دراسات حالة

أصعب المشكلات التي عملت عليها

وكلاء LLM، والاستدلال على GPU، واستضافة الوكلاء، ومزامنة البيانات. في كل حالة: ما الذي تعطّل، ولماذا كان صعبًا، وما الذي غيّرته، والأرقام قبل وبعد.

قائد تقني لمنصة LUUK AI · ماجستير في الذكاء الاصطناعي (قيد الدراسة) · أقيم في بالي (UTC+8) · مستعد للانتقال

01تقييم LLM · تصميم الوكيلLUUK AI · سبتمبر–أكتوبر 2026

اختبار وكيل LLM لا يجيب بالطريقة نفسها مرتين

مجموعة من 310 اختبارات لجودة الإجابات على بيانات إنتاج مجمّدة، ثم إعادة كتابة للوكيل أثبتت المجموعة نفسها تحسّنها.

9-13% ← 0.2-0.5%
إجابات فارغة
في الأعلى: قاعدة بيانات الإنتاج، ثم لقطة مجمّدة، ثم دور الوكيل الحقيقي في 3 تشغيلات، ثم فحوص الكود، ثم مُقيِّم LLM بمناطق إخفاق وعدم تأكد ونجاح. في الأسفل: قبل، إجابة وحتى ثلاث تمريرات LLM تعيد كتابتها؛ وبعد، حلقة أدوات وكتابة واحدة وحراسات في الكود وإجابة مبثوثة.افتح المخطط بالحجم الكامل

المشكلة

يجيب مساعدو المبيعات لدينا على المتسوقين والوسطاء باستدعاء أدوات فوق كتالوج حي وقاعدة معرفة. وبعد الإجابة الأولى كانت حتى ثلاث تمريرات إضافية من LLM تعيد كتابتها (المراجعة، والتوفيق، والترجمة)، وكل منها قادرة على تغيير الحقائق. ولم يكن أحد يستطيع أن يقول إن كان تغيير ما قد حسّن الإجابات أم أساء إليها: فالاختبارات القديمة كانت تفحص دوالّ مساعدة على تفريغ قديم للبيانات، وتبقى خضراء بينما الوكيل معطّل.

لماذا كانت صعبة

  • السؤال نفسه يحصل على إجابة مختلفة في كل تشغيل، والنماذج تختلف في طريقة استخدامها للأدوات.
  • الكود لا يستطيع الحكم على المعنى، والمُقيِّم المبني على LLM غير دقيق تمامًا هو الآخر.
  • يجب أن يشغّل الاختبار الوكيل كما هو منشور تمامًا، وعلى بيانات لا تتغيّر، بينما تتغيّر بيانات الإنتاج وتعطي كل إعادة مزامنة معرّفات جديدة.
  • التشغيل الكامل نحو 900 محادثة حقيقية، أي توكنات حقيقية مدفوعة، ويجب ألا تُحسب أخطاء الشبكة إخفاقًا.

ما الذي فعلته

  1. 1جمّدت بيانات الإنتاج: تصديرات للقراءة فقط مع sha256 ومصدر موثّق لكل ملف. وعند التحديث تُنقل المعرّفات المثبّتة إلى معرّفاتها الجديدة.
  2. 2يشغّل الاختبار دور الوكيل الحقيقي على النموذج الحقيقي بإعدادات المستأجر نفسه، وتحقّقت من أنه يطابق الإنتاج. في البداية لم يكن كذلك: ميزانية توكنات وعتبة بحث وقاموس مختلفة.
  3. 3تأتي فحوص الكود أولًا (المعرّفات والأدوات والأرقام المحسوبة مسبقًا من اللقطة)، ثم يحكم مُقيِّم LLM على المعنى فقط، مع منطقة «غير متأكد». لا ينجح الاختبار إلا إذا نجحت التشغيلات الثلاثة كلها، ولا تُطابَق الصياغة أبدًا، وأخطاء الشبكة تُعاد ولا تُحسب إخفاقًا. نحو 20 دقيقة على 8 أجزاء متوازية.
  4. 4ثم أعدت كتابة الدور: حلقة أدوات وكتابة واحدة، وحراسات في الكود (لا يوصي إلا بمعرّفات أعادتها الأدوات)، وحدّ الجولات مكتوب في الموجّه نفسه، ولا بديل احتياطي يخفي إجابة فارغة. وأثبت اختبار A/B مقابل الإنتاج ذلك قبل الدمج.

