Prompt وSkill وAgent وTool وMCP: خمسة مفاهيم بلا التباس

تظهر مصطلحات Prompt وSkill وAgent وTool وMCP معًا في معظم النقاشات عن الذكاء الاصطناعي، لكنها ليست أسماء مختلفة للشيء نفسه. قد يسمّي البعض تعليمات طويلة Skill، أو يفترض أن توصيل MCP Server يصنع Agent تلقائيًا، أو يصف أي روبوت محادثة يستدعي دالة بأنه نظام مستقل.

هذا الخلط ينعكس مباشرة على التصميم: يعيد الفريق كتابة تعليمات كان ينبغي تحويلها إلى طريقة عمل قابلة لإعادة الاستخدام، بينما يُجزّئ المهام التي تحتاج إلى حلقة تنفيذ كاملة إلى عشرات الرسائل اليدوية.

بعد قراءة هذا الدليل، ستستطيع تحديد وظيفة كل مفهوم، وطريقة تكاملها، والطبقة التي تحتاج إليها المهمة الفعلية.

تاريخ التحقق من المفاهيم: 2026-08-28
ملاحظة: قد تختلف تعريفات Skill وAgent بين المنتجات. يستخدم هذا المقال تعريفات هندسية عملية تصلح للمقارنة بين المنصات، مع توضيح الفروق المهمة في التنفيذ.

الخلاصة أولًا: هذه المفاهيم تعمل في طبقات مختلفة

ابدأ بخمسة تعريفات عملية:

• Prompt: التعليمات والسياق اللذان يحصل عليهما النموذج في التفاعل الحالي.
• Skill: حزمة إجراءات وموارد قابلة للاكتشاف وإعادة الاستخدام والصيانة لنوع محدد من المهام.
• Tool: قدرة تنفيذية واحدة، مثل البحث أو قراءة ملف أو الاستعلام من قاعدة بيانات أو إرسال بريد.
• MCP: بروتوكول مفتوح يربط تطبيقات الذكاء الاصطناعي بالسياق والقدرات الخارجية، ولا يقتصر على Tools بل يمكنه تقديم Resources وPrompts.
• Agent: نظام عامل يفهم الهدف، ويختار الإجراءات، ويراقب النتائج، ويواصل العمل حتى يصل إلى شرط توقف.

تسير إحدى التركيبات الشائعة بهذا الشكل:

تستخدم Prompt لشرح الهدف الحالي؛ يختار Agent الـSkill المناسبة؛ ثم يكتشف Tools أو يستدعيها مباشرة أو عبر MCP؛ ويقرأ النتائج ويستمر حتى يكتمل العمل أو يتعذر أو يحتاج إلى حكم بشري.

هذه تركيبة شائعة وليست مكدسًا إلزاميًا. يستطيع Agent العمل من دون Skill، ويمكن دمج Tool عبر API عادي بدل MCP، كما يمكن لخادم MCP خدمة تطبيق محادثة غير مستقل. التمييز المفيد هو بين التعليمات، وطريقة العمل، والفعل، والاتصال، والجهة التي تملك التنفيذ.

مثال واحد يوضح السلسلة كاملة: تقرير ربع سنوي

لنفترض أنك طلبت: «استخدم بيانات الشركة لإعداد تقرير تشغيل المنتج للربع الثالث، وركّز على النمو والاحتفاظ واستخدام الوظائف الأساسية، ثم أنشئ مستندًا جاهزًا للإدارة التنفيذية».

هذا الطلب هو Prompt. إذا كتب النظام التقرير اعتمادًا على النص الذي ألصقته فقط، فقد يكون ما يزال مجرد استدعاء واحد للنموذج.

أما Agent القادر على التنفيذ فيقرر البيانات المطلوبة، وتعريفات المقاييس، والمعلومات الناقصة، ومعايير قبول النتيجة. وقد يحمّل Skill خاصة بتقارير التشغيل الربعية، تحتوي على المقاييس المعتمدة، وتسلسل التحليل، وقالب المستند، وقائمة فحص الجودة.

بعد ذلك يستخدم Agent عدة Tools: يستعلم من مستودع البيانات، ويقرأ تقرير الربع السابق، ويشغّل الحسابات، ويكتب المستند النهائي. يمكن دمج هذه الأدوات مباشرة أو عرضها من خلال MCP Server.

إذا احتاج Agent إلى مقاطع ذات صلة من أرشيف كبير، فقد يستخدم النظام RAG لاسترجاعها. وفي النهاية يراجع Agent المسودة وفق معايير الـSkill ويصححها قبل التسليم.

