| |

كيف تعيد إنتاج GPT Dots بنفسك باستخدام API؟ 7 وحدات لبناء وكيل ذكاء اصطناعي شخصي يعمل 24 ساعة

كيف تعيد إنتاج GPT Dots بنفسك باستخدام API؟ 7 وحدات لبناء وكيل ذكاء اصطناعي شخصي يعمل 24 ساعة

ملاحظة المؤلف: يقدّم هذا المقال شرحًا لكيفية بناء وكيل AI شخصي بنفسك باستخدام واجهة النموذج والأدوات والذاكرة والجدولة وبيئة التنفيذ، ويتخذ من سير عمل لاستخبارات أخبار AI مثالًا لتوضيح مسؤوليات كل جزء من أجزاء النظام المخصص وتكلفته.

باستخدام API، يمكن استنساخ GPT Dots، لكن ما يمكن استنساخه فعليًا هو نمط العمل الخاص به: النموذج يتخذ القرار، والبرنامج ينفّذ، وقاعدة البيانات تحتفظ بالذاكرة، والمجدول يبقي المهام تتقدّم بعد أن تغادر. واجهة النموذج ليست سوى طبقة واحدة من النظام. أما نظام الأدوات والذاكرة طويلة المدى وقائمة انتظار المهام وبيئة التنفيذ وآلية الموافقة، فيحتاج المطوّر إلى بناءها بنفسه. إعدادات النماذج الخاصة لدى OpenAI والكمبيوتر السحابي والمنظومة التي تضم أكثر من 4,000 تطبيق هي جزء من منتج Dots نفسه، ولا يمكن الحصول عليها مباشرةً عبر API. ويشير «24 ساعة» في العنوان إلى طريقة عمل الوكيل على المهام في الخلفية وفق خطة، أما زمن التوفر الفعلي للنظام فيعتمد على الخادم وقائمة الانتظار وآلية إعادة المحاولة.

يسير المقال وفق ترتيب البناء. يقسّم الجزء الأول Dots إلى 7 وحدات، ويحدد ما يقدمه النموذج وما يحتاج إلى بناء ذاتي. ثم تنفّذ الأجزاء من الثاني إلى السادس بالترتيب: ربط النموذج، واستدعاء الأدوات، والذاكرة طويلة المدى، والجدولة الخلفية، وبيئة التنفيذ. ويجمع الجزء السابع هذه المكونات في تصميم كامل لـ Personal AI Radar. ويحسب الجزء الثامن التكلفة الإجمالية، بما في ذلك النفقات غير المتعلقة بالنموذج، ويوضح حدود قدرات الحل المخصص.

build-gpt-dots-personal-ai-agent-with-api-ar-image-0

Table of Contents

ما يجب معرفته: المصطلحات التي تحتاج إليها قبل إعادة إنتاج GPT Dots

المصطلح الشرح
API الواجهة التي يستدعي بها التطبيق النموذج أو خدمة خارجية؛ والمقصود بها هنا أساسًا واجهة استدعاء نماذج اللغة الكبيرة
Agent نظام تطبيقي يستخدم النموذج لاتخاذ القرارات واستدعاء الأدوات لدفع المهمة قدمًا
Function Calling أن يُخرج النموذج طلب استدعاء أداة بصيغة منظمة، فينفّذه برنامجك، ثم يعيد النتيجة إلى النموذج
tool_use / tool_result نوعا الرسائل في واجهة Claude Messages اللذان يمثلان طلب استدعاء الأداة ونتيجة تنفيذها
SQLite قاعدة بيانات مدمجة في ملف واحد، مناسبة لحفظ التفضيلات وحالة المهام والسجلات وغيرها من البيانات الخفيفة
向量检索 تحويل النص إلى متجهات، ثم البحث عن المواد ذات الصلة حسب التشابه الدلالي
任务队列 حفظ المهام التي تنتظر التنفيذ، وتوزيعها على عمّال خلفيين (Workers) حسب الترتيب أو الأولوية
Checkpoint لقطة تقدّم تُحفظ عند وصول المهمة إلى خطوة معينة، ويُستأنف التنفيذ منها بعد الانقطاع
执行环境 الحاسوب أو الحاوية التي تعمل عليها فعليًا عمليات المتصفح والكود والملفات
Playwright مكتبة أتمتة تتحكم بالمتصفح برمجيًا، تُستخدم لفتح الصفحات والنقر واستخراج المحتوى
Prompt Injection هجوم تُخفي فيه صفحة ويب أو مستند تعليمات خبيثة تحاول اختطاف سلوك الـ Agent
MCP بروتوكول مفتوح يربط تطبيقات النماذج بالأدوات الخارجية ومصادر البيانات

1 ما الوحدات التي يتكوّن منها GPT Dots

1.1 القدرات الرسمية لـ GPT Dots

Dots هو Agent شخصي دائم أطلقته OpenAI في 29 سبتمبر 2026. ووفقًا للمواد الرسمية، يمتلك حاسوبًا سحابيًا ومتصفحًا خاصًا به، وحتى بعد إغلاق المستخدم لجهازه تستمر المهام السحابية التي تم تكليفها بالتنفيذ. ويستطيع أن يجمع بين ذاكرة ChatGPT وملاحظاته الخاصة وبيانات التطبيقات المتصلة، وأن يعمل على عدة مشاريع في الوقت نفسه، وأن يتواصل مع المستخدم عبر ChatGPT وSlack وMicrosoft Teams وغيرها.

وتتضمّن طريقة عمل Dots ثلاث آليات أساسية. البحث الاستباقي (Proactive Research) يقرأ في الخلفية مصادر المعلومات المصرّح بها ويُكوّن ملاحظات بحثية، وهذه العملية للقراءة فقط، أما الخطوات اللاحقة فتحتاج إلى مسار الموافقة المعتاد. المهام المجدولة ومراقبة الأحداث تتيح لـ Dot أن يعمل بشكل مستمر وفق جدول زمني أو وفق حدث معيّن. أما Custom Rules وAuto-review فتتحققان من الصلاحيات ومن نوايا المستخدم قبل عمليات مثل إرسال البريد أو الشراء، في حين أن العمليات عالية المخاطر كالتحويلات المالية وتغيير كلمات المرور يجب أن يتولاها المستخدم بنفسه.

