في أحاديثنا الأخيرة مع العملاء عن DeepSeek، بدأ يتكرر سؤال جديد إلى جانب الأسئلة المعتادة عن قدرات النماذج وأسعارها: ما هو DeepSeek Super-agent بالضبط؟ وهل يستطيع إنجاز العمل بنفسه، مثل مساعد حقيقي؟
Super-agent ليس نموذج ذكاء اصطناعي جديدًا، ولم تطلق DeepSeek «مساعدًا خارقًا» يستطيع الجميع استخدامه بنقرة واحدة. في 31 أكتوبر 2026، نشر فريق DeepSeek Harness تصورًا لتصميم وكلاء ذكاء اصطناعي يواصلون العمل ويتولون عدة مهام في الوقت نفسه، وأتاح نموذجًا أوليًا بحثيًا مفتوح المصدر. ويوضح مستودع النموذج الأولي الرسمي من DeepSeek صراحة أنه مخصص للاستفادة منه في الأبحاث فقط، وليس منتجًا رسميًا من DeepSeek، ولا يُنصح باستخدامه مباشرة في بيئات الإنتاج.
لماذا يستحق هذا الاهتمام إذن؟ لأنه يتناول سؤالًا أقرب إلى حياتنا اليومية من سؤال «ما مدى صعوبة المسائل التي يستطيع الذكاء الاصطناعي الإجابة عنها؟»: إذا كلفنا الذكاء الاصطناعي بخمس مهام دفعة واحدة، فهل يستطيع إنجازها بانتظام، من دون أن نضطر إلى تذكيره باستمرار؟
1. ما هو DeepSeek Super-agent بالضبط؟
كان الأسلوب المعتاد: «تطلب شيئًا، فينجز مهمة»
يشبه الذكاء الاصطناعي التقليدي للمحادثة مستشارًا متاحًا عند الحاجة: تطرح سؤالًا، فيقدم إجابة. أما وكيل الذكاء الاصطناعي فيذهب إلى أبعد من ذلك؛ إذ يستطيع استخدام الأدوات، وتصفح المواقع، وتنظيم جداول البيانات، وتعديل الشيفرة، سعيًا إلى تسليم نتيجة متكاملة.
لكن الصعوبة تبدأ حين تتراكم المهام.
قد نطلب منه مثلًا جمع معلومات عن المنافسين في نافذة، وفحص مشكلات موقع في نافذة ثانية، وإعداد التقرير الأسبوعي في ثالثة. وبعد فترة، نصبح نحن المسؤولين عن تذكر المرحلة التي وصلت إليها كل محادثة، والمهمة المتوقفة، والمهمة التي تحتاج إلى معلومات إضافية.
يذكر فريق DeepSeek في مقال التصميم أن ملاحظاته تشير إلى أن الشخص الواحد يستطيع عادة متابعة 3 إلى 5 محادثات نشطة في الوقت نفسه. هذا ليس حدًا ثابتًا ينطبق على الجميع، لكن متابعة عدة مهام تستهلك جهدًا ذهنيًا أكبر. وهنا تظهر مشكلة عملية: يستطيع الذكاء الاصطناعي بدء مهام كثيرة بالتوازي، بينما انتباه الإنسان محدود ويصعب عليه متابعتها كلها.
«منسق واحد وعدة منفذين»: نريد فقط أن ينجز الذكاء الاصطناعي العمل
يمكن فهم فكرة Super-agent بتخيله فريقًا صغيرًا:
- Router، منسق المهام: يتذكر ما طلبناه، ويتلقى الرسائل الجديدة، ويوزع العمل، من دون أن ينشغل بتنفيذ المهام بنفسه.
- Worker، المنفذ: لكل منفذ مهمته وسجل عمله الخاص. ويمكن للمنفذين العمل على أشياء مختلفة في الوقت نفسه، ثم إبلاغ المنسق عند الانتهاء.
