DEV Community: Yusuf Khalidd

كيفية تشغيل أي نموذج في ديب سيك هارنس؟

Yusuf Khalidd — Thu, 20 Aug 2026 08:01:50 +0000

يأتي DeepSeek Harness (dsh) مزودًا بنماذج DeepSeek، لكنك لست مقيدًا بها. يتعامل النظام مع مزودي النماذج كتكوين: وجّه كتلة مزود إلى أي نقطة نهاية متوافقة مع OpenAI، واربطها ببيانات اعتماد، ثم شغّل جلسات الوكيل باستخدام أي نموذج خلف تلك النقطة. يمكنك توصيل Ollama محليًا، أو بوابة داخلية، أو Qwen عبر وضع DashScope المتوافق، أو مزودي الكتالوج مثل Anthropic وOpenAI ضمن نفس الإعداد.

جرّب Apidog اليوم

يوضح هذا الدليل إعداد المزود مفتاحًا بمفتاح، ثم يقدم ثلاث وصفات عملية: نموذج محلي، ونقطة نهاية مستضافة متوافقة مع OpenAI، ومزودو الكتالوج المدمجون. تعتمد التفاصيل على دليل المزودين الرسمي في الفرع الرئيسي، الذي جُلب في 20 أغسطس 2026.

تحذير: dsh إصدار مطور مبدئي وقد يتضمن تغييرات تكسر التوافق. راجع الوثائق المطابقة لإصدارك المثبت قبل استخدام أي تكوين في الإنتاج.

إذا كنت جديدًا على النظام، ابدأ بـ ما هو DeepSeek Harness وكيف يعمل، ثم عد لإعداد المزود.

لماذا تبدّل النماذج في نظام وكيل؟

نظام الوكيل عبارة عن حلقة: يخطط النموذج، يستدعي الأدوات، يقرأ النتائج، ثم يكرر العملية. النظام يدير الحلقة، بينما النموذج مكوّن قابل للاستبدال.

تبديل النموذج مفيد في ثلاث حالات عملية:

خفض التكلفة: جلسات الوكلاء تستهلك الرموز بسرعة لأن نتائج الأدوات تعود إلى السياق. وجّه المهام الروتينية إلى نموذج أرخص، واحتفظ بالنموذج الأقوى للمهام المعقدة.
توطين البيانات: إذا كان الكود أو البيانات لا يمكن أن يغادرا الشبكة الداخلية، وجّه المزود إلى نموذج يعمل محليًا. عندها لا تغادر المطالبات أو محتويات الملفات أو مخرجات الأدوات جهازك.
التطوير والاختبار محليًا: استخدم نموذجًا صغيرًا محليًا لتجربة حلقة الوكيل أو تطوير الإضافات بدون تكلفة API أو اعتماد على الشبكة.

يتوافق ذلك مع بنية dsh: كل شيء مكوّن إضافي، بما في ذلك محول النموذج. مسارات المزود يمتلكها المكون الإضافي dsh-llm-pi-ai، كما هو موثق في كتالوج تكوين المكونات الإضافية. عمليًا، ستتعامل مع كتلة YAML واحدة.

كتلة المزود، مفتاحًا بمفتاح

أضف المزودات المخصصة في:

$DSH_HOME/settings.yaml

ويمكنك إنشاؤها أيضًا من واجهة الويب عبر الإعدادات ← النماذج.

مثال أساسي:

llm-pi-ai:
  providers:
    my-gateway:
      apiKeyEnv: GATEWAY_API_KEY
      api: openai-completions
      baseURL: https://gateway.example/v1
      models:
        - id: legacy-chat
        - id: vision-preview
          input: [text, image]

شرح المفاتيح

المفتاح	الاستخدام
`my-gateway`	معرّف المزود. استخدم اسمًا ثابتًا لأن الإعدادات قد تعتمد عليه.
`apiKeyEnv`	اسم متغير البيئة الذي يحتوي مفتاح API، وليس المفتاح نفسه.
`api`	بروتوكول الاتصال. استخدم `openai-completions` لنقاط النهاية المتوافقة مع OpenAI.
`baseURL`	الجذر الأساسي لنقطة النهاية التي تستقبل الطلبات.
`models`	قائمة النماذج المتاحة من هذا المزود.
`id`	معرف النموذج كما تتوقعه نقطة النهاية في الطلب.
`input`	أنواع الإدخال التي يقبلها النموذج، مثل `text` و`image`.
`defaultInput`	قيمة إدخال افتراضية لكل نماذج المزود، ويمكن تجاوزها داخل كل نموذج.
`compat`	إعدادات توافق لنقاط النهاية التي لا تطابق سلوك OpenAI بالكامل.

تكون النماذج المخصصة نصية فقط افتراضيًا. إذا كان النموذج يدعم الصور، أضف:

input: [text, image]

للتعامل مع اختلافات بعض الواجهات الخلفية، استخدم compat:

compat:
  supportsDeveloperRole: false
  maxTokensField: max_tokens

استخدم supportsDeveloperRole: false إذا كانت الواجهة الخلفية ترفض دور developer.
استخدم maxTokensField: max_tokens إذا كانت الواجهة تتوقع اسم الحقل الأقدم لتحديد حد الإخراج.

يمكن تعيين compat على مستوى المزود أو على مستوى نموذج محدد.

جلب قائمة النماذج تلقائيًا

عند إضافة مزود مخصص من واجهة dsh، يمكن لخيار جلب النماذج المتاحة استدعاء المسار المتوافق مع OpenAI:

GET /models

إذا كانت نقطة النهاية تنفذ هذا المسار، ستتمكن من ملء قائمة النماذج تلقائيًا بدل إدخالها يدويًا.

أين يوجد مفتاح API الفعلي؟

يخزن dsh الأسرار بوضع كتابة فقط داخل:

$DSH_HOME/.credentials.yaml

بعد حفظ مفتاح من واجهة المستخدم، يعرض النظام وصفًا محجوبًا فقط ولا يعرض القيمة الحرفية مجددًا. يجب أن يحتوي settings.yaml على مراجع مثل apiKeyEnv، وليس مفاتيح فعلية.

هذا الفصل يسمح لك بمشاركة ملف الإعدادات أو الالتزام به دون كشف الأسرار، كما يسهل تدوير المفاتيح دون تعديل إعدادات المزود.

الوصفة 1: تشغيل نموذج محلي عبر Ollama

يكشف Ollama واجهة متوافقة مع OpenAI على:

http://localhost:11434/v1

وهذا موثق في دليل توافق Ollama مع OpenAI. لذلك يمكن لـ dsh الاتصال به باستخدام openai-completions.

أضف المزود التالي إلى settings.yaml:

llm-pi-ai:
  providers:
    ollama-local:
      apiKeyEnv: OLLAMA_API_KEY
      api: openai-completions
      baseURL: http://localhost:11434/v1
      models:
        - id: gpt-oss:20b
        - id: qwen3

خطوات التنفيذ

شغّل Ollama.
اسحب النموذج الذي تريد استخدامه:

   ollama pull gpt-oss:20b

اعرض أسماء النماذج المتاحة:

   ollama list

انسخ اسم النموذج كما يظهر، بما في ذلك العلامة مثل gpt-oss:20b.
عيّن قيمة وهمية لمتغير البيئة، لأن مخطط المزود يتوقع مرجع بيانات اعتماد:

   export OLLAMA_API_KEY=ollama

لا يحتاج Ollama المحلي إلى مفتاح فعلي، ويتجاهل هذه القيمة.

تحقق من نقطة النهاية قبل فتح جلسة وكيل:

   curl http://localhost:11434/v1/models

يمكنك أيضًا اختبار الطلب من Apidog عبر:

GET http://localhost:11434/v1/models

إذا أعاد الطلب قائمة النماذج، فهذا يؤكد أن الخادم يعمل وأن baseURL صحيح. إذا فشل، أصلح مشكلة Ollama أو الشبكة أولًا؛ لن يعالجها تعديل إعدادات dsh.

لإعداد محلي كامل، راجع كيفية تشغيل GPT-OSS باستخدام Ollama.

النماذج المحلية الصغيرة مناسبة لاختبار حلقة الوكيل وتطوير الإضافات، لكنها قد تكون أضعف في التخطيط، والسياق الطويل، واستدعاء الأدوات مقارنة بالنماذج الرائدة.

الوصفة 2: نقطة نهاية مستضافة متوافقة مع OpenAI — Qwen عبر DashScope

لا تفترض أن كل بائع متوافق مع OpenAI؛ استخدم التوافق الموثق. توثق Alibaba Cloud Model Studio (DashScope) مسارًا متوافقًا مع OpenAI لنماذج Qwen:

/compatible-mode/v1

راجع صفحة توافق OpenAI مع DashScope للتفاصيل.

مثال لنطاق سنغافورة:

llm-pi-ai:
  providers:
    qwen-dashscope:
      apiKeyEnv: DASHSCOPE_API_KEY
      api: openai-completions
      baseURL: https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1
      models:
        - id: qwen3-max

خطوات التنفيذ

استبدل {WorkspaceId} بمعرف مساحة العمل من وحدة تحكم Model Studio.
عيّن مفتاح API:

   export DASHSCOPE_API_KEY="your-api-key"

تحقق من معرفات النماذج الحالية لدى البائع قبل إضافتها.
اختبر المسار:

   curl \
     -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
     "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/compatible-mode/v1/models"

للاطلاع على تفاصيل إضافية حول نماذج Qwen، راجع دليل API الخاص بـ Qwen 3.8.

ينطبق النمط نفسه على أي خدمة توثق توافق OpenAI، مثل بوابة داخلية، أو نشر vLLM، أو OpenRouter، أو Moonshot/Kimi. عادةً ستغير فقط:

baseURL
اسم متغير البيئة
معرفات النماذج

إذا سبق لك إعداد نماذج مفتوحة المصدر في Codex، فالفكرة مشابهة: كتلة YAML في dsh تؤدي دور إعداد model_providers في Codex.

مشاكل شائعة مع النقاط المستضافة

إذا ظهرت أخطاء تتعلق بالأدوار أو حقول الرموز، جرّب:

compat:
  supportsDeveloperRole: false

وإذا كانت الواجهة الخلفية ترفض حقل حد الإخراج، جرّب:

compat:
  maxTokensField: max_tokens

ولنماذج الرؤية، أعلن دعم الصور صراحة:

models:
  - id: qwen-vision-model
    input: [text, image]

الوصفة 3: مزودو الكتالوج المدمجون

لا تحتاج إلى كتلة مزود مخصصة لكل خدمة. يوفّر dsh مزودي كتالوج لـ DeepSeek وAnthropic وOpenAI، حيث يقتصر الإعداد غالبًا على إضافة مفتاح API.

تحمل بعض إدخالات الكتالوج تدفقات مصادقة أصلية خاصة بها:

Bedrock: بيانات اعتماد AWS.
Vertex: مشروع ADC.
Azure: إصدار API خاص بالخدمة.
Codex: مصادقة OAuth.

استخدم مزودي الكتالوج عندما تريد أقل قدر من الإعداد لتشغيل Claude أو GPT أو نماذج DeepSeek. استخدم المزودات المخصصة للحالات غير الموجودة في الكتالوج، مثل:

Ollama المحلي
بوابات الشركات
البائعين الإقليميين
المجمعات المتوافقة مع OpenAI

للتفاصيل المتعلقة بواجهة DeepSeek API، راجع api-docs.deepseek.com.

اختيار النموذج وما تتذكره الجلسات

إضافة مزود تجعل نماذجه متاحة. اختيار نموذج من الإعدادات ← النماذج يجعله النموذج الافتراضي للجلسات الجديدة.

انتبه إلى السلوكين التاليين:

الجلسات الحالية تبقى على نموذجها الأصلي.

تغيير النموذج الافتراضي لا يغيّر النموذج الذي تعمل به جلسة قائمة.
حذف مزود النموذج الافتراضي يتطلب اختيار بديل.

يمنع dsh المتابعة حتى تحدد نموذجًا افتراضيًا جديدًا، بدل التخمين أو التبديل الصامت.

هذا مهم للتكرارية: سجل الجلسة يعكس نموذجًا واحدًا، وليس مزيجًا من نماذج تغيرت أثناء التنفيذ. راجع أيضًا مقارنة DeepSeek Harness vs Claude Code.

استكشاف الأخطاء الشائعة

`baseURL` غير صحيح أو لا يمكن الوصول إليه

تأكد من أن المسار ينتهي بالقيمة التي يتوقعها البروتوكول:

غالبًا /v1 للنقاط المتوافقة مع OpenAI.
استخدم /compatible-mode/v1 لـ DashScope.

اختبر خارج dsh أولًا:

curl \
  -H "Authorization: Bearer $KEY" \
  "{baseURL}/models"

استخدم تنزيل Apidog لإرسال الطلب نفسه ومراجعة رمز الحالة وجسم الاستجابة الفعلي بدل الاعتماد على رسالة الخطأ المغلفة من النظام.

إذا كنت تعمل دون اتصال أو مع بائع غير موثوق، يمكنك محاكاة المسارين التاليين في Apidog:

GET /models
POST /chat/completions

ثم وجّه baseURL إلى المحاكاة أثناء التطوير.

متغير بيئة مفقود أو فارغ

apiKeyEnv يشير إلى متغير موجود؛ لا ينشئه.

إذا كان المتغير غير متاح ضمن البيئة التي يشغّل منها dsh، سترسل الطلبات دون مصادقة وقد تحصل على 401.

تحقق من المتغير ضمن سياق التشغيل الفعلي:

echo $GATEWAY_API_KEY

لا تكتفِ بالتحقق في طرفية عشوائية إذا كنت تشغل dsh web من واجهة رسومية أو مدير خدمات؛ قد لا يرث هذا السياق إعدادات Shell.

عدم تطابق نوع الإدخال

إذا أرفقت صورة ولم تصل إلى النموذج، أضف دعم الصور:

models:
  - id: vision-preview
    input: [text, image]

أو عيّن القيمة الافتراضية لكل نماذج المزود:

defaultInput: [text, image]

غرائب البروتوكول

إذا ذكر الخطأ دورًا غير مدعوم أو معلمة رمز مرفوضة، أضف:

compat:
  supportsDeveloperRole: false
  maxTokensField: max_tokens

يمكنك وضع compat على مستوى المزود أو النموذج.

كل شيء كان يعمل بالأمس

بما أن dsh إصدار مطور مبدئي:

ثبّت الإصدار الذي تنشره.
اقرأ ملاحظات الإصدار قبل الترقية.
راجع مخطط الإعدادات بعد كل تحديث.
اعتبر مستودع deepseek-harness مصدر الحقيقة، وليس أي منشور مدونة.

مزودو النماذج نصف التخصيص فقط؛ النصف الآخر هو الأدوات التي يستطيع الوكيل استدعاءها. يمكنك توصيل تدفقات عمل API مباشرة، كما في استخدام Apidog CLI داخل DeepSeek Harness.

الأسئلة الشائعة

هل يدعم DeepSeek Harness Ollama رسميًا؟

لا تذكر وثيقة المزودين الرسمية Ollama بالاسم. لكنها تدعم أي نقطة نهاية تستخدم بروتوكول openai-completions، بينما يوثق Ollama واجهة متوافقة مع OpenAI على:

http://localhost:11434/v1

الوصفة السابقة تجمع بين هذين الجزأين الموثقين. اختبرها على إصدارك المثبت لأن مخططات dsh قد تتغير بين الإصدارات.

أين يخزن `dsh` مفاتيح API؟

داخل:

$DSH_HOME/.credentials.yaml

وبوضع كتابة فقط. تعرض واجهة المستخدم وصفًا محجوبًا بعد الحفظ، بينما يحتوي settings.yaml على مراجع مثل apiKeyEnv فقط.

هل يمكن تشغيل نماذج مختلفة لجلسات مختلفة؟

نعم. اختيار النموذج يحدد الإعداد الافتراضي للجلسات الجديدة فقط، وتحتفظ كل جلسة بالنموذج الذي بدأت به.

يمكنك مثلًا استخدام DeepSeek V4-Flash للجلسات الروتينية، ثم تغيير النموذج الافتراضي لمهمة أصعب، دون التأثير في الجلسات السابقة.

نقطة النهاية المخصصة تُرجع أخطاء لا تظهر عند تنفيذ الطلب نفسه عبر `curl`. ماذا أفعل؟

قارن الحمولة الفعلية، وليس النتيجة فقط. قد يرسل dsh دور developer أو حقلًا حديثًا لحد الرموز لا تقبله الواجهة الخلفية.

ابدأ بإعدادات التوافق الموثقة:

compat:
  supportsDeveloperRole: false
  maxTokensField: max_tokens

ثم أعد تنفيذ الطلب في عميل API بالحمولة نفسها لتحديد الحقل الذي ترفضه الواجهة الخلفية.

مقارنة DeepSeek Harness و Claude Code: اختيار وكيل البرمجة الأنسب لمكدسك التقني

Yusuf Khalidd — Thu, 20 Aug 2026 06:09:15 +0000

وصل DeepSeek Harness (dsh) في 13 أغسطس 2026 بإطلاق لافت. وصف عنوان VentureBeat الأداة بأنها «منافس مفتوح المصدر لـ Claude Code»، بالتزامن مع إطلاق DeepSeek V4-Pro على واجهة API. وبعد أسبوع، اقترب المستودع من 169 ألف نجمة، اعتباراً من 20 أغسطس.

