تصنيفات وكلاء البرمجة بالذكاء الاصطناعي في 2026: من يحل المهام فعليًا؟

كل أسبوع، ينشر أحدهم مخططًا: أعمدة ونسب مئوية وعنوانًا عريضًا في الأعلى يقول «أفضل ذكاء اصطناعي للبرمجة في 2026». وتبدأ تحته مباشرةً مشادة من مئة تعليق. يقول أحدهم إن أداته تحل 80 بالمئة من المهام، ويشير آخر إلى لقطة شاشة تُظهر أن الأداة نفسها سجلت 74. كلاهما على حق. إنهما ينظران ببساطة إلى قياسات مختلفة ويقيسان أشياء مختلفة.

مرّ الكاتب الأصلي بهذا الأمر أثناء اختياره أدوات لمشاريعه. تطارد المركز الأول في تصنيف، ثم تدرك بعد أسبوع أن الرقم جاء من اختبار مختبري، بينما مهمتك الفعلية قصة مختلفة. لذا، لا يتناول ما يلي من يأتي في المركز الأول، بل يشرح كيف يعمل أي تصنيف لوكلاء البرمجة بالذكاء الاصطناعي: ما الذي يقيسه، ولماذا تنتج الشبكة العصبية نفسها نتائج مختلفة، وما تكلفته الحقيقية، وكيف تقرأ أي جدول في خمس دقائق وتختار أداة تناسب مهمتك.

تتوفر إرشادات إضافية في وثائق Ailoot.

لماذا لا يتعلق تصنيف وكلاء الذكاء الاصطناعي بالعلامة التجارية؟#

أول ما عليك إخراجه من ذهنك هو عادة تشجيع علامة تجارية. «Anthropic ضد OpenAI» أو «Claude ضد Gemini» عنوان مناسب، لكنه لا يكاد يرتبط باختيار أداة. فما تشغّله على حاسوبك هو وكيل. ويتكون الوكيل من طبقتين على الأقل، تؤثر كلتاهما في النتيجة.

تخيل طاهيًا ومطبخًا. النموذج هو الطاهي: يعرف الطهي ولديه موهبة وخبرة. أما الوكيل فهو المطبخ وكل معداته: الموقد والسكاكين وسير العمل ومساعد يمرر المكونات. ضع طاهيًا بارعًا في مطبخ متهالك، وستكون وجبة العشاء متوسطة. وضع طاهيًا عاديًا في مطبخ مجهز على أكمل وجه، وسيطهو بثبات وسرعة. عند اختيارك من تصنيفات وكلاء الذكاء الاصطناعي، فأنت تختار المطبخ بأكمله، بما فيه الطاهي.

وهذا يقود إلى قاعدة بسيطة تسهّل الأمور من الآن فصاعدًا. عندما ترى عبارة «الأداة X تحل 80 بالمئة من المهام»، اسأل أولًا: ما النموذج الموجود بداخلها؟ وما الوكيل الذي تحكم به؟ وما الاختبار الذي استُخدم لقياسه؟ إذا لم تتوفر إجابة عن سؤال واحد، فأنت تنظر إلى مخطط صُمم لإثارة جدل. ومن السابق لأوانه تسميته تصنيفًا.

ممّ يتكون كل وكيل ذكاء اصطناعي: النموذج، وطبقة التشغيل، والإعدادات#

دعوني أستعرض الطبقات الثلاث بالترتيب؛ فلا يمكننا التقدم من دونها.

الطبقة الأولى هي النموذج. هذه هي الشبكة العصبية نفسها: Claude Opus وSonnet من Anthropic، وGPT-5 من OpenAI، وGemini من Google. إنه «الدماغ» الذي يبتكر حلًا ويكتب الشيفرة. لكن النموذج وحده لا يستطيع تشغيل أي شيء أو رؤية الملفات. فكل ما يمكنه فعله هو إنتاج نص ردًا على نص.

الطبقة الثانية هي طبقة التشغيل، أو الوكيل. إنها برنامج يحيط بالنموذج. تمنح الشبكة العصبية يدين: تفتح ملفات المشروع، وتشغّل الأوامر في الطرفية، وتعرض ما تعطل، وتطلب منه إصلاح المشكلة. Claude Code وCodex CLI من OpenAI وCursor وCline وAider كلها طبقات تشغيل. ولدى المهندسين مصطلح اصطلاحي لهذه الطبقة الثانية: «harness». والفكرة هي هذا بالضبط: طبقة التشغيل التي ينجز النموذج العمل الفعلي من خلالها.