النتائج

310
اختبارات على نموذج حقيقي عبر 56 سيناريو للعميل، والنجاح يتطلّب 3 من 3 تشغيلات
9-13% ← 0.2-0.5%
من الأدوار تنتهي بإجابة فارغة
أقل بـ 34%
استدعاءات للنموذج مقارنة بالإنتاج في اختبار A/B من 6 أسئلة × 3 تشغيلات (واستدعاءات التضمين أقل بـ 82%)
12.9 ← 7.0 ث
زمن الاستجابة p90 في اختبار A/B نفسه

من فعل ماذا: صمّمت مجموعة الاختبارات وقواعدها وإعادة الكتابة. نقل زميل سيناريوهات العميل، وكتب وكلاء برمجة بالذكاء الاصطناعي كثيرًا من الاختبارات وفق قواعدي، والبحث في الكتالوج من عمل زميل.

PYTHONFASTAPILANCEDBSQLITEGITHUB ACTIONSSSE
02استدلال على GPU · موازنة الحملLUUK · سبتمبر 2026

تجهيز واجهة رؤية حاسوبية على GPU لإطلاقها لدى شريك

من خدمة سقطت في ذروة مسائية واحدة إلى أربعة خوادم GPU و393 تحليلًا في الدقيقة، مع قياسات عبر العنوان العام.

37% ← 95%
مستخدمون حصلوا على نتيجة كاملة
العملاء، ثم Caddy يوجّه إلى العملية الأقل انشغالًا، ثم أربعة خوادم GPU تشغّل 31 عملية تحليل، بعضها على CPU فقط، فوق وحدة S3 مشتركة مع مراقب. في الإطار: القبول، والقفل ومجمّع الخيوط، وONNX Runtime عند 3.6 GB. الأعمدة: 55-68 تحليلًا في الدقيقة على خادم واحد، و393 على أربعة.افتح المخطط بالحجم الكامل

المشكلة

كانت واجهة لتحليل البشرة من صورة الوجه (نماذج ONNX الخاصة بالفريق خلف FastAPI) على وشك أن يدمجها شريك كبير. وقد سقطت من قبل في ذروة مسائية: علّم البروكسي الخادمين الخلفيين كليهما معطّلين لمدة 43 دقيقة، ولم يحصل على نتيجة إلا نحو رفعة واحدة من كل خمس. لم تكن الخوادم ميتة. كان كل تحليل يستغرق 2.5-5 ثوانٍ داخل حلقة الأحداث للعملية الوحيدة، فلا تستطيع الردّ على فحوص الصحة.

لماذا كانت صعبة

  • كانت حالة كل صورة تعيش في كائنات مشتركة على مستوى الوحدة، فلم يكن ممكنًا تشغيل التحليل بالتوازي داخل العملية الواحدة ببساطة.
  • بحث cuDNN الافتراضي عن الخوارزمية استهلك نحو 11 GB من ذاكرة GPU عند أول صورة؛ وعمليتان تبدآن معًا كانتا تستنفدان الذاكرة.
  • كانت النتائج على وحدة S3 مركّبة ومشتركة تخزّن «غير موجود» مؤقتًا، وخادمان يكتبان في كائن السجلّ نفسه جمّدا خادمًا كاملًا لمدة 13 دقيقة.
  • أسطول متنوّع من T4 إلى بطاقتي A5000، وبروكسي يعيد استخدام اتصالات كان uvicorn يغلقها: 2-3% من الرفعات تلقّت 502.