Prompt: ماذا تريد من النموذج هذه المرة؟

Prompt هو تعليمات أو سؤال أو مثال أو سياق يُرسل إلى النموذج. قد يكون جملة واحدة أو وصفًا طويلًا للمهمة يتضمن الدور والبيانات والقيود وشكل الإخراج. الطول لا يغيّر التصنيف؛ فقد تبقى تعليمات من ألفي كلمة مجرد Prompt.

هناك نوعان شائعان:

• System Prompt: يحدد الدور الدائم والأولويات والحدود والسلوك الأساسي، مثل «لا تكشف بيانات الاعتماد».
• User Prompt: يصف المهمة الحالية، مثل «قارن ثلاثة منتجات وقدّم توصية للشراء».

يناسب Prompt المهام الاستكشافية أو التي تحدث مرة واحدة. عندما لا تكون العملية مستقرة بعد، يكون اختبارها بتعليمات مباشرة هو المسار الأسرع. لكن قابلية التكرار تبقى محدودة: يجب إعادة تقديم المتطلبات، وقد يصوغها كل عضو في الفريق بطريقة مختلفة، وقد تتعارض التعليمات عندما تطول.

اسأل سؤالًا بسيطًا: هل سيضطر شخص ما إلى لصق التعليمات نفسها في المهمة التالية؟ إذا كانت الإجابة نعم، فالعمل ما يزال غالبًا في طبقة Prompt.

Skill: كيف ننفذ هذا النوع من العمل كل مرة؟

ليست Skill مجرد Prompt طويل محفوظ. هي أقرب إلى حزمة قدرة قابلة لإعادة الاستخدام: يستطيع النظام اكتشاف وقت ملاءمتها، وتحميل الإجراء التفصيلي عند الحاجة، ثم فتح السكربتات والقوالب والمراجع ومعايير الجودة حسب الطلب.

وفق مواصفة Agent Skills، تتكون Skill في حدها الأدنى من مجلد يحتوي على SKILL.md، ويمكن أن يضم أيضًا scripts/ وreferences/ وassets/. وتستخدم المواصفة التحميل التدريجي: تظهر البيانات الوصفية أولًا للمطابقة، ثم تُحمّل التعليمات الكاملة عند تفعيل Skill، وتُفتح الموارد الإضافية فقط عند الحاجة.

توضح Skill الناضجة عادةً:

• متى تُفعّل ومتى لا تُستخدم؛
• مصادر الحقيقة التي يجب قراءتها أولًا؛
• تسلسل العمل القياسي؛
• الأدوات أو السكربتات المسموح بها؛
• معايير قبول المخرج؛
• طريقة التعامل مع نقص البيانات والفشل والإجراءات عالية المخاطر.

ولا تستخدم جميع المنتجات كلمة Skill بالمعنى نفسه. فقد تطلقها بعض المنصات على Prompt محفوظ أو اختصار أو Tool متخصصة. لذلك يجب توضيح ما إذا كان المقصود حزمة إجراءات قابلة لإعادة الاستخدام أم ميزة تحمل الاسم نفسه في منتج محدد.

Tool: تنفيذ إجراء واحد واضح

Tool هي قدرة يمكن للنموذج أو Agent طلب تنفيذها. وعادةً لها اسم ومدخلات ونتيجة واضحة، مثل:

• search_web(query) للبحث في الويب؛
• read_file(path) لقراءة ملف؛
• query_sales(start_date, end_date) للاستعلام عن المبيعات؛
• send_email(to, subject, body) لإرسال بريد؛
• run_tests(scope) لتشغيل الاختبارات.

تجيب Tool عن سؤال «هل يستطيع النظام تنفيذ هذه الخطوة؟»، لكنها لا تملك عادةً خطة المهمة كاملة. أداة البريد تستطيع الإرسال، لكنها لا تقرر وحدها من يجب أن يستلم الرسالة، أو ما إذا كانت الصياغة متوافقة، أو هل حقق الإرسال هدف المستخدم.

كما أن Tools ليست بالضرورة عديمة الحالة أو الأثر. قراءة الطقس قد تكون عملية قراءة فقط، بينما إنشاء طلب أو حذف ملف أو إرسال إشعار يغيّر حالة خارجية. لذلك تحتاج أدوات الإنتاج إلى صلاحيات واضحة، وتصنيف للمخاطر، وقواعد لإعادة المحاولة، وشروط للتأكيد.

