بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
المشكلة التي يحلّها CodeRescue بسيطة في صياغتها ومعقدة في تطبيقها: حين يفشل وكيل البرمجة في مهمته، هل يستحق الخطأ نموذجاً أقوى وأغلى؟ أم يمكن إعادة المحاولة بنموذج رخيص مع الاستفادة من رسالة الخطأ نفسها؟ ورقة بحثية نشرها فريق من أحد عشر باحثاً على arXiv في يوليو 2026 تقدّم إجابة كمّية لهذا السؤال.
الفكرة الجوهرية هي أن أنظمة التدرج التكلفوي الحالية — جرّب النموذج الرخيص أولاً، ثم صعّد للأقوى عند الفشل — تفترض ضمنياً أن الفشل نهاية طريق. لكن في بيئات البرمجة القابلة للتنفيذ، الفشل ينتج ردود فعل قابلة للاستخدام: رسائل استثناء، سجلات تشغيل، نتائج اختبارات. هذه البيانات قد تجعل إعادة المحاولة بنموذج رخيص أجدى اقتصادياً من التصعيد الفوري، وهذا بالضبط ما يقيسه CodeRescue.
بنيت الورقة على ثلاثة محاور متداخلة. أولها صياغة قرار ما بعد الفشل كـ recovery routing عبر مجموعة إجراءات غير متجانسة — أي أن الوكيل لا يختار بين خيارين فحسب، بل يختار من منظومة تشمل محاولة رخيصة مجدداً، أو التصعيد لنموذج أقوى، بمعاملات متفاوتة. ثانيها تدريب موجّه إشرافي للراوتر من rollouts تنفيذية فعلية، لا من تقييمات يدوية. وثالثها إضافة طبقة Conformal Risk Control (CRC) التي تضبط عقوبة التكلفة وقت النشر دون إعادة تدريب، مع ضمان رياضي على التحكم في متوسط التكلفة المتوقعة تحت شرط قابلية التبادل.
ما يجعل CRC محورياً هو مرونته العملية: نفس الراوتر يعمل تحت ميزانيات مختلفة بضبط بسيط وقت التشغيل. لا داعي لإعادة تدريب النموذج في كل مرة تتغير فيها قيود التكلفة، وهو واقع شائع في بيئات الإنتاج.
اختبر الباحثون النظام على فشل محجوز من خمسة benchmarks للبرمجة، وكشفت النتائج أن التعافي الرخيص والتصعيد يُظهران أنماط نجاح تكميلية — أي أن كلاً منهما يُبلي بلاءً حسناً في حالات تختلف عن حالات الآخر. هذا التكامل هو ما يجعل الراوتر المعايَر متفوقاً على الاستراتيجيات الثابتة.
في الإعداد الرئيسي المبني على GPT-5.4-nano مقابل GPT-5.4، حقق نقطة واحدة على حدود CRC معدل حل يفوق استراتيجية “صعّد دائماً”، (وفقاً للورقة البحثية على arXiv) مع استخدام 35% فقط من متوسط تكلفة التعافي لتلك الاستراتيجية. بعبارة أخرى: أداء أفضل بتكلفة أقل بثلثين تقريباً.
تفوّق CodeRescue قيس مقارنةً بثلاثة خطوط أساسية: الإجراءات الثابتة (راوتر مقيّد باستراتيجية واحدة)، والراوترات القائمة على prompt فحسب دون تدريب، وbaseline التدرج الثنائي الكلاسيكي. كل نقطة على الحدود المعايَرة ترسم توازناً مختلفاً بين التكلفة ومعدل الحل، مما يمنح فرق الهندسة مرونة حقيقية في تحديد خط ميزانيتهم.
الكود متاح للعموم، وهو خطوة ضرورية لأي بحث يدّعي قابلية التطبيق الفعلي. يمكن لفرق تطوير وكلاء البرمجة أن تختبر هذا الإطار على benchmarks خاصة بها قبل التبني الكامل، خاصةً أن الورقة لا تُخفي قيود افتراض قابلية التبادل في بيئات الإنتاج التي تتوزع فيها المهام توزيعاً غير مستقر.
الدلالة الأوسع تتجاوز البرمجة: أي بيئة وكيل تنتج ردود فعل قابلة للتفسير عند الفشل — سواء كانت استدعاء API أو تحليل مستندات أو تنفيذ استعلامات SQL — تصلح مبدئياً لتطبيق منطق مشابه. CodeRescue يضع الإطار النظري، لكن اختبار نطاق تعميمه يبقى سؤالاً مفتوحاً تجيب عنه ورقة مستقبلية أو مجتمع مطورين متحمس.
