---
title: "الجلسة الثامنة | Agentic AI — Tools, MCP & Multi-Agent Systems"
aliases:
  - "Session 08 - Agentic AI"
  - "AI Camp v2 - Session 08"
tags:
  - AI-Camp-v2
  - Systems
  - Agentic-AI
  - Tool-Calling
  - MCP
  - Tracing
  - Evaluation
session: 8
duration: "3 hours"
duration_minutes: 180
track: Systems
status: planned
language: ar
project: "Research Operations Agent"
---

# الجلسة الثامنة: Agentic AI — Tool Use, MCP & Multi-Agent Systems



##  نظرة عامة

تنتقل هذه الجلسة بالطالب من بناء تطبيق يرسل سؤالًا إلى LLM وينتظر إجابة إلى تصميم **Agent** يستطيع اختيار أدوات، وتنفيذ خطوات متعددة، وفحص النتائج، ثم اتخاذ قرار بالاستمرار أو التوقف وفق ضوابط واضحة.

الهدف ليس بناء «وكيل مستقل يفعل كل شيء»، بل فهم كيف نصمم **حدود الاستقلالية والتحكم والملاحظة والتقييم** ضمن تطبيق عملي.

> [!abstract] الهدف الرئيسي
> بناء وكيل بحث/عمليات يستخدم **ثلاث أدوات محددة** من خلال **MCP Server مخصص**، مع إمكانية تتبع خطواته وتحليل **حالة نجاح وحالة فشل** بصورة منهجية.

##  مخرجات التعلّم

بنهاية الجلسة، يُتوقع أن يستطيع الطالب:

- التمييز بين **LLM Call** و**Fixed Workflow** و**AI Agent**.
- شرح فكرة **Agent Loop** واستخدام الأدوات والحالة (**State**) وحدود التنفيذ.
- تعريف أدوات ذات مدخلات ومخرجات واضحة والتحقق من المعاملات.
- فهم أدوار **MCP Host وClient وServer** والفرق بين Tools وResources.
- إنشاء **MCP Server** بسيط وربطه بتطبيق وكيل.
- اختيار إطار واحد لتنظيم سير عمل الوكيل دون تعقيد غير ضروري.
- التعرف إلى أنماط **Multi-Agent** مثل Orchestrator–Workers وHandoffs ومتى لا نحتاجها.
- تطبيق ضوابط **Human-in-the-Loop** على الإجراءات التي تتطلب موافقة.
- قراءة Trace لتحديد أين فشل الاسترجاع أو استخدام الأداة أو تكوين التقرير.
- تقييم تنفيذ الوكيل من حيث جودة النتيجة وسلوك الأدوات والتكلفة والزمن.

---

##  المحاور النظرية

### 1. What Makes an Agent? — ما الذي يجعل النظام Agent؟

يمكن استخدام الصياغة التعليمية المبسطة التالية:

$$
\text{Agent} \approx \text{LLM}+\text{Tools}+\text{Control Loop}+\text{State}
$$

> [!note] توضيح
> هذه ليست معادلة رسمية أو تعريفًا حصريًا، بل نموذج ذهني لفهم المكونات الشائعة. لا يحتاج كل Agent إلى ذاكرة طويلة الأمد أو عدة وكلاء.

| المفهوم | التوضيح |
|---|---|
| **LLM Call** | مدخلات محددة تنتج استجابة واحدة، غالبًا دون تنفيذ أدوات. |
| **Workflow** | خطوات ومسارات تنفيذ يحددها المطور مسبقًا. |
| **Agent** | مسار ديناميكي قد يختار فيه النموذج الأدوات والخطوات بناءً على الحالة والهدف. |
| **State** | بيانات الجلسة الحالية والنتائج الوسيطة اللازمة لاستمرار المهمة. |
| **Control Loop** | دورة اختيار الفعل وتنفيذه وملاحظة النتيجة ثم تقرير الخطوة التالية أو التوقف. |

### 2. Tool Calling, ReAct & Planning

- تعريف أداة باسم ووصف و**Input Schema** واضح.
- الفرق بين طلب النموذج تشغيل الأداة وبين التنفيذ الفعلي الذي يتحكم به التطبيق.
- **ReAct:** نمط يجمع بين اختيار إجراء وملاحظة نتيجته وإكمال المهمة.
- **Planning:** تقسيم الهدف إلى خطوات يمكن متابعتها وتعديلها.
- وضع شروط توقف: **Maximum Steps، Timeout، Token Budget**.
- التعامل مع نتائج الأدوات الفارغة أو الخاطئة دون إنشاء معلومات غير موثوقة.

> [!important] الاستقلالية المقيدة أفضل للتعلّم
> في المختبر سنحدد عدد الأدوات والعمليات المسموحة، ونمنع التنفيذ غير المحدود. **سلوك الوكيل القابل للتفسير والاختبار أهم من عدد الأدوات التي يستطيع استخدامها**.

