#

النقاط الرئيسية

• EnvHarness هو إطار عمل مرخّص بموجب Apache 2.0 لتكييف بيئات تدريب الوكلاء.

• يغيّر الحالة الابتدائية، والملاحظات، والإجراءات المسموح بها، أو مدة المهمة.

• تظل البيئة الأساسية وأداة التحقق كما هما.

• أفادت VentureBeat بتحقيق مكاسب تصل إلى تسع نقاط في المهام المحجوزة للاختبار.

• تحذّر المصدر من استخدامه مباشرة على أنظمة إنتاج غير قابلة للعكس أو على روبوتات مادية.

ما الذي يفعله EnvHarness

ذكرت VentureBeat في 20 سبتمبر 2026 أن باحثين من Google Cloud AI Research وشركاء أكاديميين طوروا EnvHarness. وهو إطار عمل مفتوح المصدر لتكييف بيئات تدريب الوكلاء. يضيف الإطار طبقة قابلة للبرمجة حول بيئة موجودة. ويمكن لهذه الطبقة أن تغيّر ما يراه الوكيل أو يفعله من دون استبدال المهمة الأصلية.

وتذكر المصدر أن EnvHarness يمكنه تعديل الحالة الابتدائية للوكيل، والملاحظات، والإجراءات المسموح بها، أو مدة المهمة. وهو يترك البيئة الأساسية وأداة التحقق كما هما. وتكتسب هذه البنية أهمية لأنها تتيح للباحثين تشكيل ظروف التدريب مع الحفاظ على استقرار المهمة الأساسية.

المكوّنات الثلاثة الرئيسية

وصفت VentureBeat ثلاثة مكوّنات داخل EnvHarness. تقوم *Stages

• بتغيير الحالة الابتدائية. وتعدّل *Contracts

• التفاعل أو ما يمكن للوكيل رؤيته. وتربط *Chains

• المهام في تسلسلات أطول.

تمنح هذه الأجزاء الإطار بنية مرنة. كما تجعل من الأسهل إنشاء إعدادات تدريب مختلفة من البيئة الأساسية نفسها. وتعرض المصدر ذلك بوصفه طريقة لعرض الوكلاء على ظروف متنوعة من دون إعادة كتابة المعيار الأصلي.

EnvRigger وحلقة التكيّف

تذكر المقالة أيضًا أداة مرتبطة تُسمى EnvRigger. وهي تتبع حلقة «الملاحظة، التشخيص، الكتابة، التحقق». أولًا، تشغّل الوكيل. ثم تبحث عن أنماط الفشل المتكررة.

بعد ذلك، تكتب تعديلًا في البيئة يهدف إلى إظهار تلك نقاط الضعف أو تصحيحها. وأخيرًا، تتحقق من أن المهمة ما تزال مفيدة وقابلة للحل. وتشير هذه الحلقة إلى طريقة مضبوطة لتحسين بيئات التدريب مع التأكد من أن المهمة ما تزال منطقية.

مثال من مهام البرمجة

قدّمت VentureBeat مثالًا يتعلق بوكيل برمجة. في المثال، يرسل الوكيل تصحيحًا من دون تشغيل الاختبارات. ثم تمنع قاعدة خارجية هذا الإرسال المبكر وتعيد تحذيرًا.

يبقى المستودع الأصلي والاختبارات المكتوبة يدويًا من قبل البشر من دون تغيير. ويُظهر هذا المثال أن الإطار يعمل كطبقة تدريب وليس كبديل للمهمة نفسها. كما يوضح كيف يمكن لقاعدة أن توجه السلوك من دون تغيير المعيار الأساسي.

نتائج المعايير المعلنة

اختبر الباحثون EnvHarness على ALFWorld وWebArena وSWE-bench Verified وOfficeQA وSpreadsheetBench. وعبر خمسة معايير، تحسّن أداء الوكلاء الذين تدربوا باستخدام البيئات التكيفية بما يصل إلى تسع نقاط في المهام المحجوزة للاختبار. وتعرض المصدر هذه النتيجة بوصفها ثمرة للإعداد التكيفي.

وفي SWE-bench Verified، يذكر المقال انخفاضًا في المسار من 55.01 إلى 49.61 خطوة في إحدى التجارب. وهذا يشير إلى أن الوكلاء احتاجوا إلى خطوات أقل في تلك الحالة. ولا تقول المصدر إن النتيجة نفسها ظهرت في كل معيار.

الحدود والاحتياطات التشغيلية

تذكر المصدر أن EnvHarness لا يدرب الوكلاء بمفرده. فهو يتطلب عملية منفصلة للتعلم أو لاستخراج المهارات. وهذا يعني أن الإطار أداة لبيئة التدريب، وليس نظام تدريب كاملًا.

كما تحذّر المصدر من استخدامه مباشرة على أنظمة إنتاج غير قابلة للعكس أو على روبوتات مادية. وينبع هذا التحذير من كون الإطار يغيّر كيفية تصرف المهام أثناء التدريب. وهو تذكير بإبقاء التجارب في بيئات مضبوطة.

الصلة بالمغرب

لا تذكر المصدر أي نشر أو شراكة خاصة بالمغرب. وبالنسبة للقراء، فإن الدرس العالمي هو أن تصميم البيئة يمكن أن يشكل سلوك الوكيل من دون تغيير المهمة الأساسية.

لماذا يهم هذا

يشير EnvHarness إلى فكرة عملية في تدريب الوكلاء. فبدلًا من الاكتفاء بتوسيع النماذج، يمكن للباحثين أيضًا تشكيل البيئة المحيطة بها. وقد يساعد ذلك في كشف نقاط الضعف واختبار قدرة الوكيل على التكيّف.

وتعرض المصدر هذا النهج بوصفه مقاربة مضبوطة ووحداتية. فهو يبقي البيئة الأصلية وأداة التحقق في مكانهما. كما يضيف طبقة يمكن أن تتطور مع الوكيل أثناء التدريب.