Function Calling: آلية من آليات استخدام Tools

في Function Calling ينتج النموذج طلبًا منظمًا لاستدعاء Tool. يتحقق التطبيق من الوسائط، وينفذ الدالة، ثم يعيد النتيجة إلى النموذج. يشرح دليل Function Calling من OpenAI هذه العملية بوصفها تبادلًا متعدد الخطوات بين النموذج والدوال التي يوفرها التطبيق.

هذه آلية أساسية لاستخدام الأدوات، لكن دعم Function Calling لا يجعل النظام Agent تلقائيًا. فإذا كان التطبيق يستدعي دائمًا دالة ثابتة واحدة ثم يعيد النتيجة، فهو أقرب إلى مساعد مزود بأداة. يعتمد السلوك الوكيلي على متابعة هدف متعدد الخطوات، وقراءة تغذية البيئة الراجعة، وتعديل المسار.

MCP: يوحّد الاتصال ولا يتخذ القرار

MCP هو اختصار Model Context Protocol. تحدد مواصفة MCP بتاريخ 2026-07-28 بروتوكولًا مفتوحًا لربط تطبيقات LLM بالبيانات والقدرات الخارجية، وتصف الاتصال واكتشاف القدرات بين Host وClient وServer.

تشبيه MCP بمنفذ «USB-C للذكاء الاصطناعي» مفيد كبداية، لكنه يحتاج إلى قيدين:

1. لا يقتصر MCP على Tools. يمكن للخوادم عرض Resources وPrompts، وتحدد المواصفة الحالية امتدادات اختيارية منها Skills over MCP.
2. لا يوفر MCP الحكم التجاري. يعرض القدرات وينقلها، لكنه لا يحدد تلقائيًا الهدف أو ترتيب التنفيذ أو شروط القبول.

يعني توصيل MCP Server أن التطبيق أصبح يملك مسار تكامل موحدًا. أما كون النظام Agent فيعتمد على النموذج والتعليمات والتنسيق والصلاحيات والحالة وحلقة التغذية الراجعة المحيطة بهذا الاتصال.

والعكس صحيح أيضًا: لا يحتاج Agent إلى MCP بالضرورة. يمكن استخدام APIs مباشرة أو دوال محلية. تظهر قيمة MCP عندما نحتاج إلى إعادة استخدام القدرات نفسها عبر عملاء متوافقين أو إدارتها من خلال سطح تكامل موحد.

Agent: مواصلة العمل حتى يصل الهدف إلى نتيجة

Agent ليس نوعًا مستقلًا من النماذج. إنه نظام عامل يجمع النموذج مع التعليمات والسياق والحالة وTools وحلقة تنفيذ.

تتضمن الحلقة العملية عادةً خمس مراحل:

1. فهم الهدف والقيود؛
2. اختيار الإجراء التالي؛
3. اختيار Skill أو Tool؛
4. التنفيذ ومراقبة النتيجة الحقيقية؛
5. الاستمرار أو التصحيح أو طلب حكم بشري أو التوقف.

لا يوجد تعريف صناعي وحيد لكلمة Agent. يقدم مقال Anthropic‏ Building Effective Agents حدًا هندسيًا مفيدًا: تمرر Workflows النماذج وTools عبر مسارات برمجية محددة مسبقًا، بينما تتيح Agents للنموذج توجيه عمليته واستخدام الأدوات بشكل ديناميكي.

تساعد ثلاثة أسئلة على تقدير مدى استقلال النظام:

• هل يختار النموذج الخطوات الوسيطة من المعلومات الحية أم أن جميع المسارات ثابتة؟
• هل يقرأ النظام نتائج Tools وأخطاءها قبل اختيار الخطوة التالية؟
• هل توجد شروط توقف واضحة للنجاح والفشل والحاجة إلى صلاحية بشرية؟

روبوت المحادثة الذي يجيب فقط لا يحقق هذه الشروط غالبًا. وقد يحقق المساعد الذي يستدعي دالة واحدة جزءًا منها. أما نظام البرمجة الذي يقرأ اختبارًا فاشلًا ويعدل الكود ويعيد الاختبار ثم يصحح مساره، فهو أقرب بوضوح إلى Agent.

أين تقع RAG وWorkflow وMemory وMulti-Agent؟

تظهر هذه المصطلحات بجوار المفاهيم الخمسة، لكنها تجيب عن أسئلة تصميم مختلفة.

