October 23, 2026

LLM مقابل وكيل الذكاء الاصطناعي في الترجمة وما يمكن أن يفوته كل منهما

إذا كنت تختار بين LLM ووكيل ذكاء اصطناعي للترجمة، فإن التسمية لا تخبرك بالكثير عما يمكن أن يسوء. يمكن لاستدعاء واحد لنموذج LLM أن يُرجع إجابة خاطئة بكل ثقة ودون أي تحذير. يستطيع الوكيل طرح السؤال الصحيح، لكن كل خطوة يتخذها تزيد من الوقت وتضيف موضعًا آخر للفشل.

غالبًا ما تشترك ثلاثة أشياء مختلفة في الاسم "AI agent": استدعاء واحد لنموذج LLM، وسير عمل يشغّل عدة نماذج في وقت واحد، ووكيل يخطط ويتصرف في حلقة. نحن نُشغّل الثلاثة جميعًا في MachineTranslation.com. والاختلافات أدناه ناتجة عن تشغيلها في بيئة الإنتاج.

أهم النقاط

  • يُرجع الاستدعاء الواحد لنموذج LLM إجابة واحدة دون أي إشارة إلى ما إذا كانت تلك الإجابة صحيحة.
  • يختار وكيل الذكاء الاصطناعي خطواته بنفسه، لذا فإن كل خطوة إضافية تزيد من الوقت وتضيف موضعًا آخر للفشل.
  • إجماع النماذج المتعددة هو سير عمل ذو مسار ثابت، وتشغيل 22 نموذجًا بالتوازي يجعل الانتظار يتبع أبطأ نموذج، في حين أن تشغيلها بالتتابع سيجعل الوقت هو مجموع الـ 22 كلها.
  • في أحد أمثلة الإطلاق، قامت خمسة نماذج بترجمة عبارة من أربع كلمات وأرجعت النتيجة في 751 ميلي ثانية.
  • لا يمكن للإجماع اكتشاف اختيار يتخذه كل نموذج بالطريقة نفسها، مثل اليابانية الرسمية لعبارة "good morning"، ولذلك يضيف MachineTranslation.com وكيل ترجمة بالذكاء الاصطناعي يسأل المستخدم عن السياق المفقود.

ما الفرق بين LLM ووكيل الذكاء الاصطناعي في الترجمة؟

إن LLM هو نموذج. ترسل نصًا وتستلم نصًا، في استدعاء واحد. أما وكيل الذكاء الاصطناعي فهو نظام مبني حول LLM. فريق الهندسة في Anthropic يفصل بين الاثنين بناءً على من يحدد الخطوات. في سير العمل، يحدد الكود الخطوات مسبقًا. أما في الوكيل، فيختار LLM خطواته وأدواته بنفسه.

يمنح ذلك ثلاثة أشكال للترجمة. الاستدعاء الواحد لنموذج LLM هو الأبسط، ويُرجع إجابة واحدة دون أي إشارة إلى ما إذا كانت تلك الإجابة صحيحة. وسير العمل، مثل تشغيل العديد من النماذج دفعة واحدة ومقارنة النتائج، يتبع مسارًا ثابتًا. يعمل الوكيل في حلقة؛ يقرر ما يجب فعله، وينفذه، ويتحقق من النتيجة. ويمكنه أيضًا طرح سؤال على المستخدم قبل المتابعة.

استدعاء LLM الفردي هو خطوة واحدة. وسير عمل الإجماع يرسل النص نفسه إلى عدة نماذج في وقت واحد، ثم يقارن المخرجات. أما الوكيل فيتحرك في حلقة بين التخطيط والتنفيذ والتحقق، ويمكنه التوقف لطرح سؤال على المستخدم.