ما الذي فعلته

  1. 1أعدت بناء الإنتاج على خادم GPU احتياطي خامل (الكود والإعدادات وإعدادات البروكسي نفسها)، وأعدت تشغيل نمط الوصول نفسه قبل كل إصلاح وبعده.
  2. 2نقلت التحليل إلى مجمّع خيوط بحدّ لكل عملية، مع طابور محدود يردّ فورًا بـ 503 مع Retry-After، فتمرّ فحوص الصحة دائمًا.
  3. 3ضبطت مزوّد CUDA (بحث cuDNN استدلالي، بلا مساحة عمل قصوى، وذاكرة لا تنمو إلا عند الطلب)، وحدّدت عدد العمليات لكل GPU من الذاكرة المقيسة. أعطى التوازي داخل العملية 10-15% فقط مقابل 2.4 GB إضافية، فتخلّيت عنه.
  4. 4عملية واحدة لكل منفذ، والتوجيه إلى الأقل انشغالًا، وkeep-alive أقصر من مهلة uvicorn، وقراءة النتائج من الخوادم بالترتيب. وسجلّات منفصلة لكل خادم، ومراقب يعيد تركيب S3 في أقل من دقيقتين.

النتائج

37% ← 95%
من المستخدمين حصلوا على نتيجة كاملة بالحمل نفسه على نسخة من الإنتاج (13% ← 87% عند معدّل الذروة)
55-68 ← 393
تحليلًا في الدقيقة عبر عنوان الإنتاج، من خادم GPU واحد إلى أربعة
11 ← 3.6 GB
ذاكرة GPU لكل عملية؛ وأول تحليل من 38 ث إلى 2 ث
1,999 / 2,000
طلبًا ناجحًا عند 100 عميل متزامن

من فعل ماذا: النماذج من عمل الفريق. قدت التشخيص والتوسيع واختبارات الحمل بالعمل مع وكيل برمجة بالذكاء الاصطناعي.

PYTHONFASTAPIONNX RUNTIMECUDACADDYSYSTEMD
03منصّة · إدارة العملياتLUUK AI · مارس–أبريل 2026

مدير عمليات واحد بدل 25 خدمة للوكلاء

مدير واحد لكل بيئة يشغّل وكيل كل شريك على مقبس Unix خاص به. وجدت الـ 3.5 ثانية التي أضافها في البداية وأزلتها، ثم حوّلت الإنتاج إليه مباشرة.

25 ← 1
خدمة لكل بيئة
قبل وبعد: 25 خدمة وكلاء، لكل منها مسار في البروكسي، استُبدلت بمدير واحد لكل بيئة يُنشئ الوكلاء من لوحة الإدارة ويوجّه الطلبات إليهم عبر مقابس Unixافتح المخطط بالحجم الكامل

المشكلة

كان وكيل كل شريك تطبيق FastAPI مستقلًا ووحدة systemd ومنفذ TCP ومقطع إعدادات للبروكسي يُنسخ يدويًا إلى خادم طرفي: خمس خطوات يدوية على جهازين لكل وكيل، و25 خدمة على الخادم الرئيسي وحده. ومع ذلك كان على كل وكيل أن يحتفظ بعمليته وبياناته وإعداداته الخاصة.

لماذا كانت صعبة

  • تشغيل مستأجر واحد أو إيقافه أو إعادة تحميله دون المساس بالآخرين؛ والوكلاء الكبار يحتاجون حتى دقيقتين للإقلاع.
  • صار بروكسي مكتوب بـ Python يقف أمام كل استدعاء LLM. والنسخة الأولى أضافت نحو 3.5 ث لكل طلب.
  • عملية واحدة تملك كل الوكلاء، فأي خلل في المدير يصيب كل المستأجرين. وسطر سجلّ طويل جدًا من عملية فرعية كان قادرًا على قطع قراءة السجلّات وإعادة تشغيل الوكلاء.
  • كان لا بد من التحويل على الإنتاج مع طريق للعودة، وظهرت أثناءه ارتباطات خفية: أسرار من ملف عبر رابط رمزي، وانحراف في الإعدادات، وتثبيت حزم قتله OOM killer، ومنفذ ما زالت تشغله خدمة قديمة.

