بناء نظام Git خلفي جاهز للإنتاج في 10 أسابيع: كيف مكّنت OpenAI فريق وكلاء Codex من إنجاز خمسة جوانب هندسية أساسية في Pando

ملاحظة الكاتب: كشفت OpenAI في 2 نوفمبر 2026 عن Pando، الواجهة الخلفية الداخلية لنظام Git. يتناول هذا المقال حقيقة وصول المشروع إلى الإنتاج خلال 10 أسابيع، ويوضح توزيع العمل بين البشر والوكلاء، ومنظومة الاختبار، وعملية الترحيل، ويستخلص أساليب هندسية يمكن للفرق الأخرى تطبيقها عند العمل مع الوكلاء.

في 2 نوفمبر 2026، نشرت OpenAI المقال التقني «Scaling Git at OpenAI»، وكشفت فيه عن واجهة Git خلفية جديدة تدعم جميع أنشطة التطوير في مستودع الشفرة الموحّد لديها. استغرق Pando نحو 10 أسابيع من انطلاق المشروع حتى بدء استقبال حركة الإنتاج: صمّم مهندس واحد بنيته الأساسية، وتولت عدة فرق من الوكلاء تنفيذه، وأكمل نشره عدد قليل من المهندسين. من السهل اختزال هذه الوقائع في قصة عن «شخص واحد وجّه الذكاء الاصطناعي لبناء البنية التحتية»، لكن التفاصيل الرسمية تُظهر أن ما أحدث الفرق فعلاً هو منظومة متكاملة من القيود الهندسية وأساليب التحقق.

هذا المقال ليس إعادة سرد لأسطورة عن البرمجة بالذكاء الاصطناعي. بالاستناد إلى ما أعلنته OpenAI رسميًا، يميّز المقال بين الحقائق المنشورة والمعلومات التي لم تُكشف بعد، مثل حجم الفريق، وتكلفة الرموز، وسجلات المهام، ونسبة الشفرة التي عدّلها البشر.

ما ستستفيده: ستعرف لماذا أُنشئ Pando، وما المهام التي تولتها فرق وكلاء Codex تحديدًا، وما أساليب التحقق التي أتاحت للوكلاء المشاركة في تطوير البنية التحتية، وكيف يمكن تطبيق هذه الطريقة في مشروعك.

نظرة سريعة على Pando: ما الذي أنجزته فرق Codex Agent؟

لنبدأ بجدول يلخص المعلومات التي أكّدها الإعلان الرسمي. من المهم توضيح أن Pando نظام خلفي يعمل على الخادم ومتوافق مع Git، وليس بروتوكولًا جديدًا للتحكم في الإصدارات أو بديلًا مباشرًا عن GitHub.

لماذا احتاجت OpenAI إلى إعادة بناء الواجهة الخلفية لـ Git باستخدام Codex Agent

بدأت قصة Pando مع الزيادة الهائلة في عدد عمليات Commit. يتخذ الرسم البياني الرسمي عدد عمليات Commit المدمجة في الفرع الرئيسي خلال الربع الأول من 2024 أساسًا لقياس النمو في الأرباع اللاحقة. ويعرض الجدول التالي محطات مختارة.

هناك نقطة مهمة: عدد عمليات Commit لا يساوي عدد أسطر الشفرة أو عدد طلبات السحب (PR) أو إنتاجية المطورين. لذلك لا يمكن القول إن «حجم الشفرة زاد 25 ضعفًا» أو إن «Codex رفع كفاءة المهندسين 25 ضعفًا». ووفقًا لتفسير OpenAI، يتيح Codex للمهندسين العمل على مزيد من المهام في الوقت نفسه، ما يؤدي إلى زيادة الفروع المتوازية وعمليات Push والدمج ومهام CI وطلبات Fetch وClone.

بحلول الربع الأخير من 2025 تقريبًا، بدأ النظام القديم يعاني من بطء عمليات Push وFetch وفشل عمليات الدمج، وانخفضت موثوقيته أحيانًا إلى أقل من 90%. ولم تكشف OpenAI عن طريقة احتساب هذا المؤشر أو تغيره بمرور الوقت، لذلك لا يصح تفسيره على أن «أكثر من 10% من عمليات Commit فشلت».