                            استدعاء فردي لنموذج LLM                                               سير عمل الإجماع وكيل الذكاء الاصطناعي الخطوات استدعاء واحد عدة استدعاءات في وقت واحد، ثم مقارنة واحدة حلقة من التخطيط والتنفيذ والتحقق السلوك الزمني زمن استجابة نموذج واحد يحدده أبطأ نموذج في المجموعة يزداد مع كل خطوة الخطر الرئيسي إجابة خاطئة واثقة دون أي تحذير تشترك جميع النماذج في نفس الافتراض الضمني تضيف الخطوات الإضافية تأخيرًا ونقاط فشل جديدة ما الذي يساعد                                         وكيل الذكاء الاصطناعي
الخطواتاستدعاء واحداستدعاءات متعددة في وقت واحد، ثم مقارنة واحدةحلقة من التخطيط، والتنفيذ، والتحقق
السلوك الزمنيزمن استجابة نموذج واحديحدده النموذج الأبطأ في المجموعةيزداد مع كل خطوة
الخطر الرئيسيإجابة خاطئة بكل ثقة دون أي تحذيرتشترك جميع النماذج في الافتراض الضمني نفسهالخطوات الإضافية تضيف تأخيرًا ونقاط فشل جديدة
ما الذي يساعدفحص ثانٍسؤال للمستخدمحدود للخطوات وتدقيق بشري

ما الذي تضيفه وكلاء الذكاء الاصطناعي إلى الترجمة، وما هي تكلفتها؟

يضيف الوكيل قرارات لا يمكن لاستدعاء نموذج واحد اتخاذها. حيث يمكنه السؤال عما إذا كانت الجملة يجب أن تكون رسمية أم غير رسمية، كما يمكنه أيضاً البحث عن مصطلح والتحقق من مسودته الخاصة. كل خطوة من هذه الخطوات هي خطوة إضافية، وتضيف كل خطوة وقتاً ونقطة فشل محتملة أخرى.

تتمثل توجيهات Anthropic في البدء بأبسط تصميم يحقق الغرض. استخدم سير عمل لمهمة محددة بوضوح، واستخدم وكيلاً عندما تتطلب المهمة قرارات مرنة. ونحن نتبع القاعدة نفسها، إذ يعد AI Translation Agent طبقة منفصلة تتدخل فقط عندما يترك النص أمراً مفتوحاً، مثل مدى رسمية النص.

أين يندرج إجماع النماذج المتعددة؟

إجماع النماذج المتعددة هو سير عمل ذو مسار ثابت. حيث يُرسل النص نفسه إلى كل نموذج في الوقت ذاته، وتُقارن المخرجات، وتُعاد النسخة التي اتفقت عليها معظم النماذج. وتطلق Anthropic على ممارسة تشغيل محاولات متعددة في وقت واحد لرفع مستوى الثقة اسم التوازي.

المشكلة الهندسية تكمن في الوقت. فإذا عمل 22 نموذجاً واحداً تلو الآخر، فسيكون وقت الانتظار هو مجموع 22 استدعاءً. لكنها تعمل بالتوازي، لذا يتحدد وقت الانتظار بالنموذج الأبطأ في المجموعة، كما نوضح في دليلنا للحصول على ترجمات موثقة داخل Claude أو ChatGPT. وفي أحد أمثلة الإطلاق، قامت خمسة نماذج بترجمة عبارة من أربع كلمات وأعادت نتيجة في غضون 751 مللي ثانية. ويتطلب النص الأطول وقتاً أطول، وتنطبق القاعدة ذاتها.

لقد اختبرنا أحجاماً مختلفة لمجموعة النماذج واستقررنا على 22. فمع عدد نماذج أقل، تضعف دلالة الاتفاق، ومع عدد أكبر، يبدأ التأخير في الظهور تدريجياً. يرى المستخدم نتيجة واحدة، بينما تم العمل الذي جعل النتيجة سريعة قبل النقر.

ما الذي يفوته الإجماع ويمكن للوكيل اكتشافه؟

لا يمكن للإجماع سوى رصد الاختلاف بين النماذج، وبالتالي لا يمكنه اكتشاف خيار اتخذته جميع النماذج بالطريقة نفسها. وفي اختباراتنا للعبارات الشائعة، قامت جميع النماذج السبعة المعروضة بترجمة "good morning" إلى اليابانية بالصيغة الرسمية おはようございます، وهو قرار ضمني بشأن اللباقة لم يسأل أحد المستخدم عنه.

واتبعت العبارة الفرنسية "Je t'aime" النمط نفسه. فقد اتفقت النماذج على ترجمة واحدة، لكن العبارة يمكن أن تعبر عن حب رومانسي أو أفلاطوني أو عائلي، والترجمة المباشرة لا توضح أياً منها. ولا تجد خطوة المقارنة شيئاً لتقارنه عندما تجيب جميع النماذج بالطريقة نفسها.