1.2 الوحدات السبع في GPT Dots وعلاقتها بحل البناء الذاتي

إذا فكّكنا قدرات Dots نحصل على 7 وحدات. ويسرد الجدول التالي ما يقابل كل وحدة في حل البناء الذاتي:

الوحدة كيف تظهر في Dots التنفيذ المقابل في حل البناء الذاتي من يوفّرها
النموذج الاستدلال والتخطيط واختيار الأدوات واجهات API لنماذج مثل GPT وClaude وGemini وDeepSeek خدمة النماذج
وحدة تحكم Agent تفكيك المهام وتنسيق المشاريع المتعددة حلقة مكتوبة يدويًا أو LangGraph أو OpenAI Agents SDK المطوّر
الأدوات المتصفح وإضافات التطبيقات وCodex Function Calling + دوال أدوات تنفّذها بنفسك + خدمات MCP المطوّر
الذاكرة ChatGPT Memory وملاحظات Dot وسياق المشروع SQLite + استرجاع بالمتجهات + نظام الملفات المطوّر
جدولة المهام المهام المجدولة ومراقبة الأحداث وAgent في الخلفية APScheduler وCelery وقائمة انتظار Redis المطوّر
بيئة التنفيذ حاسوب سحابي مستقل خادم سحابي وDocker وPlaywright المطوّر
الموافقة الأمنية Custom Rules وAuto-review وتدخّل المستخدم قائمة أدوات مسموحة وقائمة موافقات وسجل عمليات المطوّر

في هذا الجدول، الصف الأول وحده يوفّره API النموذج مباشرة، أما الصفوف الستة الباقية فكلها تحتاج إلى تنفيذ هندسي. وهذا هو سبب أنك لا تستطيع الحصول على قدرات Dots الكاملة بمفتاح API واحد: فمفتاح API يفتح لك مدخل استدعاء النموذج فقط، أما أيدي Agent وأقدامه وذاكرته ونظام أوقاته فعليك أن تبنيها بنفسك.

build-gpt-dots-personal-ai-agent-with-api-ar-image-1

2 إعداد واجهات النماذج اللازمة لإعادة إنتاج GPT Dots

2.1 الوصول إلى نماذج متعددة عبر APIYI

يوفر APIYI (apiyi.com) واجهات متوافقة مع OpenAI وواجهة Messages الأصلية من Claude، ويمكن لمفتاح API واحد استدعاء نماذج من عدة جهات. تختلف البروتوكولات التي يستخدمها كل نموذج، لذا يجب التمييز بينها عند الإعداد:

نوع النموذج البروتوكول عنوان URL الأساسي حقول استدعاء الأدوات
نماذج متوافقة مع OpenAI مثل GPT وDeepSeek وQwen OpenAI Chat Completions https://api.apiyi.com/v1 tools / tool_calls
Claude Anthropic Messages (/v1/messages) https://api.apiyi.com tool_use / tool_result
Gemini بروتوكول متوافق مع Gemini يُضبط وفق الواجهة المقابلة في الوثائق الرسمية وفق البروتوكول المقابل

تُعتمد معرّفات النماذج والأسعار اللحظية على قائمة النماذج في المنصة. ويقرأ الكود التالي معرّفات النماذج من متغيرات البيئة بشكل موحّد، بحيث لا يتطلب تبديل النموذج سوى تعديل الإعدادات، بينما يبقى كود الوكيل (Agent) دون تغيير.

2.2 الحد الأدنى من استدعاء النموذج لإعادة إنتاج GPT Dots

نبدأ أولًا بالتأكد من أن الاتصال بالواجهة يعمل. احفظ الكود التالي في ملف باسم llm.py، لأن الفصول اللاحقة ستستورد منه الكائن client:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["APIYI_API_KEY"],
    base_url="https://api.apiyi.com/v1",  # واجهة APIYI المتوافقة مع OpenAI
)
MODEL = os.environ["RADAR_MODEL"]  # أدخل معرّف النموذج المتاح فعليًا في قائمة النماذج

if __name__ == "__main__":
    resp = client.chat.completions.create(
        model=MODEL,
        messages=[{"role": "user", "content": "用三句话说明什么是个人 AI Agent"}],
    )
    print(resp.choices[0].message.content)

أما Claude، فعند استخدام واجهة Messages الأصلية نعتمد على حزمة SDK الخاصة بـ Anthropic، مع عنوان Base URL بدون /v1:

import os
import anthropic

claude = anthropic.Anthropic(
    api_key=os.environ["APIYI_API_KEY"],
    base_url="https://api.apiyi.com",  # تقوم حزمة SDK بإلحاق /v1/messages تلقائيًا
)

resp = claude.messages.create(
    model=os.environ["CLAUDE_MODEL"],
    max_tokens=1024,
    tools=[{
        "name": "search_news",
        "description": "检索近期 AI 新闻",
        "input_schema": {
            "type": "object",
            "properties": {"query": {"type": "string"}},
            "required": ["query"],
        },
    }],
    messages=[{"role": "user", "content": "查一下今天的模型发布新闻"}],
)
for block in resp.content:
    if block.type == "tool_use":
        print(block.id, block.name, block.input)

بعد أن يُرجع Claude الكتلة tool_use، ينفّذ برنامجك الأداة المطلوبة، ثم يرسل كتلة tool_result بدور role: user، بحيث يُطابق الطلب عبر tool_use_id. وإذا فشلت الأداة فاضبط is_error: true، وسيستفيد النموذج من ذلك لتعديل خطوته التالية.

🚀 بداية سريعة: شغّل مقطعَي الكود أعلاه أولًا باستخدام حصة الاختبار المجانية من APIYI، وتأكد من أن كلا المسارين — المتوافق مع OpenAI وواجهة Claude الأصلية — يعيدان استدعاءات الأدوات، ثم انتقل إلى تطوير الـ Agent.

2.3 الاختلافات في توافق الواجهات وقدرات استدعاء الأدوات

توافق البروتوكول يحل مسألة «أن الطلب يمكن إرساله»، لكن أداء النماذج المختلفة في استدعاء الأدوات لا يزال متفاوتًا. منهجية اختبار استدعاء الأدوات متعدد النماذج التي نشرتها APIYI في تشرين الثاني/نوفمبر 2026 حددت عدة نقاط للتركيز عند المراقبة: تتجه Gemini إلى الاستدعاءات المتوازية وما إذا كان JSON النهائي مختلطًا بنص إضافي، ويتجه Qwen إلى الاختيار في ظل وجود أدوات مُشوّشة وربط المعرّفات في الجولات المتعددة، ويتجه Claude إلى معالجة is_error وعدد جولات الاستدعاء، ويتجه GPT إلى درجة الالتزام الصارم بـ Schema واستهلاك Token.