جرّب Apidog اليوم

لكن عدد النجوم لا يحسم السؤال العملي: هل تشغّل وكيل البرمجة على DeepSeek Harness أم Claude Code؟ يراهن dsh على المصدر المفتوح، ومرونة النماذج، ونواة إضافات، وواجهة ويب محلية. بينما يقدّم Claude Code منتجاً ناضجاً بواجهات متعددة، وMCP أصلي، ومهارات وخطافات ووكلاء فرعيين.

تغطي هذه المقارنة الترخيص، والواجهات، والنماذج، والتكلفة، والنضج، وقابلية التوسع، والأذونات، وMCP. إذا كنت جديداً على dsh، اقرأ أولاً: ما هو DeepSeek Harness وكيف يعمل.

💡 كلا الوكيلين يكتبان كوداً يتعامل مع APIs، وجودة الناتج تعتمد على دقة المواصفات التي تمنحها لهما. يساعدك Apidog على إبقاء هذه المواصفات مختبرة ومحدّثة، بغض النظر عن الوكيل الذي تختاره.

المقارنة السريعة

البعد	DeepSeek Harness (dsh)	Claude Code
الترخيص	MIT، والمصدر على GitHub	احتكاري؛ «جميع الحقوق محفوظة» بموجب شروط Anthropic التجارية
العمر	أُطلق في 13 أغسطس 2026 كمعاينة للمطورين	متاح عموماً ومنتج ناضج
الاستقرار	README يحذر من تغييرات تكسر التوافق	قنوات إصدار مستقرة وإعدادات بإصدارات
الواجهة	واجهة ويب محلية على `127.0.0.1:3080`، وأوضاع CLI عبر ملفات شخصية، منها headless	Terminal CLI وVS Code وJetBrains وتطبيق سطح المكتب والويب والجوال
النماذج	DeepSeek، ومزودو Anthropic وOpenAI وBedrock وVertex وAzure، وأي نقطة نهاية متوافقة مع OpenAI	نماذج Claude فقط، مباشرة أو عبر Bedrock وVertex وFoundry
التسعير	الـ harness مجاني؛ تدفع لكل توكن للمزود الذي تتصل به	Claude Pro/Max أو فواتير API حسب الاستخدام عبر Console
قابلية التوسع	كل شيء إضافة عبر Cordis kernel	Plugins وSkills وHooks وSubagents وAgent SDK
الأذونات	مطالبات موافقة في واجهة الويب وفق سياسة الأذونات النشطة	ستة أوضاع أذونات وقواعد سماح/رفض دقيقة
MCP	إضافة مجتمعية: `dsh-mcp-manager`	أصلي ومن الدرجة الأولى

مفتوح المصدر مقابل الاحتكاري: ماذا يمنحك ترخيص MIT؟

DeepSeek Harness مرخص بـ MIT، مع تتبع تبعيات الطرف الثالث في THIRD_PARTY_NOTICES.md. عملياً، يمكنك:

فحص حلقة الوكيل وما يرسله عبر الشبكة.
تفريع المشروع وتعديله.
دمجه في منتج تجاري.
إصلاح مشكلة داخلية بدلاً من انتظار البائع.

هذا مهم خصوصاً لفرق المنصات والبيئات ذات متطلبات الامتثال. أما Claude Code، فمستودعه العام مخصص للمشكلات والوثائق؛ لا تحصل على المصدر الذي يمكنك فحصه أو تفريعه.

لكن لا تخلط بين الترخيص والاستقرار. ترخيص MIT يمنحك الحقوق، لكنه لا يضمن استمرار الصيانة. وdsh ما زال مشروعاً حديثاً جداً.

الواجهة: واجهة ويب محلية مقابل التشغيل في أي مكان

ابدأ dsh عبر:

npx @deepseek-ai/dsh web

يشغّل هذا الأمر واجهة ويب محلية على:

http://127.0.0.1:3080

ولمنع فتح المتصفح تلقائياً:

npx @deepseek-ai/dsh web --no-open

تختار مساحة العمل ثم تشير إلى دليل المشروع وتبدأ العمل من المتصفح. الواجهة محلية بالكامل، وليست خدمة مستضافة.

يوثق README الخاص بواجهة dsh CLI أوضاع التشغيل القائمة على الملفات الشخصية:

dsh --profile <name>

تُخزّن الملفات الشخصية تحت:

$DSH_HOME/profiles/<name>

كما يدعم dsh وضع headless لجلسة واحدة مستمرة تطبع الإجابة النهائية ثم تخرج، ويمكنك إدارة الإضافات عبر:

dsh plugin

في المقابل، يعمل Claude Code في الطرفية وVS Code وJetBrains وتطبيق سطح المكتب والويب على claude.ai/code، إضافة إلى دعم الجوال. كما أن وضعه بدون واجهة مناسب للأتمتة:

claude -p "prompt"

استخدم dsh إذا كان عملك يتركز في مشروع محلي واحد وتفضّل واجهة ويب بسيطة. اختر Claude Code إذا كنت تحتاج إلى التنقل بين IDE والطرفية وCI والويب والجوال.

حرية النموذج: أين تريد المرونة؟

dsh ليس مرتبطاً بنموذج واحد. وفق وثائق المزودين، يمكنك استخدام Anthropic وOpenAI وBedrock وVertex وAzure، أو تسجيل نقطة نهاية متوافقة مع OpenAI في:

$DSH_HOME/settings.yaml

إعداد نموذجي لنقطة نهاية مخصصة يتضمن:

apiKeyEnv: MY_API_KEY
api: openai-completions
baseURL: http://localhost:8000/v1
models:
  - my-local-model

تُحفظ المفاتيح في ملف منفصل:

.credentials.yaml

وبذلك يبقى ملف الإعدادات قابلاً للمشاركة. يمكنك تشغيل نماذج DeepSeek، أو Claude عبر مزود Anthropic، أو نموذج محلي على GPU لديك عبر خادم متوافق مع OpenAI. راجع الدليل العملي: كيفية تشغيل أي نموذج في DeepSeek Harness.

Claude Code يشغّل نماذج Claude فقط. يمكنك تغيير مسار البنية التحتية أو الفوترة عبر Bedrock أو Vertex أو Foundry، لكن النموذج يبقى Claude.

القرار هنا مباشر:

اختر dsh إذا كانت قابلية تبديل النموذج أولوية.
اختر Claude Code إذا كنت تفضّل تكاملاً ضيقاً بين الـ harness ونماذج Claude.

التسعير: لكل توكن مقابل اشتراك

الـ harness في dsh مجاني، لكنك تدفع تكلفة الاستدلال إلى مزود النموذج. عند استخدام واجهة DeepSeek API، راجع أسعار DeepSeek لكل توكن. ووفق تغطية VentureBeat، جاء V4-Pro بأسعار أعلى من سابقاته.

إذا كنت تستخدم V4-Pro، راجع دليل واجهة DeepSeek V4-Pro-0813 لمعرفة معرفات النماذج وتنسيقات الطلبات.

قاعدة عملية:

الاستخدام الخفيف أو المتقطع: الدفع لكل توكن غالباً مناسب.
الاستخدام اليومي الكثيف: الاشتراك الثابت أسهل في التنبؤ.

يعمل Claude Code عادة عبر Claude Pro بسعر 20 دولاراً شهرياً، أو Claude Max بسعر 100 أو 200 دولار شهرياً، مع خيار الفوترة حسب الاستخدام عبر Claude Console. رفعت Anthropic الحدود الأسبوعية بنسبة 50% في يوليو 2026، كما هو موضح في تغطيتنا لزيادة حدود Claude Code الأسبوعية.

النضج: معاينة للمطورين مقابل نظام بيئي

يحذر README الخاص بـ dsh صراحة من وجود تغييرات تكسر التوافق. تعامل معه كمعاينة للمطورين:

قد تتغير ملفات الإعدادات.
قد تحتاج الإضافات إلى إعادة كتابة.
قد تظل بعض الوثائق ناقصة أو متغيرة.

إذا بنيت سير عمل إنتاجياً على dsh اليوم، فخطط لصيانته باستمرار.

Claude Code موجود لدى المطورين منذ أوائل 2025، ويقدّم ميزات ناضجة مثل:

ذاكرة المشروع عبر CLAUDE.md.
ذاكرة تلقائية.
Skills لسير العمل المعبأ.
Hooks لتشغيل أوامر shell حول إجراءات الوكيل.
Subagents مع وكيل رئيسي منسّق.
Agent SDK لبناء وكلاء مخصصين.
تكاملات GitHub Actions وGitLab CI/CD.
روتينات مجدولة.

للمقارنة مع بديل ناضج آخر، راجع Claude Code vs Codex CLI.

شهد dsh زخماً مجتمعياً كبيراً، مع نحو 169 ألف نجمة و18.1 ألف fork في أسبوع واحد، اعتباراً من 20 أغسطس. لكن التوصيف الدقيق اليوم ما زال: معاينة مقابل منتج ناضج.

قابلية التوسع: نواة إضافات مقابل نقاط توسعة

في dsh، الإضافات جزء من المعمارية نفسها. يعتمد المشروع على Cordis، حيث يكون محول النموذج وسجل الأدوات وسجل الجلسات وحتى حلقة الوكيل مكونات قابلة للاستبدال.

هذا يتيح لك، نظرياً، استبدال سلوك مثل إعادة محاولة استدعاءات الأدوات الفاشلة. يمكن العثور على إضافات المجتمع عبر موضوع:

dsh-plugin

على GitHub.

في Claude Code، لا تعدّل الحلقة الداخلية مباشرة، لكنك توسّع السلوك من خلال:

Plugins
Skills
Hooks
MCP servers
Subagents

هذا النموذج أكثر أماناً عادة أثناء الترقية، لأنك تعتمد على نقاط توسعة موثقة بدلاً من تعديل المكونات الأساسية.

اختر dsh إذا كنت تريد إعادة تشكيل الوكيل نفسه. اختر Claude Code إذا كنت تريد تخصيصات مستقرة عند حدود واضحة.

الأذونات: مطالبات سياسة مقابل ستة أوضاع

يجب أن يملك أي وكيل يعدّل ملفات ويشغّل أوامر shell ضوابط واضحة.

في dsh، تطلب واجهة الويب الموافقة قبل العمليات التي تتطلبها سياسة الأذونات النشطة. لكن تفاصيل مستويات السياسة ومعانيها لا تزال محدودة في الوثائق العامة.

أما Claude Code فيوثق نظام الأذونات عبر ستة أوضاع:

default
acceptEdits
plan
auto
dontAsk
bypassPermissions

ويدعم أيضاً:

قواعد سماح ورفض دقيقة للأدوات والأوامر.
حدوداً لأدلة العمل.
سياسات مُدارة على مستوى المؤسسة.

مثال على الاستخدام:

استخدم plan كي يستكشف الوكيل المشروع دون تعديل الملفات.
استخدم auto لمراجعة الإجراءات عبر مصنف خلفي بدلاً من مطالبتك دائماً.
استخدم bypassPermissions داخل حاويات معزولة فقط.

إذا كانت دقة الأذونات مطلوبة لسير عمل CI أو بيئة منظمة أو فريق كبير، فإن Claude Code يتقدم حالياً في التوثيق والضوابط.

MCP: أصلي مقابل إضافة مجتمعية

بروتوكول سياق النموذج، أو MCP، هو طريقة ربط الوكيل بالأنظمة الخارجية مثل قواعد البيانات ومتتبعات التذاكر ومواصفات API.

يدعم Claude Code بروتوكول MCP بشكل أصلي، وتخضع أدوات MCP لقواعد الأذونات نفسها التي تحكم بقية الأدوات.

في dsh، دعم MCP متاح حالياً عبر الإضافة المجتمعية:

dsh-mcp-manager

تضيف هذه الإضافة صفحة إعدادات MCP وتدعم:

خوادم HTTP البعيدة.
خوادم stdio المحلية.
OAuth أو التوكنات الثابتة.
أدوات مسجلة بصيغة:

mcp__<name>__*

إعدادات خادم لكل مشروع.

تعمل الإضافة، لكنها ليست جزءاً رسمياً من النواة، ولذلك ترث مخاطر التغيير المرتبطة بمرحلة المعاينة.

بالنسبة لعمل API، يتيح خادم MCP من Apidog للوكيل الوصول إلى مواصفات API الفعلية لفريقك. بدلاً من اختراع أسماء حقول أو افتراض بنية الاستجابة، يمكن للوكيل توليد كود عميل مقابل العقد الحقيقي.

مع Claude Code: الاتصال أصلي عبر MCP.
مع dsh: الاتصال يمر عبر dsh-mcp-manager.

يمكنك أيضاً تنزيل Apidog وتشغيل خادم MCP على المشروع نفسه، ثم تشغيل اختبارات الانحدار عبر Apidog CLI في CI بعد كل تغيير ينفذه الوكيل.

أيهما يجب أن تختار؟

اختر DeepSeek Harness إذا:

تحتاج إلى مصدر مفتوح وترخيص MIT.
تريد فحص الكود أو تفريعه أو دمجه في منتجك.
ترفض الارتباط بنموذج واحد.
تريد تشغيل نماذج محلية أو مزودين متعددين.
تريد تعديل حلقة الوكيل والبنية الداخلية.
تستطيع تحمّل تغييرات تكسر التوافق.

اختر Claude Code إذا:

تريد منتجاً ناضجاً وجاهزاً للعمل اليومي.
تحتاج إلى الطرفية وIDE والويب والجوال وCI.
تحتاج إلى MCP أصلي.
تحتاج إلى أذونات وسياسات مؤسسية موثقة.
تفضّل فاتورة اشتراك أكثر قابلية للتنبؤ.
أنت مرتاح لاستخدام نماذج Claude فقط.

المسار العملي هو تجربة الاثنين. ابدأ بـ dsh دون تكلفة للـ harness:

npx @deepseek-ai/dsh web

ثم قارن سير العمل نفسه مع Claude Code. أياً كان اختيارك، حافظ على طبقة API موثوقة عبر Apidog: مواصفات واحدة مختبرة، متاحة للوكيل عبر MCP، واختبارات انحدار تعمل في CI بعد كل تغيير.

الأسئلة الشائعة

هل DeepSeek Harness مفتوح المصدر حقاً، على عكس Claude Code؟

نعم. dsh مرخص بـ MIT ومصدره متاح على GitHub، بما في ذلك حلقة الوكيل ونواة الإضافات. أما Claude Code فمستودعه العام يعرض الوثائق والمشكلات، وليس مصدراً يمكنك تفريعه.

هل يمكن لـ DeepSeek Harness استخدام نماذج Claude؟

نعم. يوفّر dsh مزود Anthropic إلى جانب OpenAI وBedrock وVertex وAzure، ويدعم أيضاً نقاط النهاية المتوافقة مع OpenAI عبر settings.yaml.

لكن العكس غير صحيح: Claude Code يشغّل نماذج Claude فقط، سواء مباشرة من Anthropic أو عبر Bedrock أو Vertex أو Foundry.

هل DeepSeek Harness مستقر بما يكفي للعمل اليومي؟

هو إصدار معاينة للمطورين، ويحذر README من تغييرات تكسر التوافق. يمكن استخدامه في عمل حقيقي، لكن توقّع تغيرات في الإعدادات والإضافات. Claude Code هو الخيار الأكثر أماناً لسير العمل الذي لا تريد إعادة بنائه.

هل يعمل كلا الوكيلين مع Apidog؟

نعم. يكشف خادم MCP من Apidog مواصفات API للوكيل:

أصلياً في Claude Code.
عبر إضافة dsh-mcp-manager في dsh.

كما يمكن لـ Apidog CLI تشغيل اختبارات الانحدار ضمن حلقة الطرفية أو CI. راجع استخدام Apidog CLI في DeepSeek Harness.

ما هو DeepSeek Harness (dsh)؟ المنافس مفتوح المصدر لكود كلود، مشروحًا

Yusuf Khalidd — Thu, 20 Aug 2026 04:34:15 +0000

شحنت DeepSeek شيئًا غير عادي في 13 أغسطس 2026: ليس نموذجًا، بل الآلة التي تُشغِّل النموذج. DeepSeek Harness (dsh) هو نظام التحكم الرسمي مفتوح المصدر لعميل البرمجة من الشركة. إنه طبقة البرمجيات التي تحول نموذجًا لغويًا كبيرًا إلى عميل برمجة عامل، مع حلقة جلسة، وتنفيذ للأدوات، وفحوصات للأذونات، وواجهة مستخدم ويب محلية. أُطلق dsh في اليوم نفسه الذي أُطلق فيه DeepSeek V4-Pro عبر واجهة برمجة التطبيقات (API)، ووصفت VentureBeat المنتج بأنه منافس مفتوح المصدر لـ Claude Code.

جرّب Apidog اليوم

استجاب مجتمع المطورين بسرعة. حتى 20 أغسطس، وصل مستودع deepseek-harness إلى ما يقرب من 169,000 نجمة و18,100 شوكة، بعد أسبوع واحد من إصداره. لا تعكس هذه الأرقام الكود وحده، بل توضح رغبة المطورين في امتلاك نظام تحكم يمكنهم فحصه وتعديله وتوجيهه إلى أي نموذج.

