وكلاء التصفح منخفضو التكلفة باستخدام Haiku 5.5: طابور المراجعة هو التكلفة الجديدة

أطلقت Anthropic نموذج Claude Haiku 5.5 في 7 أكتوبر، ووجهته بشكل مباشر نحو مهام التصفح. ويصفه منشور الإطلاق بأنه خيار مثالي «للمهام الحساسة للسرعة مثل دعم العملاء المباشر واستخدام المتصفح»، في حين تُشير صفحة المنتج إلى قدرته على ملء النماذج، وإدخال البيانات، ونقل المعلومات بين التطبيقات. كما أضاف الإصدار نفسه ميزتي computer use وbrowser use إلى حزم SDK الخاصة بـ Anthropic للغتي Python وTypeScript في مرحلتها التجريبية (beta). وفي معيار OSWorld 2.1 الخاص بقياس أداء استخدام الحاسوب والذي اعتمدته Anthropic، حقق Haiku 5.5 نسبة 72.4% بتكلفة تقارب 0.61 دولار لكل محاولة عند أقصى مستوى جهد (max effort)، و53.3% بتكلفة تقارب 0.13 دولار عند مستوى الجهد المتوسط الافتراضي.

لكن هذا الرقم البارز لا يعكس سوى تقييم جزئي (partial credit). فإذا اطلعت على بطاقة النظام (system card)، ستجد أن عمليات التشغيل نفسها حققت معدل نجاح صارم (strict pass rate) لا يتجاوز 37.1%. بالتالي، فإن أي فريق يدمج Haiku 5.5 في مسار لأتمتة المتصفح سيحصل على تشغيل لا يكلّف سوى سنتات معدودة، لكن النتيجة في أغلب الأحيان ستكون غير مكتملة. لقد أصبحت عملية التشغيل زهيدة التكلفة، لكن التحقق منها لم يعد كذلك؛ ومع تشغيل عدة وكلاء ذكاء اصطناعي، تنتقل التكلفة الفعلية لأتمتة المتصفح بالكامل إلى عاتق الشخص الذي يتولى مراجعة النتائج.

خلاصة سريعة

في المجموعة الفرعية غير المتصلة بالإنترنت من معيار OSWorld 2.1 التابع لـ Anthropic، يحقق Haiku 5.5 متوسط تقييم جزئي يبلغ 72.4%، لكنه لا يجتاز سوى 37.1% من المحاولات بالكامل؛ ويُظهر كل من Sonnet 5.5 وOpus 5.5 الفجوة ذاتها التي تتراوح بين 34 و35 نقطة ولكن بتكلفة أعلى. لذلك، تعامل مع كل عملية تشغيل للمتصفح على أنها مكتملة جزئياً حتى تتم مراجعتها: حدد معيار قبول صارم داخل المهمة (Task)، واجعل الوكيل (Agent) يتوقف قبل أي إجراء يتضمن إرسالاً، ويقدم تقريراً يوضح ما أُنجز وما لم يُنجز مع الأدلة، ودع شخصاً يعتمد الخطوة النهائية عبر تعليق يذكر فيه الوكيل بواسطة @. استثمر الجهد لتقليص وقت المراجعة؛ فالتشغيل بحد ذاته هو الجزء الأرخص. مهمة الوكلاء هي البحث والتنفيذ والاختبار وإعداد التقارير، بينما يتولى البشر تحديد الاتجاه، ومنح الصلاحيات، وقبول النتيجة النهائية.

التقييم الجزئي لا يعني اكتمال المهمة

اختبرت Anthropic معيار OSWorld 2.1 على 82 من أصل 108 مهمات بدقة 1080p، وبحد يصل إلى 500 خطوة لكل محاولة عند أقصى جهد، مع حساب المتوسط عبر خمس تجارب. وأعلنت عن رقمين لكل نموذج، والرقم الثاني منهما هو ما يهم المراجع فعلياً ويتحمل تبعاته.