تلك الفجوة هي السبب في تشغيل AI Translation Agent كطبقة مستقلة. فهو يسأل عن مستوى الرسمية والجمهور والنبرة فقط عندما يتركها النص مفتوحة. يرصد الإجماع النماذج التي تختلف، بينما يرصد الوكيل ما تفترضه جميعها.

ما هي الأنواع المختلفة لوكلاء الذكاء الاصطناعي، وأيها مهم للترجمة؟

تُصنِّف الكتب الدراسية للذكاء الاصطناعي الوكلاء بناءً على كيفية اتخاذهم للقرارات بشأن ما يجب فعله. وتتدرج القائمة التقليدية من وكلاء ردود الفعل البسيطة، الذين يتفاعلون مع المدخلات الحالية، مروراً بالوكلاء القائمين على الأهداف الذين يخططون للوصول إلى نتيجة، وصولاً إلى وكلاء التعلم الذين يطورون أداءهم من التغذية الراجعة.

من منظور الأنظمة، تضيف كل خطوة للأعلى في القائمة حالات وحلقات تكرارية تتطلب صيانة وإدارة. وتستفيد الترجمة إلى أقصى حد من فئة الوكلاء القائمين على الأهداف، نظراً لأن الترجمة تعتمد غالباً على سياق لا تتضمنه الجملة الحالية. وهنا تحديداً يكمن دور AI Translation Agent الخاص بنا، حيث يعمل للوصول إلى ترجمة تناسب السياق، وتعتبر أداته الرئيسية هي توجيه سؤال للمستخدم.

هل توجد نماذج ترجمة ليست نماذج LLMs؟

نعم، لأن الترجمة الآلية العصبية تُدرَّب أنظمتها فقط على الترجمة بين اللغات، مما يجعلها نوعاً مختلفاً من النماذج عن نماذج LLM للأغراض العامة. كما أن بعض النماذج داخل عائلة LLM تعمل أيضاً بطريقة مختلفة. فمعظم نماذج LLMs تُنشئ رمزاً واحداً في كل مرة. بينما يُعد Mercury، من Inception Labs، نموذج لغة انتشاري يُنشئ كتلاً من النصوص بالتوازي، وهو ما نتطرق إليه في مقالنا حول إضافة Gemma وMercury إلى المنصة.

يعتمد الاختيار الأنسب بين واجهة برمجة تطبيقات الترجمة العصبية أو نموذج LLM على طبيعة المهمة. توفر واجهة برمجة تطبيقات الترجمة العصبية نموذجاً مصمماً لمهمة واحدة، بينما يمكن لنموذج LLM اتباع التعليمات والاستفادة من قدر أكبر من السياق. وتضم مجموعة محركات MachineTranslation.com كلاً من محركات الترجمة الآلية التقليدية ونماذج LLMs، بحيث يمكن لطلب واحد استخدام أي من النوعين.

ما هي أقوى نماذج LLMs في الترجمة؟

يعتمد نموذج LLM الأقوى على الزوج اللغوي واتجاه الترجمة، ولهذا السبب لا نختار نموذجاً واحداً على مستوى المنصة. تضم المجموعة كلاً من ChatGPT، وClaude، وGemini، وDeepSeek، وQwen، وGrok، وMistral AI. يعمل كل نموذج بالتوازي، لذا فإن إضافة نموذج أو استبداله لا يضيف أي وقت انتظار. كما أن نتائج الجودة الخاصة بنماذج محددة تستند إلى اختبارات مقارنة النماذج لدينا.

كيف يستخدم وكلاء الذكاء الاصطناعي موقع MachineTranslation.com؟

يمكن لوكلاء ومساعدي الذكاء الاصطناعي استدعاء MachineTranslation.com كأداة. يتيح موصل MCP للمشتركين في الباقات المدفوعة استخدامه من Claude، أو ChatGPT، أو Copilot، أو أي مساعد يدعم الموصلات المخصصة. يمر الطلب عبر المجموعة نفسها المكونة من 22 نموذجاً بالتوازي ويُرجع النسخة التي يتفق عليها معظمها. وبالنسبة للمساعد، تصبح الترجمة مجرد استدعاء أداة واحد، حيث تظل مقارنة النماذج من جانبنا، ولا يرى المستخدم في المحادثة سوى النتيجة.