هذه نقاط مراقبة في الاختبار، ولا تفترض مسبقًا أن أي نموذج أفضل من غيره. من المستحسن إعطاء النماذج المرشحة نفس تعريفات الأدوات والمهام، وتسجيل عدد الاستدعاءات وعدد أخطاء المعاملات وإجمالي Token ومعدل الدقة النهائي، ثم اختيار النموذج الأساسي للوكيل (Agent) بناءً على البيانات.

يحتاج Responses API أيضًا إلى تحقق منفصل. النماذج التي تسردها واجهة /v1/responses وفقًا لوثائق APIYI هي أساسًا طرازات مثل GPT-4.1 وo3، بينما تشير وثائق استدعاء الأدوات الحالية من OpenAI إلى أن GPT-6 Astra وGPT-6.1 Sol تستخدمان Responses API. وإذا كنت تخطط للاستفادة من قدرات Responses API في النماذج الجديدة، فينبغي أن تضع استدعاء الأدوات والأدوات المدمجة وإدارة الحالة ضمن بنود اختبار التوافق، وأن تتحقق من كل بند على حدة قبل النشر.

3 استخدام Function Calling لجعل وكيل على نمط GPT Dots ينفّذ المهام

3.1 حلقة عمل Function Calling

تتكوّن حلقة Function Calling من أربع خطوات فقط: يرسل البرنامج المهمة وتعريفات الأدوات إلى النموذج؛ فيعيد النموذج اسم الأداة والمعاملات التي يريد استدعاءها؛ ثم ينفّذ البرنامج الأداة فعليًا؛ وبعدها يضيف البرنامج نتيجة التنفيذ إلى الرسائل ويعيد إرسالها إلى النموذج، ليقرر النموذج ما إذا كان سيستدعي أداة أخرى أم سيقدّم الإجابة.

النقطة الحاسمة هي الخطوة الثالثة. فالنموذج يولّد طلب الاستدعاء فقط، بينما الوصول إلى محرك البحث وقراءة الملفات وكتابتها وإرسال الرسائل كلها تتم عبر شفرتك البرمجية. لذلك فإن نطاق صلاحيات الأدوات والتحقق من المدخلات ومعالجة الفشل تقع جميعها على عاتق المطوّر.

3.2 نظام أدوات مصغّر مكوّن من ثلاث أدوات

يحتاج Personal AI Radar إلى ثلاث أدوات أساسية: search_news لاسترجاع الأخبار، وread_file لقراءة المواد من دليل العمل، وsave_note لحفظ النتائج المنظمة في مخزن الملاحظات. فيما يلي حلقة الوكيل الكاملة:

عرض الشيفرة الكاملة لحلقة استدعاء الأدوات كما أعاد إنتاجها GPT Dots
import json
import pathlib
import sqlite3
from llm import client, MODEL

WORKDIR = pathlib.Path("./workspace").resolve()
DB_PATH = "radar.db"

TOOLS = [
    {"type": "function", "function": {
        "name": "search_news",
        "description": "检索近期 AI 新闻,返回标题、链接、发布时间和摘要列表",
        "parameters": {
            "type": "object",
            "properties": {
                "query": {"type": "string"},
                "days": {"type": "integer", "minimum": 1, "maximum": 7},
            },
            "required": ["query"],
        },
    }},
    {"type": "function", "function": {
        "name": "read_file",
        "description": "读取工作目录中的文本文件",
        "parameters": {
            "type": "object",
            "properties": {"path": {"type": "string"}},
            "required": ["path"],
        },
    }},
    {"type": "function", "function": {
        "name": "save_note",
        "description": "把一条整理好的新闻资料保存到资料库",
        "parameters": {
            "type": "object",
            "properties": {
                "title": {"type": "string"},
                "url": {"type": "string"},
                "summary": {"type": "string"},
                "project": {"type": "string"},
            },
            "required": ["title", "url", "summary", "project"],
        },
    }},
]

def search_news(query: str, days: int = 1):
    # اربط خدمة البحث التي تختارها: واجهة بحث API، أو تجميع RSS، أو كشط بيانات من إعدادك الخاص
    raise NotImplementedError("请接入实际的搜索服务")

def read_file(path: str):
    p = (WORKDIR / path).resolve()
    if not p.is_relative_to(WORKDIR):          # اسمح بالقراءة من دليل العمل فقط
        return {"error": "path outside workspace"}
    return {"content": p.read_text(encoding="utf-8")[:20000]}

def save_note(title: str, url: str, summary: str, project: str):
    with sqlite3.connect(DB_PATH) as db:
        db.execute(
            "INSERT OR IGNORE INTO notes(url, title, summary, project) VALUES (?, ?, ?, ?)",
            (url, title, summary, project),
        )
    return {"saved": True}

REGISTRY = {"search_news": search_news, "read_file": read_file, "save_note": save_note}

def run_agent(task: str, system: str, max_rounds: int = 8) -> str:
    messages = [
        {"role": "system", "content": system},
        {"role": "user", "content": task},
    ]
    for _ in range(max_rounds):
        msg = client.chat.completions.create(
            model=MODEL, messages=messages, tools=TOOLS,
        ).choices[0].message
        messages.append(msg.model_dump(exclude_none=True))

        if not msg.tool_calls:
            return msg.content

        for call in msg.tool_calls:
            fn = REGISTRY.get(call.function.name)
            try:
                args = json.loads(call.function.arguments or "{}")
                result = fn(**args) if fn else {"error": "unknown tool"}
            except Exception as e:
                result = {"error": f"{type(e).__name__}: {e}"}
            messages.append({
                "role": "tool",
                "tool_call_id": call.id,
                "content": json.dumps(result, ensure_ascii=False),
            })
    raise RuntimeError("超过最大工具调用轮次")

يحتوي هذا الكود على ثلاثة قرارات تصميمية تستحق الاحتفاظ بها. يحدّ max_rounds من عدد الدورات، فيمنع النموذج من استدعاء الأداة نفسها مرارًا واستهلاك الرموز (Token). وتُغلّف أخطاء الأدوات بالشكل {"error": ...} وتُعاد إلى النموذج، ليتاح له فرصة تغيير المعاملات أو تغيير الخطة. أما read_file فيقيّد نطاق القراءة داخل دليل العمل عبر التحقق من المسار، وهذه أبسط حدود صلاحيات ممكنة.