أربعة تصميمات أساسية في البنية التقنية لـ Pando

لم يتخلَّ Pando عن Git، بل أعاد تصميم التخزين الخلفي وتحديث المراجع وتسليم البيانات. ويساعد فهم هذه التصميمات على توضيح «المفاضلات التي اتخذها البشر والتي لا غنى عنها».

• التحديث المستقل للفروع: بدلًا من الاحتفاظ بلقطة متسقة للمستودع بأكمله عند نقطة زمنية واحدة، يحتفظ كل فرع بإصداراته بشكل مستقل. ولا تحتاج إلى التنسيق إلا الطلبات التي تعدّل المرجع Ref نفسه، وفق نموذج الاتساق السببي. والمقابل هو أن قراءة عدة فروع في عملية واحدة قد تُرجع فروعًا من نقاط زمنية مختلفة.
• حفظ ملفات Packfile وإعادة استخدامها: يُكتب كل ملف Packfile يُستقبل عبر Push كبيانات غير قابلة للتغيير في Blob Store. وعند Fetch، تُختار ملفات Packfile الجاهزة وفقًا لقيم have/want لدى العميل، وتُرسل عناوين تنزيلها باستخدام آلية packfile-uri في Git، لتجنب إعادة تجميع البيانات وضغطها لكل عميل.
• ذاكرة التخزين المؤقت الإقليمية Express: تُنشر مجموعات خوادم وذاكرات تخزين مؤقت محلية في عدة مناطق، وتُوزّع الطلبات باستخدام التجزئة المتسقة، بما يحقق معدل إصابة لذاكرة Packfile المؤقتة يتجاوز 99%. هذه ذاكرة مؤقتة لبيانات Git، وليست هي نفسها التخزين المؤقت للموجهات Prompt Caching في واجهات API لنماذج اللغة الكبيرة.
• الدمج الطبقي في الخلفية Compaction: على غرار LSM Tree، تُدمج ملفات Packfile الصغيرة تدريجيًا في مجموعات أكبر تغطي نطاقات متصلة من الإصدارات. ويستخدم المستودع الأحادي الحالي المستوى L4.

قارنت OpenAI أيضًا بين ثلاثة أنواع من البنى، وأجرت محاكاة شملت 1,000 عميل ونفذت إجمالي 10,000 عملية Push. وهذه محاكاة تعليمية اصطناعية أنشأتها OpenAI، وليست اختبار أداء مستقلًا أجرته جهة خارجية.

وتشمل بيانات بيئة الإنتاج التي أعلنتها OpenAI أيضًا: تجاوزت ذروة تسليم ملفات Packfile خلال ساعة واحدة 57 TB، وجاء أكثر من 99% من البايتات من ذاكرة التخزين المؤقت على القرص المحلي؛ ويمكن لعمليتي Clone وFetch الاستفادة من كامل سعة اتصال 10 Gbps على آلة افتراضية سحابية قياسية؛ ويبلغ تعقيد قراءة البيانات الوصفية وكتابتها في Push ‏O（1）، وتعقيد قراءتها لتخطيط Fetch ‏O（log Δ）. وتصف هذه التعقيدات عمليات البيانات الوصفية، لا زمن الشبكة من البداية إلى النهاية.

كيف توزّع فريق وكلاء Codex العمل على Pando؟

لا يعني قولنا إن «مهندسًا واحدًا صمّم النواة» أن شخصًا واحدًا أنجز المشروع، كما لا يعني أن «فريقًا من الوكلاء نفّذ المشروع» أن الذكاء الاصطناعي كتب كل سطر من الشفرة. بناءً على نطاق العمل الذي كشفت عنه OpenAI، يمكن تلخيص توزيع المهام كما يلي، لكنها لم تنشر قائمة المهام المحددة لكل وكيل.

