العنوان الأصلي: ما يعنيه انضمام كارباتي إلى أنثروبيك حقًا لكلود
الكاتب الأصلي: @nateherk
الترجمة: Peggy، BlockBeats

مقدمة المحرر: انضمام أندريه كارباتي إلى أنثروبيك ليس مجرد خبر عن «نجم كبير في الذكاء الاصطناعي ينضم إلى مختبر رائد». الأهم من ذلك هو التغيير في اتجاه المنتج الذي يشير إليه هذا التغيير الإداري.

على مدى العام الماضي، لا تزال المنافسة في صناعة الذكاء الاصطناعي تركز بشكل كبير على النماذج نفسها: من لديه أعلى معايير، من لديه قدرات استنتاج أقوى، من يتصدر التصنيفات. لكن مع تحسين قدرات منتجات مثل Claude Code، Skills، MCP، ذاكرة المشاريع، سير عمل الوكيل، يظهر اتجاه أكثر وضوحًا: النموذج نفسه هو مجرد طبقة من المنتج، والعامل الحقيقي الذي يحدد كفاءة إنتاج المستخدم هو السياق، والذاكرة، وسير العمل، والمهارات، والموصلات، وهيكل الملفات، ودليل الأسلوب، ودورة الأهداف التي تحيط بالنموذج.

التأكيد المتكرر على «هندسة السياق» من قبل كارباتي خلال الأشهر الماضية يتوافق تمامًا مع هذا التغيير. العامل الحاسم في قدرة الذكاء الاصطناعي على توليد قيمة مستقرة ليس مجرد الأمر الذي يكتبه المستخدم كموجه، بل مدى قدرة النموذج على فهم مستنداتك، وسير عملك، ومعايير أسلوبك، وأهداف عملك، ونظام الحكم لديك. بعبارة أخرى، المنافسة في المرحلة التالية من الذكاء الاصطناعي قد لا تكون فقط «من لديه نموذج أقوى»، بل من يستطيع جعل النموذج يدخل بشكل أفضل في سيناريوهات العمل الحقيقية.

من ويكي LLM إلى AutoResearch، ثم إلى حلقات الأهداف /goal التي تعتمد على الأهداف، فإن الاتجاه الذي يستكشفه كارباتي علنًا يدور حول نفس السؤال: كيف نجعل الذكاء الاصطناعي يتحول من «نافذة دردشة للإجابة على الأسئلة» إلى نظام عمل يفهم السياق، ويستمر في تنفيذ المهام، ويكرر حول الأهداف. وتوسعات أنثروبيك الأخيرة في Claude Code، وخدمات الشركات، والموصلات البيئية، وقدرات سير العمل، تتبع نفس المسار.

لذا، فإن انضمام كارباتي إلى أنثروبيك ليس مجرد حركة تنقلات بشرية، بل هو بمثابة تعليق على مسار منتجات أنثروبيك: أدوات الذكاء الاصطناعي المستقبلية لن تكون فقط في معلمات النموذج، بل أيضًا في البيانات التي يراكمها المستخدمون، وسير العمل، وأنظمة الذاكرة، والمعرفة الصناعية. من يستطيع تنظيم هذه السياقات، قد ينجح حقًا في دفع الذكاء الاصطناعي من «أداة» إلى «بنية تحتية».

وفيما يلي النص الأصلي:

قبل عدة ساعات، نشر أندريه كارباتي تغريدة يعلن فيها أنه سينضم إلى أنثروبيك.

أبسط نسخة من هذه القصة هي: شخصية بارزة في الذكاء الاصطناعي تنضم إلى مختبر كبير في المجال.

لكن السؤال الأهم هو: لماذا أنثروبيك؟ ولماذا الآن؟

لأنه بمجرد أن تنظر إلى ما بناه كارباتي خلال الأشهر الماضية، وتراجع الوظائف التي أطلقتها Claude Code مؤخرًا، ستكتشف أن الاثنين يتجهان نحو نفس الاتجاه المنتج.

الخلفية

كارباتي هو أحد الشخصيات الأكثر أهمية في مجال الذكاء الاصطناعي الحديث.