3.3 من الحلقة المكتوبة يدويًا إلى إطار عمل الوكيل

تناسب الحلقة المكتوبة يدويًا السيناريوهات ذات المهمة المفردة والأدوات القليلة. وعندما تحتاج المهمة إلى استئناف بعد الانقطاع، أو موافقة بشرية، أو تفرّعات معقدة، يمكن الانتقال إلى LangGraph: فهو يوفر State لحفظ حالة المهمة، وCheckpointer لتخزين التقدم بشكل دائم، وHuman-in-the-loop لإيقاف التنفيذ مؤقتًا وانتظار المراجعة. كما يوفر OpenAI Agents SDK تنسيق سير العمل وGuardrails. ومع تزايد عدد الأدوات، يمكن استخدام MCP لتغليف قدرات مثل البحث والملفات والبريد الإلكتروني في خدمات مستقلة، بحيث يمكن لعدة وكلاء إعادة استخدامها.

4 إنشاء ذاكرة طويلة المدى للعميل من نوع GPT Dots

4.1 تقسيم الذاكرة إلى أربع طبقات

سياق Dots يأتي من ChatGPT Memory، وملاحظات Dot الخاصة، وسياق المهمة الحالية، وبيانات التطبيقات المتصلة، والمهام الجديدة تسترجع التاريخ عند الحاجة فقط، ولا تُحمّل سجل الدردشة الكامل. يمكن للعميل المبني ذاتيًا أن يتبع المنطق نفسه، فيدير الذاكرة على شكل طبقات:

طبقة الذاكرة المحتوى المخزن دورة الحياة وقت الكتابة
السياق الحالي تعليمات المهمة الحالية، أحدث نتائج الأدوات المهمة الحالية كل جولة محادثة
ذاكرة المشروع أهداف المشروع، القرارات الرئيسية، التقدم طوال فترة المشروع عند اكتمال المهمة أو تغيّر القرار
ذاكرة المستخدم التفضيلات، المجالات محل الاهتمام، صيغة التقرير طويلة المدى عند التعبير الصريح عن تفضيل
ذاكرة الخبرة أسباب الفشل، طرق التصحيح طويلة المدى، تُحدَّث وفق قواعد بعد فشل المهمة أو تعديل المستخدم لها

في كل استدعاء للنموذج، يُوضع في الموجه السياق الحالي فقط مضافًا إليه الذكريات ذات الصلة المسترجعة. أما دفع جميع رسائل التاريخ في الطلب فيرفع تكلفة الرموز (Tokens) ويقلل جودة الاسترجاع في آن واحد.

4.2 تصميم بنية جداول SQLite

تغطي البنية التالية طبقات الذاكرة الأربع وحالة المهمة، ويتولى جدول runs أيضًا استئناف التنفيذ من نقطة التوقف الموصوفة في الجزء الخامس:

CREATE TABLE IF NOT EXISTS user_memory (
    key TEXT PRIMARY KEY, value TEXT, updated_at TEXT
);
CREATE TABLE IF NOT EXISTS projects (
    id TEXT PRIMARY KEY, goal TEXT, decisions TEXT, status TEXT, updated_at TEXT
);
CREATE TABLE IF NOT EXISTS runs (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    project_id TEXT, run_date TEXT,
    next_stage TEXT, state_json TEXT,
    status TEXT, error TEXT, updated_at TEXT,
    UNIQUE (project_id, run_date)
);
CREATE TABLE IF NOT EXISTS notes (
    url TEXT PRIMARY KEY, title TEXT, summary TEXT, project TEXT,
    created_at TEXT DEFAULT CURRENT_TIMESTAMP
);
CREATE TABLE IF NOT EXISTS lessons (
    id INTEGER PRIMARY KEY AUTOINCREMENT,
    project_id TEXT, lesson TEXT, created_at TEXT
);

يستخدم notes حقل URL كمفتاح رئيسي، وعند تكرار جلب الخبر نفسه تُزال التكرارات تلقائيًا. ويضمن القيد الفريد (project_id, run_date) في runs وجود سجل تشغيل واحد فقط لكل مشروع في اليوم الواحد، بحيث يمكن العثور على تقدم اليوم نفسه بعد إعادة التشغيل.

4.3 استرجاع المواد التاريخية بالبحث المتجهي

تُستعلم البيانات المهيكلة عبر SQL، أما المواد المرتبطة دلاليًا فتُسترجع بالبحث المتجهي. الطريقة هي توليد متجهات تضمين من notes.summary وlessons.lesson، وتخزينها في قاعدة متجهات مثل sqlite-vec أو Chroma، مع تسجيل المشروع والتاريخ والمصدر في البيانات الوصفية. عند توليد الموضوعات، يُبحث أولاً باستخدام أخبار اليوم عن مواد مشابهة من آخر 30 يومًا، وتُرفق بضع ملخصات مطابقة في الموجه، فيستطيع النموذج أن يقرر «هل هذا الخبر تطور لموضوع قائم أم حدث جديد تمامًا»، دون أن يضطر المستخدم إلى شرح الخلفية في كل مرة.

5 إبقاء وكيل بأسلوب GPT Dots يعمل باستمرار في الخلفية

5.1 الفرق بين ثلاث آليات للعمل في الخلفية

يتضمن التشغيل في الخلفية ثلاث آليات، لكل منها مسؤوليات مختلفة. المهام المجدولة يشغّلها مجدول النظام مثل APScheduler وcron وفقًا للوقت، وهي تجيب عن سؤال «متى يبدأ التنفيذ؟». طلبات النموذج في الخلفية تعني استجابات غير متزامنة مثل OpenAI Background Mode: بعد إرسال الطلب تحصل على response ID، ثم تستقصي الحالة وتستعيد النتيجة. ولها دورة حياة وشروط احتفاظ بالبيانات خاصة بها، وتناسب الاستدلال الذي يستغرق وقتًا طويلاً في مرة واحدة. جدولة الوكيل طويلة الأمد تتكون من طابور مهام وحالة محفوظة دائمًا وWorker، وتتولى دفع المهام الممتدة عبر أيام ومراحل متعددة، وإعادة المحاولة والاستعادة.

