🚀 تحسين أداء Python: استخدام List Comprehensions!
هل تبحث عن طريقة لكتابة كود Python أكثر إيجازًا وكفاءة؟ إليك لمحة سريعة عن قوة List Comprehensions!
بدلاً من استخدام حلقة for تقليدية لإنشاء قائمة جديدة، تسمح لك List Comprehensions بإنشاء قوائم في سطر واحد. الكود أعلاه ينشئ قائمة `squares` تحتوي على مربعات الأرقام الموجودة في قائمة `numbers`، مما يجعل الكود أقصر وأكثر قابلية للقراءة.
['#Python', '#برمجة', '#ListComprehensions', '#تطوير', '#كود']
هل تبحث عن طريقة لكتابة كود Python أكثر إيجازًا وكفاءة؟ إليك لمحة سريعة عن قوة List Comprehensions!
numbers = [1, 2, 3, 4, 5]
squares = [x**2 for x in numbers]
print(squares)
بدلاً من استخدام حلقة for تقليدية لإنشاء قائمة جديدة، تسمح لك List Comprehensions بإنشاء قوائم في سطر واحد. الكود أعلاه ينشئ قائمة `squares` تحتوي على مربعات الأرقام الموجودة في قائمة `numbers`، مما يجعل الكود أقصر وأكثر قابلية للقراءة.
['#Python', '#برمجة', '#ListComprehensions', '#تطوير', '#كود']
وداعا لمن؟ 😅
محرر في إحدى المجلات العلمية الطبية نشر إحصائية مثيرة للاهتمام عن استخدام الذكاء الاصطناعي في مراجعة الأبحاث العلمية، والنتائج مثيرة.
بحسب الإحصائية، الذكاء الاصطناعي استطاع اكتشاف أخطاء في الأبحاث العلمية أكثر بثلاثة أضعاف مقارنة بالمراجعين البشر!
والأغرب أن عملية المراجعة اللي يحتاج فيها الإنسان إلى 8 ساعات ونصف، ينجزها الذكاء الاصطناعي خلال 14 دقيقة فقط.
صحيح أن الذكاء الاصطناعي أحيانًا يدقق في تفاصيل صغيرة جدًا، وقد يبالغ في ملاحظاته، لكن هذا أصلًا جزء من وظيفة المراجع العلمي (Peer Reviewer)، وهي البحث عن الأخطاء والمشكلات مهما كانت صغيرة.
بالنسبة لي الاستمرار في مراجعة الأبحاث الطبية أو غيرها من الأبحاث العلمية دون الاستعانة بالذكاء الاصطناعي أصبح أمرًا غير منطقي، وممكن يكون مضر بجودة البحث نفسه.
وهذا مثال آخر على الظاهرة نفسها، بس في مجال الاقتصاد:
https://saez-zucman-audit-replication.vercel.app/
ومع كل هذه النتائج، أتوقع أن كثيرًا من الأكاديميين ومحرري المجلات العلمية بيستمرون في مقاومة استخدام الذكاء الاصطناعي، مش بالضرورة لأنه غير مفيد، بل لأن بعضهم يخاف أن يفقد الشعور بأهميته ب
محرر في إحدى المجلات العلمية الطبية نشر إحصائية مثيرة للاهتمام عن استخدام الذكاء الاصطناعي في مراجعة الأبحاث العلمية، والنتائج مثيرة.
بحسب الإحصائية، الذكاء الاصطناعي استطاع اكتشاف أخطاء في الأبحاث العلمية أكثر بثلاثة أضعاف مقارنة بالمراجعين البشر!
والأغرب أن عملية المراجعة اللي يحتاج فيها الإنسان إلى 8 ساعات ونصف، ينجزها الذكاء الاصطناعي خلال 14 دقيقة فقط.
صحيح أن الذكاء الاصطناعي أحيانًا يدقق في تفاصيل صغيرة جدًا، وقد يبالغ في ملاحظاته، لكن هذا أصلًا جزء من وظيفة المراجع العلمي (Peer Reviewer)، وهي البحث عن الأخطاء والمشكلات مهما كانت صغيرة.
بالنسبة لي الاستمرار في مراجعة الأبحاث الطبية أو غيرها من الأبحاث العلمية دون الاستعانة بالذكاء الاصطناعي أصبح أمرًا غير منطقي، وممكن يكون مضر بجودة البحث نفسه.