تتمثل الفكرة الأساسية في الجدول في أن البشر يضعون المعمارية والقيود ومعايير القبول، بينما يتولى الوكلاء قدرًا كبيرًا من التنفيذ والتطوير التكراري، ويتحمل المهندسون مسؤولية الترحيل إلى بيئة الإنتاج وموثوقية النظام. ولم تقدم OpenAI مجموعة مقارنة تعتمد على التطوير البشري، لذلك لا يمكن حساب عدد المرات التي سرّع بها Codex إنجاز المشروع.

منظومة اختبار Pando: لماذا يستطيع Codex Agent المشاركة في تطوير البنية التحتية؟

Pando برنامج للبنية التحتية، وأي خطأ فيه قد يؤثر في توجيه الفرع إلى الـ commit الصحيح، أو يؤدي إلى فقدان كائنات أثناء Push، أو يحول دون استرجاع السجل الكامل عند Fetch. إذا حدث خطأ في صفحة ويب عادية، فقد يكفي تحديثها؛ أما الخطأ في الواجهة الخلفية لـ Git فقد يوقف تطوير البرمجيات في شركة بأكملها. لذلك لم تكتفِ OpenAI بتزويد Agent بموجه أطول، بل وفّرت له نظام تحقق قابلًا للتنفيذ.

اختبارات التوافق مع Git: السلوك أهم من نجاح الترجمة

أنشأت OpenAI مجموعة اختبارات التوافق مع Git، أو Git Conformance Test Suite، حتى يتمكن Agent، بعد تعديل تنفيذ الخادم، من التحقق بنفسه مما إذا كان السلوك يوافق توقعات Git القياسي. وتشمل الاختبارات تحديث المراجع (Ref)، وعمليات Push وFetch، ونقل Packfile، والتوافق مع البروتوكول. المهم هنا أن المعيار هو «التوافق مع سلوك Git»، وليس مجرد «نجاح ترجمة الشفرة واجتياز اختبارات الوحدات». ولم تكشف OpenAI رسميًا عن عدد حالات الاختبار.

محاكاة التزامن الحتمية: جعل حالات التسابق قابلة للتكرار

غالبًا ما تظهر أصعب أخطاء الأنظمة الموزعة عندما تتداخل عمليات متعددة. تستخدم OpenAI بيئات محاكاة حتمية (Deterministic Simulation Harnesses) لمحاكاة حالات النظام وأحداث التزامن بطريقة قابلة للتكرار، مما يساعد على اكتشاف حالات التسابق، ومشكلات التفاوض في Git، وأخطاء تخطيط Packfile، وحالات التراجع.

على سبيل المثال، عندما يعدّل اثنان من Agents الفرع نفسه في الوقت ذاته، يجب ألا يُعتبر التحديثان المتعارضان ناجحين معًا؛ وقبل تحديث مؤشر الفرع، يجب أن يكون كائن الـ commit الجديد قابلًا للقراءة. هذه أمثلة توضح أهداف الاختبار، وليست حالات اختبار كشفت عنها OpenAI رسميًا بالتفصيل.

التحقق الشكلي باستخدام Lean وTLA+: انتبه إلى التسلسل الزمني

كشفت OpenAI أنها استخدمت GPT-6 Astra لمساعدة Agent في كتابة أوصاف شكلية باستخدام Lean وTLA+، لتشكيل ما يُسمى «Theory of Pando». وتُستخدم هذه الأوصاف للتحقق من الثوابت، واكتشاف الأخطاء وإصلاحها، وإثبات خصائص محددة. لكن هناك قيدين مهمين: أولًا، يقتصر التحقق على خصائص محددة، ولا يعني إثبات جميع مسارات الشفرة في النظام رياضيًا؛ وثانيًا، ذكرت OpenAI أن النماذج الجديدة استُخدمت تباعًا لتحسين الأداء والموثوقية، لذلك لا يمكن إرجاع جميع هذه الممارسات إلى الأسابيع العشرة الأولى.