تدفق البيانات الموصى به هو: المجدول ← طابور المهام ← عامل الوكيل ← API النموذج ← تنفيذ الأدوات ← قاعدة بيانات النتائج ← الإشعار. تُدار المهام الدورية والمهام الطويلة بشكل منفصل؛ فالمهام الدورية مسؤوليتها الوحيدة إرسال المهام إلى الطابور، بينما يتقدم العامل في المهام الطويلة وفقًا للحالة.

5.2 نقاط تحقق مرحلية وإعادة المحاولة عند الفشل

فيما يلي هيكل الجدولة الأساسي لـ Personal AI Radar. بعد إكمال كل مرحلة تُكتب Checkpoint مرة واحدة، وعند إعادة تشغيل العملية تستأنف من next_stage:

import time
from datetime import date
from apscheduler.schedulers.blocking import BlockingScheduler
from radar_store import load_or_create_run, save_checkpoint, mark_failed
from radar_stages import HANDLERS, TransientError
from notify import notify_owner

STAGES = ["collect", "verify", "analyze", "topics", "report"]

def daily_radar():
    run = load_or_create_run("ai-radar", date.today().isoformat())
    if run.status == "done":
        return
    start = STAGES.index(run.next_stage)
    for stage in STAGES[start:]:
        for attempt in range(3):
            try:
                run.state = HANDLERS[stage](run.state)
                save_checkpoint(run, done_stage=stage)   # الكتابة في جدول runs
                break
            except TransientError:                       # أخطاء عابرة قابلة لإعادة المحاولة مثل الشبكة وتحديد المعدل
                time.sleep(30 * 2 ** attempt)
        else:
            mark_failed(run, stage)
            notify_owner(f"Radar 在 {stage} 阶段失败,进度已保存")
            return

sched = BlockingScheduler(timezone="Asia/Shanghai")
sched.add_job(daily_radar, "cron", hour=8, minute=0,
              misfire_grace_time=3600, max_instances=1)
sched.start()

يمنع max_instances=1 بدء تشغيل مكرر قبل انتهاء الجولة السابقة، ويتيح misfire_grace_time إعادة تشغيل مهمة اليوم بعد تعطل الخادم لفترة قصيرة. عند الفشل، يُحتفظ بالتقدم ويُخطر المستخدم، وعند التشغيل التالي تستأنف العملية من المرحلة التي فشلت. تُسجَّل مدخلات كل مرحلة ومخرجاتها والوقت المستغرق وكمية Tokens المستخدمة، مما يسهّل استكشاف الأخطاء وحساب التكلفة.

6 إعطاء وكيل على نمط GPT Dots حاسوبًا يمكنه العمل عليه

6.1 توزيع الأدوار بين أربعة أنواع من بيئات التنفيذ

يمتلك Dots حاسوبًا سحابيًا خاصًا به. وعند البناء الذاتي، يتعين على المطور توفير هذا الجزء، وهناك أربعة خيارات شائعة:

  • Playwright: يتحكم في المتصفح عبر الشفرة البرمجية، ومناسب لاستخراج بيانات الويب ذات البنية المستقرة، واستخراج البيانات بعد تسجيل الدخول؛ سلوكه متوقع وتكلفته منخفضة.
  • Browser Use: يتيح للنموذج التحكم في المتصفح باللغة الطبيعية، ومناسب لمهام الويب ذات بنية الصفحات المتغيرة والخطوات غير الثابتة، ويستهلك كل خطوة استدعاءً للنموذج.
  • Computer Use: يلاحظ النموذج لقطات الشاشة ويتحكم في الفأرة ولوحة المفاتيح، ومناسب لبرامج سطح المكتب التي لا توفر API، ويحتاج إلى التشغيل ضمن بيئة سطح مكتب افتراضي.
  • Docker: بيئة معزولة لتنفيذ الشفرة ومعالجة الملفات؛ تعمل النصوص البرمجية التي يولّدها الوكيل داخل الحاوية، ولا تؤثر الأخطاء في الجهاز المضيف.

6.2 الجمع بين قرار النموذج وبيئة التنفيذ

تتولى API النموذج اتخاذ القرار، وتتولى بيئة التنفيذ التنفيذ الفعلي، ويُربط بينهما عبر دوال الأدوات. والمزيج النموذجي في Radar هو: يستخرج Playwright نص الخبر، وتشغّل حاوية Docker نصًا برمجيًا لتنظيف البيانات، ولا يتلقى النموذج سوى النص بعد التنظيف لاتخاذ القرار. تُمرَّر محتويات صفحات الويب إلى النموذج دائمًا بوصفها «مادة مرجعية»، ويوضح موجه النظام صراحةً أنه لا يجوز تنفيذ التعليمات الواردة في المادة، كما تُدرج كل أدوات الإرسال والنشر في قائمة انتظار الموافقة، وبذلك يقل خطر حقن الموجهات (Prompt Injection).

🎯 نصيحة تقنية: تؤدي استدعاءات الأدوات المرتبطة ببيئة التنفيذ إلى زيادة ملحوظة في عدد دورات المحادثة. قبل الإطلاق، يمكنك على APIYI استخدام مجموعة تعريفات الأدوات نفسها لمقارنة عدد الدورات واستهلاك الـ Token لدى عدة نماذج مرشحة، ثم تحديد النموذج الأساسي والنموذج الاحتياطي.