أولاً، هذه الفجوة ليست مشكلة خاصة بنموذج Haiku وحده؛ فكل النماذج في هذه العائلة تترك فارقاً يقارب 35 نقطة بين «تنفيذ معظم الخطوات» و«اكتمال المهمة»، وحتى Opus 5.5 لا ينجز المهمة بالكامل سوى في نصف المرات تقريباً. وهذا يعني أن نسبة كبيرة من محاولات استخدام الحاسوب، وفقاً لهذا المقياس، تنتهي بإنجاز جزئي فقط. ثانياً، يجعل Haiku 5.5 إنتاج هذا العمل المكتمل جزئياً رخيصاً للغاية؛ فتكلفة كل اجتياز صارم تعادل سُبع تكلفة Sonnet 5.5 تقريباً، وتكلفة المحاولة الواحدة تعادل نحو تُسع تكلفتها.

يمثل العمل غير المكتمل الخطر الحقيقي في مهام المتصفح. فالمهمة التي تفشل تماماً لا تترك خلفها أي أثر، أما المهمة التي تنقل 31 سجلاً من أصل 40 إلى نظام إدارة علاقات العملاء (CRM)، أو تملأ نموذج المورّد حتى حقل الضريبة فقط، فتترك بيانات في تطبيق طرف ثالث تبدو مكتملة من النظرة الأولى. ويكون على المراجع حينها البحث عن السجلات التسعة المفقودة دون وجود أي إشارة على الشاشة ترشده إليها.

أين تذهب التكلفة عندما يصبح التشغيل رخيصاً للغاية؟

عندما ينخفض سعر مسار المتصفح، يتغير البند المالي الذي تراقب فيه ميزانيتك. فبتكلفة تبلغ 0.13 دولار لكل محاولة، تصبح مئة عملية لملء النماذج مجرد كسر لا يُذكر في فاتورة استخدام النموذج، بينما تتطلب مراجعة هذه المحاولات المئة وجود موظف يتحقق من صحة ما أُدخل، وهو ما قد يستغرق يوماً كاملاً من وقته. فسعر Haiku 5.5 يقل بنسبة 90% عن Haiku 4.5 للمطالبات التي تصل إلى 100 ألف رمز، لكن تكلفة وقت المراجع البشري تظل ثابتة ولا تنخفض.

وهناك أيضاً تفصيل دقيق في التسعير: تبلغ تكلفة Haiku 5.5 نحو 0.10 دولار لكل مليون رمز إدخال و0.50 دولار لكل مليون رمز إخراج للمطالبات حتى 100 ألف رمز، وترتفع إلى 0.50 دولار و2.50 دولار للمطالبات التي تتجاوز هذا الحد. وقد تؤدي جلسة التصفح الطويلة إلى تضخم حجم المطالبة وتجاوز هذه العتبة، مما يجعل كل طلب بعد ذلك يخضع للتعريفة الأعلى. وهذا سبب إضافي يدعو لإبقاء مهام التصفح (Tasks) قصيرة ومحددة: نموذج واحد، دفعة واحدة من السجلات، ومهمة واحدة فقط.

سبق وطرحنا هذه الحجة في مقالي المراجعة البشرية هي عنق الزجاجة وأيام عمل الوكلاء مقابل أيام عمل البشر. لكن ما يغيره Haiku 5.5 هو هذه النسبة: فعند 0.13 دولار لكل تشغيل، تكاد تكلفة التشغيل تتلاشى، وتصبح النماذج الرخيصة أكثر تكلفة بمجرد احتساب وقت قائمة انتظار المراجعة. والحل الوحيد المتبقي أمامك هو تسريع عملية التحقق نفسها.

مراجعة وكيل استخدام الحاسوب: ما الذي يجب أن تحتويه المهمة؟

تكون مهمة وكيل التصفح قابلة للمراجعة عندما يستغرق التحقق منها وقتاً أقل من إعادة تنفيذها. ويعتمد ذلك على ثلاثة أمور لا يمكن للوكيل أن يبتكرها بعد انتهاء العمل: معيار قبول صارم يُكتب قبل بدء التشغيل، وتقرير يفصل بين ما تم إنجازه وما لم يُنجز، وأدلة واضحة يمكن للمراجع فتحها دون الحاجة لإعادة تشغيل الجلسة بالكامل.