### 3. MCP — Model Context Protocol

**MCP** معيار مفتوح لتنظيم اتصال تطبيقات الذكاء الاصطناعي بالأدوات ومصادر البيانات الخارجية.

**الأدوار الأساسية:**

| المكوّن | الوظيفة |
|---|---|
| **Host** | التطبيق الذي يحتوي تجربة المستخدم ويتولى إدارة الاتصال والسياق. |
| **Client** | مكوّن اتصال يتبادل الرسائل مع MCP Server. |
| **Server** | يقدم إمكانات واضحة لتطبيق AI، مثل الأدوات أو الموارد. |
| **Tools** | إجراءات أو وظائف قابلة للاستدعاء مع معاملات محددة. |
| **Resources** | بيانات وسياق يمكن للتطبيق قراءتهما من المصدر. |

**الجزء التطبيقي:** إنشاء MCP Server محلي صغير يعرض ثلاث أدوات، ثم استدعاؤها عبر عميل مناسب.

> [!warning] أمن MCP
> لا يعني ظهور أداة داخل MCP أنها آمنة للتنفيذ تلقائيًا. يلزم التحقق من المدخلات، وتقييد الصلاحيات، وعدم اعتبار نصوص الأدوات أو المستندات الخارجية تعليمات موثوقة.

### 4. Agent Frameworks

يختار المدرب **إطارًا واحدًا للتطبيق المتعمق** (مثل LangGraph أو Agents SDK)، مع مقارنة مفاهيمية سريعة بالخيارات الأخرى.

**محاور المقارنة:**

- إدارة **State** ومسار التنفيذ.
- تعريف الأدوات وإرجاع نتائجها.
- حدود عدد الخطوات وإعادة المحاولة.
- دعم مراجعة الإنسان والتتبع.
- سهولة الاختبار والتشغيل محليًا.

### 5. Multi-Agent Systems — متى نحتاج أكثر من وكيل؟

- **Orchestrator–Workers:** وكيل أو مكوّن مركزي يوزع المهام على عمال متخصصين.
- **Handoffs:** نقل مسؤولية المهمة من وكيل إلى آخر عند الحاجة.
- **Specialized Roles:** فصل البحث عن التحليل أو المراجعة.

> [!tip] قرار هندسي
> لا تُستخدم بنية Multi-Agent تلقائيًا. إذا كان Workflow واحد مع ثلاث أدوات كافيًا ومفهومًا وقابلًا للتقييم، فهو غالبًا أنسب كنقطة بداية. يصبح تعدد الوكلاء مبررًا عندما توجد مهام منفصلة تحتاج إلى تنسيق فعلي.

### 6. Human-in-the-Loop, Guardrails & Tracing

- طلب موافقة بشرية قبل عمليات الكتابة أو مشاركة النتائج.
- التحقق من Tool Inputs باستخدام Schema واضح.
- تقييد المسارات المسموح بالكتابة إليها.
- تسجيل خطوات التنفيذ ونتائج الأدوات دون حفظ أسرار.
- تحليل أسباب الفشل بدل إعادة محاولة غير محدودة.
- مقارنة **Task Success** و**Tool Selection** و**Groundedness** و**Latency**.

---

##  المشروع الرئيسي: Research Operations Agent

### فكرة المشروع

يطلب المستخدم من الوكيل:

> «ابحث في مجموعة وثائق بحثية محلية مختارة عن ثلاثة مصادر تتناول RAG، ثم قارن أفكارها الأساسية، وقدّم تقريرًا مختصرًا موثقًا بمراجع».

يعمل الوكيل على **مجموعة مستندات تعليمية محددة ومجهزة مسبقًا**، ويستخدم أدوات للبحث والقراءة وإنشاء التقرير، بدل الاعتماد على البحث المفتوح أو موارد غير مؤكدة أثناء المختبر.

### الأدوات الثلاث المطلوبة

| الأداة | الوظيفة | نوع العملية |
|---|---|---|
| `search_docs(query)` | البحث ضمن الوثائق التعليمية المتاحة وإرجاع معرفات وملخصات. | قراءة فقط |
| `get_document(document_id)` | جلب محتوى وثيقة مع بيانات مصدرها. | قراءة فقط |
| `write_report(title, content)` | حفظ تقرير Markdown داخل مجلد تقارير محدد. | كتابة مقيدة، بعد موافقة مناسبة |

> [!important] حدّ صلاحيات الكتابة
> أداة `write_report` لا تكتب إلى أي مسار يختاره النموذج، بل إلى **مجلد مسموح محدد مسبقًا**. تُراجع نتيجة التقرير قبل حفظه أو مشاركته، ولا تُمنح الأداة وصولًا إلى ملفات النظام أو الأسرار.

### معمارية مبسطة

```mermaid
flowchart TD
    A["User Research Request"] --> B["Agent Controller"]
    B --> C["LLM Chooses Action"]
    C --> D["MCP Tools"]
    D --> E["Tool Result + Updated State"]
    E --> F{"Goal Complete?"}
    F -->|No| C
    F -->|Yes| G["Review + Final Report"]
```

### المرحلة 1 — Build the MCP Server

- [ ] إعداد مشروع MCP Python بسيط.
- [ ] تعريف الأدوات الثلاث مع وصف ومعاملات دقيقة.
- [ ] بناء أدوات قراءة تعمل على وثائق محلية مسموح بها.
- [ ] جعل الكتابة محصورة في مجلد التقارير فقط.
- [ ] تجربة الأدوات بصورة مستقلة قبل وصلها بالنموذج.

