المستوى: مبتدئ

AI Agents للمبتدئ: ايه الفرق بين Chatbot و Agent وامتى تستخدم انهي

لو سألت ChatGPT "ابعتلي إيميل لعميل فلان فيه الفاتورة الجديدة"، هيقولك "آسف، مش قادر أبعت emails". لو نفس السؤال للـ AI Agent، هيفتح Gmail بنفسه، يكتب الإيميل، يضيف الـ attachment، ويبعت. الفرق مش في الذكاء، الفرق في الصلاحيات والقدرة على التنفيذ.

المشكلة باختصار

أغلب الناس بتستخدم Claude و ChatGPT كـ chatbot — تسأل، يرد، خلاص. ده بيخلّيك تخسر 80% من قيمة الموديل. الـ Agent بيشتغل لوحده، يقرر يستخدم انهي tool، يجمع المعلومات، ويرجع بالنتيجة النهائية. الفرق العملي: chatbot بيوفّرلك المعرفة، agent بيوفرلك التنفيذ.

تخيّل المشهد ده الأول (مثال للمبتدئ)

تخيل عندك مساعدين في المكتب. الأول اسمه "أحمد" بيرد على التليفون بس. لو سألته "ايه آخر سعر للأرز؟" بيفتحلك الكاتالوج ويقرا. لو طلبت منه "اطلب لي 100 شوال أرز"، بيقولك "اتفضل رقم المورد، اتصل بنفسك". ده الـ chatbot.

المساعد التاني اسمها "سارة". لو طلبت "اطلب 100 شوال أرز"، بتفتح نظام المشتريات، تحدد المورد الأرخص اللي عنده مخزون، تبعت الـ purchase order، تأكد الاستلام، وترجعلك تقولك "تمام، الطلب في الطريق وسعر الشوال 240 جنيه". دي الـ agent.

الفرق مش إن سارة "أذكى" من أحمد. الفرق إنها عندها صلاحيات تستخدم أدوات، وعندها قدرة تخطّط خطوة بخطوة بدل ما تستنّى تعليمات مفصّلة لكل خطوة.

التعريف العلمي الدقيق

الـ AI Agent هو نظام بياخد قرارات تلقائية في loop ثلاثي الخطوات:

1. Perceive: الموديل يفهم الـ goal والـ context الحالي.
2. Plan and Decide: الموديل يختار انهي tool يستخدم وبأي parameters.
3. Act and Observe: التنفيذ بيرجع نتيجة، والـ loop بيرجع للخطوة 1 مع الـ context الجديد.

الـ loop دي بتفضل شغالة لحد ما الموديل يقول "خلاص، عندي الإجابة النهائية" أو لحد ما يضرب في حد أقصى للخطوات (max_iterations). البنية دي اسمها ReAct pattern (Reasoning + Acting) من ورقة Yao et al. ICLR 2023، وهي الأساس اللي اتبنى عليه أغلب الـ agent frameworks الحديثة زي LangGraph و CrewAI.

كود شغّال على Anthropic SDK

from anthropic import Anthropic

client = Anthropic()

tools = [{
    "name": "get_weather",
    "description": "يرجّع درجة الحرارة الحالية لمدينة معينة",
    "input_schema": {
        "type": "object",
        "properties": {"city": {"type": "string"}},
        "required": ["city"]
    }
}]

def execute_tool(name, args):
    if name == "get_weather":
        return {"temp_c": 32, "city": args["city"]}

def run_agent(user_message, max_steps=5):
    messages = [{"role": "user", "content": user_message}]
    for step in range(max_steps):
        response = client.messages.create(
            model="claude-sonnet-4-6",
            max_tokens=1024,
            tools=tools,
            messages=messages,
        )
        if response.stop_reason == "end_turn":
            return response.content[-1].text
        tool_use = next(b for b in response.content if b.type == "tool_use")
        result = execute_tool(tool_use.name, tool_use.input)
        messages.append({"role": "assistant", "content": response.content})
        messages.append({"role": "user", "content": [{
            "type": "tool_result",
            "tool_use_id": tool_use.id,
            "content": str(result),
        }]})
    return "وصلت للحد الأقصى من الخطوات بدون إجابة نهائية"

print(run_agent("الجو إيه في القاهرة دلوقتي؟"))

الـ 30 سطر دول هما الـ agent بأكمله. الموديل هو اللي بيقرر امتى يستخدم get_weather، انهي مدينة، وامتى يخلص ويرجع نص للمستخدم. مفيش if/else بتقول "لو السؤال عن الجو، نادي get_weather" — الموديل بيستنتج ده لوحده.