هو أحد مؤسسي OpenAI في 2015، عمل في تسلا مسؤولاً عن أعمال الذكاء الاصطناعي لمدة خمس سنوات؛ عاد إلى OpenAI في 2023، ثم غادر بعد عام؛ وأسس شركته الخاصة للتعليم في الذكاء الاصطناعي، Eureka Labs. كما أطلق دورة مجانية تسمى LLM 101، تعلم المستخدمين كيف يبنون نموذج لغة من الصفر.

هو أيضًا مبتكر مفهوم «البرمجة بالحيوية» (vibe coding): حيث تكتفي بوصف ما تريد باللغة الإنجليزية، ويقوم الذكاء الاصطناعي بكتابة الكود، مع التجربة، والتوجيه، والتكرار. كما قدم مفهوم «هندسة السياق» (context engineering)، الذي سيصبح محور النقاش لاحقًا.

لذا، فإن هذا ليس مجرد توظيف عادي. إنه يعني أن أحد أكثر الأصوات تأثيرًا في مجال الذكاء الاصطناعي ينضم إلى أحد أقوى المختبرات في المجال.

Claude Code أصبح أداة مفضلة للعديد من المطورين لبناء الوكيل، وكتابة الكود، أو التعامل مع المعرفة الحقيقية. قبل حوالي أسبوع، أطلقت Ramp مؤشر الذكاء الاصطناعي الخاص بها. ووفقًا لهذه البيانات، تفوقت أنثروبيك لأول مرة على OpenAI في اعتماد الشركات: 34.4% مقابل 32.3%.

بالطبع، من العدل أن نقول إن هذه البيانات تخص عملاء Ramp فقط. لا تزال OpenAI تملك علامة تجارية قوية للمستهلكين، ولديها العديد من العقود مع الشركات الكبرى لم تُدرج في العينة. لا أريد المبالغة في الأمر، لكن هذا الإشارة لا يمكن تجاهلها.

في بداية هذا الشهر، أعلنت أنثروبيك أيضًا عن تأسيس شركة جديدة للخدمات الذكاء الاصطناعي للشركات. وهي شركة مشتركة بين أنثروبيك وBlackstone وHellman & Friedman وGoldman Sachs، بهدف مساعدة الشركات المتوسطة على دمج Claude في عملياتها الأساسية.

لنراجع هذا التحرك مرة أخرى: هم يصنعون نماذج، ويطورون واجهات منتجات، مثل Claude Code، Skills، MCP؛ يبنون شبكة شركاء؛ ويضيفون الآن طبقة من الخدمات لمساعدة الشركات على تنفيذ منتجاتها بشكل فعلي.

لم يعد الأمر مجرد «إعطائك نموذجًا، والباقي عليك».

اللفافة (Wrapper) هو المنتج

لا تزال معظم مناقشات الذكاء الاصطناعي تركز على النماذج نفسها كمنتج كامل: من يتفوق في أي معيار، Opus 4.7، GPT-5.5، Gemini، من هو الأقوى، وكيف تتغير التصنيفات.

بالطبع، النماذج مهمة، لست أقول غير ذلك. لكن مع الاستخدام المستمر لهذه الأدوات، يصبح واضحًا أكثر: النموذج هو مجرد طبقة من المنتج. العامل الحقيقي الذي يغير إنتاجيتك اليومية هو اللفافة (wrapper) التي تحيط بالنموذج.

ولهذا السبب، يمكن لشخصين استخدام نفس النموذج، لكنهما يحصلان على نتائج مختلفة تمامًا.

اللفافة، ببساطة، هي كل شيء يحدد كيف يُستخدم النموذج.

→ Claude Code نفسه، Codex، Skills، الوكيلات الفرعية، Hooks، موصلات MCP.

→ ملف CLAUDE.md الخاص بك، ذاكرتك، مستنداتك، حالاتك.

→ هيكل ملفاتك، دليل أسلوبك، ومعايير «النتائج الجيدة» لديك.

هذه هي البيئة التي يوجد فيها النموذج.

إذا فتحت نافذة دردشة جديدة بدون سياق، وطلبت منه معالجة مسألة عمل، فهو لا يعرف شيئًا عنك، وسيضطر إلى التخمين. ستضطر لشرح خلفية الأمر مرارًا وتكرارًا في الحوار.