الطبقة الثالثة هي الإعدادات. وهي عناصر التحكم داخل طبقة التشغيل: مقدار «التفكير» المسموح للنموذج به قبل الإجابة، وعدد المحاولات الممنوحة له في المهمة الواحدة، والأدوات التي يمكن إتاحتها له. وينتج المزيج نفسه درجات مختلفة عند تغيير الإعدادات.

من هنا يأتي كل الالتباس حول التصنيفات. يتجادل الناس بشأن الطبقة الأولى («أي النماذج أذكى؟»)، بينما تعتمد النتيجة في الجدول على الطبقات الثلاث جميعًا في آن واحد. تجد شرحًا مفصلًا لكيفية تكامل هذه الطبقات لتكوين نظام عملي في ما هو وكيل الذكاء الاصطناعي؟ شرح مبسط.

قراءة تصنيف أمر، وتجميع مزيجك العملي من نموذج ووكيل وإعدادات أمر آخر. وهذا هو دور هندسة السياق: إدارة ما يراه الذكاء الاصطناعي قبل التلقين.

ما الذي يقيسه SWE-bench، وهو تصنيف البرمجة الرئيسي، فعلًا؟#

لقراءة أي تصنيف للبرمجة، عليك فهم المقياس الرئيسي الذي يشير إليه الجميع: SWE-bench. أنشأه باحثون أكاديميون وقدموه في مؤتمر أكاديمي مرموق. إنه ليس مخططًا ارتجاليًا من مدونة.

الاختبار بسيط وعادل. يأخذون مشروعًا حقيقيًا فيه خطأ حقيقي سبق أن أصلحه مبرمجون بشريون. يحصل الوكيل على ذلك المشروع ووصف للمشكلة بصياغته الخاصة. وعليه أن يفهم شيفرة شخص آخر، ويعثر على الموضع المناسب، ويرسل تصحيحًا برمجيًا. ثم يشغّل النظام اختبارات المشروع الحقيقية. إذا نجحت الاختبارات، تُحسب المهمة محلولة. وإذا لم تنجح، فلا تُحسب كذلك. لا مجال لعبارة «أظن أنها حُلّت»: العلامات الخضراء من الاختبارات الآلية وحدها هي الفيصل.

من بين مجموعة المهام الكاملة البالغ عددها 2,294، تُعرض النتائج في الغالب لمجموعة فرعية خضعت للتحقق بعناية، تسمى SWE-bench Verified. وتضم 500 مهمة راجعها أشخاص يدويًا للتأكد من خلوها من العيوب أو الاستحالة بطبيعتها. جُمعت هذه النسخة بالتعاون مع OpenAI في أغسطس 2024، وهي النسخة التي ترى نسبها في كل تصنيف تقريبًا. عندما ترى «X بالمئة على SWE-bench Verified»، فهذا يعني حصة تلك المهام الخمسمئة.

لماذا يحقق الذكاء الاصطناعي نفسه نتائج مختلفة في وكلاء مختلفين؟#

إليك حقيقة تحسم على الفور نصف الجدالات في التعليقات. ينتج النموذج نفسه نسبًا مختلفة في طبقات تشغيل مختلفة، والفارق بينها ملحوظ.

يمكنك رؤية ذلك في البيانات العامة. يعرض أحد المعايير التي تقيس عمل الوكلاء في الطرفية جدولًا منصفًا فيه عمودان منفصلان للنموذج والوكيل. ويعرض التكلفة والاستخدام أيضًا. أعدّه مؤلفوه بهذه الطريقة عمدًا لإظهار أن النتيجة دائمًا زوج: «نموذج مع وكيل». فالشبكة العصبية وحدها لا تكفي لإنتاج درجة.

يتضح سبب التفاوت عند العودة إلى الطبقات الثلاث. يتيح وكيل للنموذج عشر محاولات لكل مهمة، بينما يتيح آخر ثلاثًا. يعرض أحدهما نص الخطأ كاملًا، بينما يقتطعه آخر. يسمح أحدهما للنموذج بتشغيل الاختبارات ومواصلة الإصلاح حتى تنجح، بينما يتوقف آخر بعد أول تصحيح برمجي. الشبكة العصبية واحدة، لكن ظروف العمل مختلفة، ولذلك تختلف النسب.