جلسات Agent الطويلة والاختبارات الأمنية العدائية

ذكرت OpenAI أيضًا أن عدة جلسات متواصلة لـ Agent استمرت مئات الساعات للبحث عن المشكلات الطرفية وإصلاحها، وأن نماذج تتمتع بقدرات Daybreak واصلت إجراء اختبارات عدائية على Git وPando. ولم تكشف الشركة عن عدد Agents، أو مدة كل جلسة، أو استهلاك الرموز (Tokens)، أو عدد الأخطاء المُصلحة، أو وتيرة الإشراف البشري. لذلك لا يمكن الاستنتاج أن «Agent كتب الشفرة لمئات الساعات متواصلة دون إشراف». واللافت هنا هو التحول في طريقة الاستخدام: لم يعد Agent يُستخدم لتوليد الشفرة أول مرة فحسب، بل للتحقق المستمر أيضًا.

كما يقدم الـ Fork العلني لـ Git من OpenAI مؤشرًا غير مباشر على هذا التحسين المستمر. من أمثلة ذلك تصحيحات التجزئة المتوازية في index-pack في أغسطس 2026، وإعادة المحاولة عند تحديد المعدل وإعادة استخدام Pack المكتمل في أكتوبر. لكن هذه التغييرات أُودعت جميعها بعد بدء التشغيل الأول في أبريل 2026، ولذلك لا يمكن اعتبارها من مخرجات الأسابيع العشرة.

الترحيل التدريجي إلى Pando: كتابة Codex Agent للشفرة لا تعني جاهزيتها للإنتاج

الأسابيع العشرة هي المدة من بدء المشروع حتى تشغيله في بيئة الإنتاج، وليست المدة الكاملة اللازمة لنضجه. وقد اتبعت Pando أسلوبًا نموذجيًا للترحيل التدريجي دون توقف الخدمة، وجرت العملية، بحسب ما أُعلن رسميًا، على النحو التالي:

1. وضع Pando أمام النظام القديم ليعمل وسيطًا يمرّر عمليات القراءة والكتابة، مع الحفاظ على تزامن النظامين الخلفيين.
2. دمج الطلبات المتطابقة وتخزين بيانات Git مؤقتًا عند معالجة الطلبات الفعلية، ما خفف العبء عن النظام القديم بعد نقل جزء من حركة المرور.
3. ترحيل عملاء التطوير على دفعات باستخدام أداة داخلية تغلّف واجهة سطر أوامر Git.
4. ترحيل مئات التكاملات التي تعتمد على API القديمة وWebhook وطرق تنزيل المستودعات، إلى جانب مسارات عمل Review وChange Request.
5. توفير Codex Skills للترحيل، بحيث يستطيع المطورون الاستعانة مباشرةً بـ Codex لإعداد المستودعات المحلية وبيئة الترحيل.
6. نشر عميل Git المحسّن على أجهزة المهندسين وفي تطبيق ChatGPT لسطح المكتب.

بحسب الإعلان الرسمي، لم يتسبب الترحيل في تعطيل أعمال التطوير الهندسي، لكن لم تُنشر بيانات عن معدل التراجع عن الترحيل أو توزيع الأعطال أو حالات الفشل. وبالنسبة إلى المسؤولين التقنيين، يستحق هذا الجانب دراسة أكثر من رقم «10 أسابيع»: فالتوافق مع مسارات العمل القديمة، وترحيل التكاملات، وتحويل حركة المرور على دفعات، قد لا تقل تعقيدًا عن بناء النظام الجديد نفسه.

تحليل أثر Pando: ماذا يعني لمطوري الوكلاء والفرق التقنية؟

التأثير على مطوري الوكلاء

• قدرة التحقق تحدد سقف قدرات الوكيل: يتيح Pando للوكيل المشاركة في التنفيذ الأساسي، بشرط توفير اختبارات التوافق والمحاكاة الحتمية والأوصاف الرسمية، حتى يحصل على ملاحظات موثوقة.
• دور الوكيل يتوسع: لم يعد يقتصر على كتابة الشيفرة، بل يمتد إلى البحث المستمر عن الحالات الطرفية، والاختبار العدائي، ومساعدة المستخدمين على الانتقال.