ما الذي فعلته

  1. 1كتبت المدير: كل وكيل يعمل على مقبس Unix خاص به، والوكلاء المتعطّلون يُعاد تشغيلهم، وتغيير الإعدادات يعيد تحميل الوكلاء المتأثرين فقط. والوكلاء الجدد يُطلَقون من لوحة الإدارة.
  2. 2أزلت الـ 3.5 ث: بثّ بدل التخزين المؤقت، واتصال الوكلاء بمقبس المشرف مباشرة (4 مرورات عبر البروكسي لكل طلب ← 2)، وuvloop.
  3. 3جعلت المدير صعب السقوط: قارئ سجلّات يحدّ الأسطر التي بلا نهاية سطر ولا يرمي استثناءً أبدًا، وإعادة تشغيل بعد 3 ثوانٍ، وإيقاف يُنهي العملية وينتظر 10 ثوانٍ ثم يقتلها.
  4. 4نفّذت التحويل على الإنتاج وفق خطة تراجع. فكشف عن 13 وكيلًا معطّلًا في قاعدة البيانات لكنه ما زال يعمل؛ ومزامنة ملف الوكلاء من لوحة الإدارة أغلقت هذه المشكلة نهائيًا.

النتائج

25 ← 1
خدمة وكلاء صارت مديرًا واحدًا لكل بيئة، يعمل اليوم على 3 خوادم
5 ← 1
خطوات يدوية لإطلاق وكيل (اليوم نموذج واحد في لوحة الإدارة)
نحو 3.5 ث
حمل إضافي للبروكسي على كل طلب، وجدته وأزلته حتى صار ضمن تذبذب زمن LLM
2.9 ← 9.9 GiB
ذاكرة متاحة بعد إيقاف 13 وكيلًا منسيًا

من فعل ماذا: المدير من عملي (14 من 14 commit). وسبقه نموذج أوّلي صغير للتوجيه كتبه زميل.

PYTHONASYNCIOUVLOOPHTTPXUNIX SOCKETSSYSTEMD
04باكند · اتساق البياناتمنصّة وساطة عقارية (قبل الإطلاق) · 2026

مزامنة مع CRM لا أتحكم فيه، دون تحديثات ضائعة

نموذج الوسيط والـ webhook والاستطلاع الدوري تكتب كلها في البطاقات نفسها؛ ومسار كتابة واحد خلف قفل يبقيها متّسقة.

4 ← 1
إرسالات متزامنة تنتج عميلًا محتملًا واحدًا
مسار الإرسال: نموذج الوسيط، ثم قفل الزوج، ثم عميل محتمل في CRM، ثم البطاقة المحلية. مسار المزامنة: الـ webhook والاستطلاع، ثم قفل البطاقة، ثم قراءة حديثة، ثم تصنيف الأخطاء، ثم حفظ الأعمدة المتغيّرة، ثم الرسالة. في الأسفل: حالات البطاقة كما تنعكس من CRM.افتح المخطط بالحجم الكامل

المشكلة

يسجّل الوسيط رقم هاتف العميل في التطبيق. وعلى الباكند أن ينشئ عميلًا محتملًا (lead) في Bitrix24 CRM الخاص بالعميل، وأن ينشئ بطاقة محلية، وأن يبقي حالتها (بانتظار التحقق، فريد، موعد محدّد، تم اللقاء، تم البيع، أو مؤرشف) متوافقة مع ما يفعله مديرو CRM: دون عملاء محتملين مكرّرين، أو كتابات ضائعة، أو رسائل مكرّرة إلى الوسطاء.

لماذا كانت صعبة

  • نصف دورة الحياة بلا أحداث: الـ webhook يرسل تغييرات الصفقات فقط، لذا يحتاج العملاء المحتملون وانتهاء الصلاحية إلى استطلاع دوري، فيتسابق الاستطلاع والـ webhook على البطاقة نفسها.
  • الكتابة في CRM العميل لا رجعة فيها. وهو يحدّ من معدّل الطلبات، وتحديث واحد استغرق 24 ث، ومستخدم التكامل يفقد رؤية الصفقات التي تفقد مراقبيها.
  • واجهة السجلات في إطار العمل تحفظ كل الأعمدة التي حمّلتها، فكان تعديل يجريه الوسيط على تعليق قادرًا على التراجع عن تغيير في الحالة.
  • تغيّرت إجراءات العميل عبر سبع نسخ خلال 17 يومًا.