ما هو DeepSeek Harness في الواقع؟

نظام التحكم هو كل ما يحيط بالنموذج. يتنبأ النموذج بالرموز (tokens)، بينما يحدد نظام التحكم:

ما الذي يراه النموذج.
الأدوات التي يمكنه استدعاؤها.
كيفية الموافقة على تعديلات الملفات وأوامر shell.
طريقة إدارة الجلسات متعددة الخطوات.
كيفية تجميع السياق وإعادة استخدامه.

تستخدم أدوات مثل Claude Code وCodex CLI وGemini CLI أنظمة تحكم مدمجة حول نماذج مزوديها. ولمعرفة المزيد عن المقارنة بين Claude Code وCodex CLI، راجع Claude Code vs Codex CLI.

DeepSeek Harness هو دخول DeepSeek إلى هذه الفئة، ويعتمد على ثلاث خصائص أساسية:

رسمي: مشروع مباشر من DeepSeek AI، وليس غلافًا مجتمعيًا حول واجهة API الخاصة بها.
مفتوح المصدر: مرخص بموجب MIT، مع توثيق تبعيات الطرف الثالث في ملف THIRD_PARTY_NOTICES داخل المستودع.
معاينة للمطورين: يحذر ملف README من وجود تغييرات تكسر التوافق. لذلك لا تفترض استقرار واجهات الإضافات أو ملفات الإعدادات بين الإصدارات.

وصل dsh بالتزامن مع DeepSeek V4-Pro عبر API، لذلك أصبح نظام التحكم والنموذج الرئيسي الافتراضي متاحين معًا. إذا كنت تقيّم النموذج أيضًا، فراجع دليل واجهة برمجة تطبيقات DeepSeek V4-Pro لمعرفة نقاط النهاية ومعرفات النماذج وأمثلة الطلبات.

الهندسة المعمارية: كل شيء عبارة عن إضافة (plugin)

تختلف بنية dsh عن معظم عملاء البرمجة السائدين. عادةً تكون أنظمة التحكم أحادية الكتلة (monolithic)، إذ تُشحن حلقة العميل، وعميل النموذج، وتعريفات الأدوات، ومخزن الجلسات كتطبيق واحد. يمكنك تهيئتها وأحيانًا توسيعها، لكن لا يمكنك استبدال الأجزاء الأساسية بسهولة.

يقلب dsh هذا التصميم. يعتمد على مبدأ «كل شيء عبارة عن إضافة»، ويُبنى فوق إطار عمل يسمى Cordis، ويصف تصميمه ورقة بحثية بعنوان «نموذج برمجة للتكوين المكاني الزماني».

عمليًا، الأجزاء التي تكون ملحومة عادةً داخل العميل تصبح وحدات قابلة للاستبدال، ومنها:

محول النموذج: طبقة الاتصال بواجهة LLM API. استبدالها يتيح توجيه dsh إلى واجهة خلفية مختلفة.
سجل الأدوات: الأدوات التي يستطيع العميل استدعاءها، مثل تعديل الملفات وshell والبحث، تُسجل بواسطة إضافات.
سجل الجلسات: طريقة حفظ الجلسات وإعادة تشغيلها قابلة للتوصيل.
حلقة العميل: حتى دورة اتخاذ القرار والتنفيذ والملاحظة الأساسية يمكن استبدالها.

تظهر أهمية هذا التصميم عندما تحتاج الفرق إلى تجربة:

استراتيجيات مختلفة لإدارة السياق.
نماذج أذونات مخصصة.
مجموعات أدوات مختلفة لكل مستودع.
نماذج مستضافة محليًا أو عبر مزودين مختلفين.

مع عميل أحادي الكتلة، تنتظر دعم هذه السيناريوهات من البائع. أما مع dsh، فتستطيع بناء إضافة.

المقايضة واضحة: كلما زادت قابلية الاستبدال، زادت مساحة التعطل المحتملة. وبما أن المشروع معاينة للمطورين، فقد تؤدي التغييرات التي تكسر التوافق إلى تعطيل الإضافات. الرهان هنا هو المرونة الآن مقابل الاستقرار لاحقًا.

بدء سريع: من الصفر إلى عميل عامل

لتشغيل واجهة الويب المحلية، نفّذ:

npx @deepseek-ai/dsh web

سيشغل الأمر واجهة على:

http://127.0.0.1:3080

وسيفتحها في المتصفح تلقائيًا. لمنع فتح المتصفح، استخدم:

npx @deepseek-ai/dsh web --no-open

لا تحتاج إلى تثبيت عالمي أو إنشاء حساب كبوابة.

البناء من المصدر

إذا أردت البناء من المستودع:

git clone https://github.com/deepseek-ai/deepseek-harness
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web

إعداد الجلسة الأولى

بعد تشغيل dsh، نفّذ الخطوات التالية:

أضف مفتاح DeepSeek API من الإعدادات. تُحفظ المفاتيح في:

   $DSH_HOME/.credentials.yaml

ويحتوي ملف الإعدادات الرئيسي على إشارات إلى بيانات الاعتماد بدلًا من تخزينها مباشرة.

حدد مساحة العمل. اختر Choose workspace، ثم أضف دليل المشروع الذي تريد أن يعمل عليه dsh. لن يصبح منشئ الجلسة متاحًا قبل تحديد مساحة عمل؛ لأن dsh يحتاج إلى معرفة الملفات التي يُسمح له بقراءتها والتفكير فيها.
شغّل المهمة وراجع طلبات الأذونات. تطلب واجهة الويب موافقتك قبل العمليات التي تتطلب موافقة وفق سياسة الأذونات النشطة. تظهر عمليات الكتابة إلى الملفات وأوامر shell كمطالبات بدلًا من تنفيذها بصمت.

ملفات التعريف ووضع headless

واجهة الويب ليست نقطة الدخول الوحيدة. يعمل dsh عبر ملفات تعريف (profiles):

dsh web

هو اختصار لـ:

dsh --profile web

وتوجد ملفات التعريف عادةً تحت:

$DSH_HOME/profiles/<name>

لتشغيل جلسة واحدة دون واجهة رسومية، استخدم:

dsh --profile headless "job"

ينفذ هذا الوضع جلسة جديدة، ويطبع النتيجة، ثم يخرج. لذلك يناسب النصوص البرمجية وCI.

لإدارة إضافات ملف تعريف، استخدم:

dsh plugin

أما لفحص الإعدادات المركبة دون تشغيل الجلسة:

dsh --dump-config
dsh --dump-default-config

توجد القائمة الكاملة للأوامر في README الخاص بواجهة CLI.

ما النماذج التي يمكن تشغيلها؟

نماذج DeepSeek هي الافتراضية، ويُعد V4-Pro الشريك الرئيسي عند الإطلاق. وبالنسبة إلى التكلفة، جعلت DeepSeek خصمها في أوقات الذروة دائمًا، ما يؤثر في اقتصاديات تشغيل عميل يستهلك الرموز طوال اليوم. راجع تفاصيل خفض سعر DeepSeek V4-Pro، كما يمكنك الرجوع إلى المرجع الرسمي.

لكن محول النموذج عبارة عن إضافة، لذلك لا يقتصر dsh على DeepSeek. يتوفر مساران رئيسيان:

مزودو الكتالوج: تكاملات مدمجة مع Anthropic وOpenAI وBedrock وVertex وAzure، مع معالجة بيانات اعتماد خاصة بكل مزود.
مزودون مخصصون: يمكنك تسجيل أي نقطة نهاية متوافقة مع OpenAI داخل:

  $DSH_HOME/settings.yaml

ويتضمن التعريف عنوان URL الأساسي، ومتغير البيئة الخاص بالمفتاح، وقائمة النماذج. يغطي ذلك البيئات المحلية والبوابات الداخلية، وليس واجهات API السحابية فقط.

يصبح النموذج المحدد افتراضيًا للجلسات الجديدة. كما تسجل كل جلسة النموذج الذي بدأت به، لذلك لا يؤدي تبديل الإعداد الافتراضي إلى تغيير سجل الجلسات السابقة.

يوضح دليل المزودين تنسيق الإعداد. وللحصول على تنسيق YAML الكامل لنقاط النهاية المخصصة، راجع كيفية تشغيل أي نموذج في DeepSeek Harness.

نظام الإضافات بعد أسبوع واحد

يتم اكتشاف الإضافات عبر موضوع dsh-plugin على GitHub، ويناقشها المجتمع عبر GitHub وDiscord. بعد أسبوع من الإطلاق، ظهرت عدة فئات:

أغلفة سطح المكتب: مشاريع مثل deepseek-harness-desktop المبني على Tauri وdsh_desktop لنظام Windows تغلف واجهة الويب كتطبيق أصلي. هذه مشاريع مجتمعية وليست إصدارات رسمية من DeepSeek، لذا راجعها كما تراجع أي غلاف طرف ثالث يتعامل مع مفاتيح API.
إضافات القدرات: مستودعات مثل dsh-context وdsh-vision-router توسع ما يمكن للجلسات رؤيته أو كيفية توجيهه. وهي أيضًا مشاريع مجتمعية.
دعم MCP: لا يدعم dsh بروتوكول Model Context Protocol (MCP) أصليًا في جوهره حتى وقت كتابة المقال. المتاح هو إضافة مجتمعية باسم dsh-mcp-manager.

تضيف إضافة dsh-mcp-manager صفحة إعداد لـMCP، وتدعم:

خوادم HTTP عن بُعد.
خوادم stdio محلية.
مصادقة OAuth أو الرموز الثابتة.
أدوات بأسماء من نمط:

  mcp__<name>__*

إعدادات خادم خاصة بكل مشروع داخل دليل .dsh لمساحة العمل.

لذلك، عندما يقال إن dsh «يدعم MCP»، فالصياغة الأدق هي أن المجتمع أضاف دعم MCP عبر إضافة. قد يدمج المشروع هذا الدعم في الأساس لاحقًا، لكنه لم يفعل ذلك بعد.

أين يتناسب سير عمل API الخاص بك؟

نظام التحكم هو في جوهره آلة لتنفيذ استدعاءات API:

يستدعي واجهة النموذج التي يعمل عليها.
يتعامل مع واجهات API داخل المشروع.
يكتب الكود بناءً على فهمه لنقاط النهاية والعقود المتاحة في المستودع.

إذا لم يتطابق السلوك الفعلي لواجهة API مع مواصفاتها، فسيبني العميل على عقد خاطئ، ولن يظهر الخطأ إلا وقت التشغيل.

الحل العملي هو التحقق من سطح API قبل توجيه العميل إليه. باستخدام Apidog يمكنك:

تصميم مواصفات OpenAPI أو استيرادها.
اختبار نقاط النهاية الحقيقية مقابل المواصفات.
تشغيل خوادم mock باستجابات مستقرة ومتوافقة مع المواصفات.
تطوير العميل قبل اكتمال الواجهة الخلفية.

عندما يعمل العميل مقابل mock server تم التحقق منه، تقل احتمالية بناء تكاملات وهمية اعتمادًا على كود قديم أو سلوك غير موثق.

يوفر خادم Apidog MCP مسار تكامل مباشرًا؛ إذ يعرض مواصفات API لأدوات الذكاء الاصطناعي عبر MCP. وفي dsh، يتم ذلك من خلال إضافة dsh-mcp-manager المجتمعية:

ثبّت الإضافة.
سجّل خادم Apidog MCP.
اسمح للجلسات بالاستعلام عن المواصفات الفعلية بدل استنتاجها من الكود.

تشرح طريقة استخدام Apidog CLI في DeepSeek Harness العملية كاملة، بما في ذلك تشغيل اختبارات سطر الأوامر التي يستطيع العميل تشغيلها بنفسه.

وإذا أردت تجهيز جانب API أولًا، نزّل Apidog واستورد مواصفاتك قبل بدء التجربة.

هل يجب أن تجربه الآن أم تنتظر؟

تعتمد الإجابة على طريقة الاستخدام.

جرّبه الآن إذا:

تريد فهم كيفية عمل أنظمة التحكم داخليًا. dsh نظام قابل للفحص، وقراءة حلقة عميل حقيقية قد تكون أكثر فائدة من الاكتفاء بالوثائق النظرية.
تحتاج إلى تبديل النماذج أو تشغيل نماذج مستضافة ذاتيًا.
تبني أدوات أو إضافات؛ فالنظام البيئي ما يزال في بدايته.
تستخدم واجهة DeepSeek API وتريد تجربة عميل V4-Pro المباشرة.

انتظر إذا:

تحتاج إلى برنامج تشغيل يومي مستقر. تحذير «ستكون هناك تغييرات تكسر التوافق» يعني أن الإعدادات والإضافات قد تتعطل بين الإصدارات.
تتطلب مؤسستك أدوات مدققة ومدعومة. الإضافات المجتمعية التي تتعامل مع بيانات الاعتماد لها ملف مخاطر مختلف.
تريد تجربة نظام تحكم ناضج. تتمتع أدوات مثل Claude Code بمدة أطول في بيئة العمل، بينما لا تزال معاينة dsh حديثة.

النهج العملي لمعظم المطورين هو استخدام الخيارين معًا:

احتفظ بالعميل الحالي لأعمال الإنتاج.
شغّل dsh في مشروع جانبي.
اختبر الإضافات ومزودي النماذج.
راقب تغييرات التوافق قبل اعتماده على مستودعات حساسة.

وللمقارنة المباشرة، راجع DeepSeek Harness vs Claude Code.

الأسئلة الشائعة

هل DeepSeek Harness مجاني؟

نظام التحكم نفسه مجاني ومفتوح المصدر بموجب ترخيص MIT. أما التكلفة فتأتي من النموذج أو مزود API الذي تهيئه. تُحاسبك منصة DeepSeek أو أي مزود آخر على الاستخدام وفق أسعاره.

وبما أن محول النموذج قابل للتوصيل، يمكنك أيضًا توجيه dsh إلى نموذج مستضاف محليًا، وفي هذه الحالة لا تدفع مقابل الرموز لمزود سحابي. راجع تشغيل أي نموذج في DeepSeek Harness لمعرفة الإعداد.

هل يعمل dsh فقط مع نماذج DeepSeek؟

لا. نماذج DeepSeek هي الافتراضية، لكن محول النموذج إضافة قابلة للاستبدال. يدعم dsh مزودي الكتالوج مثل Anthropic وOpenAI وBedrock وVertex وAzure، كما يمكنك إضافة أي نقطة نهاية متوافقة مع OpenAI عبر:

$DSH_HOME/settings.yaml

هل DeepSeek Harness آمن للتشغيل على قاعدة التعليمات البرمجية الخاصة بي؟

تعتمد السلامة على نموذج الأذونات وعلى مراجعتك للإضافات والإعدادات.

تطلب واجهة الويب تحديد مساحة عمل قبل تشغيل أي جلسة، وتطلب الموافقة على العمليات التي تتطلبها سياسة الأذونات النشطة. لكن المشروع ما يزال معاينة للمطورين، والإضافات المجتمعية، بما فيها أغلفة سطح المكتب، قد تتعامل مع مفاتيح API.

قبل استخدامه:

راجع الكود الذي تثبته.
اختبره خارج المستودعات الحساسة.
لا تمنح الإضافات صلاحيات غير ضرورية.
راقب أوامر الكتابة وshell التي يطلب العميل تنفيذها.

كيف يختلف نظام التحكم عن النموذج؟

النموذج هو محرك الاستدلال. أما نظام التحكم فهو الطبقة التي تجعل النموذج يعمل داخل بيئة برمجية، وتشمل:

إدارة الجلسات.
استدعاء الأدوات.
الوصول إلى الملفات.
مطالبات الأذونات.
تجميع السياق.
تنفيذ الأوامر وإعادة النتائج إلى النموذج.

يمكن لعميلين استخدام النموذج نفسه والتصرف بشكل مختلف تمامًا بسبب اختلاف نظام التحكم. لذلك أصبحت هذه الطبقة محور المنافسة بين عملاء البرمجة.

الاستضافة الذاتية لـ GLM-5.3: استعد لإطلاق الأوزان المفتوحة

Yusuf Khalidd — Sun, 16 Aug 2026 15:40:50 +0000

أصدرت Zhipu AI نموذج GLM-5.3 في 14 أغسطس 2026. وأهم تفصيل لفرق البنية التحتية هو أن الأوزان المفتوحة يُتوقع وصولها بعد نحو أسبوعين، أي قرابة 28 أغسطس، عبر منظمة Zhipu على Hugging Face. استغل هذه النافذة لتقدير احتياجات العتاد، وتجهيز حزمة التقديم، وبناء خط أساس تقارن به الاستضافة الذاتية مع واجهة API المستضافة.

جرّب Apidog اليوم

تستحق هذه التحضيرات وقتها. تشير تقييمات Zhipu الداخلية إلى تحسن قدرات البرمجة بنسبة 50% مقارنةً بـ GLM-5.2، وقفزة Terminal-Bench 3.0 من 4.6 إلى 28.3، مع أداء وكلاء «يقترب من Claude Fable 5»، وفق تغطية الإطلاق. راجع شرح GLM-5.3 لمزيد من تفاصيل المعايير؛ أما هنا، فالتركيز على تجهيز بيئة تقديم النموذج في يوم الإطلاق.

