إطلاق Code Researcher: الوكيل الذكي لتحليل تاريخ شفرة الأنظمة

شهد مجال [تطوير البرمجيات](/tag/[تطوير](/tag/تطوير)-[البرمجيات](/tag/البرمجيات)) [تحولات](/tag/تحولات) نوعية مع ظهور [وكالات الشفرات](/tag/[وكالات](/tag/وكالات)-الشفرات) المعتمدة على [نماذج [اللغة](/tag/اللغة) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغة](/tag/اللغة)-الضخمة) (Large Language [Models](/tag/models))، ولكن فعالية هذه الوكالات في التعامل مع شفرة [الأنظمة المعقدة](/tag/الأنظمة-المعقدة) لا تزال بحاجة إلى المزيد من [الاستكشاف](/tag/الاستكشاف). الشفرة المعقدة تتطلب [دراسة](/tag/دراسة) عميقة للسياقات المختلفة المشتقة من قاعدة الشفرة الكبيرة وتاريخ التعديلات الضخم.

وبناءً على هذا، تم [تصميم](/tag/تصميم) Code Researcher، وهو أول [وكيل](/tag/وكيل) [بحث عميق](/tag/[بحث](/tag/بحث)-عميق) مختص بالشفرات، وهدفه الرئيسي هو [تحسين](/tag/تحسين) عملية إنشاء التصحيحات للتعامل مع الأعطال المبلغ عنها في شفرة الأنظمة.

يعمل Code Researcher من خلال [تحليل](/tag/تحليل) متعدد المراحل للجوانب الدلالية (semantics) والنماذج وتاريخ التعديلات، حيث يقوم بجمع كل [المعلومات](/tag/المعلومات) الضرورية من قاعدة الشفرة وتاريخ التعديلات ذات الصلة.

جرت [تقييمات](/tag/تقييمات) لـ Code Researcher على kBenchSyz، وهو معيار يتضمن أعطال نواة Linux، وقد أظهر أداءً متميزًا، حيث حقق معدل حل الأعطال (Crash Resolution Rate) بلغ 48%، متفوقًا على [وكالات](/tag/وكالات) أخرى مثل [SWE](/tag/swe)-agent بمعدل 31.5% وAgentless بمعدل 31% باستخدام [نموذج GPT](/tag/[نموذج](/tag/نموذج)-gpt)-[4o](/tag/4o) من [OpenAI](/tag/openai).

علاوة على ذلك، عند زيادة حجم العينة إلى 10 مسارات، ارتفعت المعدل إلى 54%. كما أثبت Code Researcher [قوة](/tag/قوة) تحمل جيدة لاختيار النماذج، حيث حقق 67% مع [نموذج Gemini](/tag/[نموذج](/tag/نموذج)-gemini) 2.5-Flash الأحدث.

[عبر](/tag/عبر) تجربة أخرى مع برنامج [وسائط متعددة](/tag/وسائط-متعددة) مفتوح المصدر، تم إظهار قدرة Code Researcher على التعميم، مع إجراء [تحليلات](/tag/تحليلات) إضافية تفصيلية.

تظهر تجاربنا أهمية جمع السياقات العالمية والتفكير المتعدد الجوانب في الشفرات الكبيرة، مما يفتح أمامنا آفاقًا جديدة في التعامل مع التحديات البرمجية في المستقبل.