في Sharkly، تشكل المهمة (Task) سجلاً مشتركاً يتضمن الوصف والتعليقات والمرفقات وسجل النشاط؛ ويُحفظ النص الذي يوجهه الوكيل للفريق داخل المهمة كتعليق مرتبط بعملية التشغيل، بينما يسجل سجل التنفيذ استدعاءات الأدوات وأحداث بيئة التشغيل (Runtime). وبذلك يعتمد تصميم المراجعة على موضعين: يحدد وصف المهمة معنى «الإنجاز»، في حين تحدد تعليمات الوكيل ما يجب أن يتضمنه التقرير. وفيما يلي نقطة انطلاق لتعليمات وكيل إدخال البيانات عبر المتصفح:

Restate the acceptance check from the Task description before you start.
Work up to, but not including, any submit, send, publish, pay, or delete action.
Then stop and report, in this order:
  Done: every record or field you completed, by its identifier.
  Not done: everything you skipped or could not complete, and why.
  Check: the acceptance check, and whether your own count meets it.
  Evidence: the paths of the screenshots you saved in the task directory.
Leave the Task waiting for human review. Do not take the final action
until a person @ mentions you in a comment on this Task to release it.

احرص على صياغة معيار القبول بصورة قابلة للعد والقياس: مثلاً «40 صفاً في نظام إدارة علاقات العملاء، يحتوي كل منها على بريد إلكتروني مطابق»، بدلاً من «استيراد جدول البيانات». إن قائمة «ما لم يُنجز» هي العنصر الذي يخفيه التقييم الجزئي؛ وتحديد العناصر التي تم تخطيها بالاسم يحول مهمة منجزة بنسبة 72% إلى مهمة بنسبة 72% ذات متبقيات واضحة ومعروفة. ويوضح دليلنا حول مراجعة عمل الوكلاء بالأدلة على مستوى المهمة المزيد من التفاصيل حول تنسيقات التقارير.

وفقاً لـ توثيق الوكلاء في Sharkly، يتبع الوكيل النموذج الافتراضي الخاص ببيئة التشغيل (Runtime)؛ ولتغييره، يمكنك تحديده في المعاملات المخصصة (Custom arguments) الخاصة بالوكيل أو بيئة التشغيل (claude-haiku-5-5 في حالة Claude Code)، حيث لا توجد قائمة منسدلة لاختيار النموذج. وتجد خطوات الإعداد في دليل كيفية تشغيل وكلاء Claude Haiku 5.5 في Sharkly.

التوقف قبل إرسال البيانات

قد يكون الإنجاز الجزئي مقبولاً كمسوّدة أولية، لكنه مرفوض تماماً عند تقديم النماذج وإرسالها نهائياً. لذا، افصل الخطوة التي لا يمكن التراجع عنها عن بقية التشغيل، بدلاً من الاعتماد على افتراض أن النموذج سينجزها بدقة.

يعتمد هذا النمط على آليات موجودة بالفعل في Sharkly؛ حيث يعمل الوكيل حتى يصل إلى الإجراء النهائي ويترك المهمة بانتظار المراجعة البشرية، لتظهر مباشرة في صندوق وارد المراجع. يفتح المراجع التقرير ولقطات الشاشة، ويقوم بالتصحيح أو الرفض، ثم يذكر الوكيل عبر @ في تعليق على المهمة لتمكينه من المتابعة. وتجدر الإشارة إلى أن التعليق العادي لا يعيد تشغيل الوكيل؛ بل إن الإشارة إليه هي ما يفتح المحادثة أو يستأنفها داخل المهمة، ويُحفظ رده كتعليق آخر مرتبط بعملية التشغيل. وهكذا يتم الإرسال النهائي داخل نفس المهمة وتحت السجل ذاته، بعد الحصول على موافقة بشرية صريحة. ويوضح دليل بوابات الموافقة المواضع الأخرى التي يُنصح بوضع نقاط التوقف هذه فيها.

