في عالم يتسارع فيه تطور تكنولوجيا المعلومات، يبرز الابتكار في الذكاء الاصطناعي ليمثل قفزة نوعية في كيفية التعامل مع الأكواد البرمجية القديمة. يتمحور هذا البحث حول تطوير وكيل ذكاء اصطناعي يهدف لتحويل تنفيذات الفروقات المحدودة القديمة إلى بيئة ديفيتو (Devito) الحديثة.

من خلال استخدام إطار عمل متكامل يعتمد على تقنيات استرجاع المعلومات المعززة بالذكاء الاصطناعي (Retrieval-Augmented Generation - RAG) ونماذج اللغات الضخمة المفتوحة المصدر، يتسم النظام بهيكله المعقد الذي يتضمن خطوات متعددة لضمان دقة النتائج. حيث يقوم الوكيل بإنشاء رسم بياني معرفي شامل لديفيتو من خلال معالجة النصوص، وتقسيم البيانات بالتوازي مع إدراك الهيكل، واستخراج العلاقات بين الكيانات، وكذلك الكشف المجتمعي القائم على خوارزمية ليدن (Leiden-based community detection).

تتميز خوارزمية تحسين GraphRAG بأدائها المتفوق في استعلامات الأداء عبر المجتمعات الدلالية المختلفة، مثل محاكاة الموجات الزلزالية، الديناميكيات السائلة، ومكتبات تحسين الأداء. يقوم المكون الخاص بعكس الهندسة (Reverse Engineering) بتطبيق استراتيجيات استعلام ثلاثية المستويات لاسترجاع RAG من خلال تحليل ثابت لكود فورتران (Fortran).

توفر أنابيب الاسترداد متعددة المراحل معلومات سياقية دقيقة تعزز من توجيه نماذج اللغة، حيث تقوم بعمليات بحث متوازية، وتوسيع المفاهيم، واسترجاع على نطاق المجتمع، وتحليل التشابه الدلالي. يتم التحكم في تركيب الأكواد من خلال قيود قائمة على Pydantic لضمان مخرجات مرتبة وموثوقة.

تشمل عملية التحقق الشاملة تكاملاً بين التحليل الثابت التقليدي منهجية G-Eval، مما يغطي جوانب مثل صحة التنفيذ، والصلابة الهيكلية، والتناسق الرياضي، والتوافق مع واجهة برمجة التطبيقات (API). يتم تنفيذ سير العمل العام للوكلاء على إطار عمل LangGraph، مع تبني معالجة متزامنة لدعم تحسين مستمر قائم على الجودة وتوجيه ديناميكي مدرك للحالة.

تكمن المساهمة الرئيسية في تضمين آليات التغذية الراجعة المستندة إلى التعلم المعزز، مما يمكّن الوكيل من الانتقال من الترجمة الثابتة للكود إلى سلوك تحليلي ديناميكي وقابل للتكيف.

في ختام هذا البحث، يتضح أن الذكاء الاصطناعي يمكن أن يحقق تحولات جذرية في التعامل مع الأكواد القديمة، مما يفتح آفاقًا جديدة للابتكار والتقدم التكنولوجي.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.