منظومة تقييم وكلاء الذكاء الاصطناعي واختبار الجاهزية
من العرض التجريبي إلى الإنتاج · 7 أبعاد للتقييم · 4 أنماط لمنظومة اختبار الجاهزية · تكامل مع CI
لماذا تُعد التقييمات أكبر عنق زجاجة للوكلاء؟
في 2026، العائق الأكبر في مشاريع وكلاء الذكاء الاصطناعي ليس اختيار النموذج — بل «يعمل في العرض التجريبي، وينهار في الإنتاج بعد ثلاثة أيام». تُظهر بيانات القطاع أن 68% من مشاريع الوكلاء تتعثر في مرحلة التقييم: فمن دون تقييمات قابلة للتكرار، لن يوجّه أحد حركة المستخدمين الحقيقية عبر الوكيل. وتُعد التقييمات مع منظومة اختبار الجاهزية الأساس الهندسي الذي يحوّل عرض الوكيل التجريبي إلى نظام إنتاجي.
سبعة أبعاد للتقييم
أربعة أنماط لمنظومة اختبار الجاهزية
وضع العزل
شغّل التقييمات في بيئة معزولة لفحوص طلبات السحب / المهام الليلية، دون أي تأثير على الإنتاج
وضع الظل
يتلقى الوكيل الجديد حركة المرور الحقيقية بالتوازي مع الوكيل القديم لكنه لا يستجيب للمستخدمين؛ قارن الإخراجات
وضع الكناري
يستقبل الوكيل الجديد 1-5% من حركة المرور، مع مراقبة جميع الأبعاد الـ7، والتراجع التلقائي عند تجاوز العتبة.
وضع التحقق المشروط
اجعل مجموعة Evals بوابة CI إلزامية؛ أي انحدار يمنع الدمج
التكامل مع CI
اربط مجموعة Evals لديك بـ GitHub Actions / GitLab CI: كل PR يشغّل 200-500 حالة اختبار مقابل خط أساس الفرع الرئيسي. يدعم كل من Claude Code وCodex CLI علامة --eval-mode التي تنتج JSON منظمًا، يسهل توصيله بـ Grafana أو Datadog.
التعامل مع انفجار تكاليف Evals
كثيرًا ما يسأل مستخدمو المؤسسات: «تشغيل مجموعة Evals يكلّف ثروة كل شهر — 1,000 حالة × يوميًا × 4 إصدارات وكيل = 120K طلب API شهريًا». وهناك إجابتان: (1) الانتقال إلى خدمة اشتراك API ذات علامة تجارية مع فوترة موحدة وميزانية يمكن التنبؤ بها — مثل اشتراك QCode.cc للمؤسسات الذي يتضمن حصة مخصصة لـ Evals؛ (2) التخزين المؤقت + أخذ العينات — المجموعة الكاملة ليلًا، ومجموعة فرعية عالية الأولوية عند فحوص PR.
العلاقة بـ Harness Engineering
Harness Engineering هو التصميم النظامي الكلي — القيود، وحلقات التغذية الراجعة، ودورة الحياة، والسياق. أما Readiness Harness فهو الجزء الفرعي الخاص بحلقة التغذية الراجعة، ويركز على قرار واحد: «هل يمكن لهذا الوكيل الانتقال إلى الإنتاج؟». وهما يعززان بعضهما بعضًا: فـ Harness المصمم جيدًا يجعل Evals تشخّص المشكلات بدقة؛ وEvals الناضجة تتيح لـ Harness مواصلة التطور.
شغّل مجموعة Evals لديك على QCode.cc للمؤسسات
Claude Fable 5 · gpt-6.1-sol · حصة مخصصة لـ Evals · ميزانية شهرية يمكن التنبؤ بها