7 تطبيق عملي: بناء Personal AI Radar باستخدام API

فيما يلي التصميم المقترح لـ Personal AI Radar، ويعرض سير العمل الكامل من جمع المعلومات إلى التقرير اليومي. تعتمد النتائج الفعلية لكل مرحلة على النموذج الذي تختاره، وخدمة البحث، ومصادر المعلومات، ويجب التحقق منها ببيانات حقيقية قبل التشغيل.

build-gpt-dots-personal-ai-agent-with-api-ar-image-2

7.1 المراحل الخمس لـ Personal AI Radar

  1. الجمع (collect): استدعِ search_news للبحث في أخبار الـ 24 ساعة الماضية حسب الكلمات المفتاحية التي يتابعها المستخدم، واستخدم Playwright لكشط النص الكامل، ثم أزل التكرار حسب URL وخزّن النتيجة في حالة مؤقتة.
  2. التحقق (verify): قارن بشكل متقاطع بين عدة مصادر للحدث الواحد، وأعط الأولوية للإعلانات الرسمية والمصادر الأولية، وعلّم المدخلات التي لها مصدر واحد فقط بحالة «بانتظار التحقق».
  3. التحليل (analyze): يُخرج النموذج لكل خبر JSON منظمًا، يشمل ملخص الحدث، والوقائع الرئيسية ومصادرها، ودرجة الصلة بمجالات اهتمام المستخدم؛ وفي الوقت نفسه يبحث في المواد التاريخية ليحدد هل هو حدث جديد أم تطور لموضوع قائم.
  4. المواضيع (topics): بالاستفادة من تفضيلات المستخدم في الذاكرة والمواضيع المكتوبة سابقًا في ذاكرة المشروع، يولّد مواضيع مرشحة، وكل موضوع مرفق بملخص وقائع وروابط المصادر، ويُكتب في جدول notes.
  5. التقرير (report): يولّد الموجز اليومي ويدفعه إلى المستخدم؛ يرد المستخدم في المحادثة بأوامر مثل «تعديل» و«إعادة التشغيل» و«اعتماد»، فيحدّث الوكيل ذاكرة المشروع ويعيد التنفيذ حسب الحاجة.

7.2 الإعدادات الرئيسية ومعالجة الأخطاء

يُنصح بتركيز إعدادات Radar الأساسية في ملف YAML واحد، ويشمل الكلمات المفتاحية المتابعة، والقائمة البيضاء لمصادر المعلومات، ومعرّفات النموذج الرئيسي والنموذج الاحتياطي، ووقت التشغيل اليومي، والمنطقة الزمنية، والحد الأقصى لدورات الأدوات في المرة الواحدة، والحد الأعلى لميزانية الـ Token اليومية. تُحقن معرّفات النموذج عبر متغيرات البيئة، فلا حاجة لتعديل الشيفرة عند تبديل النموذج.

تُميَّز معالجة الأخطاء حسب النوع. تُعاد الأخطاء المؤقتة مثل مهلة الشبكة وتحديد معدل الطلبات (rate limiting) بتراجع أسي (exponential backoff)؛ وعند فشل تحليل الـ JSON الذي يخرجه النموذج، تُعيد رسالة الخطأ كنتاج للأداة، ليعيد النموذج التوليد مرة واحدة؛ وعند فشل النموذج الرئيسي بشكل متتالٍ، يُنتقل إلى النموذج الاحتياطي؛ وعند تجاوز استخدام الـ Token اليومي للميزانية، تُتخطى المدخلات منخفضة الصلة في مرحلة التحليل، ويُذكر ذلك في الموجز. كل إجراءات النشر والإرسال الخارجي للبريد تولّد مسودات فقط، بانتظار تأكيد المستخدم.

8 تكلفة وكيل على طريقة GPT Dots المبني ذاتيًا وحدود قدراته

8.1 التكاليف الخمسة للحل المبني ذاتيًا

يمكن كتابة التكلفة الإجمالية للوكيل المبني ذاتيًا على النحو التالي:

C_total = C_model + C_server + C_database + C_tools + C_maintenance

  • رموز النموذج (Tokens): تُجمع تكلفة كل استدعاء وفق رموز الإدخال ÷ 10⁶ × سعر الإدخال + رموز الإخراج ÷ 10⁶ × سعر الإخراج. وعند التشغيل طويل الأمد يجب أيضًا احتساب عدد دورات استدعاء الأدوات، وعدد مرات إعادة المحاولة، وإعادة نقل السياق، وحالة إصابة التخزين المؤقت (cache hit).
  • الخادم: الآلة السحابية التي تشغّل المجدول (Scheduler) وWorker والمتصفح؛ فأتمتة المتصفح تتطلب ذاكرة كبيرة نسبيًا.
  • قاعدة البيانات: SQLite مجاني في الأساس، لكن عندما يكبر حجم البيانات ويتم الانتقال إلى PostgreSQL أو إلى قاعدة متجهات مُدارة، تظهر تكاليف التخزين.
  • الأدوات: الخدمات الخارجية مثل واجهة برمجة تطبيقات البحث ووكيل الزحف إلى صفحات الويب وخدمات الإشعارات، وتُحتسب إما لكل استخدام أو شهريًا.
  • الصيانة: ساعات عمل المطور الناتجة عن تغيير مصادر المعلومات وتحديث النماذج وترقية التبعيات، وهي غالبًا أعلى بند من حيث النسبة على المدى الطويل.

8.2 مرجع أسعار النماذج

قدّم البيان التقني من APIYI بتاريخ 13 نوفمبر 2026 أمثلة أسعار نماذج Claude التالية، ويمكن استخدامها لتقدير تكلفة النموذج:

النموذج الإدخال / مليون Token الإخراج / مليون Token قراءة التخزين المؤقت / مليون Token المنصة المتاحة
Claude Opus 5.5 $4 $20 $0.20 APIYI
Claude Sonnet 5.5 $2 $10 $0.10 APIYI
Claude Fable 5.2 $8 $40 $0.20 APIYI

تتحدد النماذج المتاحة فعليًا والمجموعات والأسعار اللحظية وفق قائمة النماذج على docs.apiyi.com/models. لا تعكس الأسعار إلا سعر الوحدة، أما معدل نجاح المهمة فيلزم اختباره منفصلًا بطريقة القسم 2.3. معظم المدخلات في مهام من نوع Radar تتكون من موجهات نظام متكررة ومواد تاريخية، وسعر قراءة التخزين المؤقت أقل بكثير من سعر الإدخال العادي، ويُعد الاستخدام المعقول للتخزين المؤقت الوسيلة الرئيسية للتحكم في تكلفة Token.

build-gpt-dots-personal-ai-agent-with-api-ar-image-3

8.3 مقارنة تكاليف اشتراك Dots

بالنسبة للمستخدمين الأفراد، تبلغ الرسوم الشهرية لـ ChatGPT Pro 100 وPro 200 وPro 500 على الترتيب 100 دولار و200 دولار و500 دولار. وجميع الفئات الثلاث مؤهلة لاستخدام Dots، ولم تعلن الشركة رسميًا عن رسوم شهرية منفصلة لـ Dot في خطة Pro الشخصية. وتُحتسب مهام ChatGPT Work أو Codex التي يكلّف بها Dot وفق حدود المنتج المعني وقواعده، ويعتمد الاستهلاك على النموذج ونافذة السياق والاستدلال واستدعاءات الأدوات وحجم الاسترجاع. ويتطلب اشتراك Pro الشخصي أن يكون المستخدم قد بلغ 18 عامًا، وهو غير متاح حاليًا في المنطقة الاقتصادية الأوروبية والمملكة المتحدة وسويسرا.