تنبيه: الأوزان ليست متاحة للتنزيل الآن. أي تفاصيل لم تؤكدها Zhipu مُشار إليها كتوقعات. ما يمكنك تنفيذه اليوم هو إنشاء خط أساس من API المستضافة، ثم إعادة تشغيل الاختبارات نفسها على خادمك المحلي لاحقًا.

ملخص سريع

أُطلق GLM-5.3 في 14 أغسطس 2026، ومن المتوقع نشر الأوزان قرابة 28 أغسطس في huggingface.co/zai-org.
عائلة GLM-5، وفق وثائق Z.ai، تستخدم بنية Mixture of Experts (MoE): إجمالي 744 مليار معلمة، ونحو 40 مليار معلمة نشطة لكل تمريرة، وسياق حتى 200 ألف رمز.
أوزان BF16 وحدها تستهلك حسابيًا نحو 1.5 تيرابايت؛ بينما FP8 تستهلك قرابة 744 جيجابايت، قبل ذاكرة KV cache.
النمط المتوقع للإصدار هو مستودع BF16 وآخر FP8، مثل الإصدارات السابقة.
الخياران العمليان للتقديم في اليوم الأول هما vLLM وSGLang، وكلاهما يقدم API متوافقة مع OpenAI.
أنشئ مجموعة اختبارات في Apidog الآن، ثم بدّل بين بيئتي hosted وlocal عند توفر الأوزان.

ما الذي ستصدره Zhipu ومتى؟

أطلقت Zhipu، تحت العلامة الدولية Z.ai، واجهة API لـ GLM-5.3 مع وعد بإتاحة الأوزان المفتوحة بعد أسبوعين تقريبًا. تؤكد الشركة أن التأخير مرتبط بمراجعة مخاطر موسعة، وهو أمر مهم مع نتيجة النموذج البالغة 84.5% في CyberGym، وهي أعلى قليلًا من Claude Mythos 5 وGPT-5.6 Sol.

تصف Seeking Alpha الإطلاق بأنه محاولة للحفاظ على ريادة Zhipu في مجال النماذج المفتوحة.

بالنسبة للاستضافة الذاتية، ركز على نقطتين:

النموذج الأساسي لم يتغير.

GLM-5.3 هو GLM-5 مع تدريب لاحق موسع. لذلك من المتوقع أن تستمر حزم مثل vLLM وSGLang في العمل مع البنية نفسها، دون نوع انتباه جديد أو تغييرات متوقعة في الـ tokenizer.
نمط النشر معروف.

نشرت Zhipu إصدارات GLM-5 وGLM-5.1 وGLM-5.2 على Hugging Face، مع مستودع FP8 مرافق لكل إصدار. لذلك من المنطقي توقع مستودعين مشابهين:
- GLM-5.3
- GLM-5.3-FP8

لم تُؤكد شروط ترخيص 5.3 في تغطية الإطلاق. اقرأ بطاقة النموذج قبل إدماجه في منتج تجاري.

احسب احتياجات الذاكرة قبل تنزيل الأوزان

عائلة GLM-5 مبنية على MoE: يوجد إجمالي ضخم من المعلمات، لكن لا يُفعّل إلا جزء منها لكل رمز. هذا يحسن الحساب، لكنه لا يلغي متطلبات تخزين جميع الخبراء في الذاكرة.

الحساب يشبه نموذجًا كثيفًا بحجم 40B تقريبًا.

تُفعّل الخبراء الموجّهة فقط لكل رمز، لذلك قد تكون الإنتاجية أفضل بكثير من نموذج كثيف بحجم 744B.
الذاكرة تشبه نموذجًا بحجم 744B.

يجب أن تكون جميع الأوزان قابلة للوصول. عند 2 بايت لكل معلمة في BF16، تحتاج الأوزان إلى نحو 1.5 تيرابايت. وعند 1 بايت لكل معلمة في FP8، تحتاج إلى قرابة 744 جيجابايت. لا يشمل ذلك KV cache.

الدقة	حجم الأوزان التقريبي	بيئة التشغيل الواقعية
BF16	~1.5 تيرابايت	عنقود متعدد العقد أو أكبر خوادم GPU
FP8 الرسمي	~745 جيجابايت	خادم قوي متعدد وحدات GPU
تحويلات INT4 المجتمعية	~370–400 جيجابايت	عدة وحدات GPU أصغر، مع ضرورة اختبار الجودة

إذا كانت لديك وحدة GPU استهلاكية واحدة، فلا تجعل تشغيل الأوزان الكاملة هدفك. استخدم API المستضافة للتطبيقات الثقيلة، أو استأجر عتادًا للتقييم، أو انتظر تحويلات كمية موثوقة. راجع دليل أفضل نماذج اللغة المحلية في 2026 لمعرفة الخيارات الأنسب لمحطات العمل الفردية.

كذلك، لا تتعامل مع سياق 200 ألف رمز كإعداد افتراضي. تنمو KV cache مع طول السياق وحجم الدفعة، لذا حدّد max_model_len لكل طبقة نشر قبل الإطلاق.

جهّز حزمة التقديم قبل وصول الأوزان

الخيار الأول: vLLM

يُعد vLLM الخيار الافتراضي العملي لهذه الفئة من النماذج، لأنه يدعم عائلة GLM-5، وتوجيه MoE، والتوازي عبر GPUs والعقد، ويقدم واجهة متوافقة مع OpenAI.

مثال قالب للإطلاق بعد توفر المستودع:

vllm serve zai-org/GLM-5.3-FP8 \
  --tensor-parallel-size 8 \
  --max-model-len 65536 \
  --served-model-name glm-5.3

عدّل القيم التالية وفقًا لبيئتك:

اسم المستودع الفعلي عند النشر.
--tensor-parallel-size حسب عدد وحدات GPU.
--max-model-len وفق ميزانية KV cache.
اسم النموذج المعلن لتبقى تطبيقاتك متوافقة.

الخيار الثاني: SGLang

استخدم SGLang إذا كان حملك يعتمد على وكلاء يعيدون إرسال بادئات طويلة ومشتركة. يوفّر تخزينًا مؤقتًا للبادئات باستخدام radix tree، ويعرض أيضًا API متوافقة مع OpenAI.

llama.cpp وOllama وLM Studio

تحتاج هذه الأدوات عادةً إلى تحويلات GGUF، والتي قد تظهر بعد أيام أو أسابيع من إصدار Safetensors. لا تعتمد عليها في اليوم الأول، ولا تفترض جودة التحويلات: اختبرها مقابل خط الأساس الذي سجلته من API المستضافة.

إجراء عملي اليوم: شغّل vLLM أو SGLang مع GLM-5.2 أو نموذج MoE أصغر. معالجة مشكلات CUDA وتعريفات GPU قبل يوم الإطلاق أفضل بكثير من اكتشافها عند وصول الأوزان.

أنشئ خط أساس من API المستضافة

قبل تشغيل أي نموذج محلي، سجّل سلوك المرجع المستضاف. بهذه الطريقة، عندما تختلف استجابتك المحلية، تستطيع تحديد ما إذا كان السبب:

تحويل كمي منخفض الدقة.
إعدادًا خاطئًا في حزمة التقديم.
اختلافًا طبيعيًا في أخذ العينات.
اختلافًا في سلوك استدعاء الأدوات أو التنسيق.

نقاط النهاية المستضافة المتوافقة مع OpenAI هي:

دوليًا: https://api.z.ai/api/paas/v4/chat/completions
للصين القارية: https://open.bigmodel.cn/api/paas/v4/chat/completions

استخدم الترويسة:

Authorization: Bearer <key>

تسرد وثائق Z.ai حاليًا glm-5. أكّد سلسلة نموذج glm-5.3 النهائية من الوثائق الرسمية. ولإعداد API في المنطقتين، راجع دليل البدء السريع لـ GLM-5.3 API.

ابدأ باستجابات حرارة صفر ومطالبات ثابتة:

curl https://api.z.ai/api/paas/v4/chat/completions \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "temperature": 0,
    "messages": [
      {
        "role": "user",
        "content": "Write a Python function that parses RFC 3339 timestamps and returns UTC datetimes. Include error handling for invalid input."
      }
    ]
  }' > baseline-rfc3339.json

أنشئ بين 20 و50 حالة اختبار حقيقية تشمل:

توليد التعليمات البرمجية.
إصلاح الأخطاء وإعادة الهيكلة.
استدعاء الأدوات في الوكلاء.
JSON mode.
تلخيص سياق طويل.
تعليمات النظام الطويلة والمشتركة.

لن تجعل temperature: 0 النتائج متطابقة تمامًا، لكنها تقلّص التباين بما يكفي لتظهر آثار التحويل الكمي أو أخطاء التقديم.

ابنِ مجموعة انحدار في Apidog

ملفات curl مفيدة في البداية، لكنها تصبح غير عملية مع وجود عدة نقاط نهاية، أو أكثر من مستوى كمي، أو إعدادات متعددة للخادم. استخدم Apidog لإنشاء مجموعة قابلة لإعادة التشغيل. ولمنهجية اختبار APIs العامة، راجع دليل اختبار واجهة برمجة التطبيقات لمهندسي ضمان الجودة.

1. أنشئ مجموعة واحدة لكل حالات الخط الأساس

أنشئ طلبًا لكل مطالبة على مسار chat completions. بما أن واجهة Z.ai وvLLM وSGLang تتبع نمط OpenAI، يبقى شكل الطلب ثابتًا تقريبًا.

2. عرّف بيئتين: `hosted` و`local`

إعداد بيئة hosted:

base_url = https://api.z.ai/api/paas/v4
api_key  = <GLM_API_KEY>

إعداد بيئة local:

base_url = http://localhost:8000/v1
api_key  = local-serving

استخدم المتغير نفسه في جميع الطلبات:

{{base_url}}/chat/completions

بهذا، يصبح التبديل بين API المستضافة وخادمك المحلي مجرد اختيار بيئة.

3. أضف تأكيدات على الشكل ثم المحتوى

ابدأ بتأكيدات عامة لا تتأثر بصياغة الإجابة:

HTTP status = 200
choices[0].message.content غير فارغ
وجود usage

ثم أضف تأكيدات مرتبطة بمهمة الاختبار. في اختبار توليد كود Python، تحقق مثلًا من وجود:

def
datetime
try

4. احفظ استجابات API المستضافة كأمثلة

هذه الاستجابات هي مرجعك الثابت. بعد نشر النموذج محليًا، شغّل المجموعة نفسها على بيئة local وقارن النتائج.

5. شغّل المجموعة من سطر الأوامر

استخدم مشغّل Apidog لتشغيل المجموعة دون واجهة رسومية. هذا يجعل المقارنة قابلة للأتمتة في CI أو عند اختبار:

دقة FP8 مقابل تحويل كمي آخر.
vLLM مقابل SGLang.
إعدادات التوازي المختلفة.
حدود السياق.
تغييرات التخزين المؤقت للبادئات.

الهدف بحلول 28 أغسطس هو أمر واحد يجيب عن السؤال: هل يعمل نشري المحلي مثل النموذج المستضاف؟

لا تغيّر رمز العميل: بدّل `base_url` فقط

بما أن الخادم المحلي وAPI المستضافة متوافقان مع OpenAI، يمكن لتطبيقك الحفاظ على البنية نفسها:

import os
from openai import OpenAI

# مستضاف:
# GLM_BASE_URL=https://api.z.ai/api/paas/v4

# محلي:
# GLM_BASE_URL=http://localhost:8000/v1

client = OpenAI(
    base_url=os.environ["GLM_BASE_URL"],
    api_key=os.environ.get("GLM_API_KEY", "local-serving"),
)

response = client.chat.completions.create(
    model="glm-5.3",
    temperature=0,
    messages=[
        {
            "role": "user",
            "content": "Refactor this function to remove the nested loops: ..."
        }
    ],
)

print(response.choices[0].message.content)

يمكن لـ vLLM وSGLang تقديم أي اسم نموذج تسجله وقت التشغيل. استخدم:

--served-model-name glm-5.3

للحفاظ على تطابق معرف النموذج بين البيئة المستضافة والمحلية.

اختبر بشكل منفصل:

streaming
استدعاء الأدوات
JSON mode
استخدام أدوات متعددة في المحادثة
الأخطاء وحدود المهلات

هذه هي المناطق التي قد تختلف فيها الحزم المحلية عن السلوك المستضاف.

كيف تقارن التكلفة؟

لم تنشر Zhipu تسعير API لـ GLM-5.3 عند الإطلاق. راجع صفحة التسعير الرسمية قبل بناء تقديرات التكلفة.

عمليًا، تكون الاستضافة الذاتية مبررة غالبًا في الحالات التالية:

لديك استخدام مستمر وكثيف يجعل تكلفة GPU أقل من سعر الرموز.
لديك متطلبات حوكمة بيانات تمنع خروج المطالبات من شبكتك.
تحتاج تحكمًا أكبر في زمن الوصول أو التوافر.
تريد تخفيف مخاطر تغير الأسعار لدى مزود API.

أما في الاستخدام المتقطع أو غير المؤكد، فعادةً ما تكون API المستضافة أو استئجار ساعات GPU للتقييم أقل مخاطرة من شراء عتاد ضخم. يوضح تحليل زيادة أسعار DeepSeek API سبب أهمية وجود بديل استضافة ذاتية تم اختباره مسبقًا.

قائمة مراجعة يوم الإطلاق

نفّذ هذه الخطوات الآن

حدّد مستوى الدقة المستهدف: BF16 أو FP8 أو تحويل كمي لاحق.
راجع حجم VRAM المتاح، وأدرج KV cache في الحساب.
ثبّت vLLM أو SGLang وشغّله مع GLM-5.2 أو نموذج MoE بديل.
أنشئ مفتاح API من Z.ai.
أكّد معرف نموذج 5.3 النهائي في الوثائق الحية.
التقط 20–50 استجابة مرجعية بدرجة حرارة صفر.
جهّز مجموعة Apidog ببيئتي hosted وlocal.
حدّد طول السياق الأقصى لكل طبقة نشر.

عند إصدار الأوزان

راقب منظمة Zhipu على Hugging Face بحثًا عن GLM-5.3 وGLM-5.3-FP8.
اقرأ بطاقة النموذج والترخيص قبل النشر التجاري.
نزّل الأوزان وشغّل خادم التقديم.
وجّه بيئة local إلى نقطة النهاية الجديدة.
شغّل مجموعة الانحدار كاملة.
راجع حالات فشل المحتوى قبل توجيه أي حركة إنتاجية.
بعد نجاح المقارنة، ابدأ ضبط الدقة والتوازي والتخزين المؤقت وحدود السياق.

الأسئلة الشائعة

هل يمكنني تنزيل أوزان GLM-5.3 الآن؟

لا. اعتبارًا من 14 أغسطس 2026، المتاح هو API المستضافة. من المتوقع وصول الأوزان بعد نحو أسبوعين، قرابة 28 أغسطس، على صفحة zai-org في Hugging Face.

هل سيعمل GLM-5.3 على وحدة GPU استهلاكية واحدة؟

ليس بالأوزان الكاملة. تحتاج أوزان FP8 وحدها إلى قرابة 744 جيجابايت قبل KV cache، حتى قبل احتساب الذاكرة المطلوبة للتشغيل. استخدم نموذجًا أصغر محليًا، واحتفظ بـ GLM-5.3 على API المستضافة، أو انتظر تحويلات كمية مناسبة. راجع مراجعة النماذج المحلية للخيارات العملية.

ما إطار العمل المناسب لخدمة GLM-5.3؟

ابدأ بـ vLLM إذا كنت تريد الخيار الأكثر أمانًا: دعم لعائلة GLM-5، وتوازي مناسب لـ MoE، وواجهة متوافقة مع OpenAI. اختر SGLang إذا كانت أحمالك تعتمد على بادئات مشتركة طويلة، خصوصًا في الوكلاء. انتظر تحويلات GGUF إذا كان هدفك llama.cpp أو Ollama أو LM Studio.

هل سيعمل OpenAI SDK الحالي مع الخادم المحلي؟

نعم. غيّر base_url من:

https://api.z.ai/api/paas/v4

إلى:

http://localhost:8000/v1

ثم حافظ على شكل الطلب. اختبر البث واستدعاء الأدوات بشكل صريح.

لماذا أحتاج API المستضافة إذا كنت سأستضيف النموذج ذاتيًا؟

لأنها مرجع المقارنة. من دون استجابات مرجعية، لن تعرف هل الإجابة المحلية الضعيفة ناتجة عن تحويل كمي، أو إعداد خادم، أو سلوك النموذج نفسه. التقط هذه الاستجابات الآن عبر دليل البدء السريع لـ GLM-5.3 API.

الخلاصة

لن تكون أفضل الفرق تجهيزًا في الأسبوع الأول هي التي تملك أكبر عدد من وحدات GPU، بل الفرق التي جهزت العملية كاملة مسبقًا:

حزمة تقديم مثبتة ومختبرة.
مستوى دقة محدد بناءً على الذاكرة المتاحة.
خط أساس من API المستضافة.
مجموعة انحدار قابلة للتشغيل آليًا.
تبديل واضح بين hosted وlocal.