ما الذي فعلته

  1. 1قفل لكل وسيط وهاتف مع إعادة فحص التكرار تحته: في الاختبار، 4 إرسالات متزامنة تنشئ عميلًا محتملًا واحدًا بالضبط.
  2. 2كل مزامنة تأخذ قفل البطاقة قبل أن تقرأ من CRM، ولا تُستخدم القراءة المسبقة المجمّعة إلا إذا لم تكتمل قراءة أحدث لتلك البطاقة. والـ webhook يفحص قاعدة البيانات المحلية أولًا، فلم تعد صفقات الوكالات الأخرى تفشل.
  3. 3لا تُحفظ إلا الأعمدة المتغيّرة، مع حارس على واجهة السجلات. واختبار ضابط يعيد إنتاج التحديث الضائع من دون الحارس.
  4. 4الأخطاء العابرة من CRM لا تكتب شيئًا؛ وعند تجاوز المعدّل تُعاد المحاولة بعد 1 و2 و4 ثوانٍ؛ والرسائل تُخطَّط من الحالة قبل وبعد ولا تُرسل إلا بعد حفظ ناجح.

النتائج

42%
من استدعاءات الـ webhook فشلت على بيئة الاختبار قبل الإصلاح (808 من 1,934)؛ واليوم لا يُعاد 500 إلا عند فشل الحفظ المحلي
1,001+ ← 21
طلبًا إلى CRM لاستطلاع 500 بطاقة (CRM تجريبي)
0
رسائل مكرّرة بعد إعادة التشغيل و4 استدعاءات webhook معادة، على CRM الحقيقي
276
اختبارًا في حزمة المزامنة، تعمل مع كاشف السباقات

من فعل ماذا: أنا مطوّر الباكند الوحيد، وبنيت هذا بالبرمجة المشتركة مع الذكاء الاصطناعي: وضعت الخطة وشروط الإصدار، وشغّلت اختبارات كاشف السباقات بنفسي. التطبيق من عمل مطوّر آخر، واختبارات القبول أجراها موظفو العميل.

GOPOCKETBASESQLITEBITRIX24 REST
05تطبيقات LLM · مشروع شخصيAgent Coach · مايو 2026

ذاكرة طويلة الأمد لا يستطيع LLM اختلاقها

النموذج يقترح تعديلات على الذاكرة، والكود يطابق كل واحد منها مع المحادثة قبل حفظه.

نحو 180 ألف توكن
من الذاكرة النصية الحرّة استُبدلت
يذهب تبادل الرسائل إلى LLM كاتب، ثم إلى مدقّق بستة فحوص، ثم إلى ملف ذاكرة بحقائق أساسية وملاحظات تنتهي صلاحيتها؛ وكل عملية تُسجَّل في سجلّ التدقيق. قبل: إضافة نص حر، نحو 180 ألف توكن.افتح المخطط بالحجم الكامل

المشكلة

يحتفظ بوت التدريب الخاص بي على Telegram بذاكرة طويلة الأمد عن مستخدمه. في التصميم الأول كان النموذج يضيف نصًّا حرًّا بعد كل رد. وبعد شهرين من الاستخدام اليومي كبرت الذاكرة التي تُحمَّل في كل دور إلى نحو 180 ألف توكن من الحقائق القديمة والمكرّرة، واختلق نموذج استخراج صغير بعضها.

لماذا كانت صعبة

  • من يكتب الذاكرة هو LLM أيضًا، فمخرجاته تتغيّر من تشغيل لآخر.
  • يجب أن يميّز ما قاله المستخدم مما اقترحه المساعد.
  • خطط اليوم يجب ألا تصير حقائق دائمة، والأخطاء تتراكم بصمت على مدى أشهر.