وهذا مثال آخر على الظاهرة نفسها، بس في مجال الاقتصاد:
https://saez-zucman-audit-replication.vercel.app/
ومع كل هذه النتائج، أتوقع أن كثيرًا من الأكاديميين ومحرري المجلات العلمية بيستمرون في مقاومة استخدام الذكاء الاصطناعي، مش بالضرورة لأنه غير مفيد، بل لأن بعضهم يخاف أن يفقد الشعور بأهميته ب
لَعَمري لَئِن ضُيِّعتُ في شَرِّ بَلدَةٍ
فَلَستُ مُضيعاً فيهِمُ غُرَرَ الكَلِم
وَمَن مَنَحَ الجُهّالَ عِلماً أَضاعَهُ
وَمَن مَنَعَ المُستَوجِبينَ فَقَد ظَلَم
الإمام الشافعي
https://ghurar.app/v/9fi85
فَلَستُ مُضيعاً فيهِمُ غُرَرَ الكَلِم
وَمَن مَنَحَ الجُهّالَ عِلماً أَضاعَهُ
وَمَن مَنَعَ المُستَوجِبينَ فَقَد ظَلَم
الإمام الشافعي
https://ghurar.app/v/9fi85
غُرَر
أأنثر درا بين سارحة البهم · الإمام الشافعي · غُرَر
أَأَنثُرُ دُرّاً بَينَ سارِحَةِ البَهمِ · وَأَنظِمُ مَنثوراً لِراعِيَةِ الغَنَمِ. الإمام الشافعي، العصر العباسي، بحر الطويل، ٥ أبيات.
💡 نصيحة بايثون سريعة: استخدام f-strings للطباعة! 🐍
هل سئمت من كتابة سلاسل نصية معقدة في بايثون؟ إليك طريقة أسهل وأكثر قراءة باستخدام f-strings!
f-strings (formatted string literals) تسمح لك بتضمين المتغيرات والتعبيرات مباشرة داخل السلاسل النصية بوضع حرف 'f' قبل علامات التنصيص. هذا يجعل الكود الخاص بك أنظف وأسهل للفهم.
['#بايثون', '#برمجة', '#Python', '#fstrings', '#نصائح_برمجية']
هل سئمت من كتابة سلاسل نصية معقدة في بايثون؟ إليك طريقة أسهل وأكثر قراءة باستخدام f-strings!
name = "علي"
age = 30
print(f"اسمي هو {name} وعمري {age} عاماً.")
f-strings (formatted string literals) تسمح لك بتضمين المتغيرات والتعبيرات مباشرة داخل السلاسل النصية بوضع حرف 'f' قبل علامات التنصيص. هذا يجعل الكود الخاص بك أنظف وأسهل للفهم.
['#بايثون', '#برمجة', '#Python', '#fstrings', '#نصائح_برمجية']
وداعا جوجل؟
جوجل خسرت نحو 500 مليار دولار من قيمتها السوقية خلال يوم واحد فقط، بعدما انهارت أسهم شركتها الأم Alphabet بنسبة 12.6%
المشكلة أن الشركة أعلنت عن نمو إيراداتها بنسبة 25% في الربع الثالث من 2026، لكن هذا ما كان كافي لإقناع المستثمرين، اللي بدأوا يشعروا بالقلق من الإنفاق الهائل على الذكاء الاصطناعي وتباطؤ نمو إيرادات الإعلانات.
علشان تتخيلوا حجم المبالغ اللي تنفقها جوجل، تخيلوا خلال ثلاثة أشهر بس صرفت 51.4 مليار دولار على الاستثمارات الرأسمالية، معظمها في الخوادم ومراكز البيانات.
والنتيجة أن التدفق النقدي الحر للشركة أصبح سالب بنحو 9.1 مليار دولار!
والأرقام ما تتوقف هنا، لانها تخطط لإنفاق ما بين 195 و205 مليارات دولار خلال 2026، وتتوقع أن يرتفع الإنفاق بشكل أكبر في 2027.
صحيح أن إيرادات Google Cloud تضاعفت لتصل إلى 30.7 مليار دولار، لكن في المقابل تباطأ نمو إيرادات محرك البحث إلى 12%، واعترفت جوجل أن عمليات البحث عبر AI Mode ما زالت تحقق عائدات إعلانية أقل مقارنة بالبحث التقليدي.