والنتيجة العملية لك بسيطة. إذا رأيت «Claude يحل 77 بالمئة»، فهذا يعني Claude ضمن طبقة تشغيل معينة وبإعدادات معينة. ضع النموذج نفسه في وكيل آخر، وستحصل على رقم مختلف. لذا فإن «النموذج ذكي» و«المزيج يحل المهام» عبارتان تتناولان أمرين مختلفين.

ما تكلفة حل مهمة واحدة؟#

والآن إلى المال، فهنا تبدأ معظم الجدالات. يقارن الناس أسعار الاشتراك: تكلفة هذا الوكيل 20 دولارًا شهريًا، وذاك 200. ثم يستنتجون: «الأول أرخص». وهذا استنتاج خاطئ، لأن الاشتراك لا يقيس النتيجة.

لا يخبرك سعر الاشتراك بالكثير هنا. عليك حساب تكلفة مهمة أنجزها الوكيل بنجاح. فأنت تدفع مقابل الرموز، أي أجزاء النص المتبادلة بينك وبين النموذج. كلما قرأ النموذج وكتب أكثر، استخدم رموزًا أكثر وارتفعت الفاتورة. تنشر الشركات أسعار الرموز علنًا. إليك مثلًا ما تقوله Anthropic عن نموذج Sonnet:

ثم يأتي الحساب الذي يوضح لماذا قد يكون السعر المنخفض مضللًا. خذ نموذجين. الأول أعلى تكلفة لكل رمز لكنه يحل المهمة من المحاولة الأولى. والثاني أرخص لكنه يحاول عشر مرات، ويعيد قراءة المشروع بأكمله في كل مرة. وفي النهاية، يستخدم النموذج ذو السعر الأقل رموزًا أكثر ويصدر فاتورة أكبر من النموذج الأغلى. أشرح بالتفصيل مكونات تكلفة العمل باستخدام الذكاء الاصطناعي في كم تبلغ تكلفة وكيل الذكاء الاصطناعي على الشركات، وبشكل منفصل في كيفية حساب أسعار أدوات البرمجة بالأسلوب التفاعلي.

تدرك التصنيفات الجيدة ذلك وتعرض التكلفة إلى جانب النسبة: مقدار المال المنفق على جميع المهام. انتبه إلى ذلك. فالوكيل الذي يحل 75 بالمئة بتكلفة دولار واحد للمهمة يكون عادة صفقة أفضل لك من وكيل يحقق 78 بالمئة بتكلفة ثلاثة دولارات للمهمة.

لماذا تدخل السرعة أيضًا في التصنيف؟#

العنصر الثالث الذي غالبًا ما تغطيه النسب هو الوقت. وهو بأهمية التكلفة نفسها إذا كنت تعمل مع وكيل كل يوم.

وهنا تكمن المشكلة. الدقة والسرعة تسيران في اتجاهين متعاكسين. لحل مهام أكثر، تمنح الوكيل وقتًا أطول «للتفكير» ومحاولات أكثر: فيجرب خيارات مختلفة ويشغّل الاختبارات ويراجع عمله. ترتفع النسب ويزداد معها زمن الاستجابة. في إصلاح لمرة واحدة، يكاد الفرق بين دقيقة وعشر دقائق لا يُلاحظ. لكن إذا أمضيت الأمسية كلها مع وكيل وأسندت إليه مهمة تلو الأخرى، فستتراكم تلك الدقائق لتصبح ساعات من الانتظار أمام الشاشة.

لذلك للسرعة وجهان في التصنيف. فكثيرًا ما يتبين أن صاحب المركز الأول في الدقة هو الأبطأ والأغلى أيضًا، إذ رُفعت إعداداته إلى أقصى حد من أجل رقم جميل. لكنك قد تحتاج في العمل اليومي إلى مزيج أدنى قليلًا في الجدول، أسرع وأرخص بثلاث مرات. وما الأهم يتوقف على مهامك، ولا يستطيع التصنيف أن يختار نيابةً عنك.

لماذا لا يعد الفارق البالغ نقطتين مئويتين إلا ضجيجًا في كثير من الأحيان؟#

من مطبات التصنيفات الأخرى الاعتقاد بأن المركز الأول أفضل فعلًا من المركز الثالث. فكثيرًا ما يكون الفرق نقطتين أو ثلاث نقاط مئوية، أي 10 إلى 15 مهمة من أصل 500؛ ويتوقف تفسيره على العينة والتفاوت بين التشغيلات. أعد الاختبار نفسه، وقد يتبادل المتصدرون أماكنهم، لأن النموذج لا يعطي الإجابة نفسها تمامًا في كل مرة.

