يشهد مجال قواعد البيانات المتجهة (Vector Databases) تحولاً جذرياً مدفوعاً بالمتطلبات المتزايدة لنماذج الذكاء الاصطناعي الوكيل (Agentic AI). لم تعد البنية التقليدية التي تعتمد على استرجاع المعلومات المعزز (RAG) كافية، حيث يتطلب الذكاء الاصطناعي الوكيل مقاربة جديدة تدمج السياق بشكل فعال. تؤكد نتائج استطلاع "نبض VentureBeat" للربع الأول من عام 2026 هذا التوجه، حيث تشير إلى انخفاض في تبني قواعد البيانات المتجهة المستقلة، بينما شهد مفهوم "الاسترجاع الهجين" (Hybrid Retrieval) زيادة ثلاثية في الاهتمام ليصل إلى 33.3%، ليصبح الموضع الاستراتيجي الأسرع نمواً.
في ضوء هذه المستجدات، تعلن شركة Pinecone، الرائدة في هذا المجال، عن إطلاق "Nexus"، وهو محرك معرفي جديد مصمم خصيصاً لتلبية احتياجات الذكاء الاصطناعي الوكيل، متجاوزاً مجرد كونه تحسيناً لعملية الاسترجاع. يقدم Nexus "مُصرّف سياق" (Context Compiler) يحول البيانات المؤسسية الأولية إلى "مصنوعات معرفية" (Knowledge Artifacts) دائمة ومخصصة للمهام، بالإضافة إلى "مسترجع قابل للتركيب" (Composable Retriever) يوفر هذه المصنوعات مع استشهادات على مستوى الحقول وقدرة على حل التعارضات بشكل حتمي.
Nexus و KnowQL: ثورة في طريقة تفاعل الوكلاء مع البيانات
يهدف Nexus إلى معالجة أوجه القصور الجوهرية في بنية RAG التقليدية عندما يتعلق الأمر بتفاعل وكلاء الذكاء الاصطناعي مع الأنظمة والبيانات. يرتكز نظام RAG الحالي على استعلام واحد ينتج عنه استجابة واحدة، مع وجود إنسان في حلقة التفسير. في المقابل، تعمل الوكلاء بشكل مختلف؛ فهي تتلقى مهام، وليس مجرد أسئلة، ويتطلب إنجاز هذه المهام تجميع السياق من مصادر متعددة، وحل التعارضات، وتتبع المعلومات التي تم استرجاعها بالفعل، وتحديد الخطوات التالية. كل جلسة وكيل تبدأ من نقطة الصفر، دون فهم مسبق لكيفية ترابط جداول البيانات، أو أي المصادر هي الأكثر موثوقية، أو كيف يمكن للوكلاء الآخرين استهلاك البيانات. هذا يؤدي إلى إعادة اكتشاف مستمر للمعلومات في كل جلسة، مما يهدر الكثير من موارد الحوسبة.
تقدر Pinecone أن 85% من جهد الحوسبة الذي تبذله الوكلاء يذهب إلى دورة إعادة الاكتشاف هذه بدلاً من إنجاز المهام الفعلية. تترتب على ذلك عواقب وخيمة، بما في ذلك زمن استجابة غير متوقع، وتكاليف مرتفعة لاستهلاك الرموز (Tokens)، ونتائج غير حتمية. يمكن أن يؤدي تشغيل نفس المهمة مرتين إلى إجابات مختلفة دون أي سجل يوضح المصادر التي اعتمدت عليها كل إجابة. بالنسبة للمؤسسات التي تتطلب التدقيق والسجل، فإن هذا يمثل مشكلة هيكلية أساسية.
آلية عمل Nexus
ينقل Nexus عبء العمل المتعلق بالاستدلال والتفسير من مرحلة الاستدلال (inference time) إلى مرحلة الترجمة (compilation time). ففي مسارات RAG التقليدية، يحدث الاستدلال اللازم لتفسير السياق وتنظيمه عند استعلام الوكيل، في كل جلسة، مما يؤدي إلى استهلاك الرموز. أما Nexus، فيقوم بعملية الاستدلال مرة واحدة خلال مرحلة الترجمة التي تسبق أي استعلام للوكيل، ثم يخزن النتيجة كـ "مصنوع معرفي" قابل لإعادة الاستخدام. يتلقى الوكيل سياقاً منظماً وجاهزاً للمهمة بدلاً من مستندات أولية يتطلب منه تفسيرها بنفسه.