RAG: استرجاع الدليل قبل الإجابة

تسترجع RAG، أو Retrieval-Augmented Generation، مواد ذات صلة من مخزن مستندات أو محرك بحث قبل التوليد. وهي تجيب عن «ما المعلومات التي يجب أن يستند إليها الناتج؟»، ولا تعرّف إجراء العمل كاملًا.

قاعدة المعرفة تشبه مكتبة مراجع، بينما Skill تشبه تعليمات العمل. قد تشترط Skill «استرجع أحدث سياسة قبل التحليل»، وتتكفل RAG بإحضار المقاطع المناسبة.

Workflow: تشغيل الخطوات المعروفة بصورة متوقعة

Workflow هو مسار محدد مسبقًا، ويناسب الخطوات المستقرة والفروع المعروفة والحاجة إلى التدقيق. مثال ذلك: «استلام فاتورة ← استخراج الحقول ← التحقق من الرقم الضريبي ← الكتابة إلى النظام المالي ← إشعار المحاسبة».

يناسب Agent المهام التي يكون هدفها واضحًا لكن لا يمكن حصر مسارها مسبقًا. وغالبًا تجمع الأنظمة الناضجة بين الاثنين: يحدد Agent الحالة، ثم ينفذ Workflow الجزء المعروف بصورة مستقرة.

Memory: الاحتفاظ بالحالة بين الخطوات أو الجلسات

تجيب Memory عن «ما الذي يجب أن يتذكره النظام؟». قد تحفظ حالة المهمة أو تفضيلات المستخدم أو قرارات سابقة أو حقائق طويلة الأجل. لكنها لا تتحول تلقائيًا إلى Skill. عبارة «هذا المستخدم يفضل تقارير مختصرة» حالة؛ أما «هذه هي طريقة التقرير المعتمدة وقائمة فحصه» فهي معيار عمل.

Multi-Agent: تنظيم عدة جهات تنفيذ

تقسم أنظمة Multi-Agent العمل بين عدة Agents، مثل البحث والكتابة والمراجعة، ثم ينسق Agent مركزي النتائج. تكون مفيدة عندما يمكن تقسيم العمل بوضوح وتتفوق فائدة التوازي أو التخصص على تكلفة التنسيق.

إرسال المهمة الغامضة نفسها إلى عدد أكبر من Agents لا يرفع الجودة تلقائيًا.

جدول المقارنة: الوظيفة والشكل وسوء الاستخدام

اختيار الطبقة المناسبة حسب المهمة

مهمة تحدث مرة واحدة ويمكن للإنسان مراجعتها بسهولة

ابدأ بـPrompt. إعادة صياغة بريد واحد، أو شرح مقطع كود، أو إعداد جدول اجتماع لمرة واحدة لا تحتاج عادةً إلى نظام أكبر ما دامت العملية قيد الاكتشاف.

عمل متكرر يحتاج إلى خطوات وجودة موحدة

حوّل الجزء المستقر إلى Skill. تستفيد التحليلات الأسبوعية، ونشر المدونة، ومراجعة العقود، وتقارير الحوادث من شروط تفعيل ومصادر حقيقة وإجراءات وحدود وقوائم فحص واضحة.

عمل يقرأ بيانات حية أو يغيّر حالة خارجية

وفّر Tools. فحص المخزون، وقراءة الملفات، وتشغيل الاختبارات، وإنشاء التذاكر، وإرسال الإشعارات تحتاج إلى قدرات تنفيذية. استخدم أقل صلاحية ممكنة واطلب التأكيد في الكتابة والحذف والدفع والتواصل الخارجي.

القدرات نفسها يجب أن تخدم عدة تطبيقات AI

فكّر في MCP. يمكنه عرض Tools وResources وقوالب Prompts من خلال واجهة موحدة. أما في تطبيق داخلي صغير واحد، فقد يكون الدمج المباشر مع دالة أو API أبسط.

الهدف واضح لكن المسار يتغير وفق النتائج الوسيطة

استخدم Agent. مهمة «حدد سبب فشل الاختبارات وأصلحه» لا تستطيع معرفة عدد الملفات أو المحاولات مسبقًا. حدّد للـAgent الصلاحيات والميزانية والمهلة وشروط التوقف.

المسار ثابت ويجب أن يكون قابلًا للتدقيق والتوقع

فضّل Workflow. لا تجعل النموذج يعيد تقرير عملية معروفة في كل تشغيل. أعط Agent فقط النقاط التي تحتاج فعلًا إلى حكم دلالي.

