لو بتشغّل AI agents بفاتورة شهرية على Claude Managed Agents أو OpenAI Assistants، الخبر ده ممكن يوفّرلك 30-40% خلال 3 شهور. لكن القرار مش "هاجر بكرة" — القرار بالظبط: إمتى NVIDIA OpenShell + Nemotron 3 Super يختصرلك فاتورة وبيئة، وإمتى Managed Agents لسه الخيار الأوفر لفريقك.

NVIDIA OpenShell + Nemotron 3 Super: البديل المفتوح لـ Agent Toolkits المُدارة

رسم تجريدي لشبكة عصبية ثلاثية الأبعاد تمثّل agents ذاتية التشغيل داخل OpenShell runtime

اللي حصل فعلاً في 21 أبريل 2026

في اليوم الثاني من Adobe Summit (21 أبريل 2026)، Adobe شغّلت أول عرض إنتاجي مباشر لـ CX Enterprise Coworker بالكامل على NVIDIA Agent Toolkit: OpenShell كـ runtime آمن، Nemotron 3 Super كـ "مخ" الـ agent، و AI-Q كـ blueprint لربطهم بـ Adobe Experience Platform. أول ما يظهر agent إنتاجي Enterprise-grade بدون اعتماد على OpenAI أو Anthropic في الـ inference.

قبل ما ندخل في القرار والأرقام، خلينا نفهم المكوّنات بمثال بسيط الأول.

المفاهيم بمثال من حياتك قبل التقني

تخيّل إنك لسه عيّنت موظف جديد في شركة مالية. قبل ما تدّيله لابتوب الشغل، بتحدّدله بالظبط: يدخل على أي ملفات؟ ينفع يبعت إيميلات لمين؟ يصرف فلوس في أي حدود؟ بتكتب السياسات دي على ورقة قبل يومه الأول. لو حاول يعمل حاجة خارج الورقة، النظام يوقفه.

ده بالظبط اللي OpenShell بيعمله مع الـ agents. بيحدّد policies (صلاحيات وقيود) قبل الـ agent ما يشتغل. أي call على أداة، أي network request، أي ملف — كله بيعدّي أولاً من policy layer قبل ما يتنفّذ.

أما Nemotron 3 Super، هو "مخ" الـ agent اللي بيفكّر. خلّيها ببساطة: زي Claude أو GPT لكن مفتوح المصدر، وتقدر تشغّله على سيرفرك أو على Cloud بتختاره.

الآن بالتقني الدقيق

OpenShell runtime بيعمل process-level isolation فوق Linux cgroups + seccomp، مع policy engine يقبل قواعد بصيغة YAML. كل tool call بيمر على الـ policy layer قبل الـ execution، وفيه أداة openshell inspect للـ audit trail بعد كل جلسة.

Nemotron 3 Super هو hybrid Mamba-Transformer MoE model بـ 120B parameter إجمالي، منهم 12B بس active في كل forward pass. الـ Mamba layers بتدّي long-context efficiency، والـ MoE بيقلّل compute المستهلك. النتيجة العملية: متوسط acceptance length 3.45 token لكل verification step على SPEED-Bench (مقابل 2.70 لـ DeepSeek-R1)، يعني ~3× wall-clock speedup من غير ما تحتاج draft model منفصل للـ speculative decoding.

الأرقام اللي تحتاجها للقرار

PinchBench (اختبار خاص بأداء agents): 85.6% — أعلى score بين أي open model في فئته.
SWE-Bench عبر OpenHands: 60.47 — قريب من Claude Sonnet 4.6.
AIME25: 90.21 — مستوى reasoning رياضي متقدّم.
MMLU-Pro: 83.73.
Throughput: 5× أعلى من Nemotron Super الأول، 2.2× من GPT-OSS-120B، و7.5× من Qwen3.5-122B-A10B على input 8K و output 64K.