التأثير على القادة التقنيين

• البرمجة بالذكاء الاصطناعي تزيد الضغط على المراحل اللاحقة: تؤدي زيادة عمليات إرسال الشيفرة إلى زيادة الحمل على التكامل المستمر (CI)، ومراجعة الشيفرة، واستضافتها. وكشفت OpenAI في مقال آخر في يوليو 2026 أن عدد طلبات الدمج (PR) الأسبوعية داخل الشركة تضاعف أكثر من مرة مقارنة بالربع الرابع السابق، وأصبحت مراجعة الشيفرة إحدى نقاط الاختناق الجديدة.
• لا حاجة إلى بناء نظام مثل Pando دون تمحيص: مشكلات التوسع في المستودعات الأحادية (Monorepo) الكبيرة لم تظهر مع عصر الذكاء الاصطناعي، والغالبية العظمى من الفرق لا تحتاج إلى إعادة بناء الواجهة الخلفية لـ Git.

مقارنة بحالة Harness Engineering

في فبراير 2026، كشفت OpenAI عن مشروع مستقل آخر بدأ من مستودع فارغ، وكتب Codex شيفرة المنتج فيه. وخلال نحو خمسة أشهر، أنتج المشروع ما يقارب مليون سطر من الشيفرة ونحو 1,500 طلب دمج، وقاده في البداية ثلاثة مهندسين. لم ينفذ المشروع فريق Pando نفسه أو يتبع عملياته، لذا لا يجوز الخلط بين بياناتهما. لكنهما يشيران إلى الاتجاه نفسه: يتحمل المهندسون بصورة متزايدة مسؤولية تصميم الأنظمة وبيئات الاختبار وسير عمل الوكلاء. وشملت الدروس المستفادة تقسيم العمل إلى مهام صغيرة، وتوفير بيئة تشغيل مستقلة لكل فرع، وإتاحة السجلات والمقاييس للوكيل، واستخدام AGENTS.md لتقديم الإرشادات بدلًا من حشر قاعدة المعرفة كاملة في الموجه.

ظهرت أيضًا آراء مختلفة على Hacker News: يرى المشككون أن زيادة عمليات الإيداع (Commit) لا تعني تحسن الجودة، بينما يرى المؤيدون أن انخفاض تكلفة كتابة الشيفرة يجعل تنفيذ المزيد من المشاريع الصغيرة ممكنًا. هذه آراء من المجتمع، وليست استنتاجات إحصائية.

كيف تستفيد من أسلوب فريق Codex Agent: حلقة تغذية راجعة تقودها الاختبارات

أكثر ما يمكن الاستفادة منه في Pando ليس حجمه، بل آلية تزويد الوكيل بنتائج تحقق قابلة للتنفيذ. فيما يلي حلقة مبسطة تقودها الاختبارات: يولّد النموذج تعديلًا، ثم تعود إليه نتائج الاختبار ليواصل التحسين.

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # واجهة APIYI المتوافقة مع OpenAI
)

resp = client.chat.completions.create(
    model="YOUR_CODING_MODEL",  # استبدله بنموذج البرمجة الذي تريد اختباره
    messages=[{"role": "user", "content": "根据以下失败测试修复函数：..."}]
)
print(resp.choices[0].message.content)

import subprocess
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

SYSTEM = (
    "你是严格遵守约束的工程 Agent。"
    "只修改指定文件，不得改动测试；输出完整的新文件内容。"
)

def run_tests() -> tuple[bool, str]:
    """تشغيل تحقق قابل للتنفيذ، وهو ما يعادل اختبارات التوافق في Pando"""
    r = subprocess.run(["pytest", "-q", "tests/"], capture_output=True, text=True)
    return r.returncode == 0, r.stdout[-3000:] + r.stderr[-1000:]

def agent_loop(target: str, spec: str, max_rounds: int = 5) -> bool:
    for i in range(max_rounds):
        ok, log = run_tests()
        if ok:
            print(f"第 {i} 轮：测试全部通过，等待人工审核")
            return True
        source = open(target, encoding="utf-8").read()
        resp = client.chat.completions.create(
            model="YOUR_CODING_MODEL",
            messages=[
                {"role": "system", "content": SYSTEM},
                {"role": "user", "content":
                    f"需求与约束：\n{spec}\n\n当前代码：\n{source}\n\n测试输出：\n{log}"}
            ],
        )
        with open(target, "w", encoding="utf-8") as f:
            f.write(resp.choices[0].message.content)
    print("达到轮次上限，转交人类工程师处理")
    return False

agent_loop("src/ref_store.py", "同一分支的并发更新必须只有一个成功")

🚀 بداية سريعة: عند إنشاء حلقة تغذية راجعة كهذه، يمكنك البدء بالحصول على رصيد تجريبي مجاني عبر APIYI apiyi.com، واستخدام مفتاح API واحد للتبديل بين نماذج برمجة مختلفة ومقارنة معدلات نجاحها في الإصلاح على مجموعة اختباراتك.