لكن إذا زودته بمستنداتك، وحالاتك، وسير عملك، ودليل أسلوبك، ومعايير النجاح الحقيقية، فسيكون الناتج مختلفًا تمامًا.

وهذا هو المكان الذي يتوافق فيه كارباتي مع أنثروبيك. هو الذي اقترح «هندسة السياق»، وليس فقط «هندسة الموجهات» (prompt engineering)، لأنه يدرك أن القدرة الحاسمة ليست في كتابة موجه مثالي، بل في بناء بيئة صحيحة تسمح للنموذج بالعمل بشكل فعال، وتذكر، وتستخدم السياق بين جلسات مختلفة.

أنثروبيك تبني هذا البيئة بشكل سري، وكارباتي يعلّم علنًا هذه الطريقة. الآن، هاتان الرؤيتان تتحدان في شركة واحدة.

بفهم ذلك، ما فعله كارباتي خلال الأشهر الماضية لم يعد مجرد مجموعة مشاريع عشوائية، بل أصبح بمثابة خارطة طريق.

ويكي LLM وحصانتك المعرفية

في أبريل من هذا العام، أطلق كارباتي مشروع LLM Wiki. وسريعًا ما أصبح حديثًا على X.

هيكلها بسيط جدًا. إذا أردت أن تعرف، لقد أعددت دورة كاملة على YouTube.

→ مجلد raw/، يحتوي على العديد من ملفات markdown، يمكن أن تكون ملاحظات، مصادر، نصوص من المقابلات، أي مواد.
→ مجلد wiki/، حيث ينظم الوكيل المحتوى، ويبني روابط بين المواد، ويولد خرائط ذهنية.
→ وثيقة schema، تشبه CLAUDE.md أو AGENTS.md، تُعلم الوكيل كيف يعمل، وكيف يستوعب مواد جديدة.

هي ليست مجرد بحث عن الملفات الأصلية، أو استعلامات متكررة عبر الفضاء، بل بناء قاعدة معرفة حية ومتطورة باستمرار. يقرأ البيانات، ويفهم علاقاتها. كثيرون بدأوا يستخدمونها لبناء «دماغ ثاني» خاص بهم.

هذه الخطوة أكثر أهمية مما تبدو للوهلة الأولى. كثيرون يعتقدون أن «البيانات هي الحصن المنيع»، في أذهانهم قاعدة بيانات ضخمة للشركة. لكن بالنسبة للمطور العادي، الحصن الحقيقي هو ملاحظات الاجتماعات، وإجراءات التشغيل الداخلية، وسجلات المكالمات مع العملاء، والنصوص، ومعايير التسمية، والأطر التي يستخدمها.

إذا استطاع Claude تحويل هذه المحتويات إلى سياق مرئي وقابل للاستخدام، فسيصبح النموذج أكثر ذكاءً وفائدة أسبوعًا بعد أسبوع.

هذه هي ظاهرة «الاحتكار». ليس لأنك لا تستطيع تغيير النموذج، بل يمكنك ذلك، لكن مع استمرار بناء السياقات وسير العمل والذاكرة في أداة واحدة، يصبح من الصعب جدًا أن تتركها.

LLM Wiki ليست مجرد مشروع ثانوي، بل هي مؤشر. لن أستغرب إذا ظهر في Claude Code أو في ذاكرة مشروع Claude نسخة أكثر أصالة من هذه الوظائف. يمكنك أن ترى بعض المؤشرات في وظيفة auto-dream.

بالطبع، لست مضطرًا للانتظار. يمكنك أن تبدأ هذا الأسبوع، وتسمح لClaude Code بقراءة مستنداتك المهمة، وبناء ويكي على هذا النمط.

إذا أردت أن تكون شخصًا يركز على الذكاء الاصطناعي، فإن بياناتك ستكون ذات قيمة فقط عندما يعرف الوكيل كيف يجدها ويستخدمها بشكل صحيح.

AutoResearch وحلقة /goal

في مارس من هذا العام، أطلق كارباتي مشروع AutoResearch. وهو دورة أبحاث آلية. إذا جربت Ralph Loop، ستجد أن هناك تشابهًا في الفكرة.