- التشغيل استجابة للأحداث: عندما يطرح أحدهم سؤالًا في محادثة جماعية، أو يظهر تعليق جديد على GitHub، أو يفشل اختبار آلي، يستطيع النظام تحديد ما إذا كان الأمر يحتاج إلى متابعة.
- Watchdog، المراقب المناوب: يتابع المهام التي تتعطل أو تنحرف عن مسارها، ويدفع النظام إلى معالجة المشكلة عند الحاجة.
في رأينا، أهم ما في هذا التصميم ليس مجرد إضافة مزيد من وكلاء الذكاء الاصطناعي، بل السعي إلى أن يتوقف المستخدم عن الانشغال بعدد المحادثات التي يشغلها الذكاء الاصطناعي في الخلفية.
تلخص DeepSeek أهدافها في أربعة أمور: الاحتفاظ بالسياق باستمرار، وتنفيذ مهام متعددة بالتوازي، والاستجابة تلقائيًا لتغيرات البيئة، والعمل لفترات طويلة مع التعافي من المشكلات.
2. هل ينجز العمل أسرع فعلًا؟
لننظر إلى ما اختبره الفريق. أُجريت التجربة في بيئة عمل محاكاة، وضمت كل جولة نحو 300 حدث من المحادثات الجماعية وGitHub، منها نحو 20 طلب عمل فعليًا. وتكرر تشغيل كل تصميم خمس مرات. ولتحليل جدولة المهام بمعزل عن غيرها، حاكت أداة تستهلك الوقت فقط أعمال البرمجة في التجربة.
كان الاختبار يقيس كيفية توزيع مهام متعددة وتلقيها وإنجازها.
| التصميم | مدة المهمة P50 | مدة المهمة P95 | رموز Token المقروءة من الذاكرة المؤقتة في كل جولة |
|---|---|---|---|
| Super-agent بالتصميم الكامل | 12.4 دقيقة | 15.7 دقيقة | نحو 23,200,000 |
| Super-agent من دون التمرير المباشر للأحداث | 12.6 دقيقة | 15.5 دقيقة | نحو 31,800,000 |
| جلسة واحدة مع وكيل فرعي، بتوجيه عادي | 20.4 دقيقة | 29.5 دقيقة | نحو 6,100,000 |
| جلسة واحدة مع وكيل فرعي، بتوجيه يعطي الأولوية للتفويض | 13.8 دقيقة | 29.0 دقيقة | نحو 10,800,000 |
لفتت انتباهنا ثلاث نقاط في الجدول:
أولًا، عند كثرة المهام، قد يكون ثبات الأداء أهم من سرعة مهمة واحدة. بلغت مدة P95 في تصميم Super-agent الكامل 15.7 دقيقة، مقابل 29.5 دقيقة في تصميم الجلسة الواحدة ذي التوجيه العادي. أي إن زمن الإنجاز عند الطرف الأبطأ انخفض بنحو 47%.
ثانيًا، لا يكفي أن نطلب من الذكاء الاصطناعي «تفويض المهام إلى وكلاء فرعيين قدر الإمكان». في هذه التجارب، لم يستدعِ النموذج أي وكيل فرعي في المحاولات الخمس ذات التوجيه العادي. وعند استخدام توجيه يعطي الأولوية للتفويض، فوض المهام في أربع محاولات من أصل خمس، لكن مدة P95 ظلت 29.0 دقيقة.
ثالثًا، الأسرع ليس بالضرورة الأقل تكلفة. قرأ تصميم Super-agent الكامل نحو 23.2 مليون رمز Token من الذاكرة المؤقتة في الجولة الواحدة، مقابل نحو 6.1 مليون في تصميم الجلسة الواحدة ذي التوجيه العادي. فقد استخدم موارد أكثر لمعالجة السياق مقابل أوقات إنجاز أسهل توقعًا. وفي المقابل، خفضت آلية التمرير المباشر للأحداث حجم القراءة من الذاكرة المؤقتة من نحو 31.8 مليون إلى 23.2 مليون رمز، ما يوضح أن تصميم النظام يؤثر أيضًا في استهلاك الموارد.