وفي فنلندا، اضطرت الشركة إلى إيقاف الأعمال التحضيرية في موقعين لمراكز بيانات جديدة، بعد تدخل السلطات بسبب عدم اكتمال تقييم الأثر البيئي للمشروعين.
يعني جوجل تنفق مئات المليارات على الذكاء الاصطناعي، لكن المستثمرين بدأوا يتساءلون عن العائد الحقيقي من كل هذه الاستثمارات، خصوصًا مع احتمالية تأثير الذكاء الاصطناعي على نشاط الشركة الأساسي، وهو البحث والإعلانات.
شكله القلق من فقاعة الذكاء الاصطناعي بدأ يتحول إلى خسائر حقيقية في الأسواق. 🫧🪡
جوجل خسرت نحو 500 مليار دولار من قيمتها السوقية خلال يوم واحد فقط، بعدما انهارت أسهم شركتها الأم Alphabet بنسبة 12.6%
المشكلة أن الشركة أعلنت عن نمو إيراداتها بنسبة 25% في الربع الثالث من 2026، لكن هذا ما كان كافي لإقناع المستثمرين، اللي بدأوا يشعروا بالقلق من الإنفاق الهائل على الذكاء الاصطناعي وتباطؤ نمو إيرادات الإعلانات.
علشان تتخيلوا حجم المبالغ اللي تنفقها جوجل، تخيلوا خلال ثلاثة أشهر بس صرفت 51.4 مليار دولار على الاستثمارات الرأسمالية، معظمها في الخوادم ومراكز البيانات.
والنتيجة أن التدفق النقدي الحر للشركة أصبح سالب بنحو 9.1 مليار دولار!
والأرقام ما تتوقف هنا، لانها تخطط لإنفاق ما بين 195 و205 مليارات دولار خلال 2026، وتتوقع أن يرتفع الإنفاق بشكل أكبر في 2027.
صحيح أن إيرادات Google Cloud تضاعفت لتصل إلى 30.7 مليار دولار، لكن في المقابل تباطأ نمو إيرادات محرك البحث إلى 12%، واعترفت جوجل أن عمليات البحث عبر AI Mode ما زالت تحقق عائدات إعلانية أقل مقارنة بالبحث التقليدي.
وفي فنلندا، اضطرت الشركة إلى إيقاف الأعمال التحضيرية في موقعين لمراكز بيانات جديدة، بعد تدخل السلطات بسبب عدم اكتمال تقييم الأثر البيئي للمشروعين.
يعني جوجل تنفق مئات المليارات على الذكاء الاصطناعي، لكن المستثمرين بدأوا يتساءلون عن العائد الحقيقي من كل هذه الاستثمارات، خصوصًا مع احتمالية تأثير الذكاء الاصطناعي على نشاط الشركة الأساسي، وهو البحث والإعلانات.
شكله القلق من فقاعة الذكاء الاصطناعي بدأ يتحول إلى خسائر حقيقية في الأسواق. 🫧🪡
✨ تحسين أداء Python: استخدام `enumerate` بكفاءة ✨
هل سئمت من كتابة عدادات يدوية في حلقات Python؟ دعنا نتعلم كيف تجعل الكود الخاص بك أكثر أناقة وكفاءة باستخدام `enumerate`!
الدالة `enumerate()` في Python تسمح لك بالمرور على قائمة (أو أي تسلسل آخر) وإرجاع كائن `enumerate` الذي ينتج أزواجًا تتكون من عداد (يبدأ من 0 افتراضيًا) وعناصر التسلسل. هذا يلغي الحاجة إلى إدارة العداد يدويًا، مما يجعل الكود أقصر وأسهل في القراءة. يمكنك أيضًا تحديد قيمة بداية للعداد باستخدام الوسيط `start`.
['#Python', '#برمجة', '#تعليم_بايثون', '#enumerate', '#كود_نظيف', '#تطوير_الويب', '#علوم_البيانات']
هل سئمت من كتابة عدادات يدوية في حلقات Python؟ دعنا نتعلم كيف تجعل الكود الخاص بك أكثر أناقة وكفاءة باستخدام `enumerate`!