نموذجها بشكل عام هو:

1. الحصول على سكربت تدريب.
2. اقتراح خطة تعديل.
3. تشغيل مهمة تدريب قصيرة.
4. تقييم النتائج بناءً على مؤشرات موضوعية: نجاح أم فشل.
5. تكرار حتى تحقيق الهدف.

بصراحة، لم أستخدم AutoResearch بشكل مكثف بنفسي. لا أدرب نماذج، ولا أطور تطبيقات تتطلب حلقات كهذه. لكن شكله مهم جدًا.

تحديد الهدف. جعل الوكيل يعمل. ثم العودة.

ننظر الآن إلى ما يطلقه النظام البيئي مؤخرًا: Codex لديه /goal، Hermes لديه /goal، وClaude Code لديه أيضًا /goal أصلي.

لست أقول إن كارباتي اخترع هذه الوظيفة بنفسه. لا أعلم. ومن الناحية الأساسية، AutoResearch و /goal ليسا نفس الشيء، لكن أنماطهما واضحة الصلة.

كلاهما يسحبنا من نمط «موجه واحد، جواب واحد».

إنهما يدفعاننا نحو تفاعل مختلف: تحديد النتيجة، وترك الوكيل يقرر كيف ينفذ، ثم العودة عند استيفاء الشروط.

هذه نسخة محسنة من vibe coding. تحديد «ما أريد»، وعدم تحديد «كيف أفعله»، ثم الانتظار حتى ينتهي.

عند دمج هذا النمط مع فكرة LLM Wiki، لن يصبح الأمر مجرد دردشة، بل يبدأ في أن يشبه موظفًا حقيقيًا: يفهم عملك، ويعمل باستمرار حول هدف معين، حتى يحقق الهدف.

خيط التعليم

في إعلان انضمام كارباتي، هناك عبارة تستحق التوقف عندها: قال «لا زلت أحتفظ بشغف عميق تجاه التعليم».

Eureka Labs، شركته السابقة، هو في جوهره مشروع تعليمي. هدفه ليس تعليم الناس «الضغط على زر، وربط النقاط»، بل مساعدتهم على فهم الذكاء الاصطناعي من الداخل: كيف يعمل هذا النظام حقًا.

ما يميز كارباتي هو قدرته على شرح المفاهيم التقنية بشكل يجعلها مفهومة وقريبة من الفهم. فهم شيء معين هو مهارة، وتعليمه للآخرين ليستخدموه بشكل فعال هو مهارة مختلفة تمامًا.

هذا مهم جدًا لأنثروبيك. إذا كانت المرحلة القادمة من المنافسة تدور حول السياق، وسير العمل، والمهارات، والذاكرة، والدورات، فإن التحدي ليس فقط تقنيًا، بل أيضًا تعليمي.

أظهرت دراسة حديثة لـ IBM حول اعتماد الذكاء الاصطناعي وإدارة التغيير الفجوة الكبيرة بين «القدرة على استخدام AI» و«القدرة على استغلال AI بشكل فعّال». معظم الشركات عالقة هنا.

إدخال خبير في التعليم في الذكاء الاصطناعي داخل المنظمة للمساعدة في تقليل هذه الفجوة، ليس أمرًا بسيطًا.

توقعاتي لClaude Code

هذه مجرد توقعات. لا أملك معلومات داخلية، ولا أعرف خارطة طريق أنثروبيك. لكن استنادًا إلى المنتجات التي أطلقتها أنثروبيك مؤخرًا، وما نشره كارباتي خلال الأشهر الماضية، الاتجاه واضح.

أنثروبيك ستبني «متجر تطبيقات السياق»

لقد بدأوا بالفعل في ذلك. تظهر ملامح الإضافات الرسمية، والمهارات، والمكونات السوقية.

لكنني لا أتحدث عن سوق الموجهات.

أتحدث عن نوع من المكونات: المهارات، سير العمل، ذاكرة المشاريع، السياقات الخاصة بالمجالات، حلقات التقييم، والموصلات التي تربط البيانات الحقيقية. وأيضًا الأمثلة التي تعلم النموذج «ما هو الجيد» في وظيفة معينة.

عند دمج هذه المكونات في مجالك، يمكنك أن تحصل على قيمة أعلى من النموذج، حتى لو كان النموذج ذكيًا بما يكفي.