3. كيف يختلف عن Manus وGenspark وOpenClaw وChatGPT Work؟
قد يبدو «Super Agent» اسمًا لفئة موحدة من المنتجات، لكنه ليس كذلك. فبعض المنتجات تقدم تنفيذ المهام في صورة خدمة يستطيع المستخدم العادي استعمالها مباشرة، بينما توفر أخرى أساسًا تقنيًا يمكن نشره وتعديله ذاتيًا.
| المنتج أو الحل | ما المشكلة الأساسية التي يعالجها؟ | لمن يناسب أكثر؟ | متطلبات البدء |
|---|---|---|---|
| النموذج الأولي لـ DeepSeek Super-agent | استقبال الأحداث باستمرار، وتوزيع المهام، وتنسيق جلسات تنفيذ متعددة؛ ويركز النموذج الحالي على سير العمل في GitHub | المطورون والفرق التي تبحث في أنظمة وكلاء الذكاء الاصطناعي | مرتفعة: يتطلب الإعداد والصيانة ذاتيًا |
| Genspark Super Agent | إنجاز مهام البحث والمستندات وجداول البيانات والتصميم متعددة الخطوات وتسليم نتائجها | المستخدمون العاديون الذين يريدون نتائج مباشرة مع إعداد أقل | منخفضة: منتج جاهز للاستخدام |
| Manus | تمكين الذكاء الاصطناعي من استخدام حاسوب سحابي للتعامل مع المواقع والملفات والتطبيقات والمهام المجدولة | العاملون في البحث والعمليات والأعمال المكتبية اليومية | منخفضة إلى متوسطة: بحسب المهمة وصلاحيات الاتصال |
| OpenClaw | تشغيل مساعد دائم على جهازك أو خادمك والتواصل معه عبر تطبيقات المراسلة | المستخدمون الذين يفضلون التحكم في بياناتهم وأدواتهم | مرتفعة: يتطلب التثبيت والإعداد والصيانة |
| ChatGPT Work | إجراء الأبحاث والتحليل وإنتاج الملفات بالاستعانة بالمواقع والملفات والتطبيقات | المستخدمون الذين يتعاملون مع أعمال مكتبية معقدة | منخفضة: منتج مستضاف، وتختلف قدراته بحسب الحساب |
Genspark Super Agent: مساعد يسلمك العمل مكتملًا
يستطيع تقسيم الطلب إلى خطوات، واستدعاء الأدوات، ثم تسليم بحث أو عرض تقديمي أو تحليل بيانات أو ملفات أخرى. ويدعم الإصدار الأحدث من Super Agent أيضًا تشغيل المهام في بيئة سحابية، وحفظ إجراءات العمل كمهارات Skill قابلة لإعادة الاستخدام، وتنفيذ عدة مهام بالتوازي.
إذا كان المطلوب «جمع معلومات عن عشر شركات وتحويلها إلى عرض تقديمي جيد»، فمن السهل فهم دور هذا النوع من الوكلاء الجاهزين. لا حاجة إلى دراسة تفاصيل Router وWorker أولًا؛ يكفي أن نحدد ما نريد تسلمه.
Manus: تركيز أكبر على الانتقال من الطلب إلى التنفيذ الفعلي
تشمل قدراته البحث على الويب، والاتصال بالتطبيقات، والأتمتة، واستخدام حاسوب سحابي. ويوضح الدليل الرسمي للحاسوب السحابي أن البيئة السحابية المستمرة تستطيع الاحتفاظ بالملفات والأدوات المثبتة، مما يجعلها مناسبة لتشغيل البرامج النصية والروبوتات والمهام المتكررة.
بالنسبة إلى المستخدم العادي، نفهمه على أنه «إعطاء الذكاء الاصطناعي حاسوبًا يستطيع العمل عليه». إذا كانت المهمة تتضمن فتح مواقع، أو معالجة ملفات، أو التحقق الدوري من التغييرات، فإن Manus يقدم تصورًا واضحًا لذلك.