تحد هذه البوابة أيضاً من المخاطر الأمنية الأخرى للمتصفح؛ فوكيل التصفح يقرأ صفحات لم يكتبها هو. وتشير بطاقة نظام Anthropic إلى أن Haiku 5.5 يقاوم حقن التعليمات البرمجية (prompt injection) بشكل أفضل من أي إصدار سابق من Haiku، مقترباً في ذلك من أداء النماذج الرائدة في مواجهة المهاجمين التكيفيين في بيئات استخدام الحاسوب. لكن هذا يبقى مجرد رقم في اختبارات الأداء وليس ضمانة لبوابة المورد الخاصة بك، وحين تمنع التعليمات المحقونة من الوصول إلى زر الإرسال إلا بموافقة تعليق بشري، فإن أثر أي اختراق محتمل يصبح محدوداً للغاية. كما أن ضوابط العزل على مستوى المضيف (تخصيص Computer مستقل، وربط بيانات الاعتماد بكل وكيل عبر متغيرات البيئة السرية، وتشغيل جلسة تصفح واحدة في كل مرة) تتطابق تماماً مع ما ورد في دليل حواجز الحماية لاستخدام الحاسوب، ويوفر مقال حقن الأوامر وحواجز حماية الوكلاء بقية التفاصيل.

معادلة اتخاذ القرار في هذا المسار واضحة: استخدم وكيل متصفح مبنياً على Haiku 5.5 عندما يمكن مراجعة النتيجة بالتحقق من عدد معين أو قائمة محددة في أقل من دقيقة، وتكون الخطوة النهائية قابلة للتراجع أو مقيدة بموافقة عبر تعليق. وفي المقابل، أبقِ العمل بيد مراجع بشري أو اعتمد على نموذج أكبر حجماً بنفس البوابة إذا كانت المراجعة تعني إعادة إنجاز العمل بالكامل، لأن معدل اجتياز صارم بنسبة 37% لن يمنحك سوى عبء إعادة العمل من جديد.

ادفع مقابل الجهد، لتوفر في وقت المراجعة

يعد Haiku 5.5 أول نموذج من فئة Haiku من Anthropic يتضمن إعداداً للتحكم في مستوى الجهد (effort setting)، ويكون مضبوطاً افتراضياً على المستوى المتوسط (medium). وفي معيار OSWorld، يؤدي رفع الجهد إلى تحسين نتيجة التقييم الجزئي بدرجة كبيرة وبتكلفة زهيدة للغاية:

الانتقال من المستوى المتوسط إلى أقصى جهد يضيف نحو 0.49 دولار لكل محاولة ويرفع التقييم الجزئي بمقدار 19 نقطة. وإذا كانت هذه النقاط ستختصر وقت المراجعة ولو بنسبة بسيطة، فإن أقصى جهد يظل الخيار الأوفر لأي مهمة تصفح تتطلب تدقيقاً بشرياً. ورغم أن بطاقة النظام تعرض معدل الاجتياز الصارم بحسب مستوى الجهد في رسم بياني، إلا أنها تذكر القيمة الرقمية الصريحة عند أقصى جهد فقط، لذا يُفضل قياس نتائج الاجتياز الصارم على مهامك الفعلية قبل اختيار مستوى أقل. ويتم ضبط الجهد داخل Claude Code على جهاز Computer، حيث لا يوفر الوكيل خياراً لاختيار النموذج أو التحكم في عمق التفكير. يمكنك استخدام المسار الرخيص عندما لا يراجع أحد المخرجات، كما أوضحنا في مقال Luna لنسبة الثمانين بالمئة الروتينية، لكن مسار المتصفح يختلف عن ذلك تماماً.

أما مهام التصفح التي تتضمن الكتابة في أنظمة تابعة لجهات خارجية، فينبغي أن تُفرد في مهمة مستقلة بذاتها بدلاً من دمجها ضمن مسار تشغيل أكبر، لأن هناك شخصاً سيتعين عليه اعتمادها؛ ويفصل مقال استخدام Haiku 5.5 كوكيل فرعي أم كوكيل مستقل هذه القاعدة العامة.

إن توفير وكيل تصفح منخفض التكلفة يتيح إجراء المزيد من عمليات التشغيل، لكن كثرة التشغيل تعني أيضاً تراكماً في النتائج غير المكتملة التي تنتظر من يراجعها. وإذا كنت تدير عدة وكلاء بالفعل، فإن Sharkly يوفر لك مكاناً موحداً لإدارة مهامهم ومتابعة نتائجهم بدقة.