مثال تنفيذي: شغّل agent داخل OpenShell في 5 دقايق

شاشة ترمنال تعرض ملف policy YAML لتشغيل agent داخل OpenShell بقيود صلاحيات

Bash

# تنصيب OpenShell CLI
curl -sSL https://get.openshell.dev | bash

# تشغيل agent داخل sandbox بـ policy محدّدة
openshell run \
  --model nvidia/nemotron-3-super-120b \
  --policy ./agent-policy.yaml \
  --network deny-all,allow:api.company.com \
  --filesystem readonly:/data,rw:/tmp \
  --max-tokens 32000 \
  ./my-agent.py

وده ملف agent-policy.yaml بسيط:

YAML

policies:
  - name: finance-guardrail
    deny_tools: ["transfer_funds", "delete_records"]
    rate_limit: 30/minute
  - name: data-egress
    allow_domains: ["api.company.com"]
    block_pii: true

لو الـ agent حاول يستدعي transfer_funds، OpenShell هيرفض قبل ما الاستدعاء يوصل أصلاً للـ tool الحقيقي. مفيش prompt injection هيخترقه لأن السياسة محلية مش داخل الـ LLM.

متى تختار OpenShell + Nemotron 3 Super

بتشغّل أكتر من 50 ساعة agent نشط في اليوم على Claude Managed Agents (0.08 دولار/ساعة = ~120 دولار/شهر لكل agent). Nemotron على H100 واحد (AWS p5.48xlarge ~4 دولار/ساعة) بيوصل break-even بعد ~10 أيام تشغيل مستمر، وبعدها وفر صافي ~40%.
عندك بيانات حسّاسة (HIPAA، GDPR، بيانات بنكية) ما ينفعش تطلع لـ third-party. OpenShell policy-as-code محلية بالكامل، والـ inference في VPC بتاعك.
محتاج تعمل fine-tuning أو domain adaptation. Nemotron weights مفتوحة تحت NVIDIA Open Model License — Claude و GPT-5.4 مقفولين.

متى Claude Managed Agents لسه الخيار الأذكى

فريقك أقل من 3 مهندسين ومفيش حد متخصّص في MLOps/GPU serving.
حجم الاستخدام أقل من 10 ساعة agent/يوم — الفرق في الفاتورة مش مبرّر لتعقيد البنية.
محتاج cold-start سريع. Claude Managed بيبدأ في ثانيتين، Nemotron container بياخد 90-120 ثانية للـ warm-up.
مهامك بتعتمد على tool use معقّد ومتشعّب. Claude Sonnet 4.6 لسه متفوّق في tool-use benchmarks على Nemotron 3 Super بفرق 4-7 نقاط.

الـ trade-off اللي لازم تحسبه

بتكسب: وفر 30-40% في الفاتورة بعد break-even، تحكّم كامل في الـ weights، compliance أسهل للجهات الرقابية، ومرونة fine-tuning. الافتراض هنا إن عندك فريق DevOps قادر يدير GPU serving.

بتخسر: ~3 أيام setup أول مرة، lifecycle للـ fine-tuning لازم تبنيه بإيدك (مفيش managed pipeline)، والـ H100 تكلفتها ثابتة $2-4/ساعة سواء الـ agent شغّال بالفعل أو فاضي (مفيش scale-to-zero افتراضي زي Claude Managed).

متى لا تستخدم هذه الطريقة

لو فريقك بدون خبرة MLOps أو الـ agents بتشتغل بـ bursty traffic (ذروة ساعتين في اليوم وبعدها هدوء). في الحالتين دول فاتورة H100 ثابتة هتأكل كل الوفر المتوقّع. Managed Agents أذكى ماليًا مهما كان حجمك.

وكمان لو أنت لسه في prototyping ومش عارف احتياجك النهائي. ابني أول 3 شهور على Managed، اقرأ الـ usage patterns، وبعدين قرّر.

الخطوة التالية

افتح فاتورة الـ Managed Agents بتاعتك آخر 30 يوم. لو فوق 500 دولار/شهر، شغّل POC على H100 واحد لمدة 72 ساعة على نفس الـ workload. قارن: (1) جودة المخرجات على 50 حالة اختبار حقيقية، (2) الـ latency، (3) الـ cost-per-task. لو جودة Nemotron ≥ 80% من Claude في مهمتك، ابدأ migration على 30 يوم. لو أقل، استنى Nemotron 3.5 المتوقّع Q3 2026.

NVIDIA OpenShell + Nemotron 3 Super: إمتى يوفّر 40% من فاتورتك