fruits = ['apple', 'banana', 'cherry']
# الطريقة التقليدية (غير فعالة)
index = 0
for fruit in fruits:
print(f'Index: {index}, Fruit: {fruit}')
index += 1
print('\n--- باستخدام enumerate ---\n')
# الطريقة باستخدام enumerate (أكثر كفاءة وأناقة)
for index, fruit in enumerate(fruits):
print(f'Index: {index}, Fruit: {fruit}')
print('\n--- تحديد نقطة بداية لـ enumerate ---\n')
# يمكنك تحديد نقطة بداية للعداد
for index, fruit in enumerate(fruits, start=1):
print(f'Item #{index}: {fruit}')
الدالة `enumerate()` في Python تسمح لك بالمرور على قائمة (أو أي تسلسل آخر) وإرجاع كائن `enumerate` الذي ينتج أزواجًا تتكون من عداد (يبدأ من 0 افتراضيًا) وعناصر التسلسل. هذا يلغي الحاجة إلى إدارة العداد يدويًا، مما يجعل الكود أقصر وأسهل في القراءة. يمكنك أيضًا تحديد قيمة بداية للعداد باستخدام الوسيط `start`.
['#Python', '#برمجة', '#تعليم_بايثون', '#enumerate', '#كود_نظيف', '#تطوير_الويب', '#علوم_البيانات']
لقيت مقاله طويلة بعنوان «المرتفعات الاستراتيجية» (Commanding Heights)، يناقش كيف سيغير الذكاء الاصطناعي الاقتصاد وسوق العمل خلال السنوات القادمة، وفيه أفكار تستحق نتوقف عندها.
الفكرة الأساسية أن القوة الاقتصادية بدأت تنتقل من الشركات التي تمتلك النماذج والرقائق ومراكز البيانات، إلى الشركات التي تتحكم في كيفية وصول الذكاء الاصطناعي إلى الاقتصاد، مثل أنظمة الدفع والخدمات المالية والمنصات التي تصل إلى مليارات المستخدمين.
لكن المثير للاهتمام هو التحولات التي يتوقعها المقال:
1. الشهادة الجامعية لم تعد ضمانًا للوظيفة
التعليم ما زال مهمًا، لكن فكرة أنك تتخرج وتحصل على وظيفة جيدة بدأت تفقد قيمتها، خصوصًا مع انخفاض حاجة الشركات إلى توظيف المبتدئين بسبب الذكاء الاصطناعي.
2. الجنسية قد تصبح من أغلى الأصول
مع انخفاض حاجة الدول الغنية إلى العمالة، قد تصبح الهجرة أصعب، وتزداد القيمة الاقتصادية لامتلاك جنسية أمريكية أو أوروبية.
3. البيانات ثمينة اليوم، لكن ليس للأبد
شركات الذكاء الاصطناعي تدفع مبالغ ضخمة للحصول على بيانات فريدة، لكن مع تطور النماذج وقدرتها على التعلم المستمر، قد تفقد كثير من هذه البيانات قيمتها.
4.
الفكرة الأساسية أن القوة الاقتصادية بدأت تنتقل من الشركات التي تمتلك النماذج والرقائق ومراكز البيانات، إلى الشركات التي تتحكم في كيفية وصول الذكاء الاصطناعي إلى الاقتصاد، مثل أنظمة الدفع والخدمات المالية والمنصات التي تصل إلى مليارات المستخدمين.
لكن المثير للاهتمام هو التحولات التي يتوقعها المقال:
1. الشهادة الجامعية لم تعد ضمانًا للوظيفة
التعليم ما زال مهمًا، لكن فكرة أنك تتخرج وتحصل على وظيفة جيدة بدأت تفقد قيمتها، خصوصًا مع انخفاض حاجة الشركات إلى توظيف المبتدئين بسبب الذكاء الاصطناعي.
2. الجنسية قد تصبح من أغلى الأصول
مع انخفاض حاجة الدول الغنية إلى العمالة، قد تصبح الهجرة أصعب، وتزداد القيمة الاقتصادية لامتلاك جنسية أمريكية أو أوروبية.
3. البيانات ثمينة اليوم، لكن ليس للأبد
شركات الذكاء الاصطناعي تدفع مبالغ ضخمة للحصول على بيانات فريدة، لكن مع تطور النماذج وقدرتها على التعلم المستمر، قد تفقد كثير من هذه البيانات قيمتها.
4.
فجوة الثروة ستتسع حتى بين الأغنياء
المنافسة لن تكون فقط بين أصحاب رؤوس الأموال والموظفين، بل بين من يمتلكون أصول الاقتصاد القديم ومن يمتلكون أصول الاقتصاد الجديد.
وقد يؤدي طرح شركات مثل OpenAI وAnthropic وSpaceX في البورصة إلى ظهور أعداد هائلة من المليارديرات الجدد.