ابدأ بقائمة المراجعة، وسجّل خطوط الأساس هذا الأسبوع، ثم نزّل Apidog لتنظيم المقارنة: مجموعة واحدة، بيئتان، وتأكيدات تحول سؤال «هل يعمل نشري؟» إلى تقرير نجاح أو فشل قابل لإعادة التشغيل.

كيفية استخدام GLM-5.3 API

Yusuf Khalidd — Sun, 16 Aug 2026 15:39:25 +0000

أصدرت Zhipu AI، التي تعمل دوليًا باسم Z.ai، نموذج GLM-5.3 في 14 أغسطس 2026. تركز الإصدارة على البرمجة والعمل كوكيل: تشير تقييمات Zhipu الداخلية إلى تحسن بنسبة 50% مقارنةً بـ GLM-5.2، وقفزت درجة Terminal-Bench 3.0 من 4.6 إلى 28.3. وتصف الشركة قدراته بأنها «تقترب من Claude Fable 5»، وفق تقرير الإطلاق من BigGo. من المتوقع إصدار الأوزان المفتوحة خلال نحو أسبوعين. لمراجعة القدرات والمعايير بالكامل، اقرأ ما هو GLM-5.3؛ أما هذا الدليل فيركز على تنفيذ أول استدعاء API.

جرّب Apidog اليوم

ستتعلم هنا كيفية إنشاء مفتاح API، وإرسال طلب عبر cURL، واستخدام Python وNode.js مع OpenAI SDK، وتفعيل البث، وضبط المعلمات، ثم تثبيت شكل الطلب واختباره في Apidog. واجهة API في Z.ai متوافقة مع OpenAI، لذا يمكن إعادة استخدام معظم كودك الحالي عبر تغيير base_url ومعرف النموذج.

تنبيه: أُطلق GLM-5.3 حديثًا، وقد تتغير المستندات بسرعة. المعلومات المرتبطة بالمستندات الرسمية موثقة وقت الكتابة، أما معرف النموذج وتفاصيل التسعير فيجب تأكيدها قبل استخدامها في الإنتاج.

ملخص سريع

أُطلق GLM-5.3 في 14 أغسطس 2026. تشير تقييمات Zhipu الداخلية إلى تحسن برمجي بنسبة 50% مقارنةً بـ GLM-5.2، وقفزة Terminal-Bench 3.0 من 4.6 إلى 28.3.
نقطة النهاية الدولية هي:

  POST https://api.z.ai/api/paas/v4/chat/completions

ونقطة نهاية الصين القارية هي:

  POST https://open.bigmodel.cn/api/paas/v4/chat/completions

تستخدم المصادقة الرأس التالي:

  Authorization: Bearer $GLM_API_KEY

تعرض مستندات GLM-5 المعرف glm-5 وقت الكتابة. استخدم glm-5.3 للتجربة، لكن تحقق من المستندات قبل تثبيته في الإنتاج.
لم يُنشر تسعير API خاص بـ GLM-5.3 عند الإطلاق. للمقارنة، تعرض صفحة التسعير الرسمية أسعار GLM-5.2 وGLM-5.
من المتوقع توفر الأوزان المفتوحة على Hugging Face نحو 28 أغسطس 2026.
اختبر الطلبات في Apidog أولًا، واحفظ الاستجابات كبيانات وهمية لتجنب استهلاك الرموز عند تكرار الاختبارات.

لماذا GLM-5.3 مهم؟

لم يتغير النموذج الأساسي؛ تأتي مكاسب GLM-5.3 من تدريب لاحق موسع فوق GLM-5. ارتفعت نتيجة Terminal-Bench 3.0 من 4.6 إلى 28.3، وتحسن SWE-Marathon تقريبًا إلى الضعف مقارنةً بـ GLM-5.2.

تذكر أن هذه النتائج، بما فيها ادعاء التحسن بنسبة 50%، صادرة عن تقييمات Zhipu الداخلية. تعامل معها كادعاءات من المورّد إلى أن تُعاد نتائجها بواسطة جهات مستقلة.

تعتمد عائلة GLM-5 على تصميم مزيج من الخبراء (MoE)، بإجمالي 744 مليار معلمة ونحو 40 مليار معلمة نشطة لكل تمريرة أمامية، ونافذة سياق تصل إلى 200 ألف رمز، وفق مستندات Z.ai. هذه مواصفات للعائلة وليست بالضرورة مواصفات خاصة بإصدار 5.3.

إذا كانت الاستضافة الذاتية ضمن خطتك، فاستخدم API اليوم لإنشاء خط أساس للاختبارات والانحدار. يغطي دليل التحضير للاستضافة الذاتية لـ GLM-5.3 خطوات هذه المرحلة.

الحصول على مفتاح API

توجد منصتان حسب المنطقة:

Z.ai دوليًا: سجّل في z.ai، وافتح وحدة تحكم API وأنشئ مفتاحًا. راجع docs.z.ai للمستندات.
Bigmodel.cn في الصين القارية: استخدم open.bigmodel.cn. شكل API والمصادقة متشابهان، لكن المضيف والفوترة منفصلان.

احفظ المفتاح كمتغير بيئة بدلًا من وضعه في الكود:

export GLM_API_KEY="your-key-from-the-console"

إذا كنت تستخدم خطة GLM Coding بدل فوترة API حسب الاستخدام، فقد تمت إعادة تعيين الحصص لجميع المستخدمين في 14 أغسطس.

نقطة النهاية والمصادقة

استخدم نقطة نهاية إكمال الدردشة الدولية:

POST https://api.z.ai/api/paas/v4/chat/completions

وللصين القارية:

POST https://open.bigmodel.cn/api/paas/v4/chat/completions

أضف رأس المصادقة إلى كل طلب:

Authorization: Bearer $GLM_API_KEY

بفضل توافق OpenAI، يكون جسم الطلب مبنيًا على model وmessages، وتحتوي الاستجابة على choices وmessage وfinish_reason وusage.

مهم: تستخدم الأمثلة التالية glm-5.3 كمعرف للنموذج. إذا تلقيت خطأ مثل 404 أو معرف نموذج غير معروف، تحقق من مستندات GLM-5 وجرّب glm-5 عند الحاجة.

أول طلب باستخدام cURL

ابدأ باختبار بسيط لمراجعة كود:

curl "https://api.z.ai/api/paas/v4/chat/completions" \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "system",
        "content": "You are a code reviewer. Flag issues as blocking or non-blocking."
      },
      {
        "role": "user",
        "content": "Review this shell script for safety:\n\nrm -rf $BUILD_DIR/*\ncp dist/* $DEPLOY_TARGET"
      }
    ],
    "temperature": 0.3,
    "max_tokens": 1024
  }'

اقرأ النص الناتج من:

choices[0].message.content

وسجل استهلاك الرموز من:

usage.prompt_tokens
usage.completion_tokens

للمهام متعددة الخطوات، يمكنك تفعيل وضع التفكير:

"thinking": { "type": "enabled" }

فعّل thinking لمهام البرمجة والوكيل التي تتطلب استدلالًا متعدد المراحل، وتجنبه في مهام الاستخراج القصيرة لتقليل استهلاك الرموز.

بدء سريع في Python

ثبت حزمة OpenAI:

pip install --upgrade openai

ثم وجّه العميل إلى مضيف Z.ai:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["GLM_API_KEY"],
    base_url="https://api.z.ai/api/paas/v4",
)

response = client.chat.completions.create(
    model="glm-5.3",
    messages=[
        {
            "role": "system",
            "content": "You are a code reviewer. Flag issues as blocking or non-blocking.",
        },
        {
            "role": "user",
            "content": (
                "Review this Flask route for security issues:\n\n"
                "@app.route('/user/<id>')\n"
                "def get_user(id):\n"
                "    return db.execute(f'SELECT * FROM users WHERE id = {id}')"
            ),
        },
    ],
    temperature=0.3,
    max_tokens=2048,
)

print(response.choices[0].message.content)
print("input tokens:", response.usage.prompt_tokens)
print("output tokens:", response.usage.completion_tokens)

سجل كتلة usage من البداية. في غياب تسعير رسمي خاص بـ GLM-5.3، تمنحك أعداد الرموز تقديرًا أفضل للتكلفة المتوقعة.

بدء سريع في Node.js

استخدم حزمة openai نفسها:

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.GLM_API_KEY,
  baseURL: "https://api.z.ai/api/paas/v4",
});

const response = await client.chat.completions.create({
  model: "glm-5.3",
  messages: [
    {
      role: "system",
      content:
        "You are a terminal automation agent. Return each step as a shell command with a one-line rationale.",
    },
    {
      role: "user",
      content:
        "A Node service on port 3000 stopped responding after a deploy. Give me a diagnosis sequence.",
    },
  ],
  temperature: 0.3,
  max_tokens: 2048,
});

console.log(response.choices[0].message.content);

إذا كان تطبيقك يستخدم OpenAI بالفعل، لا تحتاج إلى عميل موازٍ أو إعادة كتابة. أنشئ نسخة ثانية من OpenAI باستخدام baseURL الخاص بـ Z.ai، ثم وجه الطلبات حسب المهمة أو نتيجة الاختبارات.

البث Streaming

تدعم المستندات البث عبر المعلمة القياسية stream.

مثال Python:

stream = client.chat.completions.create(
    model="glm-5.3",
    messages=[
        {
            "role": "user",
            "content": "Explain the N+1 query problem with a concrete ORM example.",
        }
    ],
    stream=True,
)

for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)

عند استخدام HTTP مباشرة، أضف:

"stream": true

ثم حلل أحداث SSE. يحمل كل سطر يبدأ بـ data: جزءًا من الاستجابة بتنسيق قريب من أجزاء OpenAI.

نقطتان عمليتان:

قد تصل بيانات usage عند أو بعد الجزء الأخير، لذا لا تحسب تكلفة الاستدعاء قبل إغلاق البث.
عند تفعيل thinking، قد يزداد زمن أول رمز مرئي لأن النموذج ينفذ استدلالًا قبل إنشاء الإجابة.

المعلمات المهمة

المعلمة	النوع	الاستخدام العملي
`max_tokens`	عدد صحيح	يحدد الحد الأقصى لطول الإخراج، وهو رافعة التكلفة الأساسية.
`temperature`	رقم	استخدم `0.2` إلى `0.4` للكود والاستخراج، و`0.7+` للكتابة المفتوحة.
`thinking`	كائن	استخدم `{"type": "enabled"}` لمهام الاستدلال متعددة الخطوات.
`stream`	منطقي	يعيد أحداث SSE بدل استجابة واحدة.
`messages`	مصفوفة	تستخدم أدوار OpenAI القياسية: `system` و`user` و`assistant`.

لم تُنشر أسعار GLM-5.3 عند الإطلاق. راجع دائمًا صفحة التسعير الرسمية. وقت الكتابة، كانت الأسعار المرجعية كالتالي:

GLM-5.2: 1.40 دولار لكل مليون رمز إدخال، و4.40 دولار لكل مليون رمز إخراج.
GLM-5: 1.00 دولار لكل مليون رمز إدخال، و3.20 دولار لكل مليون رمز إخراج.

تشير المعلومات المتاحة إلى خصومات تتراوح بين 80% و85% للمدخلات المخزنة مؤقتًا في نماذج GLM المدفوعة. لذلك، حافظ على تعليمات النظام المتكررة مستقرة لتحسين احتمالات الاستفادة من التخزين المؤقت. لمزيد من ممارسات التحكم في التكلفة، راجع تحليل زيادة أسعار DeepSeek.

اختبر GLM-5.3 في Apidog قبل كتابة كود التطبيق

اختبار المطالبات عبر السكربتات فقط يبطئ دورة التطوير: تعدّل الكود، تعيد التشغيل، تراجع الناتج، ثم تكرر العملية مع استهلاك رموز في كل مرة. استخدم Apidog لتثبيت الطلبات ومقارنتها قبل دمجها في التطبيق.

نفذ الإعداد التالي:

أنشئ مشروعًا وطلبًا لإكمال الدردشة.

أضف طلب POST /chat/completions يدويًا، أو استورد مواصفة متوافقة مع OpenAI.
أنشئ بيئتين إقليميتين.

أنشئ zai-international وbigmodel-mainland، ثم عيّن عنوان URL الأساسي لكل بيئة:

   https://api.z.ai/api/paas/v4

   https://open.bigmodel.cn/api/paas/v4

أضف المصادقة على مستوى البيئة:

   Authorization: Bearer {{GLM_API_KEY}}

استخدم متغيرًا لمعرف النموذج. عيّن مثلًا:

   {{GLM_MODEL}} = glm-5.3

بهذه الطريقة، يمكنك التبديل إلى glm-5 أو glm-5.2 دون تعديل كل الطلبات المحفوظة.

قارن وضع التفكير.

انسخ الطلب، وفعل thinking في نسخة واحدة فقط، ثم قارن زمن الاستجابة وجودة الناتج وusage باستخدام المطالبة نفسها.
اختبر البث.

أرسل طلبًا مع stream: true وراقب أجزاء SSE وزمن أول رمز.
احفظ الاستجابات الناجحة كأمثلة.

استخدمها كبيانات وهمية في الاختبارات اللاحقة بدل استدعاء API المباشر عند عدم الحاجة.

بعد ذلك، حوّل الطلبات إلى سيناريوهات اختبار تحتوي على تأكيدات لـ finish_reason ومخطط الاستجابة واستهلاك الرموز. للمزيد حول هذا الأسلوب، راجع دليل اختبار API لمهندسي ضمان الجودة.

معالجة الأخطاء وحدود المعدل

توقع أخطاءً على نمط OpenAI، عبر كائن error يحتوي عادةً على message وtype وcode.

الأخطاء الشائعة:

401: مفتاح API مفقود أو غير صالح أو ملغى.
400: جسم طلب غير صحيح أو معرف نموذج غير معروف.
429: تجاوز حد المعدل.
5xx: خطأ مؤقت من الخادم.

نفذ هذه الممارسات:

أضف إعادة محاولة بتأخير أسي متذبذب لأخطاء 429 و5xx.
لا تعتمد على أرقام حدود معدل من منشورات المدونات. راجع المستندات الرسمية للحصول على الحدود الحية.
ضع معرف النموذج في الإعدادات. إذا ظهرت مشكلة سلوكية في 5.3، يجب أن يكون الرجوع إلى glm-5.2 تغيير إعداد لا نشرًا جديدًا.

يمكن تطبيق نمط التصحيح نفسه المستخدم في اختبار وتصحيح API Grok، لأن الواجهتين تتبعان نمط OpenAI.

الأسئلة الشائعة

ما هو معرف النموذج لـ GLM-5.3 API؟

استخدم glm-5.3 للتجربة، بناءً على نمط glm-5.2 وglm-5.1. لكن مستندات GLM-5 كانت تعرض glm-5 وقت الكتابة، لذا تحقق قبل تثبيت المعرف في الإنتاج، واحتفظ به كمتغير إعداد.

هل يعمل GLM-5.3 API مع OpenAI SDK؟

نعم. اضبط base_url أو baseURL إلى:

https://api.z.ai/api/paas/v4

ثم استخدم مفتاح Z.ai الخاص بك. شكل الطلب والاستجابة والبث متوافق مع نمط إكمال الدردشة في OpenAI.

كم تبلغ تكلفة GLM-5.3 API؟

لم تنشر Zhipu سعرًا خاصًا بـ GLM-5.3 عند إطلاقه في 14 أغسطس 2026. استخدم صفحة التسعير الرسمية كمصدر مرجعي، وتجنب الاعتماد على تخمينات الأسعار من جهات خارجية.

كيف يقارن GLM-5.3 بـ Claude وGPT؟

تضع تقييمات Zhipu الداخلية قدراته في البرمجة والعمل كوكيل بالقرب من Claude Fable 5. كما تشير إلى CyberGym بنسبة 84.5% وExploitBench بنسبة 54.4%. هذه أرقام صادرة عن المورّد، لذا اختبر النموذج على بياناتك ومهامك الفعلية. للمقارنات بين النماذج، راجع مقارنتنا بين Grok 4.6 وGPT-5.6 وClaude Fable 5.

هل يمكنني تشغيل GLM-5.3 محليًا بدلًا من استخدام API؟

ليس بعد، وفق المعلومات المذكورة عند الإطلاق. تتوقع Zhipu نشر الأوزان المفتوحة بعد نحو أسبوعين، قرب 28 أغسطس 2026، على منظمة Hugging Face الخاصة بها. وبسبب تصميم MoE ذي 744 مليار معلمة، تتطلب الاستضافة الذاتية موارد خوادم كبيرة، لا جهازًا محمولًا عاديًا.

مكان GLM-5.3 في حزمتك التقنية

إذا كنت تبني وكلاء أو أدوات برمجية أو حلقات أتمتة للطرفية، فاختبر GLM-5.3 على مطالباتك الحقيقية. يجعل توافق OpenAI عملية التقييم منخفضة التكلفة من ناحية التكامل: بدّل عنوان URL الأساسي، مرر مفتاح API، وضع معرف النموذج في الإعدادات.

ابدأ بهذا التسلسل:

أنشئ مفتاح API.
نفذ طلب cURL.
اختبر الطلب في Apidog ضمن البيئتين الإقليميتين.
قارن thinking مفعّلًا ومعطّلًا باستخدام بياناتك.
احفظ الاستجابات المرجعية كاختبارات انحدار.
انقل الطلب المستقر إلى Python أو Node.js.