ما الذي فعلته

  1. 1يقترح النموذج عمليات JSON محدّدة النوع مع اقتباس دليل. ولا يقبل الكود العملية إلا إذا وُجد الاقتباس في الرسالة التي تستشهد بها، وكانت الحقائق من المستخدم، ومدة الصلاحية 1 أو 2 أو 7 أو 14 أو 30 يومًا، وبحدّ أقصى 5 عمليات لكل تبادل.
  2. 2الكود يملك الملف: حقائق أساسية وملاحظات حديثة تنتهي صلاحيتها وتنتقل إلى أرشيف. والاستبدال لا يحذف شيئًا.
  3. 3كل عملية مقبولة أو مرفوضة تُسجَّل في سجلّ تدقيق. جرّبت التصميم أولًا دون اتصال على 12 محادثة حقيقية، ثم أعدت بناء الذاكرة بتمرير سجلّ المحادثة عبر الآلية الجديدة.

النتائج

نحو 180 ألف
توكن من النص الحر قبل إعادة الكتابة
8 / 5
أنواع عمليات؛ و5 كحدّ أقصى لكل تبادل
56
اختبارًا، مع بديل ثابت لـ LLM وساعة مثبّتة

من فعل ماذا: مشروعي بالكامل (66 من 66 commit)، بُني مع وكلاء برمجة بالذكاء الاصطناعي.

PYTHONTELEGRAM BOT API

قصص من الميدان

قصص أقصر: العَرَض، والسبب الجذري، والحل.

مزامنة LLM

خمس ليالٍ من «فشلت المزامنة» الكاذبة

السبب الجذري
كانت مزامنة المعرفة الليلية تمرّ عبر بروكسي بمهلة 600 ث، بينما كانت الفهرسة على الطرف الآخر تنتهي بعد نحو 22 دقيقة. تأكدت من ذلك عبر ثلاثة سجلّات: إعدادات البروكسي، وسجلّه في أوقات التشغيل، وسجلّ الوكيل.
الحل
تجاوز البروكسي لذلك المضيف، وحفظ ملخّص الوكيل نفسه «أُضيف / حُذف» مع كل تشغيل. وكشف ذلك أيضًا تشغيلات «ناجحة» تركت الفهرس دون تغيير لأسبوعين.
مزامنة LLM

كل حفظ أعاد فهرسة كل شيء لمدة 40 دقيقة

السبب الجذري
أي تعديل في قاعدة المعرفة كان يطلق إعادة فهرسة كاملة (40-45 دقيقة لكل وكيل، مع إعادة تحليل ملفات PDF)، والتعديلات أثناء التشغيل تضيف تشغيلات أخرى، والفهرسة تحجب حلقة الأحداث الوحيدة لدى الوكيل، فتنتظر الدردشة حتى 8 دقائق.
الحل
الفهرسة فقط عند تغيّر بصمة محفوظة للمحتوى، وتشغيل لاحق واحد على الأكثر، وتخطّي ملفات PDF التي لم تتغيّر بايتاتها، ونقل الفهرسة خارج حلقة الأحداث. إعادة المزامنة دون تغييرات تستغرق الآن 0 ث، والتغذية والفهرس متطابقان تمامًا.
تشغيل LLM

أسرع نموذج كان في الحقيقة يفشل

السبب الجذري
في قياس أداء من 10 استعلامات بدا أحد النماذج أسرع بأربع مرات من البقية. كانت إجاباته فارغة: الواجهة رفضت المعامل temperature، والمؤقّت كان يقيس الأخطاء.
الحل
افحص المخرجات لا المؤقتات وحدها. استُبدلت قائمة النماذج الثابتة بفحص قدرات مخزَّن لكل نموذج. والنتيجة الحقيقية: وسيط زمن الاستجابة من 38.9 ث إلى 9.0 ث مع النموذج الذي انتقلنا إليه.
يوم الإطلاق