يمكنك مشاهدة التشغيل المتوازي وأسئلة الوكيل على النص الخاص بك. الصق جملة في MachineTranslation.com وستعمل النماذج في الوقت نفسه، ولن يطرح الوكيل أسئلة إلا إذا تركت الجملة أمراً غير محدد.

الأسئلة الشائعة

1. ما الفرق بين نموذج LLM ووكيل الذكاء الاصطناعي (AI agent)؟

يأخذ نموذج LLM النص ويعيد النص في استدعاء واحد. أما وكيل الذكاء الاصطناعي (AI agent) فهو نظام مبني حول نموذج LLM يختار خطواته بنفسه ويستخدم الأدوات. وهو يتحقق من عمله ويمكنه طرح أسئلة على المستخدم. وفي الترجمة، يقرر الوكيل ما يجب فعله بعد ذلك، بينما ينتج عن الاستدعاء الواحد مجرد إجابة.

2. ما هي الأنواع المختلفة من وكلاء الذكاء الاصطناعي (AI agents)؟

تُصنف الكتب الدراسية الوكلاء إلى وكلاء رد الفعل البسيط (simple reflex)، والقائمين على النماذج (model-based)، والقائمين على الأهداف (goal-based)، والقائمين على المنفعة (utility-based)، ووكلاء التعلم (learning agents)، وذلك حسب كيفية اتخاذهم للقرارات بشأن ما يجب فعله. وتستفيد الترجمة إلى أقصى حد من الوكلاء القائمين على الأهداف الذين يستخدمون أدوات، مثل البحث في المسرد أو طرح سؤال على المستخدم، لأن الترجمة غالبًا ما تعتمد على سياق لا تتضمنه الجملة الحالية.

3. هل توجد نماذج ذكاء اصطناعي ليست نماذج LLM؟

نعم، لأن أنظمة الترجمة الآلية العصبية (neural machine translation) مُدربة فقط على الترجمة وليست نماذج دردشة عامة. كما أن نماذج اللغة القائمة على الانتشار (diffusion language models) مثل Mercury لا تزال نماذج لغوية، وهي تُنشئ النصوص في صورة كتل، بينما تُنشئ معظم نماذج LLM رمزًا واحدًا (token) في كل مرة. ويُشغّل MachineTranslation.com كلاً من محركات الترجمة الآلية التقليدية ونماذج LLM.

4. هل يمكن لوكيل الذكاء الاصطناعي (AI agent) أن يترجم لك؟

نعم، لأن الوكيل يمكنه تشغيل أداة ترجمة والتحقق من النتيجة، كما يمكنه سؤالك عن السياق المفقود مثل النبرة أو الجمهور المستهدف قبل تقديم أي مخرجات. وتتطلب كل خطوة من هذه الخطوات وقتًا إضافيًا. وبالنسبة للنصوص واضحة المعالم، عادةً ما يكون الاستدعاء الفردي للنموذج أو سير العمل (workflow) الثابت أكثر بساطة، لذلك يُعد الوكلاء أكثر ملاءمة للحالات التي تتطلب اتخاذ قرار.

5. هل نموذج LLM أفضل من واجهة برمجة تطبيقات الترجمة العصبية (neural translation API)؟

يعتمد ذلك على طبيعة المهمة، لأن واجهة برمجة تطبيقات الترجمة العصبية تخدم نموذجًا مصممًا

6. ما هي أمثلة نماذج LLM ووكلاء الذكاء الاصطناعي في الترجمة؟

تُعد ChatGPT وClaude وGemini وDeepSeek وQwen نماذج LLMs، ويتولى كل منها الترجمة في استدعاء واحد. ويجمع سير العمل المتوازي بين العديد منها. بينما يضيف وكيل الذكاء الاصطناعي قرارات إلى ذلك، مثل MachineTranslation.com AI Translation Agent، الذي يسأل عن النبرة والجمهور عندما تتركهما الجملة دون تحديد.