OpenClaw: تشغيل مساعد ذكاء اصطناعي دائم خاص بك
نرى OpenClaw بوابة لوكلاء الذكاء الاصطناعي يمكنك استضافتها بنفسك. فهو يتصل بقنوات مراسلة مثل Telegram وWhatsApp وSlack، ويدعم المهام المجدولة، واستدعاء الأدوات، وتوجيه المهام بين عدة وكلاء.
يستحق OpenClaw الاستكشاف إذا أردنا «إرسال رسالة في تطبيق محادثة ليتولى خادمنا تنفيذ المطلوب». لكن ذلك يعني تحمل مسؤولية النشر، والصلاحيات الأمنية، وتكاليف النماذج، والصيانة اليومية. وكما في DeepSeek Super-agent، فإن تقييمه لا يقتصر على قدرات الوكيل، بل يشمل أيضًا متطلبات تشغيله ذاتيًا.
ChatGPT Work: إسناد الأعمال المكتبية المعقدة إلى وكيل سحابي
يستطيع جمع المعلومات من المواقع والتطبيقات المتصلة، وتحليل البيانات، وإنتاج ملفات مثل جداول البيانات والعروض التقديمية. وهو خيار آخر لمن لا يريد إنشاء خدمة وتشغيلها بنفسه.
نراه أقرب، مع Genspark وManus، إلى منتجات عمل يمكن استخدامها مباشرة. أما النموذج الأولي لـ DeepSeek Super-agent فهو أقرب إلى مثال يدرسه المطورون لفهم كيفية بناء نظام كهذا. المسألة ليست ترتيبًا من الأكثر تقدمًا إلى الأقل، بل اختلاف في مستوى المنتج ووظيفته.
4. كيف نختار نحن؟
بدأنا بثلاثة سيناريوهات:
- البحث عن المعلومات: «ابحث عن أحدث وصف للخدمات في ثلاثة مواقع عامة، وأعد جدولًا يقارن الميزات. أرفق المصدر الأصلي لكل استنتاج أساسي، وحدد ما لم تتأكد منه».
- إعداد ملف: «اعتمد على صفحات معلومات المنتج الخمس المقدمة لإعداد عرض من ثماني شرائح للمستخدمين الجدد. لا تختلق أعداد العملاء أو بيانات المبيعات».
- تنفيذ مهمة مستمرة: «تحقق مرة كل أسبوع من تغير الأسعار في صفحة ويب محددة. لا تخطرنا إلا إذا حدث تغيير فعلي، واحتفظ بسجل للمقارنة».
عند التقييم، نحول المهمة إلى مؤشرات واضحة وقابلة للقياس، بدلًا من الاكتفاء بانطباع أنه «ذكي جدًا»:
| المؤشر | ما الذي نسجله؟ |
|---|---|
| معدل الإنجاز | عدد معايير القبول التي تحققت فعلًا من أصل 10 |
| التدخل البشري | عدد المرات التي اضطررنا فيها إلى إعادة الشرح أو النقر أو التصحيح |
| وقت التسليم | المدة من إسناد المهمة حتى الحصول على نتيجة تستوفي متطلبات القبول |
| موثوقية المصادر | عدد الاستنتاجات التي تدعمها الصفحات الأصلية ضمن عينة من 5 استنتاجات أساسية |
| التكلفة | النقاط أو الحصة المستهلكة أو رسوم API الفعلية |
نكرر المهمة نفسها ثلاث مرات على الأقل، ثم نقارن مدى تفاوت النتائج. وهناك نقطة مهمة: في المهمة الثالثة المستمرة، يجب فعلًا انتظار الحدث الذي يشغلها والتحقق من قدرتها على التعافي؛ فلا يكفي أن يرد الوكيل «تم الإعداد بنجاح». وقد تختلف أيضًا طرق الاتصال بالأدوات والخدمات بين النماذج الأولية البحثية والمنتجات الجاهزة. وإذا تعذر تشغيل مهمة، فينبغي تسجيلها بوصفها «غير مهيأة لهذا الإعداد»، لا اعتبارها دليلًا على ضعف النموذج.
