بناء طبقة سياق الذكاء الاصطناعي لفرق الهندسة

في سياق استراتيجية تبني الذكاء الاصطناعي لفرق الهندسة، يبرز تحدٍ رئيسي يغفل عنه الكثيرون: بناء طبقة معرفية متكاملة. يُعد هذا التحدي، الذي يمثل الخطوة الأولى والأكثر أهمية، الأساس لتمكين الذكاء الاصطناعي من العمل بفعالية وكفاءة ضمن بيئة هندسية معقدة. يهدف هذا المقال إلى تقديم حل عملي لتجاوز مشكلة تشتت السياق التي تواجهها المؤسسات التي تضم عشرات المهندسين، ومئات صفحات Confluence، وآلاف تذاكر Jira، وعشرات مستودعات GitHub.

تتجلى مشكلة تشتت السياق في المؤسسات الهندسية متوسطة وكبيرة الحجم، حيث تتوزع المعرفة عبر مصادر متعددة. فـ Confluence يحوي قرارات الهندسة، وخطط التشغيل، ونماذج النطاق، ووثائق الإعداد. Jira يوضح ما يتم بناؤه، ولماذا، ومن قبل من، وما هي العوائق. أما GitHub فيضم الكود نفسه، ومراجعات الطلبات (PRs)، والتعليقات، وعقود الـ API. عندما يعمل مهندس على خدمة معينة ويحتاج لفهم سلوك API خدمة أخرى، أو ما تقوله وثائق Confluence، أو ما إذا كانت هناك تذكرة Jira قيد التنفيذ لتغيير العقد، يصبح غياب هذا السياق المتبادل عائقًا. وبدون هذا السياق، قد يولد الذكاء الاصطناعي كودًا يعمل تقنيًا ولكنه غير مجدٍ عمليًا.

لحل هذه المشكلة، يمكن بناء طبقة سياقية متكاملة باستخدام بنية من ثلاث طبقات رئيسية. الطبقة الأولى هي فهرس المعرفة (Onyx)، وهو نظام يزحف ويقوم بفهرسة بيانات Confluence وJira وGitHub ويخزنها في متجر متجه (vector store) قابل للبحث. الطبقة الثانية هي جسر السياق (MCP)، وهو خادم خفيف الوزن يسمح لـ Claude Code بالاستعلام عن فهرس المعرفة عند الطلب. وأخيرًا، الطبقة الثالثة هي حواجز الحماية المحلية (CLAUDE.md)، وهي ملفات تكوين لكل مستودع (repo) تحدد الاصطلاحات والأنماط والحدود التي يجب على الذكاء الاصطناعي اتباعها. يعمل هذا الترتيب بشكل متكامل لضمان توليد كود بمعرفة تنظيمية كاملة.

فهرس المعرفة (Onyx) ضروري لتوحيد معرفة المؤسسة في مكان واحد يمكن للذكاء الاصطناعي البحث فيه. Onyx، الذي كان يُعرف سابقًا باسم Danswer، هو مشروع مفتوح المصدر وقابل للاستضافة ذاتيًا، ويأتي مزودًا بموصلات مسبقة البناء لـ Confluence، Jira، GitHub، Slack، وGoogle Drive. يتميز هذا النظام بقدرته على الزحف، وتقسيم المحتوى إلى أجزاء (chunking)، وتوليد التضمينات (embeddings)، والمزامنة المتزايدة (incremental sync) للحفاظ على تحديث البيانات. تُعد المزامنة المتزايدة أمرًا حاسمًا لآلاف المستندات، كما أن البيانات الوصفية (metadata) مهمة بقدر المحتوى نفسه لتصفية الاستعلامات وتحسين الصلة. أما جسر السياق (MCP)، فيمثل بروتوكولًا قياسيًا يتيح لأدوات الذكاء الاصطناعي مثل Claude Code الاتصال بمصادر البيانات الخارجية عبر خوادم خفيفة الوزن، وهو بمثابة مترجم بين Claude Code وفهرس المعرفة.

تكمل حواجز الحماية المحلية (CLAUDE.md) طبقة السياق بتحديد "كيف يتصرف" الذكاء الاصطناعي، بينما يحدد فهرس المعرفة "ماذا يعرف". يتواجد ملف CLAUDE.md في جذر كل مستودع ويقرأه Claude Code تلقائيًا. يُعرّف هذا الملف خدمة معينة ومن يملكها، والتبعيات الرئيسية ونقاط التكامل، والاصطلاحات والأنماط التي يجب اتباعها (مثل استخدام نمط المعالج في src/handlers/، أو فئة AppError للأخطاء، أو نمط المستودع لاستعلامات قاعدة البيانات). الأهم من ذلك، أنه يحدد حواجز الحماية (Guardrails) التي لا يجب تجاوزها، مثل عدم إيداع مفاتيح API أو الأسرار، أو عدم تجاوز برنامج Rate Limiter الوسيط. يضمن توحيد هذه الملفات عبر المؤسسة سلوكًا ثابتًا للذكاء الاصطناعي، محافظًا على نفس الأنماط، ونفس حواجز الحماية، ونفس معايير الجودة.

ماذا يعني هذا لعملك؟

إن بناء طبقة سياق الذكاء الاصطناعي هذه، على الرغم من بساطتها التقنية في التنفيذ (Docker، خادم MCP صغير، وملفات Markdown)، يواجه تحديات تنظيمية كبيرة. تتمثل هذه التحديات في تنظيف وثائق Confluence، وإلزام المهندسين بكتابة وصيانة ملفات CLAUDE.md، وإقناع القيادة بالاستثمار في البنية التحتية قبل رؤية النتائج الملموسة. ومع ذلك، فإن الفرق التي تنجز هذا العمل ستحصل على نظام قوي حقًا: ذكاء اصطناعي لا يكتب الكود فحسب، بل يكتب كودًا يفهم سبب وجوده، وكيف يتناسب مع النظام، وما هي القيود التي يجب أن يحترمها. هذا هو الفرق بين الذكاء الاصطناعي كلعبة والذكاء الاصطناعي كبنية تحتية حقيقية.