والمقال يذكر تكلم عن الصحف كمثال.
في الثمانينيات، كانت الصحف من أفضل الاستثمارات، لأنها تسيطر على سوق الإعلانات المحلية. لكن مع ظهور Google وانتقال الإعلانات إلى الإنترنت، فقدت هذه الميزة.
وحتى وارن بافيت استمر في شراء الصحف حتى عام 2012، وأنفق عليها نحو 344 مليون دولار، قبل أن يبيعها في 2020 مقابل 140 مليون دولار فقط.
والخلاصة أن ما يمنحك قيمة اقتصادية اليوم، قد يصبح بلا قيمة بعد سنوات.
والخطر الحقيقي مش فقط أن تفوتك فرص الذكاء الاصطناعي، بل أن تقضي سنوات تبني مستقبلك على مهارة أو وظيفة أو استثمار، ثم تكتشف أن السوق لم يعد بحاجة إليها.
علشان كذا السؤال الأهم مش كيف تستفيد من الذكاء الاصطناعي اليوم، بل هل الشيء الذي تبني عليه مستقبلك بتكون له قيمة بعد عشر سنوات؟
المنافسة لن تكون فقط بين أصحاب رؤوس الأموال والموظفين، بل بين من يمتلكون أصول الاقتصاد القديم ومن يمتلكون أصول الاقتصاد الجديد.
وقد يؤدي طرح شركات مثل OpenAI وAnthropic وSpaceX في البورصة إلى ظهور أعداد هائلة من المليارديرات الجدد.
والمقال يذكر تكلم عن الصحف كمثال.
في الثمانينيات، كانت الصحف من أفضل الاستثمارات، لأنها تسيطر على سوق الإعلانات المحلية. لكن مع ظهور Google وانتقال الإعلانات إلى الإنترنت، فقدت هذه الميزة.
وحتى وارن بافيت استمر في شراء الصحف حتى عام 2012، وأنفق عليها نحو 344 مليون دولار، قبل أن يبيعها في 2020 مقابل 140 مليون دولار فقط.
والخلاصة أن ما يمنحك قيمة اقتصادية اليوم، قد يصبح بلا قيمة بعد سنوات.
والخطر الحقيقي مش فقط أن تفوتك فرص الذكاء الاصطناعي، بل أن تقضي سنوات تبني مستقبلك على مهارة أو وظيفة أو استثمار، ثم تكتشف أن السوق لم يعد بحاجة إليها.
علشان كذا السؤال الأهم مش كيف تستفيد من الذكاء الاصطناعي اليوم، بل هل الشيء الذي تبني عليه مستقبلك بتكون له قيمة بعد عشر سنوات؟
بالتحديث الجديد، قررت أضيف قصائد من كتب تراثية مشهورة، مثل «المفضليات» للمفضّل الضبي، و«حماسة أبي تمام» و«حماسة البحتري»، وأتحقق من المعلقات.
ركزت على الموثوقية علشان أجمع وأرتب شيء مفيد من تاريخنا، وبنفس الوقت أعرضه بشكل جميل، بعيد عن رسمية الكتب اللي ممكن البعض ما يقدر يقرأها.
ركزت على الموثوقية علشان أجمع وأرتب شيء مفيد من تاريخنا، وبنفس الوقت أعرضه بشكل جميل، بعيد عن رسمية الكتب اللي ممكن البعض ما يقدر يقرأها.
💡 نصيحة بايثون: استخدام `enumerate` لترقيم القوائم بسهولة! 🚀
هل سئمت من كتابة عدادات يدوية عند المرور على عناصر قائمة في بايثون؟ جرب `enumerate`!
الدالة `enumerate()` تأخذ قائمة (أو أي كائن قابل للتكرار) وتعيد زوجًا من (الفهرس، القيمة) لكل عنصر. هذا يجعل الكود أنظف وأكثر قابلية للقراءة.
['#بايثون', '#برمجة', '#نصائح_بايثون', '#enumerate', '#PythonTips']
هل سئمت من كتابة عدادات يدوية عند المرور على عناصر قائمة في بايثون؟ جرب `enumerate`!
my_list = ['تفاحة', 'موزة', 'كرز']
for index, value in enumerate(my_list):
print(f'العنصر رقم {index}: {value}')
الدالة `enumerate()` تأخذ قائمة (أو أي كائن قابل للتكرار) وتعيد زوجًا من (الفهرس، القيمة) لكل عنصر. هذا يجعل الكود أنظف وأكثر قابلية للقراءة.