هذه هي الطريقة التي نستخدمها، ويمكنكم تجربتها أيضًا.
5. كيف يمكن للمستخدم العادي تجربة نهج DeepSeek الآن؟
نفصل بين ثلاثة أمور: تجربة نماذج DeepSeek، وتجربة أدوات الوكلاء من DeepSeek، ونشر النموذج الأولي لـ Super-agent.
إذا أردت فقط معرفة ما إذا كان DeepSeek يساعدك في الكتابة أو تحليل المعلومات، فيمكنك البدء من تجربة DeepSeek V4 Flash عبر الإنترنت التي نقدمها. جرب سؤالًا بسيطًا يمكن التحقق من إجابته لتقييم جودة المخرجات؛ فلا داعي إلى نشر نظام وكلاء كامل منذ البداية.
وإذا أردت إنجاز مزيد من الإجراءات باستخدام وكيل، فاطلع على المعاينة العامة الرسمية لـ DeepSeek Harness. وهي موجهة لأعمال المستندات وجداول البيانات والبحث والشيفرة.
أما إذا أردت دراسة كيفية بناء وكيل متعدد المهام، فراجع dsh-superagent-prototype ودليل النشر. يعمل النموذج الأولي المتاح حاليًا أساسًا ضمن مستودع GitHub واحد. وننصح بالبدء بأقل قدر من الصلاحيات، وألا نسمح لشيفرة بحثية بتعديل مشاريع الإنتاج المهمة تلقائيًا.
6. ما العلاقة بين نماذج DeepSeek وSuper-agent؟
هذا تمييز نواصل توضيحه للعملاء: النموذج يوفر الفهم والاستدلال، بينما يتولى نظام الوكيل تزويده بالمهام باستمرار، واستدعاء الأدوات، وتنفيذ الخطوات، وحفظ الحالة، وتسليم النتائج.
مثلًا، يمكن أن يعمل «مساعد أسبوعي لمتابعة المنافسين» بهذه الطريقة: يجلب البرنامج أولًا المحتوى الجديد من الصفحات العامة، ثم يستخرج النموذج التغييرات، وبعد ذلك يحفظ النظام السجلات ويرسل ملخصًا خضع للمراجعة. النموذج مسؤول عن فهم المحتوى، أما الجدولة وجلب صفحات الويب وضبط الصلاحيات والإشعارات فلا تظهر تلقائيًا بمجرد تغيير النموذج.
يوفر API Hop حاليًا وصولًا موحدًا إلى واجهات API متعددة للنماذج والبيانات. ويمكن للمطورين استخدام API الخاص بـ DeepSeek V4 Flash أو DeepSeek V4 Pro لمنح الوكلاء الذين يطورونهم قدرات فهم اللغة والاستدلال. أما جدولة المهام وتنفيذ الأدوات والذاكرة طويلة الأمد، فيظل تنفيذها مسؤولية إطار العمل المختار أو نظام الأعمال.
ولقدرات النموذج مقاييسها المستقلة أيضًا. على سبيل المثال، يسجل سجل تحديثات DeepSeek API الرسمي حصول V4 Flash، الصادر في يوليو 2026، على نتيجة رسمية قدرها 82.7 في Terminal-Bench 2.1. تساعد هذه النتيجة في تقييم قدراته ضمن اختبار محدد لوكلاء البرمجة، لكنها لا تثبت أن «DeepSeek Super-agent يستطيع إنجاز 82.7% من مهام الحياة الواقعية». لا يجوز الخلط بين نتيجة اختبار النموذج ومعدل إنجاز المهام في النظام الكامل.