تعرض القياسات النزيهة عدم اليقين بدل درجة نقطية فقط. قد تمثل «الشوارب» فاصل ثقة 95%؛ افحص تعريف المعيار. لا يثبت التداخل تساوي وكيلين، ولا يحسم وحده دلالة الفرق إحصائيًا. يتطلب ذلك مقارنة مناسبة للفرق وحجم العينة والتفاوت، مع الحفاظ على اقتران المهام عند اختبار الوكيلين على المهام نفسها إن أمكن.

لا تستخدم عتبة عامة من ثلاث نقاط مئوية لإعلان التعادل. قد يكون فرق صغير ذا معنى أو غير حاسم حسب العينة والتشغيلات المتكررة وطريقة المقارنة. انظر إلى عدم اليقين مع التكلفة والسرعة والإتاحة، ثم اختبر التوليفات المتصدرة في مهامك.

من يتصدر المعايير المختلفة وقت كتابة هذا المقال؟#

والآن إلى الأرقام نفسها، مع تنبيه مهم. لا تدوم النسب المحددة طويلًا. يصدر إصدار جديد من نموذج أو يُحدّث وكيل، وبعد أسبوع يتغير الجدول. لذا لا تحفظ الأرقام؛ تذكر ترتيب الحجم وتعلم كيف تتحقق بنفسك.

وفقًا للتصريحات الرسمية للشركات نفسها، هذه هي الصورة للمهام الخمسمئة التي جرى التحقق منها في SWE-bench. كتبت OpenAI ما يلي عن نموذج GPT-5:

وتعلن Anthropic أرقامًا مشابهة لنماذجها. فقد سجل Claude Opus 4.1 نسبة 74.5 بالمئة على SWE-bench Verified نفسه. أما Claude Sonnet 4.5 الأحدث، فسجل متوسطًا قدره 77.2 بالمئة عبر عشر جولات، ووصل إلى 82 بالمئة عند منح النموذج عدة محاولات واختيار أفضل نتيجة.

هل ترى ما يحدث؟ تقع التوليفات المتصدرة من شركات مختلفة ضمن نطاق ضيق: نحو 74–77 بالمئة. والفارق بينها هو ذلك العدد نفسه من النقاط المئوية الذي يقع غالبًا ضمن هامش الخطأ. لذا يتوقف تحديد «من يأتي أولًا» على أسبوع إجراء المعيار وعلى الإعدادات. والأهم أن مجموعة الصدارة بأكملها تستطيع إنجاز أمور متقاربة، وعليك الاختيار بينها وفقًا للتكلفة والسرعة وإمكانية استخدام الأداة أصلًا.

وهناك تفصيل آخر تذكره الشركات بخط صغير لكنه مهم. لم تُحسب نتيجة GPT-5 على المهام الخمسمئة كلها:

وهذا يعني أن نسبة 74.9 بالمئة محسوبة من 477 مهمة، لا من المجموعة الكاملة البالغة 500. هل هذا تفصيل بسيط؟ كلا. وهذا تحديدًا ما يفسر كيف يمكن لتصنيفين نزيهين أن يعرضا رقمين مختلفين للنموذج نفسه. يوضح القسم التالي ما ينبغي البحث عنه في الحواشي.

كيف تقرأ أي تصنيف في خمس دقائق: قائمة تحقق#

إليك تسلسلًا قصيرًا من الخطوات. افتح أي تصنيف لوكلاء الذكاء الاصطناعي وأجب عن هذه الأسئلة الستة بالترتيب.

1. ما المعيار المستخدم؟ SWE-bench Verified أم شيء آخر؟ إذا لم يُذكر اسم المعيار أصلًا، فأغلق الصفحة؛ فهذا مخطط صُمم لإثارة جدل.
2. ما التوليفة المستخدمة؟ كلمة «Claude» وحدها لا تكفي؛ تحتاج إلى «هذا الإصدار من Claude في طبقة التشغيل هذه». من دون الجزأين، تظل النسبة معلقة في الهواء.
3. كم مهمة احتُسبت؟ المهام الخمسمئة كلها أم مجموعة فرعية فقط، مثل مثال GPT-5 الذي شمل 477 مهمة؟ المجموعة المصغرة تضخم الرقم.
4. كم محاولة سُمح بها؟ المحاولة الواحدة أعدل من «عشر محاولات ونأخذ الأفضل». تبدو الطريقة الثانية أفضل، لكن لا أحد يعمل بهذه الطريقة في الواقع.
5. ما التكلفة؟ هل يوجد عمود للتكلفة بجوار النسبة؟ إذا لم يوجد، فنصف الصورة مخفي.
6. هل عُرض نطاق التفاوت؟ ماذا تعني «شوارب» عدم اليقين، وكم مهمة وتشغيلًا أنتجتها، وهل توجد مقارنة مناسبة للفرق؟ لا يثبت التداخل أو فرق ثابت من ثلاث نقاط التعادل.