أما بالنسبة للشركات، فيمكن لمساحات عمل Enterprise المؤهلة اختيار رسوم ثابتة حسب نوع العمل أو الفوترة حسب الاستخدام. وتبدأ فوترة Dots المفعّلة اعتبارًا من 18 نوفمبر 2026، بينما كانت فترة المعاينة السابقة مجانية، وتُفوتر المهام الموكلة إلى Work أو Codex بشكل منفصل. ويُعتمد المبلغ الدقيق على العرض السعري المطبق فعليًا على مساحة العمل.

8.4 حدود قدرات الحلول المبنية ذاتيًا

يمكن للحلول المبنية ذاتيًا أن تعيد إنتاج نموذج العمل الأساسي لـ Dots بشكل كامل: مواصلة تنفيذ المهام باستمرار، والذاكرة متعددة الطبقات، واستدعاء الأدوات، والجدولة الزمنية، والموافقة البشرية. وتكمن ميزتها في إمكانية تبديل النموذج بحرية، والتحكم الكامل في البيانات والعمليات، وتخصيص سير العمل بحسب عمق الأعمال.

أما الأجزاء الحصرية من Dots فتتطلب منك سدّها بنفسك أو قبول الفجوة: إعدادات النماذج الداخلية لدى OpenAI، والحاسوب السحابي الخاص بـ Dot، ومنظومة تضم أكثر من 4,000 إضافة تطبيق، وقنوات اتصال عبر Slack وTeams، ونظام مراجعة الأمان Auto-review. وللدots نفسها حدود أيضًا؛ فقد أظهر اختبار ميداني أجراه مراسل Axios في أكتوبر 2026 أن Dots يستطيع إنجاز تخطيط رحلة متعددة الخطوات وإعداد ألبوم تذكاري من 38 صفحة، لكن المحتوى تضمّن إحصاءات تستحق التشكيك، كما وجّه المستخدم في خطوة التسوق لإكمالها بنفسه. وبالمثل، يحتاج الوكيل المبني ذاتيًا إلى مراجعة بشرية للنتائج، ويجب الإبقاء على تأكيد بشري للعمليات المتعلقة بالحسابات والأموال.

الأسئلة الشائعة FAQ

س1: هل يمكن الحصول على كل قدرات GPT Dots مباشرةً من خلال مفتاح API واحد؟

مفتاح API يوفّر قدرة استدعاء النموذج فقط. أما الذاكرة والأدوات والجدولة وبيئة التنفيذ والموافقات، فكلها تحتاج إلى بناء خاص بك. كما أن حاسوب Dots السحابي الحصري وبيئته التطبيقية لا يمكن الحصول عليهما عبر API. باستخدام مفتاح واحد من APIYI apiyi.com يمكنك التنقل بسهولة بين عدة نماذج، بينما يبقى باقي الـ Agent بحاجة إلى التنفيذ وفق الأقسام من الثالث إلى السادس في هذا المقال.

س2: عند إعادة بناء GPT Dots، هل أستخدم الواجهة المتوافقة مع OpenAI أم واجهة Claude الأصلية؟

كلاهما يمكن ربطه بالـ Agent نفسه. نماذج مثل GPT وDeepSeek تسلك الواجهة المتوافقة مع OpenAI، أما Claude فيمكنه عبر واجهة Messages الأصلية استخدام آليات `tool_use` و`tool_result` و`is_error` بشكل كامل. ننصح بتجريد طبقة واجهة موحّدة لاستدعاء الأدوات داخل وحدة التحكم، مع كتابة محوّل (adapter) لكل مسار من المسارين.

س3: هل أداء استدعاء الأدوات متطابق بين النماذج المختلفة؟

حتى بعد توافق البروتوكول، يبقى بين النماذج اختلاف في الاستدعاء المتوازي والالتزام بالمخطط (Schema) والتعافي من الأخطاء وعدد جولات الاستدعاء. قم باختبار مقارنة باستخدام تعريفات أدوات ومهام متطابقة، واحسب عدد الاستدعاءات وأخطاء الوسائط وعدد الـ Tokens ونسبة الدقة، ثم قرّر النموذج الأساسي والنموذج الاحتياطي (للتخفيض).

س4: كيف يحقق الـ Agent المبني ذاتيًا العمل على مدار “24 ساعة”؟

“24 ساعة” تعني أسلوب العمل الذي يدفع المهام إلى الأمام في الخلفية وفق جدول زمني. يعتمد التنفيذ على ثلاثة أمور: مُجدوِل (scheduler) يعمل على خادم دائم، وحالة مهمة مزوّدة بنقاط تحقق (Checkpoint)، وعامل (Worker) قابل لإعادة المحاولة. عند صيانة الخادم أو تعطّل أحد الاعتماديات تتوقف المهمة مؤقتًا، ثم تستأنف من نقطة التوقف بعد الاستعادة.

س5: كم تبلغ تكلفة Personal AI Radar شهريًا تقريبًا؟

يعتمد ذلك على عدد مصادر المعلومات وعمق معالجة كل خبر والنموذج المختار. شغّله لمدة أسبوع أولاً، ثم احسب باستخدام السجلات عدد الـ Tokens المُدخلة والمُخرجة يوميًا، وطبّق معادلة القسم 8.1 مع سعر وحدة النموذج لحساب تكلفة النموذج، ثم أضف تكلفة الخادم وواجهة البحث (API) وساعات العمل على الصيانة.