ما هو GLM-5.3؟ شرح نموذج البرمجة مفتوح الأوزان من Zhipu

Yusuf Khalidd — Sun, 16 Aug 2026 15:37:01 +0000

GLM-5.3 هو نموذج لغوي كبير أصدرته Zhipu AI في 14 أغسطس 2026، ويعمل المختبر دوليًا باسم Z.ai. يمثل الإصدار ترقية تدريب لاحق لنموذج GLM-5 الأساسي، مع تركيز مباشر على البرمجة والوكلاء، وتخطط Zhipu لنشر أوزانه المفتوحة على Hugging Face بعد نحو أسبوعين من الإطلاق. وفقًا لتقييمات Zhipu الداخلية، تحسنت قدرة البرمجة بنسبة 50% مقارنةً بـ GLM-5.2.

جرّب Apidog اليوم

تصف Seeking Alpha مختبر Zhipu بأنه «منافس صيني لـ OpenAI». وتكمن أهمية الإصدار في الجمع بين نموذج برمجة موجه للوكلاء وخطة لإتاحة الأوزان. جاء ذلك بعد يوم من إصدار DeepSeek الأخير، الذي تناولناه في دليل DeepSeek V4 Pro API.

في هذا الدليل ستتعرف على مواصفات GLM-5.3، وقراءة المعايير بحذر، وخطة الأوزان المفتوحة، وطريقة إرسال أول طلب API واستخدامه ضمن اختبار عملي.

باختصار

صدر GLM-5.3 في 14 أغسطس 2026 من Zhipu AI عبر Z.ai. يعتمد نموذج GLM-5 الأساسي نفسه، بينما تأتي التحسينات من التدريب اللاحق الموسع.
ارتفعت نتيجة Terminal-Bench 3.0 من 4.6 إلى 28.3، أي 6.2 مرة، مع المركز الأول بين النماذج مفتوحة المصدر وفقًا لتقرير الإطلاق.
يحتل النموذج المركز الأول بين النماذج المفتوحة في Agents’ Last Exam، وسجل 84.5% في CyberGym و54.4% في ExploitBench.
تخطط Zhipu لإتاحة الأوزان عبر Hugging Face حوالي 28 أغسطس 2026.
تصف الوثائق عائلة GLM-5 بأنها نموذج MoE يضم 744 مليار معلمة إجمالية، ونحو 40 مليار معلمة نشطة لكل تمريرة أمامية، ونافذة سياق 200 ألف رمز.
واجهة API متوافقة مع OpenAI عبر https://api.z.ai/api/paas/v4/chat/completions. لم يُنشر تسعير خاص بـ GLM-5.3 عند الإطلاق.

ما هو GLM-5.3؟

GLM-5.3 هو الإصدار الفرعي الثالث من عائلة GLM-5 والأكثر استهدافًا لمهام البرمجة والوكلاء. لم تُعد Zhipu تدريب النموذج الأساسي؛ بل طبقت تدريبًا لاحقًا موسعًا على الأوزان نفسها.

وفقًا لـ الوثائق الرسمية، يحتفظ النموذج بمواصفات GLM-5 الأساسية:

بنية Mixture of Experts (MoE).
744 مليار معلمة إجمالية.
قرابة 40 مليار معلمة نشطة في كل تمريرة أمامية.
نافذة سياق تصل إلى 200 ألف رمز.

عمليًا، هذا يعني أن ما يجب تقييمه ليس البنية الجديدة، بل سلوك النموذج بعد التدريب: تنفيذ مهام طرفية متعددة الخطوات، قراءة ناتج الأوامر، استعادة المحاولات بعد الأخطاء، والعمل على مهام هندسة برمجيات طويلة الأمد وتحليل أمني.

إذا كان فريقك يبني وكلاء برمجة أو أتمتة CI، فاختبر GLM-5.3 مقابل بياناتك الواقعية قبل اتخاذ قرار التبني.

معايير GLM-5.3: الأرقام ومصادرها

ذكرت تغطية الإطلاق من BigGo Finance وPandaily النتائج التالية. فرّق بين نتائج لوحات المتصدرين أو تقارير الإطلاق، ونتائج Zhipu الداخلية التي لا يمكن إعادة إنتاجها علنًا بعد.

المعيار	نتيجة GLM-5.3	السياق	المصدر
Terminal-Bench 3.0	28.3، ارتفاعًا من 4.6	تحسن 6.2 مرة؛ الأول بين النماذج مفتوحة المصدر	تقرير الإطلاق
Agents’ Last Exam	الأول بين النماذج مفتوحة المصدر	لم تُعلن النتيجة الرقمية عند الإطلاق	تقرير الإطلاق
CyberGym	84.5%	أعلى قليلًا من Claude Mythos 5 وGPT-5.6 Sol	تقرير الإطلاق
ExploitBench	54.4%	ما زال خلف النماذج الرائدة	تقرير الإطلاق
SWE-Marathon	نحو ضعف GLM-5.2	هندسة برمجيات طويلة الأمد	داخلي لـ Zhipu
قدرة البرمجة الإجمالية	+50% مقابل GLM-5.2	الادعاء الرئيسي لـ Zhipu	داخلي لـ Zhipu

كيف تقرأ هذه النتائج؟

خذ نتيجتي Terminal-Bench وAgents’ Last Exam كإشارة قوية لاختيار النموذج للتقييم، وليس كسبب كافٍ للهجرة الفورية إلى الإنتاج.

خصوصًا أن Terminal-Bench يقيس سلوكًا مهمًا لوكلاء البرمجة:

تنفيذ أوامر shell مترابطة.
قراءة المخرجات والأخطاء.
تعديل الخطة عند فشل أمر.
إكمال المهمة عبر خطوات متعددة.

لكن ادعاء تحسن البرمجة بنسبة 50% ونتيجة SWE-Marathon المضاعفة هما تقييمان داخليان. استخدمهما لتحديد فرضيات الاختبار، ثم تحقق منها عبر مجموعة تقييم خاصة بمستودعاتك ومهامك.

ماذا يعني «الاقتراب من Claude Fable 5» عمليًا؟

تقول Zhipu إن قدرة GLM-5.3 في البرمجة والوكلاء «تقترب من Claude Fable 5». التفسير العملي لهذه العبارة هو:

للوكلاء والطرفية: النتائج المبلغ عنها تجعله مرشحًا قويًا للاختبار، خصوصًا مع تصدره النماذج المفتوحة في Terminal-Bench 3.0 وAgents’ Last Exam.
لمهام الأمن: نتيجة CyberGym البالغة 84.5% مرتفعة، لكن الفارق الصغير مقارنةً بالنماذج الأخرى قد يتأثر بتباين التشغيل.
للاستدلال الأمني الأصعب: نتيجة ExploitBench البالغة 54.4% تشير إلى بقاء فجوة أمام النماذج الرائدة.

اختبر النموذج أولًا في هذه الحالات:

إصلاح أخطاء CI المتكررة.
تحليل سجلات البناء والفشل.
تحديثات تعتمد على سياق مستودع كبير.
وكلاء ينفذون أوامر طرفية ضمن بيئات معزولة.
مهام مراجعة الكود ذات خطوات قابلة للقياس.

للمقارنة بين النماذج الرائدة على محاور مشابهة، راجع مقارنتنا بين Grok 4.6 وGPT-5.6 وClaude Fable 5.

خطة الأوزان المفتوحة: حوالي 28 أغسطس على Hugging Face

التزمت Zhipu بنشر أوزان GLM-5.3 المفتوحة بعد نحو أسبوعين من الإطلاق، أي حوالي 28 أغسطس 2026، عبر منظمة zai-org على Hugging Face.

الفترة ليست مجرد تأخير تقني. تقول Zhipu إنها أجرت مراجعة مخاطر شاملة قبل الإتاحة، وهو أمر مهم لنموذج حقق نتيجة مرتفعة في CyberGym. تشغيل النموذج خلف API مراقبة يختلف عن نشر أوزانه للجميع.

التحضير للاستضافة الذاتية

لا تفترض أن تشغيل النموذج بالدقة الكاملة سيكون مناسبًا لجهاز مطور محلي. رغم وجود 40 مليار معلمة نشطة تقريبًا لكل رمز، فإن النموذج يضم 744 مليار معلمة إجمالية، لذا يتطلب تشغيله الكامل عادةً عتاد خوادم متعدد وحدات GPU.

قبل وصول الأوزان:

جهز عينة من مهامك الحقيقية.
شغّلها على API المستضافة وأنشئ خط أساس للجودة والتكلفة والكمون.
حدد ميزانية العتاد وهدف الدقة الكمية.
انتظر المتغيرات الكمية التي سيصدرها المجتمع.
قارن نتائج النشر الذاتي مع نتائج API باستخدام المطالبات نفسها.

راجع دليل استضافة GLM-5.3 ذاتيًا لتخطيط الحجم ومكدسات الخدمة وخط الأساس.

كيف يتناسب GLM-5.3 مع مشهد النماذج المفتوحة؟

المقارنة المباشرة هنا هي DeepSeek: كلا المختبرين صينيان، وكلاهما يخطط أو يقدم أوزانًا مفتوحة، وكلاهما ينافس عبر API ونماذج قابلة للاستضافة.

الاختلاف في التركيز:

خط DeepSeek V4 Pro موجه كنموذج عام.
GLM-5.3 يركز على وكلاء البرمجة ومهام الطرفية.

إذا كان معظم حملك عبارة عن وكلاء برمجة، فابدأ بـ GLM-5.3 في قائمة التقييم. أما إذا كانت تطبيقاتك عامة أو متعددة الوسائط، فاحرص على مقارنة مباشرة ضمن السيناريوهات التي تستخدمها فعليًا.

لم تنشر Zhipu تسعير API خاصًا بـ GLM-5.3 عند الإطلاق. كمرجع، تعرض صفحة التسعير الرسمية لـ GLM-5.2 سعر 1.4 دولار لكل مليون رمز إدخال و4.4 دولار لكل مليون رمز إخراج وقت كتابة المحتوى. لا تستخدم هذا الرقم لتقدير ميزانية 5.3 قبل التحقق من الصفحة المباشرة.

لخفض تكلفة واجهات النماذج، راجع دليل تحسين تكلفة واجهة DeepSeek API. كما يمكنك مقارنة خيارات النشر المحلي عبر دليل أفضل LLMs المحلية في 2026.

تمت إعادة تعيين حصص خطة برمجة GLM

في يوم الإطلاق، أعادت Zhipu تعيين حصص خطة برمجة GLM لجميع المستخدمين في 14 أغسطس. إذا كنت مشتركًا في الخطة عبر Z.ai، يمكنك استخدام الحصة الجديدة لتجربة GLM-5.3.

انتبه إلى الفرق بين نوعي الوصول:

خطة البرمجة: عرض بسعر ثابت لأدوات البرمجة.
واجهة API: فوترة منفصلة حسب الرموز.

تنطبق إعادة التعيين على الخطة، لا على فوترة API. يمكن لمستخدمي البر الرئيسي الصيني الوصول إلى النظام عبر open.bigmodel.cn مع خطط وفواتير خاصة به.

جرّب الواجهة البرمجية في خمس دقائق

واجهة Z.ai متوافقة مع OpenAI، لذا يمكنك استخدام بنية طلب مألوفة.

استخدم نقطة النهاية الدولية:

https://api.z.ai/api/paas/v4/chat/completions

واستخدم نقطة نهاية البر الرئيسي الصيني:

https://open.bigmodel.cn/api/paas/v4/chat/completions

المصادقة تتم عبر Bearer token. عند الإطلاق، كانت الوثائق لا تزال تذكر glm-5 كمعرّف موثق للنموذج؛ لذا تحقق من المعرف النهائي في صفحة وثائق النموذج قبل شحن التكامل إلى الإنتاج.

إرسال أول طلب باستخدام cURL

export GLM_API_KEY="your-key-from-z.ai"

curl https://api.z.ai/api/paas/v4/chat/completions \
  -H "Authorization: Bearer $GLM_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-5.3",
    "messages": [
      {
        "role": "user",
        "content": "Write a bash script that finds the five largest files in a git repo, excluding the .git directory."
      }
    ],
    "temperature": 0.6,
    "max_tokens": 1024
  }'

تتبع الاستجابة مخطط OpenAI المعتاد، بما في ذلك:

مصفوفة choices لمخرجات النموذج.
محتوى الرسالة في choices[0].message.content.
كتلة usage لاستهلاك الرموز.

اختبر الطلبات دون تعديل cURL يدويًا

استورد طلب cURL إلى Apidog، ثم:

احفظ GLM_API_KEY كمتغير بيئة.
أنشئ بيئة لنقطة نهاية Z.ai الدولية.
أنشئ بيئة أخرى لنقطة نهاية bigmodel.cn.
اجعل عنوان الأساس ومعرّف النموذج متغيرين.
احفظ الاستجابات المرجعية لمقارنة الانحدارات لاحقًا.

بهذه الطريقة، يصبح تبديل المنطقة أو النموذج تغييرًا في البيئة بدل تعديل الطلبات يدويًا. ولتطبيق API الكامل باستخدام Python وNode.js والبث ومعالجة الأخطاء، راجع دليل البدء السريع لواجهة GLM-5.3 API.

الأسئلة الشائعة

هل GLM-5.3 مفتوح المصدر؟

ليس بعد. التزمت Zhipu بإصدار الأوزان على Hugging Face حوالي 28 أغسطس 2026، بعد مراجعة مخاطر تصفها بأنها الأكثر شمولًا لديها حتى الآن. حتى ذلك الحين، يتوفر النموذج عبر API المستضافة.

ما الفرق بين GLM-5.3 وGLM-5.2؟

النموذج الأساسي نفسه. التحسينات تأتي من التدريب اللاحق الموسع، بما في ذلك تحسن برمجة داخلي معلن بنسبة 50%، وارتفاع Terminal-Bench 3.0 من 4.6 إلى 28.3، ونتيجة SWE-Marathon التي يُقال إنها تضاعفت تقريبًا.

لم تتغير البنية أو عدد المعلمات أو نافذة السياق عن خط أساس GLM-5.

كم يكلف GLM-5.3؟

لم تنشر Zhipu تسعيرًا خاصًا بـ GLM-5.3 عند الإطلاق. سعر GLM-5.2 المرجعي في صفحة التسعير الرسمية هو 1.4 دولار لكل مليون رمز إدخال و4.4 دولار لكل مليون رمز إخراج.

تحقق من التسعير المباشر قبل وضع الميزانية. إذا كانت التكلفة قيدًا رئيسيًا، فراجع تحسين تكلفة API بعد زيادة أسعار DeepSeek.

هل يمكنني تشغيل GLM-5.3 على أجهزتي الخاصة؟

نعم بعد إصدار الأوزان، لكن التشغيل بالدقة الكاملة يتطلب غالبًا عتاد خوادم متعدد وحدات GPU. ستخفف الإصدارات الكمية التي ينشرها المجتمع المتطلبات.

راجع دليل التحضير للاستضافة الذاتية لتحديد حجم البنية التحتية بصورة واقعية.

هل GLM-5.3 أفضل من Claude أو GPT للبرمجة؟

يعتمد ذلك على عبء العمل. في معايير الوكلاء والطرفية المبلغ عنها، ينافس بقوة ويتصدر النماذج المفتوحة في Terminal-Bench 3.0. وفي CyberGym، سجل نتيجة أعلى قليلًا من Claude Mythos 5 وGPT-5.6 Sol. لكنه متأخر في ExploitBench بنتيجة 54.4%.

الخطوة الصحيحة هي تشغيل مجموعة التقييم الخاصة بك على النماذج المرشحة نفسها قبل توجيه حركة مرور الإنتاج، كما تفعل عند اختبار أي API قبل اعتمادها.

أين يتناسب GLM-5.3 في مجموعتك التقنية؟

GLM-5.3 مرشح عملي لوكلاء البرمجة، وأتمتة CI، ومهام الطرفية متعددة الخطوات. عرض القيمة واضح: API متوافقة مع OpenAI اليوم، وأوزان مفتوحة مخطط لها خلال أسبوعين، ونتائج قوية معلنة في مهام الوكلاء.

ابدأ بتقييم صغير ومنضبط:

أرسل طلب cURL أعلاه.
احفظ الاستجابة والكمون واستهلاك الرموز.
جهز 10 إلى 30 مطالبة من أعباء عملك الحقيقية.
عرّف معايير نجاح واضحة: صحة الكود، نسبة الإكمال، عدد المحاولات، والكلفة.
قارن النموذج مع البدائل ضمن الإعدادات نفسها.
أعد تشغيل المجموعة بعد إصدار الأوزان لمقارنة API المستضافة بالنشر الذاتي.

استخدم Apidog لتنظيم هذه الطلبات، واحتفظ ببيئتي Z.ai وbigmodel.cn قابلتين للتبديل. بذلك تتحول تجربة API الأولى إلى خط أساس انحدار مفيد عندما تصل الأوزان المفتوحة وتبدأ مقارنة الاستضافة الذاتية مع الخدمة المستضافة.