اتبع هذه النقاط الست، وسيتضح خلال خمس دقائق إن كان أي عنوان صاخب يصمد أم ينهار. ومن المفيد أيضًا تذكر أن اجتياز الاختبار لا يضمن نتيجة في مشروعك: أشرح السبب في لماذا يقول وكيل الذكاء الاصطناعي «تم» مع أن العمل لم ينته.

من أين تأتي المعلومات المضللة عن التصنيفات: مهام قديمة في بيانات تدريب النماذج؟#

هناك سبب آخر لعدم تقديس النسب، ويتحدث عنه منشئو المعايير بصراحة. تأتي مهام SWE-bench من مشاريع مفتوحة منشورة على الإنترنت منذ سنوات. وتُدرّب الشبكات العصبية على الإنترنت. وهذا يعني أن النموذج ربما صادف تلك المشاريع نفسها وإصلاحاتها الجاهزة أثناء تدريبه.

ماذا يعني ذلك عمليًا؟ لم يحل النموذج بعض المهام التي تظهر على أنها «محلولة» بنفسه، بل تذكر الإجابة الجاهزة. لقد رآها في التدريب ثم أعاد إنتاجها فحسب. تُظهر تلك النسبة الذاكرة، ولا تقول شيئًا عن القدرة على فهم شيفرة جديدة. وتقر OpenAI علنًا بهذا الخطر في SWE-bench.

والخلاصة للقارئ هي أن القياس يكون أعدل كلما كانت المهام أحدث وزاد عدد المهام المغلقة التي لم يرها النموذج قطعًا من قبل. لهذا تستحق المعايير الجديدة ذات الاختبارات المخفية ثقة أكبر من المجموعات المفتوحة القديمة التي تدرب الجميع عليها. عند الاختيار بين تصنيفين، فضّل الذي يستخدم مهام حديثة ويخفي بعض المهام عن النماذج.

كيف تختار افضل وكيل ذكاء اصطناعي لمهمتك؟#

دعوني أجمع ذلك كله في اختيار عملي. لا يوجد فائز يناسب الجميع، لذا انظر إلى مهمتك.

إذا كان المشروع معقدًا وقاعدة شيفرته كبيرة وسيتطلب وقتًا طويلًا، فاختر نموذجًا قويًا ضمن طبقة تشغيل ناضجة. ومن التوليفات القريبة من قمة التصنيفات Claude Code من Anthropic مع نماذج Opus وSonnet، وCodex من OpenAI مع نماذج عائلة GPT-5. هذه وكلاء جاهزة للاستخدام ومهيأة بالكامل، وتتعامل بثبات مع المهام الصعبة. وتكلفتها أعلى من حيث الرموز، لكنها تتطلب جهدًا أقل للإعداد.

إذا كانت المهام بسيطة، مثل تصحيح نص أو إنشاء صفحة صغيرة أو كتابة نص برمجي، فلا حاجة لدفع مبلغ إضافي مقابل نموذج متصدر. ستنجزها نماذج أبسط وأرخص من دون فرق في النتيجة، وستكون الفاتورة أقل عدة مرات.

إذا كنت تحتاج إلى خيار مجاني يعمل محليًا، فانظر إلى وكلاء مفتوحة مثل Cline وAider وOpenHands. ليس لها نموذج خاص بها؛ بل تربط بها نموذجًا باستخدام مفتاحك. وهي مرنة، لكن عليك إعدادها بنفسك. أما Cursor فهو محرر مستقل يضم وكيلًا مدمجًا؛ ويمكنه العمل مع نماذج من شركات مختلفة، وأنت تختار نموذجًا للمهمة. أناقش المهام التي ينبغي للشركة أن تسندها فعلًا إلى وكيل في ما مهام الأعمال التي يمكن إسنادها فعلًا إلى وكيل ذكاء اصطناعي؟.

الأسئلة الشائعة#

عندما تكون مستعدًا، تعرّف على Ailoot.