لأن المستخدم العادي لم يعد يميز النموذج عن غيره، بل العامل الحاسم هو من يستطيع تنظيم البيانات واللفافة بشكل صحيح، ليحقق نتائج ذات عائد استثمار حقيقي للشركة.

ويكي LLM هو نمط لتحويل المعلومات غير المنظمة إلى ذاكرة قابلة للاستخدام. /Goal هو نمط لتحويل الأهداف إلى حلقات أوتوماتيكية. وتعليم كارباتي هو نمط لتحويل المفاهيم المعقدة في الذكاء الاصطناعي إلى أدوات عملية.

ما يقدمه هو أسلوب عمل. وإذا استطاعت أنثروبيك أن تحول هذا الأسلوب إلى نظام بيئي حقيقي، فإن Claude Code لن يكون مجرد أداة برمجة، بل سوق.

ظهور أوامر من نوع /goal في المنتجات

من المحتمل أن يكون /goal مجرد الإصدار الأول، وليس الشكل النهائي.

يمكن تصور ظهور إصدارات مخصصة كثيرة: حلقات البحث، حلقات التصحيح، حلقات الختام. وربما أوامر موجهة لمجالات محددة، حيث يعرف الوكيل «ما هو الإنجاز».

لا أعرف أسماءها النهائية، لكن هذا ليس المهم.

المهم هو أن واجهات التفاعل ستتغير. لن تقول «قم بهذه الخطوة»، بل ستقول: «في هذا المجال المحدد، استمر حتى يتحقق الشرط».

أنثروبيك ستطلق نظامًا تعليميًا لمساعدة المستخدمين على تنظيم سير عملهم.

هذا هو التوقع الأكثر جرأة، والأكثر إثارة بالنسبة لي.

إذا كانت أنثروبيك تريد إنشاء سوق حقيقية للسياق، فيجب أن يشارك فيها عامة الناس، وليس فقط المطورون والباحثون.

أي أن خبراء مجالاتهم يجب أن يكونوا قادرين على المشاركة.

→ محاسب يفهم عمليات الإغلاق الشهرية.
→ موظف عقارات يعرف كل خطوة في إدخال البيانات العقارية.
→ يوتيوبر يعرف كيف يختار موضوعات ويصنع محتوى جيد.

هذه المعرفة ذات قيمة، لكنها حبيسة أذهان الناس، أو مبعثرة في مستندات، وسلاسل Slack، وقنوات ClickUp.

لقد بدأنا نرى مؤشرات على ذلك في الواقع. كثير من المدربين يبنون نسخًا من أنفسهم، ويشغلون روبوتات دردشة، ويطلبون مقابل ذلك، ليحصل المستخدمون على استشارات من خبراء متخصصين. هذا هو النسخة اليدوية. الناس يرغبون في استخراج المعرفة من الآخرين وتطبيقها في أعمالهم.

لو أردت بناء وكيل إعلانات، سأواجه مشكلة: لا أملك خبرة في المجال. لكن لو كان هناك سوق يمكنني من خلاله الاشتراك في سياق عالي الجودة من خبراء، سأصبح عميلًا على الفور.

هذه هي الطبقة التي سأركز عليها لاحقًا.

الخاتمة

القصة الحقيقية هي نمط العمل نفسه.

النموذج هو مجرد طبقة واحدة. اللفافة الخارجية للنموذج تتطور لتصبح المنتج الحقيقي. بياناتك وسير عملك يبدوان وكأنهما حصن حصين. ما يدرّسه كارباتي خلال الأشهر الماضية هو هذا الأمر. وما تفعله أنثروبيك هو أيضًا.

لذا، فإن انضمامه ليس مجرد عنوان خبر، بل هو خارطة طريق. لقد شرحت كامل المنطق في الفيديو الكامل، ورابطه في أول رد.

[رابط النص الأصلي]

انقر لمعرفة وظائف BlockBeats في التوظيف

مرحبًا بك في المجتمع الرسمي لـ BlockBeats:
تليجرام: https://t.me/theblockbeats
مجموعة تليجرام: https://t.me/BlockBeats_App
حساب تويتر الرسمي: https://twitter.com/BlockBeatsAsia