شرح أسعار Gemini 3.7 Flash: ثبّت أسعارك قبل أن تتضاعف

Yusuf Khalidd — Fri, 14 Aug 2026 08:01:14 +0000

أطلقت Google نموذج Gemini 3.7 Flash في 13 أغسطس 2026، بعد ثلاثة أسابيع من 3.6 Flash، وتصفه بأنه «نموذجنا الأكثر ذكاءً وقوة». عند التخطيط لتكلفة واجهة برمجة التطبيقات، لا تكتفِ بالمقاييس: السعر التمهيدي البالغ 0.75 دولار لكل مليون رمز إدخال و3.75 دولار لكل مليون رمز إخراج ينتهي في 31 ديسمبر 2026. بدءًا من 1 يناير 2027، يتضاعف السعران.

جرّب Apidog اليوم

هذا يعني زيادة مجدولة بمقدار 2x لكل عبء عمل مبني على النموذج. روبوت دردشة يكلف 790 دولارًا شهريًا اليوم سيكلف نحو 1,575 دولارًا شهريًا في يناير، حتى إن لم تغيّر التعليمات البرمجية أو حجم الزيارات أو المطالبات. لذلك، احسب ميزانيتك وفق المستويين، لا وفق السعر المعلن حاليًا فقط.

يوضح هذا الدليل طريقة حساب التكلفة لثلاثة أعباء عمل فعلية، وما يجب مراقبته في الاستجابات، وأين يمكن تقليص الإنفاق قبل دخول السعر القياسي. إذا لم ترسل طلبك الأول بعد، راجع دليل البدء السريع لواجهة Gemini 3.7 Flash. بعد بدء الإرسال، يعرض Apidog أعداد الرموز داخل usageMetadata في كل استجابة، بحيث يمكنك مقارنة تقديراتك بحركة المرور الحية.

باختصار

السعر التمهيدي: 0.75 دولار لكل مليون رمز إدخال و3.75 دولار لكل مليون رمز إخراج، حتى 31 ديسمبر 2026.
السعر القياسي من 1 يناير 2027: 1.50 دولار للإدخال و7.50 دولار للإخراج؛ أي ضعف السعر تمامًا.
السعر التمهيدي يساوي نصف تكلفة Gemini 3.6 Flash عند الإطلاق.
يقبل النموذج النصوص والصور والفيديو والصوت وملفات PDF ضمن نافذة سياق من مليون رمز، وبحد إخراج أقصى قدره 64 ألف رمز.
روبوت دردشة يخدم 10,000 طلب يوميًا يكلف نحو 26 دولارًا يوميًا بالسعر التمهيدي، و52.50 دولارًا يوميًا بالسعر القياسي.
أقوى روافع خفض التكلفة هي: تحديد مخرجات النموذج، تخزين السياق المؤقت، معالجة الدفعات، وتوجيه المهام البسيطة إلى نموذج أصغر.

مستويا الأسعار

أُطلق Gemini 3.7 Flash بخصم محدود المدة، وليس بسعر دائم:

المستوى	الفترة	الإدخال لكل مليون رمز	الإخراج لكل مليون رمز
التمهيدي	13 أغسطس 2026 إلى 31 ديسمبر 2026	$0.75	$3.75
القياسي	من 1 يناير 2027	$1.50	$7.50

هناك نقطتان عمليتان:

السعر التمهيدي هو نصف ما كلفه Gemini 3.6 Flash عند الإطلاق. إذا كنت تنتقل من 3.6، راجع دليل الترحيل من 3.6 إلى 3.7 Flash ونفّذ اختبارات انحدار قبل التحويل.
رموز الإخراج أغلى بخمس مرات من رموز الإدخال في كلا المستويين. لذلك، الحد من الإخراج غالبًا أهم من تقليم بضعة أسطر من مطالبة النظام.

هذه الأسعار تخص واجهة Gemini API المفوترة عبر مفتاح AI Studio. أما Vertex AI فيستخدم فوترة Google Cloud ووحدات SKU الخاصة به. كذلك قد تتضمن ميزات مثل التخزين المؤقت للسياق ومعالجة الدفعات رسومًا مستقلة، لذا تحقّق دائمًا من صفحة الأسعار الرسمية قبل اعتماد ميزانية نهائية.

احسب تكلفة عبء العمل الفعلي

استخدم المعادلة التالية لكل نقطة نهاية:

تكلفة الإدخال اليومية =
(عدد الطلبات اليومية × متوسط رموز الإدخال لكل طلب ÷ 1,000,000) × سعر الإدخال

تكلفة الإخراج اليومية =
(عدد الطلبات اليومية × متوسط رموز الإخراج لكل طلب ÷ 1,000,000) × سعر الإخراج

ثم:

التكلفة الشهرية التقريبية = التكلفة اليومية × 30

عبء العمل 1: روبوت دردشة لدعم العملاء

الافتراضات:

10,000 طلب يوميًا
2,000 رمز إدخال لكل طلب
300 رمز إخراج لكل طلب

البند	الرموز اليومية	التكلفة التمهيدية/اليوم	التكلفة القياسية/اليوم
الإدخال	20M	$15.00	$30.00
الإخراج	3M	$11.25	$22.50
الإجمالي	23M	$26.25	$52.50

النتيجة:

نحو 788 دولارًا شهريًا بالسعر التمهيدي.
نحو 1,575 دولارًا شهريًا بالسعر القياسي.

ابدأ بضبط حد الإخراج لهذه النقطة النهائية. إذا كانت إجابة الدعم لا تحتاج إلى أكثر من 500 رمز، فلا تسمح بمخرجات طويلة بلا داعٍ.

عبء العمل 2: خط أنابيب مستندات PDF

يقرأ Gemini 3.7 Flash ملفات PDF محليًا. ارتفعت نتيجة معيار GDP.pdf من 22.0% إلى 34.0% مقارنة بـ 3.6 Flash، ما يجعل استخراج البيانات من المستندات حالة استخدام مناسبة.

الافتراضات:

500 مستند يوميًا
40,000 رمز إدخال لكل مستند
ملخص أو إخراج منظم من 1,000 رمز لكل مستند

البند	الرموز اليومية	التكلفة التمهيدية/اليوم	التكلفة القياسية/اليوم
الإدخال	20M	$15.00	$30.00
الإخراج	0.5M	$1.88	$3.75
الإجمالي	20.5M	$16.88	$33.75

النتيجة:

نحو 506 دولارات شهريًا الآن.
نحو 1,013 دولارًا شهريًا بدءًا من يناير.

هنا يهيمن الإدخال على التكلفة بسبب طول المستندات وقصر الملخصات. ركّز على التخزين المؤقت ومعالجة الدفعات قبل أي تحسين آخر.

عبء العمل 3: حلقة وكيل

تزداد تكلفة الوكلاء مع كل استدعاء إضافي ومع نمو السياق الذي يُعاد إرساله في الخطوات اللاحقة.

الافتراضات:

200 مهمة يوميًا
12 استدعاء نموذج لكل مهمة
8,000 رمز إدخال لكل استدعاء
400 رمز إخراج لكل استدعاء

البند	الرموز اليومية	التكلفة التمهيدية/اليوم	التكلفة القياسية/اليوم
الإدخال	19.2M	$14.40	$28.80
الإخراج	0.96M	$3.60	$7.20
الإجمالي	20.16M	$18.00	$36.00

النتيجة:

540 دولارًا شهريًا بالسعر التمهيدي.
1,080 دولارًا شهريًا بالسعر القياسي.

راقب عدد الاستدعاءات لكل مهمة، وليس فقط عدد المهام. مهمة تتوسع من 12 إلى 20 استدعاءً تكلف أكثر بنسبة 67% تقريبًا، حتى لو لم يتغير عدد المستخدمين.

كما أن الحد الأقصى للإخراج، البالغ 64 ألف رمز، يحد أسوأ تكلفة لكل استدعاء بحوالي 0.24 دولار اليوم و0.48 دولار لاحقًا. لكن حلقة إعادة محاولة تصل إلى الحد الأقصى في كل محاولة ستصبح مكلفة بسرعة.

مقارنة موضعية مع النماذج الأخرى

مقارنات السعر لكل رمز بين المزودين تتغير بسرعة، لذا استخدمها لتحديد الموضع العام لا كقائمة أسعار ثابتة.

يقع Gemini 3.7 Flash ضمن فئة نماذج العمل المكثف: أرخص كثيرًا من نماذج Gemini Pro، ونماذج Claude الأكبر، وفئة OpenAI الرائدة، بينما يقدم مقاييس مثل:

65.3% على DeepSWE v1.1
1588 Elo على WebDev Arena

الفكرة العملية هي اختبار ما إذا كانت حركة مرورك الإنتاجية تحتاج فعلًا إلى نموذج رائد. خلال فترة الخصم، شغّل اختباراتك على بياناتك الحقيقية، ثم قرر أي المسارات تستحق 3.7 Flash وأيها يمكن توجيهه إلى نموذج أخف.

كما أن الأسعار قد ترتفع لدى أي مزود. مثال على ذلك ما غطاه دليل زيادة أسعار DeepSeek وتحسين التكلفة. الفرق هنا أن Google أعلنت تاريخ الزيادة ومقدارها مسبقًا، ما يمنحك فرصة للتخطيط.

خمس طرق لخفض إنفاق الرموز

1. ضع حدًا لرموز الإخراج لكل نقطة نهاية

اضبط maxOutputTokens داخل generationConfig حسب الاستخدام الفعلي:

{
  "generationConfig": {
    "maxOutputTokens": 500
  }
}

لا تستخدم الحد الأقصى البالغ 64 ألف رمز كإعداد افتراضي لردود الدعم أو التصنيف أو الاستخراج القصير. رموز الإخراج تكلف خمسة أضعاف رموز الإدخال، لذلك هذا التغيير غالبًا هو الأسرع أثرًا على الفاتورة.

2. خزّن السياق الثابت مؤقتًا

إذا كنت ترسل مطالبة نظام ووثيقة سياسة ثابتة من 3,000 رمز مع كل طلب، فأنت تدفع مقابل المحتوى نفسه آلاف المرات.

استخدم التخزين المؤقت للسياق للمقدمات المشتركة، مثل:

تعليمات النظام
سياسة الشركة
تعريف الأدوات
وثائق المنتج الثابتة
قوالب الاستجابة

راجع وثائق Gemini API للتحقق من إعداد التخزين المؤقت وأسعاره الحالية. في مثال روبوت الدردشة، تخزين بادئة ثابتة من 1,500 رمز يمكن أن يخفض فاتورة الإدخال بأكثر من النصف.

3. استخدم معالجة الدفعات للمهام غير التفاعلية

إذا لم يكن المستخدم ينتظر النتيجة فورًا، اجمع الطلبات وشغّلها كدفعة. يناسب ذلك:

تلخيص المستندات
تصنيف السجلات
استخراج الحقول من PDF
معالجة المحتوى الليلية

المقايضة هنا هي زمن الاستجابة مقابل سعر أقل، وهو مناسب لخطوط الأنابيب الخلفية.

4. وجّه كل مسار إلى النموذج المناسب

لا تحتاج كل عملية إلى Gemini 3.7 Flash. غالبًا ما تؤدي التصنيفات والتوجيه والاستخراج القصير بكفاءة على نموذج من فئة Flash-Lite وبجزء من التكلفة.

احتفظ بـ 3.7 Flash للمهام التي تستفيد من قدراته، مثل:

التخطيط متعدد الخطوات
التصحيح
سلاسل استدعاء الأدوات
معالجة السياق الطويل
مهام المستندات المعقدة

5. ابنِ النموذج الأولي على المستوى المجاني

استخدم حصة AI Studio المجانية لتثبيت المطالبات، ومخططات JSON، وسلوك الاستجابة قبل بدء الفوترة. راجع دليل الوصول المجاني إلى Gemini API لفهم نطاق المسار المجاني وحدوده.

تتبع الإنفاق لكل نقطة نهاية باستخدام Apidog

التقديرات تساعدك على بناء الميزانية، لكن القياس من الاستجابات الحقيقية هو ما يحافظ عليها تحت السيطرة. تتضمن استجابة Gemini كتلة usageMetadata تحتوي عادةً على أعداد رموز الإدخال والإخراج.

مثال على جزء من الاستجابة:

{
  "usageMetadata": {
    "promptTokenCount": 2000,
    "candidatesTokenCount": 300
  }
}

في Apidog، طبّق سير العمل التالي:

أنشئ طلبًا محفوظًا لكل نقطة نهاية إنتاجية: دور دردشة، ملخص مستند، أو خطوة وكيل.
خزّن مفتاح API في متغير بيئة بدل تضمينه في الطلب:

   GEMINI_API_KEY

شغّل الطلبات بحمولات واقعية، ثم استخرج:
- usageMetadata.promptTokenCount
- usageMetadata.candidatesTokenCount
أضف تأكيدات على أعداد الرموز. مثلًا، إذا تجاوز إدخال روبوت الدردشة 2,500 رمز، أوقف السيناريو قبل النشر:

   promptTokenCount <= 2500

أعد تشغيل السيناريو عند تغيير المطالبة أو مخطط الاستجابة أو تعريف الأدوات.

بهذا تتعامل مع أعداد الرموز كما تتعامل مع زمن الاستجابة: مقياس يمكن أن يتراجع ويحتاج إلى اختبار. اضرب الأعداد المقاسة بأسعار المستويين في هذا الدليل لتحصل على تكلفة فعلية لكل نقطة نهاية.

إذا كنت تبني اختبارات API منظمة، راجع دليل اختبار واجهة برمجة التطبيقات لمهندسي ضمان الجودة لتطبيق سيناريوهات التأكيد على خدمة كاملة.

الأسئلة الشائعة

متى يتضاعف سعر Gemini 3.7 Flash؟

في 1 يناير 2027. يستمر السعر التمهيدي، 0.75 دولار لكل مليون رمز إدخال و3.75 دولار لكل مليون رمز إخراج، حتى 31 ديسمبر 2026. بعد ذلك يصبح السعر 1.50 دولار للإدخال و7.50 دولار للإخراج.

هل Gemini 3.7 Flash أرخص من Gemini 3.6 Flash؟

عند الإطلاق، نعم. السعر التمهيدي لـ 3.7 Flash يساوي نصف سعر إطلاق 3.6 Flash، مع تحسن المقاييس، بما في ذلك DeepSWE v1.1 من 49.0% إلى 65.3%. راجع المرجع السريع لـ Gemini 3.7 Flash للمواصفات والمقارنة المباشرة.

هل ينطبق السعر التمهيدي على Vertex AI؟

الأسعار المذكورة هنا تخص Gemini API المفوترة عبر مفتاح AI Studio. أما Vertex AI فيُفوتر عبر Google Cloud باستخدام وحدات SKU وشروط المؤسسة الخاصة به. تحقّق من وحدة تحكم فواتير GCP وصفحة الأسعار الرسمية قبل افتراض تطابق الأسعار.

ماذا يُحسب ضمن فاتورة رموز الإدخال؟

كل ما ترسله إلى النموذج يتحول إلى رموز ويُحسب بسعر الإدخال، بما في ذلك:

النص
الصور
الفيديو
الصوت
صفحات PDF

لذلك، قد تصبح المستندات الطويلة والطلبات متعددة الوسائط مكلفة. استخدم usageMetadata لمعرفة العدد الفعلي بعد كل طلب.

كيف أقدّر الرموز قبل إرسال الطلب؟

استخدم نقطة النهاية countTokens لقياس الحمولة قبل التوليد، أو أرسل مجموعة صغيرة من الطلبات التمثيلية واقرأ usageMetadata من النتائج. استخدم دائمًا حمولات واقعية؛ تقدير الرموز لا ينتقل بدقة بين مزودي النماذج المختلفة.

مكانة 3.7 Flash في مكدسك التقني

سعر Gemini 3.7 Flash التمهيدي مؤقت، وتاريخ انتهائه معروف. نفّذ الخطوات التالية الآن:

انقل حركة المرور الثقيلة المرشحة إلى 3.7 Flash.
قِس الإدخال والإخراج لكل نقطة نهاية.
احسب الفاتورة الحالية والفاتورة بعد 1 يناير 2027.
حدّد المسارات التي يمكن نقلها إلى نموذج أخف.
أضف حدود رموز واختبارات تكلفة قبل نشر تغييرات المطالبات.

نزّل Apidog للاحتفاظ بطلبات Gemini والبيئات وتأكيدات الرموز وفحوصات التكلفة في مساحة عمل واحدة، بحيث تكون فاتورة يناير رقمًا خططت له لا مفاجأة تكتشفها لاحقًا.

كيف تستخدم Gemini 3.7 Flash API؟

Yusuf Khalidd — Fri, 14 Aug 2026 07:58:17 +0000

أطلقت Google نموذج Gemini 3.7 Flash في 13 أغسطس 2026، بعد ثلاثة أسابيع من إطلاق 3.6 Flash، وتصفه بأنه «نموذجها الأكثر ذكاءً وقدرة على إنجاز المهام الشاقة». الخبر الرئيسي للمطورين: قفزت درجات الترميز الوكيلية (agentic coding) بقوة؛ إذ ارتفع DeepSWE v1.1 من 49.0% إلى 65.3%. كما أن السعر التمهيدي يساوي نصف سعر إطلاق 3.6 Flash، ولم يتغير سطح واجهة برمجة التطبيقات. إذا كنت تستخدم Gemini بالفعل، فكل ما تحتاجه هو تبديل معرف نموذج واحد.