يمكن الاستعانة بالجدول التالي لتحويل أسلوب Pando إلى إطار قابل للتطبيق لدى الفرق العادية. هذه توصيات مستخلصة مما كُشف عنه رسميًا، وليست سير عمل مخصصًا لـ Pando نشرته OpenAI.

الأسئلة الشائعة FAQ

أبرز النقاط حول Pando وCodex Agent

• ما هو Pando؟ نظام خلفي داخلي في OpenAI متوافق مع Git، دخل مرحلة الإنتاج في نحو 10 أسابيع، ولم يُتح للعامة.
• لماذا أُنشئ؟ أدّى Codex إلى زيادة عمليات إرسال التغييرات المتزامنة، ما تسبب في بطء النظام القديم وفشل عمليات الدمج.
• تقسيم العمل بين الإنسان والوكيل: يحدد البشر المعمارية والقيود، ويتولى الوكيل التنفيذ والتحسين المتكرر، بينما ينشر المهندسون النظام.
• مفتاح النجاح: وفرت اختبارات التوافق والمحاكاة الحتمية والتحقق الشكلي تغذية راجعة موثوقة.
• حدود الجدول الزمني: لا يمكن احتساب جميع النماذج الجديدة وطرق التحقق اللاحقة ضمن الأسابيع العشرة الأولى.
• طريقة الإطلاق: استُخدم وكيل تمريري لعمليات القراءة والكتابة، مع تحويل حركة المرور على دفعات، لإتمام الترحيل دون تعطيل التطوير اليومي.
• كيف تبدأ؟ أنشئ الاختبارات أولًا، ثم استخدم APIYI apiyi.com للتحقق من حلقة التغذية الراجعة باستخدام عدة نماذج.

الخلاصة

أبرز الدروس المستفادة من تجربة Pando:

1. توسع العمل يفرض تطوير البنية التحتية: تؤثر زيادة عمليات إرسال التغييرات الناتجة عن البرمجة بالذكاء الاصطناعي في Git وCI ومراجعة الشفرة، وكان Pando استجابة هندسية لهذا الضغط.
2. تعتمد مخرجات الوكيل على التحقق: تمكن فريق Codex Agent من المشاركة في تنفيذ البنية التحتية بفضل اختبارات التوافق القابلة للتنفيذ ومحاكاة العمليات المتزامنة والأوصاف الشكلية.
3. تظل قرارات البشر أساسية: يتولى المهندسون البشريون المفاضلات المعمارية وتحديد حدود الاتساق وترحيل النظام إلى بيئة الإنتاج.

بالنسبة إلى معظم الفرق، ما يستحق التطبيق ليس رقم «10 أسابيع»، بل خمسة عناصر: القيود الواضحة، والاختبارات القابلة للتنفيذ، وتقسيم المهام، والتغذية الراجعة المستمرة، والقرارات البشرية الحاسمة. لا حاجة إلى السعي نحو تطوير مؤتمت بالكامل؛ ابدأ بتمكين الوكيل من إكمال حلقة التغذية الراجعة في وحدة صغيرة ذات اختبارات شاملة، ثم وسّع النطاق تدريجيًا.

يمكنك استخدام APIYI apiyi.com للتحقق سريعًا من النتائج؛ إذ توفر المنصة واجهة متوافقة مع OpenAI وحصة مجانية للمستخدمين الجدد، ما يسهّل مقارنة نماذج البرمجة المختلفة ضمن حلقة التغذية الراجعة نفسها.

