Nimble تطلق وكلاء بحث الويب: تقليل 51% في التكلفة وزيادة 21% بالدقة

مقدمة تحليلية

في 29 يوليو 2026، أطلقت شركة Nimble، ومقرها مدينة نيويورك، نظام "Web Search Agents" الجديد، مُدّعيةً خفض تكاليف التوكن بنسبة 51% وتحسين دقة استرجاع المعلومات بنسبة 21% مقارنة ببدائل البحث الرائدة للذكاء الاصطناعي. هذا التطور يمثل خطوة إضافية نحو رؤية Nimble لعالم تتولى فيه الوكلاء معظم مهام البحث على الويب للمؤسسات، بعيداً عن البحث اليدوي. تهدف Nimble، التي جمعت 47 مليون دولار في تمويل الفئة B، إلى تقديم قدرات بحث متخصصة حسب النطاق، مدعومة باستراتيجيات استرجاع ذاتية التعلم، وفهارس ويب خاصة، ووصول مباشر إلى الويب. وتؤكد الشركة أن هذا النظام مصمم ليتفوق على خدمات البحث العامة للذكاء الاصطناعي في بيئات العمل المؤسسية، مع التركيز على المهام الحرجة التي تتطلب بيانات محدثة باستمرار من الويب العام.

التحليل التقني

يعالج نظام Web Search Agents من Nimble قصور واجهات برمجة التطبيقات (APIs) العامة للبحث المستخدمة حالياً في معظم تطبيقات الذكاء الاصطناعي. هذه الواجهات تعيد مجموعات واسعة من الملفات، تاركة النموذج اللغوي مسؤولاً عن تحديد المصادر ذات الصلة، مما يؤدي إلى خطوات استرجاع متعددة، واستدلال إضافي، وإنفاق كبير للتوكنز. تتجنب Nimble هذه الكفاءة المنخفضة من خلال تصميم وكلائها لتعلم خصائص نطاق معين وتكييف كيفية استرداد المعلومات، وتقديم سياق منظم وذو صلة بدلاً من تصفح كميات كبيرة من نتائج البحث العامة.

آلية العمل والتركيز على الكفاءة

تعتمد Nimble على خوارزميات استرجاع ذاتية التعلم تتكيف مع نطاق العميل، مما يمكنها من تحديد المعلومات الدقيقة بشكل أكثر كفاءة، وتقليل الحاجة إلى الاستدلال متعدد الخطوات، وتخفيض استخدام التوكنز مع تحسين الدقة. يصف الرئيس التنفيذي Uri Knorovich هذا النهج بأنه بناء نماذج استرجاع متخصصة لكل نطاق عميل، مما يجعلها أسرع وأرخص وأكثر دقة. يتضح هذا في هدف Nimble ليس فقط تقليل الاسترجاع المتكرر، بل أيضاً تقصير مسارات البحث متعددة الخطوات وتجنب إرسال صفحات خام بشكل متكرر إلى النموذج اللغوي للتحليل، مما يؤدي إلى تحقيق نسبة الـ 51% المعلنة في تقليل التوكنز.

تُقدم Nimble مفهوم "Harness as a Tool"، الذي يدمج عدة قدرات خلف واجهة مدارة، بدلاً من مطالبة الفرق الهندسية بتجميع واجهات برمجة تطبيقات بحث منفصلة، وأتمتة المتصفح، وخطوط أنابيب الاستخراج، ومنطق التحقق، وأنظمة الذاكرة، ورموز الأوركسترا. يمكن لهذه الأداة تحديد ما يجب البحث عنه، والتنقل في الصفحات عند عدم كفاية الفهارس التقليدية، واستخراج المعلومات ذات الصلة، والتحقق من النتائج، وإعادة السياق النهائي بتنسيق مصمم للوكلاء اللاحقين. كما يحافظ النظام على ذاكرة خاصة بالنطاق ويبني فهارس خاصة تتحسن مع زيادة عمليات البحث.

• الوصول: API، SDK، وتكامل Model Context Protocol (MCP).
• نماذج الاستهلاك:
  • API للدفع عند الاستخدام: يبدأ من 0.025 دولار لكل طلب Agent API (إعداد الجهد المنخفض).
  • خطط سنوية مُدارة: تبدأ من 2,500 دولار شهرياً.
• حالات الاستخدام المبلغ عنها: محللو المصارف الاستثمارية، وكلاء استخبارات تنافسية، وكلاء أبحاث السوق، مراقبة غرف الأخبار، تطبيقات التأمين، أبحاث علوم الحياة، تحسين سلسلة التوريد.
• الأداء المبلغ عنه: شركة Rox، وهي شركة CRM قائمة على الذكاء الاصطناعي، أبلغت عن خفض تكاليف التوكنز بمقدار 20 ضعفاً بعد تبني بنية Nimble التحتية. تدعم Nimble حالياً أكثر من 90 مليون عملية بحث يومياً.
• خصوصية البيانات: Nimble تتبنى سياسة "صفر احتفاظ بالبيانات"، حيث لا يتم تخزين استعلامات العملاء في بيئة Nimble، وتبقى المعرفة المكتسبة في مساحة العميل.