خمسة أخطاء شائعة في التصنيف

Prompt الطويل يتحول إلى Skill

لا يحدث ذلك. الطول ليس الحد الفاصل. تحتاج Skill إلى نطاق واضح، وآلية اكتشاف، وبنية قابلة للصيانة، وموارد قابلة لإعادة الاستخدام، ومعايير جودة متكررة.

توصيل MCP يصنع Agent

لا. يحل MCP مشكلة التكامل، بينما يحل Agent مشكلة القرار وإغلاق المهمة. قد يبقى روبوت متصل بخادم MCP مجرد روبوت محادثة يستطيع الوصول إلى سياق أوسع.

أي استدعاء Tool يثبت وجود Agent

ليس بالضرورة. الاستدعاء الثابت ثم الرد المباشر يفتقر إلى المراقبة المستمرة والتعديل ومنطق التوقف. هو لبنة من لبنات Agent، وليس حلقة تنفيذ كاملة تلقائيًا.

يمكن لـRAG أن تحل محل Skill

لا. تسترجع RAG ما تقوله سياسة المصروفات. أما Skill فتحدد البنود التي يجب فحصها، وكيف تُعالج الاستثناءات، وكيف تُوثق النتيجة.

Agent أكثر تقدمًا من Workflow في كل الحالات

غير صحيح. تحتاج العمليات الثابتة عالية المخاطر وكثيفة التدقيق إلى قابلية توقع Workflow. وتستفيد الأعمال المفتوحة ذات المسارات غير المؤكدة من حكم Agent. يجب أن تخدم التعقيدات النتيجة، لا الاسم التسويقي.

كيف تنتقل من Prompt إلى نظام عمل؟

المسار الأكثر استقرارًا تدريجي:

1. اجعل المهمة تنجح بـPrompt. تحقق من قيمتها وراقب كيف ينفذها البشر فعلًا.
2. حدد التعليمات المتكررة. سجل الخطوات والقيود والتنسيقات وقواعد القبول التي تتكرر.
3. أنشئ Skill. نظّم الإجراء المستقر والمراجع والقوالب والسكربتات في حزمة قابلة للصيانة.
4. أضف Tools. حوّل الوصول إلى البيانات الحقيقية والإجراءات الخارجية إلى قدرات واضحة ومحدودة.
5. استخدم MCP عندما يفيد. وحّد الاتصال عندما تحتاج القدرات إلى إعادة الاستخدام عبر العملاء أو إلى حوكمة مشتركة.
6. أعط القرارات الديناميكية لـAgent. فوّض فقط المسارات التي تعتمد فعلًا على تغذية البيئة الراجعة.
7. حسّن النظام بالتقييم والسجلات. راقب معدل الإكمال، ونقاط تدخل الإنسان، وأخطاء Tools، والتكلفة، والمخاطر.

عند هذه النقطة ينتقل الذكاء الاصطناعي من توليد محتوى لمرة واحدة إلى نظام يقدم نتائج قابلة للتكرار.

نموذج ذهني أخير

يمكن اختصار العلاقة بمطعم:

• Prompt هو طلب هذه الطاولة والقيود الغذائية؛
• Skill هي الوصفة القابلة لإعادة الاستخدام ومعيار التقديم؛
• Tool هي السكين والموقد ونقطة البيع ونظام الطلبات؛
• MCP هو معيار الاتصال المشترك بين معدات وأنظمة المطبخ؛
• Agent هو الطاهي الذي يفهم الطلب ويختار الوصفة ويستخدم المعدات ويفحص الطبق ويقرر إن كان يحتاج إلى إعادة؛
• RAG هي عملية البحث عن معلومات المكونات الموسمية والموردين؛
• Workflow هو خط الإنتاج الثابت في المطبخ.

السؤال العملي ليس أي اختصار يبدو أكثر تقدمًا. اسأل ما الذي ينقص النظام: تعليمات حالية، أو طريقة قابلة لإعادة الاستخدام، أو قدرة تنفيذية، أو معيار اتصال، أو معرفة موثقة، أو جهة تنفيذ تحمل الهدف حتى النهاية.

References

• صفحة ChatGPT على FamilyPro
• صفحة Grok على FamilyPro
• مواصفة Agent Skills: بنية المجلد وSKILL.md والتحميل التدريجي
• مواصفة Model Context Protocol بتاريخ 2026-07-28
• دليل Function Calling من OpenAI
• Anthropic: Building Effective Agents