س6: كيف يحمي الـ Agent المبني ذاتيًا من Prompt Injection؟

مرّر محتوى صفحات الويب والمستندات كمواد مرجعية، وأعلن في موجّه النظام أن التعليمات الواردة داخل المواد لا تُنفَّذ؛ وافتح للأدوات فقط الحد الأدنى من الصلاحيات اللازمة لإتمام المهمة؛ وأدخل عمليات الإرسال والنشر والحذف إلى قائمة موافقة بشرية؛ وسجّل كل استدعاء أداة في السجلات. تخفّض هذه الإجراءات المخاطر بشكل ملحوظ، لكن النتائج لا تزال بحاجة إلى مراجعة بشرية دورية بعينات عشوائية.

النقاط الأساسية لإعادة إنتاج GPT Dots

  • الهدف: محاكاة طريقة عمل Dots؛ أما النماذج الخاصة والحواسيب السحابية ومنظومة التطبيقات فتستبدلها بنفسك.
  • سبع وحدات: النموذج، والمتحكم، والأدوات، والذاكرة، والجدولة، وبيئة التنفيذ، والموافقات؛ ولا يأتي من API إلا النموذج.
  • استدعاء الأدوات: يقدّم النموذج الطلب، وينفّذ البرنامج الأداة، ويتولى المطور مسؤولية الأذونات ومعالجة الفشل.
  • طبقات الذاكرة: السياق الحالي، والمشروع، والمستخدم، والخبرات؛ أربع طبقات تُخزَّن منفصلة وتُسترجع عند الحاجة.
  • التشغيل في الخلفية: مجدول + قائمة مهام + Checkpoint، مع إعادة المحاولة عند الفشل والاستئناف من نقطة التوقف.
  • حساب التكلفة: إلى جانب رموز النموذج (Tokens)، يجب احتساب الخوادم وقواعد البيانات والأدوات وساعات الصيانة.
  • اختيار النموذج: عبر APIYI يمكن ربط عدة نماذج بشكل موحد، وباستخدام مجموعة بيانات اختبار واحدة تختار النموذج الأساسي.

الخلاصة

النقاط الأساسية لإعادة إنتاج GPT Dots باستخدام API:

  1. افصل الطبقات: تتولى واجهة API للنموذج اتخاذ القرار، ويتولى إطار الوكيل التنسيق، وتتولى بيئة التنفيذ العمل الفعلي؛ ويُبنى كل منها على حدة.
  2. شغّل أصغر حلقة مغلقة أولاً: نموذج واحد، وثلاث أدوات، وجدول SQLite واحد، ومهمة مجدولة واحدة؛ هذا يكفي لبناء وكيل شخصي يعمل باستمرار.
  3. اعتمد على البيانات في الاختيار: أداء النموذج في استدعاء الأدوات والتكلفة الحقيقية يجب أن يُستخرجا من اختبارات تجري تحت الظروف نفسها.

Personal AI Radar نقطة بداية جيدة؛ فهو يغطي خمس قدرات أساسية من Dots: العمل المستمر، والذاكرة، واستدعاء الأدوات، والجدولة، والتعاون بين الإنسان والآلة. نوصي بالاتصال بعدة نماذج مرشحة عبر APIYI apiyi.com، وإكمال اختبار المقارنة باستخدام مجموعة تعريفات أدوات واحدة، ثم وضع النموذج الأكثر استقرارًا في وكيلك.

📚 المراجع

  1. إعلان OpenAI الرسمي – Introducing dots: موقع منتج Dots، والكمبيوتر السحابي، ومنظومة التطبيقات
  2. الرابط: openai.com/index/introducing-dots
  3. الوصف: المرجع الأول لمعرفة الوصف الرسمي لقدرات Dots

  4. ChatGPT Learn – المهام والذاكرة: المهام طويلة الأمد لدى Dots، والوكيل العامل في الخلفية، والذاكرة، والبحث الاستباقي

  5. الرابط: learn.chatgpt.com/docs/dots/tasks-and-memory
  6. الوصف: مرجع عند تصميم طبقات الذاكرة وآلية الجدولة في وكيل مبنِي ذاتيًا

  7. مركز مساعدة OpenAI – حول فئات ChatGPT Pro: قواعد الأسعار والحصص في Pro 100 وPro 200 وPro 500

  8. الرابط: help.openai.com/en/articles/9793128-about-chatgpt-pro-tiers
  9. الوصف: مقارنة تكلفة البناء الذاتي مع رسوم الاشتراك

  10. ChatGPT Learn – دليل مسؤول Dots للمؤسسات: طريقة تفعيل Dots والفوترة في مساحة عمل Enterprise

  11. الرابط: learn.chatgpt.com/docs/enterprise/dots-admin-guide
  12. الوصف: مرجع لمستخدمي المؤسسات عند تقييم تكلفة Dots

  13. وثائق OpenAI Function Calling: صيغة الطلب والاستجابة لاستدعاء الأدوات

  14. الرابط: developers.openai.com/api/docs/guides/function-calling
  15. الوصف: الأساس الرسمي لتنفيذ حلقة الأدوات في الجزء 3

  16. وثائق LangGraph الرسمية: بيئة تشغيل لسير عمل الوكيل ذات الحالة وطويلة الأمد

  17. الرابط: langchain-ai.github.io/langgraph
  18. الوصف: تطبيقات جاهزة لنقاط التحقق (Checkpoint) والتخزين الدائم والموافقة البشرية

  19. اختبار قابل لإعادة الإنتاج لاستدعاء الأدوات متعدد النماذج من APIYI: تصميم اختبار صغير لاستدعاء الأدوات متعدد الجولات في 5 خطوات

  20. الرابط: help.apiyi.com/en/one-key-multi-model-reproducible-tool-calling-test-en.html
  21. الوصف: طريقة اختبار لمقارنة أداء استدعاء الأدوات بين النماذج المختلفة

  22. شرح إعداد Base URL في APIYI: إعداد نقاط النهاية المتوافقة مع OpenAI وClaude وGemini

  23. الرابط: help.apiyi.com/en/apiyi-base-url-v1-claude-gemini-endpoint-config-guide-en.html
  24. الوصف: مرجع عند إعداد الوصول إلى النماذج متعددة البروتوكولات

المؤلف: فريق APIYI التقني
التواصل التقني: يسعدنا تواصلكم معنا عبر الموقع الرسمي لـ APIYI، ولمزيد من مواد التكامل يمكنكم زيارة مركز وثائق docs.apiyi.com

مقالات ذات صلة

موضوعات ذات صلة