### المرحلة 2 — Integrate the Agent

- [ ] تعريف هدف الوكيل وتعليماته وحدود الوصول.
- [ ] ربط عميل MCP بالأدوات المتاحة.
- [ ] استخدام إطار واحد لإدارة State والقرارات.
- [ ] وضع حد لعدد الخطوات وزمن التنفيذ.
- [ ] إظهار نتائج الأدوات المستخدمة في التقرير النهائي.

### المرحلة 3 — Human Approval & Guardrails

- [ ] التحقق من وجود معرف المستند قبل محاولة القراءة.
- [ ] التعامل مع مدخلات غير صالحة أو نتائج فارغة.
- [ ] منع أدوات الكتابة من الخروج خارج المجلد المسموح.
- [ ] إضافة خطوة مراجعة بشرية قبل اعتماد التقرير.
- [ ] تجنب تضمين بيانات حساسة في السجلات.

### المرحلة 4 — Tracing & Evaluation

**الحالة الأولى — Successful Run:**

- [ ] يسترجع الوكيل المصادر المناسبة.
- [ ] يقرأها باستخدام الأدوات.
- [ ] ينتج مقارنة تتضمن مراجع صحيحة.
- [ ] يُسجل Trace واضحًا لتسلسل الأدوات والنتائج.

**الحالة الثانية — Failed Run:**

- [ ] تجربة سؤال لا تتوفر له وثيقة كافية، أو طلب معرف مستند غير صالح.
- [ ] إظهار سبب الفشل أو الاستجابة غير المناسبة في Trace.
- [ ] توثيق كيف ينبغي أن يتعامل النظام معه بصورة صحيحة.
- [ ] اقتراح إصلاح قابل للاختبار.

### ما الذي نقيّمه؟

| المعيار | السؤال |
|---|---|
| **Task Completion** | هل أنجز الوكيل الهدف المسموح؟ |
| **Tool Correctness** | هل اختار الأداة الصحيحة وبالمعاملات المناسبة؟ |
| **Evidence Grounding** | هل يدعم المصدر المعلومات الواردة في التقرير؟ |
| **Failure Handling** | هل توقف أو تعامل بشكل صحيح مع غياب البيانات؟ |
| **Safety** | هل التزم بحدود القراءة والكتابة والموافقة؟ |
| **Efficiency** | كم خطوة وطلبًا وزمنًا استغرق التنفيذ؟ |

##  التسليم المطلوب (Deliverables)

- [ ] Repository يحتوي **MCP Server** بثلاث أدوات عاملة.
- [ ] تطبيق Agent يستطيع استخدام الأدوات لتحقيق مهمة البحث المحددة.
- [ ] تقرير Markdown واحد على الأقل مع إحالات للمصادر.
- [ ] Trace لحالة نجاح يوضح الخطوات والأدوات.
- [ ] Trace لحالة فشل مع تحليل السبب وخطة إصلاح.
- [ ] اختبارات بسيطة للتحقق من مدخلات الأدوات والحدود الأمنية.
- [ ] `README.md` لطريقة الإعداد والتشغيل والقيود.
- [ ] **Pull Request** لتسليم المشروع.

### معايير تقييم مقترحة

| المعيار | الوزن |
|---|---:|
| صحة تنفيذ الأدوات وMCP | 25% |
| إكمال المهمة ودقة التقرير | 25% |
| جودة Tracing وتحليل الفشل | 25% |
| الأمان والموافقة وحدود التنفيذ | 15% |
| جودة التوثيق وقابلية إعادة التشغيل | 10% |

##  المراجع الرسمية

- [Model Context Protocol — Introduction](https://modelcontextprotocol.io/docs/2026-07-28/getting-started/intro)
- [MCP Python SDK](https://py.sdk.modelcontextprotocol.io/)
- [MCP — Tools Specification](https://modelcontextprotocol.io/specification/2026-07-28/server/tools)
- [MCP — Security Best Practices](https://modelcontextprotocol.io/docs/2026-07-28/tutorials/security/security_best_practices)
- [LangGraph — Workflows and Agents](https://docs.langchain.com/oss/python/langgraph/workflows-agents)
- [LangSmith — Observability](https://docs.langchain.com/oss/python/langgraph/observability)

##  خلاصة الجلسة

تعرّف الجلسة الثامنة الطلاب على كيفية بناء وكلاء يستخدمون الأدوات ضمن **حدود واضحة للمسؤولية والصلاحيات والتنفيذ**. التركيز على اتخاذ قرار استخدام الأداة، وإدارة الحالة، والتعامل مع الفشل، وتسجيل أدلة تساعد على التقييم والتصحيح.

> [!success] الرسالة الأساسية
> **A good agent is not defined by how many actions it takes, but by how reliably, safely, and observably it completes the right task.**