الإصلاح الذي لم يكشفه إلا هاتفي

السبب الجذري
في يوم الإطلاق لدى الشريك أعاد نحو فحص واحد من كل خمسة خطأ خادم. كان هناك خطآن متراكبان: انهيار عند نتيجة فارغة لاكتشاف الوجه، وردّ «أعد التقاط الصورة» مبني من 8 قيم بينما صار الكود يقرأ 9 منذ تحديث للنموذج.
الحل
أعدت إنتاج الخطأ على نسخة مؤقتة، ونشرت الإصلاح عملية بعد عملية عبر 31 عملية. والتجربة على هاتفي أظهرت أنه ما زال يفشل: الودجت يتعرّف على نص خطأ واحد بعينه. فطابقه إصلاح ثانٍ، ونجح 95% من الفحوص في الأيام الثلاثة التالية.
الإصدارات · وكيل ذكاء اصطناعي

أمر git pull لوكلاء الاختبار أسقط الإنتاج 33 دقيقة

السبب الجذري
سحب وكيل البرمجة الذكي الذي أعمل معه كودًا جديدًا لوكلاء الاختبار إلى نسخة كان وكلاء الإنتاج (قبل الإطلاق) يقرؤونها أيضًا. وإحدى الوحدات تحلّل ملف مصدرها في كل طلب، فلم يعد الملف على القرص مطابقًا للكود في الذاكرة، وصارت كل دردشة تعيد 500.
الحل
اكتشفت ذلك وأعدت النسخة إلى حالتها، وكتبت تحليل ما بعد الحادث في اليوم نفسه، وأعطيت كل بيئة نسخة كود مستقلة مع تراجع عبر الروابط الرمزية. ونقطة الإصدار تعرض الآن الكود المحمَّل فعلًا.
شبكات Go

استيراد لا ينكسر إلا عبر البروكسي

السبب الجذري
نسخ ناقل HTTP الافتراضي في Go أبقى «h2» في مصافحة TLS، فتحدّث العميل بـ HTTP/1.1 مع خادم يتوقع HTTP/2. وفوق ذلك أرسلت شبكة توزيع الصور GOAWAY عند التدفق رقم 2,000 تقريبًا، فتوقف الاستيراد الليلي في منتصفه.
الحل
تثبيت HTTP/1.1 لذلك العميل، وإعادة المحاولة، وتخطّي صورة تالفة واحدة بدل إفشال التشغيل كله. واستيراد الكتالوج يجري في معاملة واحدة، فلا يترك الفشل شيئًا مطبّقًا نصف تطبيق.

البحث العلمي

ورقة بحثية · 2024

Quantum annealing in machine learning: Qboost on D-Wave quantum annealer

الأثر في Scholar

15استشهاد في Google Scholar

ورقة محكّمة عن كوانتوم أنيلينغ وتعلم الآلة تطوّر أطروحة البكالوريوس الخاصة بي (أنا المؤلف الثاني بعد هادي سلوم). صُيغت تجميعة بأسلوب QBoost كمسألة QUBO وشُغّلت على كوانتوم أنيلر D-Wave. نناقش متى يكمّل الهاردوير الكوانتي خطوط ML الكلاسيكية، وكيف تُنصَب التجارب على جهاز حقيقي، وكيف تُقرأ النتائج ضمن قيود الجهاز.

  • يربط بين كوانتوم أنيلينغ وتعلم الآلة: إطار QBoost على جهاز D-Wave مع سرد تجريبي واضح.
  • عند تقاطع الحوسبة الكوانتية وتعلم الآلة—ذو صلة في البحث والتطبيق.
  • مسار استشهادات متزايد، بما في ذلك استشهاد في npj Computational Materials (من Nature Portfolio، 2026).