7. الأسئلة الأكثر شيوعًا
هل يمكن تنزيل DeepSeek Super-agent واستخدامه مباشرة؟
المتاح للتنزيل هو شيفرة نموذج أولي بحثي، وليس تطبيقًا مكتملًا يمكن للمستخدم العادي تثبيته بنقرة واحدة. ويتطلب الاستخدام الفعلي نشر DeepSeek Harness والتبعيات اللازمة، وإعداد نقاط الاتصال مثل GitHub. ولتجربة قدرات وكلاء DeepSeek أولًا، ننصح بالاطلاع على المعاينة العامة لـ Harness.
هل Super-agent مجاني بالكامل؟
شيفرة النموذج الأولي مفتوحة المصدر بموجب ترخيص MIT، لكن تشغيلها قد يتطلب دفع رسوم API للنماذج، وتوفير موارد حوسبة، وتحمل تكاليف النشر والصيانة. المصدر المفتوح لا يعني تشغيلًا مستمرًا بلا تكلفة.
هل يستطيع إرسال البريد وتعديل الملفات وإرسال الشيفرة بنفسه؟
يتوقف ذلك على الأدوات المتصلة بالمنتج أو النموذج الأولي، والصلاحيات الممنوحة، وقواعد التشغيل المحددة. ننصح بأن تتطلب إجراءات مثل إرسال الرسائل والدفع وحذف الملفات ودمج الشيفرة تأكيدًا بشريًا. دع الذكاء الاصطناعي يعد المسودات والتوصيات أولًا، ثم وسع صلاحياته تدريجيًا.
أي وكيل يستحق التجربة أولًا؟
نبدأ بتحديد العمل المطلوب. من أجل البحث وتسليم المستندات، جرب وكيلًا سحابيًا جاهزًا أولًا. وإذا أردت اتصالًا مستمرًا عبر تطبيقات المراسلة، فاستكشف OpenClaw. أما إذا أردت فهم البنية التقنية لجدولة مهام الفريق، فاقرأ عن النموذج الأولي لـ Super-agent من DeepSeek. لا تفترض أنها تحل المشكلة نفسها لمجرد أن أسماءها تتضمن كلمة «وكيل».
وفي الختام، رأينا
في رأينا، لا تكمن أهم نقطة في Super-agent من DeepSeek في إعطاء الوكلاء اسمًا أكثر طموحًا، بل في الاهتمام الجاد بسؤال طال تجاهله: عندما يبدأ الذكاء الاصطناعي العمل فعلًا نيابة عنا، من يتولى ترتيب المهام، وإدارة السياق، واكتشاف المشكلات، وإشراك الإنسان عند الحاجة فقط؟
تشير التجارب الرسمية إلى أن دمج توزيع العمل في بنية النظام قد يوفر ثباتًا أكبر من الاعتماد على توجيه يقول «استخدم الوكلاء الفرعيين أكثر». لكننا نرى التكلفة أيضًا: بيئات تشغيل أكثر، ومعالجة أكبر للسياق، وآليات أكثر تعقيدًا للصلاحيات والتعافي. فالوكيل الذي يعمل بسرعة لكنه يخطئ كثيرًا ويحتاج إلى مراجعات متكررة قد لا يوفر الوقت فعلًا.
نتوقع أن يقل اهتمام المستخدمين العاديين مستقبلًا بسؤال «أي نموذج تستخدم؟» عند اختيار مساعد ذكاء اصطناعي، وأن يركزوا أكثر على ثلاثة أمور: هل أُنجز العمل فعلًا؟ وهل يمكن اكتشاف الأخطاء؟ وكم كلف من مال وجهد بشري؟
وهذا أيضًا هو النهج الذي نريد الالتزام به في API Hop: توضيح قدرات النماذج وتكاليفها واستخداماتها المناسبة أولًا، ثم ربط خدمات النماذج والبيانات بإجراءات عمل مفيدة فعلًا. النماذج والبيانات جزء مهم، لكن موثوقية الوكيل تُثبت في النهاية بنتائج يمكن التحقق منها.