['#بايثون', '#برمجة', '#نصائح_بايثون', '#enumerate', '#PythonTips']
انصحكم تشوفوا هذي المقالة، من أفضل المقالات اللي قرأتها عن بناء بنية تحتية حديثة لوكلاء الذكاء الاصطناعي (AI Agents)، وكيف تقدر تبني أنظمة متعددة الوكلاء تعمل باستقلالية أكبر.
الفكرة الأساسية أن المعمارية لازم تسمح للوكيل بالعمل بشكل مستمر، والانتقال بين المهام دون فقدان السياق أو الحاجة إلى تدخل المستخدم في كل خطوة.
علشان تسوي كذا تحتاج تفصل بين إدارة المهام وتنسيق عمل الوكلاء وبين تنفيذها فعليًا. وهذا صار ممكن بشكل أفضل مع تطور قدرة النماذج على التنسيق فيما بينها والاحتفاظ بالسياق.
وبعد بناء المعمارية الأساسية، تقدر تضيف قدرات أكثر تقدمًا، مثل تشغيل المهام تلقائيًا عند وقوع أحداث معينة، والاستباق في تنفيذ الأعمال، والتفاعل مع الوكلاء بشكل غير متزامن باستخدام أساليب مثل Asynchronous ReAct Loop.
ولما تبدأ توسع النظام، تحتاج تهتم بإدارة الحالة (State Management) وبيئات التنفيذ المعزولة، بحيث تكون الحالة والموارد الحاسوبية وبيئة التنفيذ منفصلة عن بعضها، مع إمكانية الاحتفاظ بحالة النظام والوصول إليه من أجهزة مختلفة.
طبعا الأفكار هذه مش مرتبطة بـDeepSeek Harness، بل تقدر تطبقها باستخدام أنظمة Harness أخرى موجودة بالفعل.
أعتقد أننا مع تطور قدرات الوكلاء نحتاج نعيد التفكير في طريقة تعاملنا معهم، بدل ما نجلس نعطيهم تعليمات ونتابع كل خطوة، نبني أنظمة تسمح لهم بالعمل باستقلالية، ونتدخل فقط لما يكون في حاجة فعلية.
المقال يستحق القراءة لأي شخص مهتم ببناء أنظمة وكلاء تتجاوز مجرد إرسال طلب للنموذج وانتظار النتيجة.
الفكرة الأساسية أن المعمارية لازم تسمح للوكيل بالعمل بشكل مستمر، والانتقال بين المهام دون فقدان السياق أو الحاجة إلى تدخل المستخدم في كل خطوة.
علشان تسوي كذا تحتاج تفصل بين إدارة المهام وتنسيق عمل الوكلاء وبين تنفيذها فعليًا. وهذا صار ممكن بشكل أفضل مع تطور قدرة النماذج على التنسيق فيما بينها والاحتفاظ بالسياق.
وبعد بناء المعمارية الأساسية، تقدر تضيف قدرات أكثر تقدمًا، مثل تشغيل المهام تلقائيًا عند وقوع أحداث معينة، والاستباق في تنفيذ الأعمال، والتفاعل مع الوكلاء بشكل غير متزامن باستخدام أساليب مثل Asynchronous ReAct Loop.
ولما تبدأ توسع النظام، تحتاج تهتم بإدارة الحالة (State Management) وبيئات التنفيذ المعزولة، بحيث تكون الحالة والموارد الحاسوبية وبيئة التنفيذ منفصلة عن بعضها، مع إمكانية الاحتفاظ بحالة النظام والوصول إليه من أجهزة مختلفة.
طبعا الأفكار هذه مش مرتبطة بـDeepSeek Harness، بل تقدر تطبقها باستخدام أنظمة Harness أخرى موجودة بالفعل.
أعتقد أننا مع تطور قدرات الوكلاء نحتاج نعيد التفكير في طريقة تعاملنا معهم، بدل ما نجلس نعطيهم تعليمات ونتابع كل خطوة، نبني أنظمة تسمح لهم بالعمل باستقلالية، ونتدخل فقط لما يكون في حاجة فعلية.
المقال يستحق القراءة لأي شخص مهتم ببناء أنظمة وكلاء تتجاوز مجرد إرسال طلب للنموذج وانتظار النتيجة.