مؤتمر النشر: Procedia Computer Science (Elsevier)، 2024

بحث الماجستير · 2026

كيف دحضنا نتيجتنا نفسها عن ظاهرة grokking

48-49% ← 100%
دقة على بيانات محجوزة، بتغيير معدّل التعلّم وحده

مع زميلي في التأليف Yazan Kbaili، درست ما إذا كانت أربعة نماذج مدرّبة على نصفين منفصلين من البيانات، مع دالة اتفاق على مدخلات غير موسومة، قادرة على التعميم في الجمع المعياري بـ 50% من بيانات التدريب، حيث يتوقف نموذج واحد عند نحو 12%. لم تتكرّر نتيجتنا المرحلية: إعادة هيكلة أجريتها أنا أعطت النموذج المقطَّر محسِّنًا وجدولًا مختلفين عن خطوط الأساس. تتبّعت السبب، ثم أجريت تجارب ضابطة تغيّر متغيّرًا واحدًا فقط.

  • بدا أن التجارب 1-4 تصطدم بسقف 48-49%. تغيير معدّل التعلّم وحده يصل إلى 100% عند نحو 70 ألف خطوة.
  • نسخة InfoNCE التي بناها زميلي بلغت 92.2% لكنها غيّرت ستة إعدادات دفعة واحدة. وبوصفتها نفسها تصل دالة الخسارة KL-softmax وحدها إلى 100% عند نحو 18.5 ألف خطوة.
  • كل التشغيلات على GPU واحدة من نوع Kaggle T4، بجلسات من 4 إلى 9 ساعات.

أعمال أخرى

Go · PocketBase · 2024

حملات الإشعارات

حملات إلى موضوع أو شرط أو قائمة مستخدمين: سجلّ تسليم لكل جهاز، وقيد تفرّد لكل حملة وجهاز، والتوزيع وتغيير الحالة في معاملة واحدة، ومُرسِل واحد، وإرسال تجريبي (dry run) في أول أسبوعين.

Python · 2024

مراقب خدمات بانتخاب قائد وفق Raft

تطبيقي الخاص لانتخاب القائد في Raft (فترات، ومهل عشوائية، وتصويت بالأغلبية، ونبضات)، فلا يفحص الخدمات ويرسل تنبيهات Telegram إلا القائد؛ وحالة الفحص تنتقل مع النبضات.

React → Svelte · 2025-26

ودجت مساعد قابلة للتضمين

وسم script واحد على مواقع الشركاء: جذر ظل مغلق لزر الإطلاق وiframe للدردشة، حتى لا يكسرها CSS الموقع المضيف؛ ودعم العبرية من اليمين إلى اليسار؛ ورسائل محدّدة الأنواع بين خمس نوافذ.

عرض تجريبي للودجت
SSE · 2026

بثّ الإجابات

أحداث يرسلها الخادم (SSE) تُقرأ عبر fetch، مع مراقب توقف مدته 45 ثانية. تصل مسودة تدريجيًا ثم تحلّ الإجابة النهائية محلّها في مكانها؛ والبث المنقطع لا يرسل السؤال مرتين أبدًا.

طريقتي في العمل

القياس أولًا

اختبارات الجودة قبل إعادة الكتابة، واختبارات الحمل قبل التوسيع، واختبار ضابط يعيد إنتاج حالة السباق قبل الإصلاح.

النموذج يقترح، والكود يقرّر

تمرّ مخرجات LLM بفحوص في الكود (معرّفات أعادتها الأدوات، واقتباسات أدلة، وحدود صارمة) بدل نموذج ثانٍ ينظّف خلف الأول.

إصلاح فئة الخطأ كلها

السبب الجذري من السجلّات، وتحليل ما بعد الحادث في اليوم نفسه، وتغيير يغلق الفئة كلها: نسخ منفصلة للإصدارات، وبصمات محفوظة، واختبارات انحدار.

وكلاء الذكاء الاصطناعي بضوابط

أعمل يوميًا مع Claude Code وCursor. أكتب الخطة والقواعد، وأراجع كل تغيير، وأنشر على الإنتاج بنفسي. وكل حادثة يسبّبها وكيل تنتهي بقاعدة دائمة.

تبحث عن مهندس باكند أو منصات ذكاء اصطناعي؟

أنا منفتح على الوظائف الهندسية، بما فيها ما يتطلب الانتقال، وعلى العقود عن بُعد. راسلني وسأرسل لك سيرتي الذاتية.