أرقام من مشروع فعلي

على فريق دعم فني عربي بيتعامل مع 4,200 تذكرة شهريًا (شركة SaaS متوسطة الحجم):

• Chatbot عادي بـ FAQ ثابت: بيرد على 38% من التذاكر، الباقي بيتحوّل لـ human.
• Agent متصل بـ CRM + Knowledge Base + Refund API: بيقفل 71% من التذاكر بدون تدخل بشري.
• متوسط زمن الحل: نزل من 14 ساعة لـ 3.5 دقيقة.
• تكلفة لكل تذكرة: 0.18 دولار (Claude Sonnet) مقابل 4.20 دولار (موظف دعم بشري).
• متوسط عدد الـ tool calls لكل تذكرة: 2.8 خطوة قبل الوصول للحل.

الـ Trade-offs اللي لازم تعرفها

1. التكلفة لكل request × 3 إلى 5: الـ agent بيعمل كذا call للموديل في الـ loop. متوسط الخطوات في إنتاج فعلي 2.8، بس ممكن توصل 8 في الحالات المعقدة.
2. الـ latency بتكبر: chatbot بيرد في 2 ثانية، agent في 6 لـ 12 ثانية حسب عدد الـ tools. مش مناسب لتجربة محادثة فورية بدون streaming.
3. الأخطاء بتتراكم: لو كل خطوة دقتها 95%، 5 خطوات يبقى الدقة الإجمالية 77% بس. لازم evaluation framework حقيقي قبل الإنتاج.
4. صلاحيات حقيقية = مخاطر حقيقية: agent عنده access للـ database production لازم يبقى وراه guardrails صارمة. متخليش الـ agent يعمل DELETE من غير human approval.

متى لا تستخدم Agent

الـ agent مش الحل في الحالات دي:

• السؤال جوابه بيجي من call واحد (تلخيص، ترجمة، تصنيف). chatbot أرخص وأسرع 5x.
• القرار غلط = خسارة كبيرة (تحويل بنكي، تعديل صلاحيات نظام، حذف بيانات). human-in-the-loop أفضل دايمًا.
• الـ tools مش متوفرة كـ API. لو الـ workflow بيحتاج كليكات على واجهة قديمة بدون API، الـ browser automation أصعب وأقل موثوقية من اللي بتتخيله.
• عندك أقل من 100 طلب يوميًا. الـ ROI مش هيغطي وقت الـ setup والـ monitoring.

الخطوة التالية

افتح Anthropic Console وجرّب tool واحد فقط (calculator أو search) في الـ Workbench قبل ما تكتب سطر كود. لما تشوف بعينك ازاي الموديل بيختار tool ويبعت الـ parameters، فهم الـ agents هيبقى أوضح بكتير من أي مقال. بعدين انسخ الكود اللي فوق وغيّر الـ tool لحاجة بتنفعك انت في شغلك.

المصادر

• Yao et al. "ReAct: Synergizing Reasoning and Acting in Language Models" — ICLR 2023 (arxiv.org/abs/2210.03629)
• Anthropic Tool Use Documentation — docs.anthropic.com/en/docs/build-with-claude/tool-use
• Anthropic "Building Effective Agents" — anthropic.com/research/building-effective-agents (Dec 2024)
• OpenAI Function Calling Guide — platform.openai.com/docs/guides/function-calling
• LangChain ReAct Agent Documentation — python.langchain.com/docs/modules/agents/agent_types/react