تتكون البنية التي تقدمها Pinecone من ثلاثة مكونات رئيسية تعالج كل منها طبقة مختلفة من مشكلة استرجاع الوكلاء:
مُصرّف السياق (Context Compiler): يأخذ Nexus البيانات المصدر الأولية ومواصفات المهمة لإنشاء "مصنوعات معرفية" متخصصة. هذه المصنوعات هي تمثيلات منظمة ومحسّنة للمهام، تستهلكها الوكلاء مباشرة دون الحاجة إلى تفسير إضافي. يمكن لنفس مجموعة البيانات الأساسية أن تنتج مصنوعات مختلفة لوكلاء مختلفين؛ فمثلاً، يحصل وكيل المبيعات على سياق صفقات مجمع من سجلات CRM والمكالمات، بينما يحصل وكيل الشؤون المالية على سياق إيرادات يربط العقود بجداول الفواتير. هذه المصنوعات دائمة وتُعاد استخدامها عبر جلسات الوكلاء.
المسترجع القابل للتركيب (Composable Retriever): عند وقت الاستعلام، يتم تقديم المصنوعات المعرفية مع حقول محددة النوع (typed fields)، واستشهادات لكل حقل مع مستويات الثقة، وحل حتمي للتعارضات. يتم تشكيل المخرجات لتتناسب مع التنسيق المحدد للوكيل بدلاً من تقديمها كنص خام يقوم الوكيل بإعادة تحليله.
KnowQL: تصف Pinecone هذه اللغة بأنها أول لغة استعلام تصريحية (declarative query language) مصممة للوكلاء وليس للبشر. باستخدام ستة عناصر أساسية — النية (intent)، والمرشحات (filter)، والمصدر (provenance)، وشكل المخرجات (output shape)، والثقة (confidence)، والميزانية (budget) — يمكن للوكلاء تحديد استجابات منظمة وتحديد مصادر المعلومات وقيود زمن الاستجابة في واجهة واحدة. شبه الرئيس التنفيذي لـ Pinecone، آش أشتوش، الفجوة الهيكلية التي تسدها KnowQL بما فعلته لغة SQL لقواعد البيانات العلائقية.
تعتبر العلاقة بين Nexus وقاعدة البيانات المتجهة الأساسية لـ Pinecone علاقة تكاملية. يقوم مُصرّف السياق بإنتاج مصنوعات معرفية يتم فهرستها وتخزينها في قاعدة البيانات المتجهة؛ وطبقة الترجمة تقوم بتشكيل وتقديم المعرفة؛ بينما تتولى طبقة قاعدة البيانات المتجهة مهمة التخزين وسرعة الاسترجاع وقابلية التوسع.
وجهات نظر المحللين
نقل منطق الاستدلال من وقت الاستدلال إلى مرحلة الترجمة ليس مفهوماً جديداً تماماً؛ فقد سعت مفاهيم مثل الأنطولوجيات (ontologies) وفهارس البيانات (data catalogs) والطبقات الدلالية (semantic layers) إلى تحقيق ذلك لسنوات. ما تغير الآن هو القدرة على القيام بذلك على نطاق واسع دون الحاجة إلى فرق هندسية مخصصة لكل مجال. هذه هي الحجة الأساسية التي تقدمها Nexus، وهي النقطة التي يرى فيها المحللون التقدم الحقيقي.
ترى ستيفاني والتر، قائدة ممارسة "AI Stack" في HyperFRAME Research، أن Nexus مهم من حيث الاتجاه لأنه ينقل العمل المعرفي من فوضى وقت التشغيل إلى بنية مجمعة مسبقاً. ومع ذلك، تؤكد أنه يمثل تطوراً لبنية RAG، وليس إعادة اختراع كاملة لها. وتضيف: "الابتكار الحقيقي ليس في الفكرة بحد ذاتها، بل في إنتاج تجميع المعرفة كطبقة بنية تحتية أساسية. إذا تمكنت Pinecone من تشغيل ذلك بشكل موثوق، فسيصبح بنية تحتية ذات مغزى، وليس مجرد حيلة أخرى لضبط RAG."
من جانبه، يصف أرون تشاندراسيكاران، نائب رئيس الأبحاث في Gartner، الآلية التقنية وراء هذا الادعاء بأنها "تمييز معماري ذو مغزى". ويقول: "على عكس RAG التقليدية التي تعتمد على البحث الدلالي البحت في وقت التشغيل، يقوم التجميع المعماري بتضمين المنطق الهيكلي في طبقة البيانات الوصفية، مما يمكن أن يعزز وقت الاستجابة ويوفر استدلالاً أفضل. هذه قفزة مهمة من الاسترجاع البسيط إلى الاستدلال المحسن، مما يسمح للوكلاء بالتنقل في مخططات المؤسسة واكتساب ذاكرة أفضل للسياق."
