اختبار

تقيس معايير الوكلاء التقليدية النتائج وليس السلوك. قد يصل الوكيل إلى الإجابة الصحيحة بينما يتجاهل القيود أو يستغل الاختصارات أو يختلق خطوات وسيطة، ومع ذلك سيعتبر المعيار أنه ناجح.

لقد قمت ببناء وكيل ذكاء اصطناعي. يتم عرضه بشكل رائع. أصحاب المصلحة متحمسون. ثم يصل إلى الإنتاج، وتصبح الأمور فوضوية. تنحرف الردود. تظل المهام غير مكتملة. يتوقف المستخدمون عن الثقة به. ولا يمكن لأحد أن يشرح السبب لأن لا أحد حدد ما يبدو عليه "الجيد" في المقام الأول.

بالنسبة لقادة منتجات الذكاء الاصطناعي، ومقيمي المنصات، وصناع القرار التقنيين، لم يعد هذا مقبولاً. في عام 2026، الوكلاء الذكاء الاصطناعي يتحركون بسرعة إلى بيئات الإنتاج، والتقييم هو الانضباط الذي يفصل الفرق التي تشحن وكلاء موثوقين وعالي الأداء عن تلك التي تكافح باستمرار.

---

إنه أكثر من مجرد "نجاح أو فشل"

إما أن يعمل البرنامج التقليدي أو لا يعمل. تكتب اختبارًا، تحدد مخرجات متوقعة، ويمر الكود أو يفشل. يعمل وكلاء الذكاء الاصطناعي في مساحة أكثر احتمالية بكثير. يتعاملون مع اللغة الطبيعية، يتخذون قرارات متعددة الخطوات، يستدعون أدوات خارجية، ويتكيفون مع السياق. يمكن أن ينتج نفس المدخلات مخرجات مختلفة في عمليتين منفصلتين، وقد تكون كلا المخرجات "صحيحة" بطرق مختلفة. قد يحقق الوكيل نتيجة جيدة في معيار عام ومع ذلك يفشل في التعامل مع المهام الدقيقة والمحددة التي يحتاجها عملاؤك فعليًا.

تخبرك المعايير القياسية بكيفية أداء النموذج في المهام العامة، بينما تخبرك المقاييس المخصصة ما إذا كان وكيل الذكاء الاصطناعي يلبي أهداف عملك المحددة. اقرأ المزيد عن LLM Eval

---

مقاييس تقييم الوكيل الأساسية

يتطلب تقييم وكلاء الذكاء الاصطناعي تغطية نجاح المهام، وقيمة الأعمال، وجودة التفكير، والامتثال، وقابلية التوسع لضمان نشر موثوق وآمن.

تدفق منطق الوكيل

يقيم ما إذا كان الوكيل يتبع تدفق التنفيذ المقصود بدلاً من تجاوز الخطوات الحرجة أو اتخاذ اختصارات غير مقصودة. يشمل ذلك التحقق من التحليل الصحيح للمهام، والتفويض المناسب بين الوكلاء، واختيار الأدوات وMCP بدقة، وبناء المعلمات الصحيحة، وطلب البيانات الصحيح، وتوليد الاستعلام الموثوق. الهدف ليس فقط تأكيد إتمام المهمة ولكن لضمان وصول الوكيل إلى النتيجة من خلال عملية التفكير والتشغيل المتوقعة. وتجنب الإيجابيات الكاذبة المتخيلة.

زمن الاستجابة وأداء النظام

يقيس زمن التنفيذ من البداية إلى النهاية عبر كل مكون مشارك في خط أنابيب الوكيل. يشمل ذلك وقت استجابة LLM، وعبء الاتصال بين الوكلاء، وزمن استدعاء الأدوات وMCP، ومدة تنفيذ السكريبت، وأوقات استجابة API الخارجية، وزمن استرجاع RAG، وأداء استعلامات قاعدة البيانات أو البحث، وعبء التنسيق. الهدف هو تحديد الاختناقات وفهم كيف يساهم كل نظام فرعي في إجمالي زمن الاستجابة وتجربة المستخدم.

كفاءة الرموز

يقيم كيفية استخدام الوكيل للرموز بفعالية بالنسبة لجودة وكمال المخرجات. يشمل ذلك قياس التوسع غير الضروري للمطالبات، التفكير المتكرر، استخدام السياق المتكرر، الثرثرة الزائدة في استدعاء الأدوات، والتوليدات الوسيطة غير الفعالة. الوكيل الفعال في استخدام الرموز يقلل من التكلفة والكمون بينما يحافظ على الدقة وجودة التفكير وفائدة الردود.

الاتساق والاستقرار السلوكي

يقيم ما إذا كان الوكيل ينتج سلوكًا مستقرًا وموثوقًا ومتسقًا عبر التفاعلات المتكررة أو متعددة الأدوار. يشمل ذلك الاتساق في أنماط التفكير، واتخاذ القرارات، والتنسيق، واستخدام الأدوات، والمخرجات الواقعية عند التعامل مع مهام مماثلة بمرور الوقت. كما تلتقط المقياس الانجراف غير المتوقع في الموضوع، والاستجابات المتناقضة، وفقدان سياق المحادثة، وعدم الاستقرار الذي يسببه التفاعلات الطويلة الأمد للوكيل أو سير العمل المعقد.

الامتثال للسياسات وسلوك الرفض الآمن

يقيس قدرة الوكيل على رفض أو تقييد الطلبات التي تنتهك الأذونات أو متطلبات الأمان أو سياسات المنظمة بشكل مناسب. يشمل ذلك رفض كشف PII أو البيانات السرية، ورفض المحاولات الخبيثة أو الهندسة العكسية، ومنع الوصول غير المصرح به إلى الأدوات، وتجنب الإجراءات غير الآمنة، ورفض الطلبات التي تتعارض مع القوانين أو الأخلاقيات أو إرشادات الشركة. بالإضافة إلى الرفض البسيط، يقيم هذا الفئة أيضًا ما إذا كان الوكيل يتعامل مع الرفض بشكل لائق، ويبلغ بوضوح الحدود، ويوجه المستخدمين نحو البدائل المقبولة عند الاقتضاء.

---

بناء انضباط القياس الذي يستحقه وكلاؤك

بناء ونشر وكلاء الذكاء الاصطناعي من خلال منصة مثل AgentX يمنحك أساسًا لهذا النوع من النشر المنظم والقابل للملاحظة والذي يتحسن باستمرار. ولكن يجب أن يأتي انضباط القياس من فريقك. لا يمكن لأي منصة تحديد النجاح لسياقك المحدد. هذا الجزء هو مسؤوليتك.

المفتاح لتقديم حلول وكلاء الذكاء الاصطناعي للمؤسسات هو الحصول على رؤية كاملة لأداء الوكيل ومراقبة كاملة عبر كل سير العمل.