكيل مستندات خاص، على سبيل المثال، استخدام قواعد للحالات الواضحة، ومصنّف محلي صغير للفئات المعروفة، ونموذج لغوي كبير مدمج للحالات التي يتعذر فيها تحديد المسار، ونموذج أكبر فقط للاستدلال الصعب.

يمكن لـ مساعد ذكاء اصطناعي خاص على جهاز NAS الاحتفاظ بالملفات والاسترجاع والذاكرة وخدمات اتخاذ القرار الخفيفة بالقرب من البيانات، مع تصعيد المهام المحددة فقط إلى قدرات حوسبة أكبر.

إذا كان التشغيل الكامل دون اتصال مهمًا، فيجب أن تكون كل تبعية محلية أيضًا. فوجود نموذج يعمل على الشبكة المحلية لا يكفي إذا كان التوجيه أو التضمينات أو المصادقة أو أي مرحلة أخرى مطلوبة لا تزال تعتمد على الإنترنت. وهذا هو المتطلب الشامل نفسه الذي يقف وراء سير عمل للذكاء الاصطناعي المحلي قادر على الصمود دون اتصال.

ما الذي يخبرنا به Jev عن مستقبل وكلاء الذكاء الاصطناعي المحليين؟

قد تعيش أهم فكرة لدى Jev بعد Jev نفسه.

بدأت أنظمة الذكاء الاصطناعي في التخصص.

بدلًا من إرسال كل خطوة إلى نموذج عملاق واحد، قد يجمع وكيل محلي أو هجين فعال بين:

نموذج اتخاذ القرار
→ التوجيه والتصنيف والتقييم

نموذج الاستدلال
→ حل المشكلات الصعبة

النموذج التوليدي
→ إنشاء النصوص أو التعليمات البرمجية أو الوسائط

البرمجيات الحتمية
→ تنفيذ الإجراءات المعتمدة

التخزين المحلي
→ الاحتفاظ بالملفات والذاكرة والحالة

يناسب ذلك البنية التحتية المستضافة ذاتيًا بصورة أفضل، لأن أعباء العمل المختلفة يمكن تشغيلها على أجهزة مختلفة ووفق قواعد خصوصية مختلفة.

كما أنها تنشئ مبدأً مفيدًا للذكاء الاصطناعي المحلي:

أبقِ القرارات الروتينية والخاصة وعالية التكرار قريبة من البيانات؛ وصعّد فقط المهام التي تحتاج فعلًا إلى نموذج أكبر أو خدمة سحابية.

هذه البنية أكثر مرونة من افتراض أن كل خطوة ذكية يجب أن تكون محادثة مع أقوى نموذج متاح.

هل Jev بديل لـ ChatGPT أو Claude أو Gemini أو نماذج LLM المحلية؟

لا. يتخلى Jev عمدًا عن توليد اللغة العشوائي.

لا يمكنه استبدال نموذج تتمثل مهمته في الكتابة أو الشرح أو البرمجة أو التلخيص أو العصف الذهني أو إجراء محادثة مفتوحة.

تكمن فرصته بين منطق التطبيقات والذكاء الاصطناعي التوليدي.

لذلك قد يستخدم الوكيل الناضج عدة أنواع من الذكاء في الوقت نفسه:

طبقة اتخاذ القرار
→ اختيار

طبقة الاستدلال
→ حل

الطبقة التوليدية
→ إنشاء

طبقة السياسات
→ موافقة

طبقة الأدوات
→ تنفيذ

الدرس الأكبر الذي يقدمه Jev ليس أن نماذج المحادثة أصبحت بالية، بل أن المحادثة أصبحت الواجهة الافتراضية للعديد من المهام التي لم تكن في جوهرها مشكلات توليد لغوي.