المشهد التنافسي
تقر العديد من الشركات بأن قاعدة البيانات المتجهة و RAG التقليدية ليستا كافيتين للذكاء الاصطناعي الوكيل. فقد قامت Microsoft بتوسيع تقنية FabricIQ الخاصة بها لتوفير السياق الدلالي للذكاء الاصطناعي الوكيل، وأعلنت Google مؤخراً عن "Agentic Data Cloud" كنهج لحل المشكلات المماثلة. كما توجد تقنيات ذاكرة سياقية مستقلة، مثل Hindsight، تقدم خيارات إضافية للمستخدمين.
ومع ذلك، يركز المحللون بشكل أقل على مقارنة الميزات وأكثر على ما يجب على المشترين تقييمه بالفعل. تشير والتر إلى أن "مكدس الذكاء الاصطناعي الوكيل يتجزأ إلى عشرات الميزات، ولكن لا ينبغي للمشترين المؤسسيين مطاردة الميزات. يجب عليهم السعي وراء التحكم: التحكم في التكاليف، والتحكم في الحوكمة، والتحكم الأمني." وتجادل بأن معظم إخفاقات المؤسسات في الذكاء الاصطناعي الوكيل لن تكون تقنية، بل تشغيلية - مرتبطة بتجاوز التكاليف، وفجوات الحوكمة، وضعف الانضباط الأمني.
ويتجاوز شريط القدرات سرعة الاسترجاع. يقول تشاندراسيكاران: "المميز الحقيقي هو التأسيس الحتمي (deterministic grounding)،" مشيراً إلى تقنيات مثل الرسوم البيانية المعرفية التي تضمن أن الوكلاء يفهمون العلاقات الهيكلية داخل بيانات المؤسسة بدلاً من مجرد إرجاع تطابقات سطحية. يُعد التشغيل البيني اعتباراً ذا صلة، حيث تكتسب المعايير مثل بروتوكول سياق النموذج (MCP) أهمية لربط الوكلاء بمصادر البيانات القديمة دون إنشاء تبعيات جديدة.
تحليل الأثر
لقد تم بناء RAG وقواعد البيانات المتجهة المستقلة لعصر مختلف، وتكشف أعباء عمل الذكاء الاصطناعي الوكيل عن حدود كليهما. تمثل مشكلة تكلفة الاسترجاع مشكلة معمارية؛ فالفرق التي تشغل أعباء عمل وكيلة معقدة على مسارات RAG التقليدية تحرق الرموز في وقت الاستدلال على عمل كان يمكن إنجازه مسبقاً. هذا يعتبر مشكلة تصميمية، وضبط طبقة الاسترجاع لن يحلها. السؤال المطروح على فرق هندسة البيانات هو ما إذا كانت مكدساتهم الحالية قادرة هيكلياً على تجميع المعرفة مسبقاً لمهام الوكلاء المحددة، أم أنها بنيت لمستخدم بشري لم تكن لديه هذه الحاجة.
تعتبر الحوكمة هي العامل الحاسم الذي يفصل بين التجربة الرائدة (pilot) والنشر الإنتاجي (production deployment). القدرات التي تحدد ما إذا كان سيتم الموافقة على استخدام الذكاء الاصطناعي الوكيل في المؤسسات ليست مقاييس أداء، بل هي "خطوط أنابيب معرفية محكومة" (governed knowledge pipelines)، وهي القدرات التي تحول الذكاء الاصطناعي الوكيل من مجرد تجربة إلى شيء يمكن لفرق المالية والمخاطر الموافقة عليه.
تُظهر بيانات "نبض VentureBeat" للربع الأول من عام 2026 أن الاستثمار في تحسين الاسترجاع ارتفع إلى 28.9% في مارس، متجاوزاً الإنفاق على التقييم لأول مرة في هذا الربع. لقد انتهت المؤسسات من قياس مشاكل الاسترجاع الخاصة بها، وهي الآن تنفق لحلها. يختتم المستقبل لن يُحدد بمن يمتلك أطول نافذة سياق، بل بمن يستطيع تشغيل المعرفة الموثوقة على نطاق واسع دون تجاوز التكاليف أو اختراق الحوكمة.