📚 المراجع

1. المقالة التقنية الرسمية من OpenAI: Scaling Git at OpenAI: المصدر الرئيسي لمعلومات بنية Pando وترحيلها وبيانات أدائها
2. الرابط: openai.com/index/scaling-git-at-openai

3. ملاحظة: نُشرت في 2026-11-02، وهي المصدر الأساسي للحقائق الواردة في هذا المقال

4. OpenAI Harness Engineering: مشروع داخلي آخر يقود Codex عملية تطويره

5. الرابط: openai.com/index/harness-engineering

6. ملاحظة: يساعد على فهم منهجية هندسة الوكلاء، ولا ينبغي الخلط بين بياناته وبيانات Pando

7. Custom Code Review Rules for Codex: عن عنق الزجاجة في مراجعة الشفرة الناتج عن البرمجة بالذكاء الاصطناعي

8. الرابط: developers.openai.com/blog/custom-code-review-rules-for-codex

9. ملاحظة: يكشف عن نمو عدد طلبات السحب (PR) الداخلية أسبوعيًا وقواعد المراجعة في AGENTS.md

10. نسخة OpenAI العامة المتفرعة من Git: مستودع شفرة تحسينات العميل

11. الرابط: github.com/openai/git

12. ملاحظة: يتضمن تحسينات مثل packfile-uri، وليس الشفرة المصدرية لخادم Pando

13. تتبّع تصحيحات Git من OpenAI: سجل المساهمات في المشروع الأصلي

14. الرابط: oai-git.openai.chatgpt.site
15. ملاحظة: يتيح التحقق من التحسينات الهندسية المستمرة بعد النشر في بيئة الإنتاج

الكاتب: فريق APIYI التقني
للتواصل التقني: يسعدنا تواصلكم معنا عبر الصفحة الرئيسية لموقع APIYI، ويمكنكم زيارة مركز التوثيق docs.apiyi.com للاطلاع على مزيد من موارد تطوير الوكلاء

مقالات ذات صلة

• خطأ «النموذج غير موجود» في OpenAI؟ أُزيل GPT-5.5 من ChatGPT في 14 أكتوبر: 5 خطوات لاستكشاف المشكلة وبدائلها: في 14 أكتوبر 2026، سيُحال GPT-5.5 إلى التقاعد بالكامل من ChatGPT وChatGPT Work وCodex، دون أن يتأثر OpenAI API؛ ويستعرض هذا المقال أحدث المعلومات حتى 15 أكتوبر، موضحًا الأسباب الخمسة لخطأ «model not found» في OpenAI، وحلولًا تناسب مختلف الحالات، وبدائل مثل GPT-5.6 Sol وTerra وLuna وGPT-6 Astra.
• ظهور GPT-6.2 Astra في طرح محدود: 5 مؤشرات و3 تساؤلات، هل اقتربت القنبلة الذرية؟: مراجعة حدث الإطلاق التدريجي لـ GPT-6.2 Astra من 31 أكتوبر إلى 2 نوفمبر 2026: التسلسل الزمني، و5 مؤشرات، و3 نقاط مثيرة للشك، وتصنيف أدلة التسريبات، ووتيرة المنافسين، وقائمة بالاستعدادات التي يمكن للمطورين البدء بها الآن.
• تحليل إطلاق GPT-6.1 Terra: تعرّف على أدوار نماذج عائلة GPT-6 الأربعة في لمحة: يسد GPT-6.1 Terra الفجوة في الفئة المتوسطة ضمن عائلة GPT-6، ويوضح هذا المقال باستخدام البيانات الرسمية والاختبارات المستقلة اختلافات التموضع بين نماذج Astra وSol وTerra وLuna الأربعة وكيفية اختيار الأنسب منها.
• مقارنة بين المهام المجدولة في ChatGPT ووكيل Codex والأتمتة الكاملة في Dot: 6 اختلافات جوهرية بين 3 أنواع من الأتمتة: قارن بين المهام المجدولة في ChatGPT ووكيل Codex وChatGPT Dot من حيث الأتمتة الكاملة والتكلفة والموثوقية وتوصيات الاختيار، على ثلاثة مستويات: التفعيل والتنفيذ والتنسيق المستمر.