السياق وتأثير السوق

لا تتنافس Nimble كواجهة بحث عامة للمستخدمين النهائيين مثل ChatGPT Deep Research (20 دولاراً شهرياً)، أو Google Gemini Deep Research (19.99 دولاراً شهرياً)، أو Perplexity (مجاني / 20 دولاراً شهرياً لـ Pro)، أو Tongyi DeepResearch من Alibaba (مجاني ومفتوح المصدر). بدلاً من ذلك، تموضع Nimble نفسها في طبقة أدنى من مكدس الذكاء الاصطناعي، كبنية تحتية لذكاء الويب التي تدعم هؤلاء الوكلاء أو التطبيقات المؤسسية المخصصة المبنية على النماذج التأسيسية الرائدة. هذا التمييز يعكس تحولاً معمارياً متزايد الأهمية في الذكاء الاصطناعي المؤسسي.

بينما تعمل أنظمة "Deep Research" على تحسين سير عمل البحث الإجمالي، فإن Nimble تجادل بأن طبقة الاسترجاع نفسها أصبحت العائق الأساسي لعمليات نشر الذكاء الاصطناعي في المؤسسات. إذا قام وكيل باسترجاع عدد كبير جداً من الصفحات غير ذات الصلة أو أجرى تكرارات بحث غير ضرورية، فإن استهلاك التوكنز، وزمن الاستجابة، وتكاليف التشغيل تزداد قبل أن يبدأ النموذج في عملية الاستدلال الرئيسية. هذا يضع Nimble في منافسة مباشرة مع بنى الاسترجاع الموجهة للمطورين مثل Exa (تبدأ أسعار API البحث من 7 دولارات لكل 1000 طلب) و Tavily (تبدأ من 0.008 دولار لكل رصيد)، ولكنها تميز نفسها بالتركيز على استراتيجيات الاسترجاع ذاتية التعلم، والفهرسة الخاصة، والحوكمة المؤسسية، والتسليم المُدار، وكفاءة التوكنز لوكلاء الإنتاج.

تُقارن Nimble أيضاً بـ Sakana Marlin، التي تقدم "Ultra Deep Research"، وهي تحليلات استراتيجية طويلة الأمد بتكلفة تبدأ من 0.61 دولار لكل رصيد (98 يناً يابانياً لكل رصيد)، مع خطة Pro تبدأ من 936 دولاراً شهرياً (150,000 ين ياباني شهرياً). إلا أن Marlin موجهة نحو دور "CSO افتراضي" ينتج تقارير تنفيذية، بينما تُقدم Nimble البنية التحتية المتخصصة للاسترجاع والتصفح والاستخراج والتحقق والتنسيق التي تحتاجها الوكلاء لجمع معلومات خارجية موثوقة قبل بدء الاستدلال. وهذا يعكس أن جودة النموذج وحدها لم تعد تحدد أداء التطبيق، بل أصبحت البنية التحتية المحيطة بالنماذج، بما في ذلك الاسترجاع والتنسيق والذاكرة والحوكمة، هي ساحة المعركة القادمة في الذكاء الاصطناعي.

رؤية Glitch4Techs

تدعي Nimble تحسينات كبيرة في الكفاءة والدقة مع Web Search Agents، متمثلة في خفض 51% في تكاليف التوكن وزيادة 21% في دقة الإجابة. هذه الأرقام، وإن كانت مدعومة بأمثلة مبكرة من عملاء مثل Rox (التي حققت خفضاً بمقدار 20 ضعفاً)، تفتقر إلى الشفافية الأساسية. لم تكشف الشركة عن منهجية المقارنة المعيارية المحددة أو المنافسين الذين تم تقييمهم. هذا الغياب للبيانات القابلة للتدقيق يضعف مصداقية هذه التحسينات المعلنة، ويجعل التبني الكامل في البيئات المؤسسية مرهوناً باختبارات مستقلة وشاملة تتجاوز البيانات الأولية للشركة. الوعود بكفاءة التوكنز ودقة الاسترجاع تبقى مجرد مطالبات تسويقية حتى يتم التحقق منها بشكل مستقل.