جرّب Apidog اليوم

هذا الدليل عملي ومباشر: ستنشئ مفتاح API، وتجري أول طلب عبر cURL، ثم تنقله إلى Python وNode.js، وتدفق الاستجابات، وتضبط generationConfig، وتختبر المطالبات باستخدام Apidog قبل إضافتها إلى التطبيق. وفق الإعلان الرسمي، يدعم النموذج سياقًا بحجم مليون رمز مميز، ومخرجات حتى 64 ألف رمز، وإدخالًا متعدد الوسائط، واستدعاء الدوال، والبحث كأداة، واستخدام الحاسوب.

إذا كنت تبني باستخدام الجيل السابق، فإن شكل الطلب متوافق مع دليل Gemini 3 Flash Preview API؛ وتغطي هذه المقالة ما تحتاجه لتطبيق سير عمل 3.7.

باختصار

معرف النموذج هو gemini-3.7-flash.
نقطة النهاية المتزامنة:

  POST https://generativelanguage.googleapis.com/v1beta/models/gemini-3.7-flash:generateContent

استخدم الرأس x-goog-api-key: <KEY> للمصادقة.
الأسعار التمهيدية هي 0.75 دولار لكل مليون رمز إدخال و3.75 دولار لكل مليون رمز إخراج حتى 31 ديسمبر 2026. اعتبارًا من 1 يناير 2027، تصبح 1.50 دولار و7.50 دولار.
يدعم النموذج سياق إدخال بحجم مليون رمز مميز وحد إخراج يبلغ 64 ألف رمز مميز.
يقبل النصوص والصور والفيديو والصوت وملفات PDF كمدخلات، بينما الإخراج نصي.
مقارنة بـ 3.6 Flash:
- DeepSWE: من 49.0% إلى 65.3%.
- FrontierCode: من 34.4% إلى 43.6%.
- AutomationBench: من 17.0% إلى 30.4%.
- WebDev Arena Elo: من 1538 إلى 1588.
استخدم التدفق عبر :streamGenerateContent?alt=sse.
اختبر نقطة النهاية أولًا في Apidog، واحفظ المفتاح كمتغير بيئة، وراقب أجزاء SSE مباشرة.

ما الذي يميز Gemini 3.7 Flash؟

تضحي نماذج Flash عادةً بجزء من القدرة القصوى مقابل السرعة والتكلفة، لكن الإصدار 3.7 يقلل هذا التنازل بشكل واضح. خلال ثلاثة أسابيع فقط مقارنة بـ 3.6 Flash، ارتفع DeepSWE v1.1 من 49.0% إلى 65.3%، وFrontierCode 1.1 Main من 34.4% إلى 43.6%، وAutomationBench من 17.0% إلى 30.4%. كما ارتفع WebDev Arena Elo بمقدار 50 نقطة، من 1538 إلى 1588.

استخدم Gemini 3.7 Flash عندما:

تدير حلقات وكيلية: تضاعفت درجة AutomationBench تقريبًا. وهو مناسب لخطوط الأنابيب التي تعتمد على تخطيط متعدد الخطوات واستدعاءات أدوات متكررة.
تولد أو تراجع تعليمات برمجية: مكاسب DeepSWE وFrontierCode تجعل النموذج خيارًا قويًا لتصحيح الأخطاء ومراجعة الكود.
تعالج مستندات: ارتفع GDP.pdf من 22.0% إلى 34.0%، وPDF نوع إدخال مدعوم مباشرة. كما سجل النموذج 97.0% في اختبار استرجاع 128k-needle.
تحتاج إلى مدخلات متعددة الوسائط بميزانية محدودة: أرسل النصوص والصور والفيديو والصوت وملفات PDF ضمن مصفوفة contents نفسها.

للتفاصيل الكاملة، بما فيها درجة Harvey LAB-AA البالغة 90.7% في المجال القانوني والحماية المحدثة من CBRN والهجمات الإلكترونية، راجع ما هو الجديد في Gemini 3.7 Flash. وللسياق، لا يزال Gemini 3.5 Pro متأخرًا، وتشير Axios إلى أن Google تشحن تحديثات Flash قبل نموذجها الرئيسي التالي.

احصل على مفتاح API

هناك مساران للاستخدام، ولكل منهما سياق مختلف.

AI Studio: المسار الأسرع

افتح aistudio.google.com/apikey.
انقر Get API key.
اختر مشروع Google Cloud.
انسخ المفتاح.

يعمل المفتاح مباشرة مع generativelanguage.googleapis.com. توفر الطبقة المجانية حصة مناسبة للنماذج الأولية، ويتوفر Gemini 3.7 Flash في أكثر من 160 دولة.

Vertex AI: مسار الإنتاج

استخدم Vertex AI إذا كانت بنيتك التحتية تعمل على GCP وتحتاج إلى:

مصادقة OAuth عبر حسابات الخدمة أو الرموز قصيرة الأجل.
IAM.
سجلات التدقيق.
نقاط نهاية إقليمية.

في Vertex AI، تتغير نقطة النهاية إلى aiplatform.googleapis.com وآلية المصادقة، بينما يظل معرف النموذج وجسم الطلب متطابقين.

ابدأ بـ AI Studio للنماذج الأولية، ثم انتقل إلى Vertex AI قبل تمرير حركة إنتاج حقيقية.

صدّر المفتاح كمتغير بيئة:

export GEMINI_API_KEY="AIza..."

لا تضع المفتاح مباشرة في الكود، ولا تمرره كمعلمة استعلام مثل ?key= في بيئة الإنتاج، لأن سلاسل الاستعلام قد تصل إلى سجلات الخادم.

نقطة النهاية والمصادقة

استخدم هذه النقطة لطلب متزامن:

POST https://generativelanguage.googleapis.com/v1beta/models/gemini-3.7-flash:generateContent

وللتدفق باستخدام Server-Sent Events:

POST https://generativelanguage.googleapis.com/v1beta/models/gemini-3.7-flash:streamGenerateContent?alt=sse

المصادقة تحتاج إلى الرأس التالي فقط:

x-goog-api-key: $GEMINI_API_KEY

أول طلب عبر cURL

نفّذ طلبًا أساسيًا لاختبار المفتاح وشكل الاستجابة:

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.7-flash:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [{
        "text": "Review this SQL for injection risk: SELECT * FROM orders WHERE id = ${orderId}"
      }]
    }],
    "generationConfig": {
      "temperature": 0.3,
      "maxOutputTokens": 1024
    }
  }'

تحتوي الاستجابة على مصفوفة candidates. يحتوي كل مرشح على:

content.parts: النص أو استدعاءات الدوال عند تعريف الأدوات.
finishReason: سبب توقف التوليد.
usageMetadata: أعداد رموز الإدخال والإخراج.

راقب usageMetadata في كل طلب، لأن رموز الإخراج تكلف خمسة أضعاف رموز الإدخال بالسعر التمهيدي.

تستخدم Gemini المخطط contents الذي يتكون من role وparts، وليس مخطط messages الشائع في واجهات OpenAI. انتبه لهذا التحويل عند الترحيل من مزود آخر.

دليل بدء سريع لـ Python

ثبّت أو حدّث SDK الرسمي:

pip install --upgrade google-generativeai

استخدم النموذج مع تعليمات نظام وإعدادات توليد:

import os
import google.generativeai as genai

genai.configure(api_key=os.environ["GEMINI_API_KEY"])

model = genai.GenerativeModel(
    model_name="gemini-3.7-flash",
    system_instruction="You are a code reviewer. Flag issues as blocking or non-blocking.",
    generation_config={
        "temperature": 0.3,
        "max_output_tokens": 2048,
    },
)

response = model.generate_content(
    "Review this Flask route for security issues:\n\n"
    "@app.route('/user/<id>')\n"
    "def get_user(id):\n"
    "    return db.execute(f'SELECT * FROM users WHERE id = {id}')"
)

print(response.text)
print("input tokens:", response.usage_metadata.prompt_token_count)
print("output tokens:", response.usage_metadata.candidates_token_count)

لإرسال PDF، ارفعه عبر Files API ثم مرره كجزء من الإدخال:

invoice = genai.upload_file("q3-invoice.pdf")

response = model.generate_content([
    invoice,
    "Extract the invoice number, total, and due date as JSON.",
])

print(response.text)

هذا النمط مناسب لاستخراج بيانات منظمة من المستندات الواقعية غير المنتظمة.

دليل بدء سريع لـ Node.js

استخدم حزمة @google/generative-ai:

import { GoogleGenerativeAI } from "@google/generative-ai";

const genAI = new GoogleGenerativeAI(process.env.GEMINI_API_KEY);

const model = genAI.getGenerativeModel({
  model: "gemini-3.7-flash",
  generationConfig: {
    temperature: 0.3,
    maxOutputTokens: 2048,
    responseMimeType: "application/json",
    responseSchema: {
      type: "object",
      properties: {
        severity: {
          type: "string",
          enum: ["blocking", "non-blocking"],
        },
        issues: {
          type: "array",
          items: { type: "string" },
        },
      },
      required: ["severity", "issues"],
    },
  },
});

const result = await model.generateContent(
  "Review this Express handler: app.get('/search', (req, res) => res.send(eval(req.query.q)))"
);

console.log(JSON.parse(result.response.text()));

استخدم responseSchema مع responseMimeType: "application/json" لضمان أن يتلقى كودك كائن JSON قابلًا للتحليل، بدلًا من نص حر يحتاج إلى معالجة إضافية.

التدفق

لواجهات المحادثة وأي تجربة تواجه المستخدم، استخدم التدفق لتقليل زمن انتظار أول جزء من الرد.

في Python، مرر stream=True:

stream = model.generate_content(
    "Explain the N+1 query problem with a concrete ORM example.",
    stream=True,
)

for chunk in stream:
    if chunk.text:
        print(chunk.text, end="", flush=True)

في HTTP الخام، استخدم:

:streamGenerateContent?alt=sse

يحتوي كل سطر data: على حمولة candidates جزئية. تصل usageMetadata في الكتلة النهائية، لذلك لا تحسب الاستخدام النهائي قبل إغلاق التدفق.

ضبط `generationConfig`

المعلمة	النوع	ماذا تفعل
`maxOutputTokens`	عدد صحيح	حد أقصى صارم للإخراج، حتى 64 ألف رمز مميز. أهم إعداد للتحكم بالتكلفة.
`temperature`	عدد	من 0 إلى 2. استخدم 0.2–0.4 للكود والاستخراج، و0.7+ للنصوص الإبداعية.
`responseMimeType`	سلسلة	اضبطها على `application/json` لطلب إخراج JSON.
`responseSchema`	كائن	يفرض شكلًا محددًا للإخراج عند استخدام نوع MIME الخاص بـ JSON.
`topP`	عدد	حد أخذ العينات النووية. اتركه افتراضيًا ما لم تكن تضبطه عمدًا.
`stopSequences`	مصفوفة	سلاسل توقف التوليد مبكرًا؛ مفيدة للتحليل القائم على المحددات.

رموز الإخراج تكلف 3.75 دولار لكل مليون رمز بالسعر التمهيدي، و7.50 دولار اعتبارًا من يناير 2027. حدّد maxOutputTokens بناءً على احتياج الحالة الفعلي بدل استخدام الحد الأقصى البالغ 64 ألفًا.

لأمثلة حساب التكلفة حسب عبء العمل، راجع تفصيل تسعير Gemini 3.7 Flash.

إلى جانب generationConfig، يدعم جسم الطلب:

tools: إعلانات الدوال، والبحث كأداة، واستخدام الحاسوب.
toolConfig: لتحديد سلوك استدعاء الأدوات أو فرضه.

لاستخدام الدوال، والاستدعاءات المتوازية، ونمط حلقة الاستجابة، راجع دليل استدعاء وظائف Gemini 3.7 Flash.

اختبر نقطة النهاية في Apidog قبل كتابة رمز التطبيق

اختبار المطالبات من نصوص Python أثناء التطوير بطيء ومكلف: تعدل النص، تعيد التشغيل، وتستهلك رموزًا مميزة مع كل محاولة. سير العمل الأسرع هو تثبيت شكل الطلب في عميل API أولًا، ثم نقل الطلب إلى الكود بعد التأكد من صحة الاستجابة.

استخدم Apidog بهذه الخطوات:

أنشئ مشروعًا واستورد مواصفات Generative Language API OpenAPI من وثائق Google API.
أضف متغير بيئة باسم GEMINI_API_KEY واربطه برأس x-goog-api-key.
خزّن معرف النموذج في متغير بقيمة gemini-3.7-flash. للاختبار مقابل gemini-3.6-flash، غيّر المتغير فقط.
أنشئ مصفوفة contents في محرر JSON. راجع البنية قبل الإرسال لتجنب أخطاء 400.
اختبر نقطة نهاية التدفق. راقب أجزاء SSE وزمن الاستجابة كما ستظهر في SDK.
احفظ الاستجابات الصحيحة كأمثلة. استخدمها كبيانات ثابتة في الاختبارات اللاحقة بدل استدعاء API الحي في كل مرة.

بعد حفظ الطلبات، اربطها في سيناريوهات اختبار وتحقق من:

finishReason
مخطط الاستجابة
أعداد الرموز في usageMetadata

بهذه الطريقة يتحول اختبار المطالبات اليدوي إلى مجموعة اختبار تراجعي قابلة للتشغيل مع كل تعديل. يشرح دليل اختبار API لمهندسي ضمان الجودة النمط نفسه بمزيد من التفصيل.

معالجة الأخطاء وحدود المعدل

تحتوي أخطاء Gemini على كائن error في المستوى الأعلى، ويتضمن code وstatus وmessage.

الرمز	الحالة	المعنى	الإصلاح
400	`INVALID_ARGUMENT`	جسم الطلب غير صالح، أو دور غير صحيح، أو `contents` فارغ.	تحقق من صحة الجسم في Apidog قبل الإرسال.
401	`UNAUTHENTICATED`	المفتاح مفقود أو مُلغى.	أعد تصدير `GEMINI_API_KEY` وتأكد من أن المفتاح نشط في AI Studio.
403	`PERMISSION_DENIED`	المشروع لا يملك الوصول أو الفوترة المطلوبة.	راجع إعدادات المشروع وحالة الفوترة.
429	`RESOURCE_EXHAUSTED`	تم بلوغ حد المعدل أو الحصة اليومية.	استخدم التراجع التدريجي، أو أرسل الطلبات على دفعات، أو رقِّ المستوى.
500	`INTERNAL`	خطأ خادم عابر.	أعد المحاولة بتراجع أسي.
503	`UNAVAILABLE`	الخدمة مثقلة.	أعد المحاولة بعد ثوانٍ؛ وفي Vertex جرّب منطقة أخرى.

ثلاث ممارسات ضرورية للإنتاج:

غلّف كل استدعاء بمنطق إعادة محاولة: عالج 429 وأخطاء 5xx باستخدام تأخير أسي متذبذب، مع تسجيل ومفتاح قطع دائرة قابل للتحكم.
لا تفترض أرقام حدود المعدل: تختلف الحدود حسب المستوى وتتغير بمرور الوقت. راجع القيم الحالية في صفحة تسعير وحدود Gemini API، واضبط التنبيهات عند 80% من الحصة.
ثبّت معرف النموذج في متغير بيئة: عند ظهور اختلاف سلوكي، يصبح الرجوع إلى gemini-3.6-flash تغيير إعدادات بدلًا من نشر جديد.

الأسئلة الشائعة

هل Gemini 3.7 Flash مجاني للاستخدام؟

يوفر AI Studio طبقة مجانية بحصة يومية مناسبة للنماذج الأولية. السعر التمهيدي المدفوع هو 0.75 دولار لكل مليون رمز إدخال حتى 31 ديسمبر 2026. لمزيد من التفاصيل، راجع دليل الوصول المجاني إلى Gemini API.

ما الفرق بين AI Studio وVertex AI؟

النموذج وجسم الطلب متطابقان، لكن آلية التشغيل مختلفة:

يستخدم AI Studio مفتاح API مع generativelanguage.googleapis.com.
يستخدم Vertex AI مصادقة OAuth مع aiplatform.googleapis.com ويضيف IAM وسجلات التدقيق ونقاط النهاية الإقليمية.

ابدأ بـ AI Studio، ثم انتقل إلى Vertex AI عند نمو حركة الإنتاج.

هل يمكنني إرسال الصور والصوت وملفات PDF إلى Gemini 3.7 Flash؟

نعم. يدعم النموذج النصوص والصور والفيديو والصوت وملفات PDF ضمن contents. يمكنك تضمين الملفات كـ base64 أو الإشارة إليها عبر Files API. الإخراج نصي فقط.

ما حجم نافذة السياق وحد الإخراج؟

يدعم النموذج مليون رمز مميز للإدخال و64 ألف رمز مميز للإخراج. ورغم أن اختبار 128k-needle سجل 97.0%، فإن تقسيم المدخلات الطويلة يظل مفيدًا لتقليل تكلفة رموز الإدخال.

هل يجب علي الترقية من Gemini 3.6 Flash؟

لأعباء عمل الوكلاء والبرمجة، تشير فروق المعايير إلى أن الإجابة غالبًا نعم. الترقية الأساسية هي استبدال معرف النموذج بسطر واحد:

- gemini-3.6-flash
+ gemini-3.7-flash

قبل تمرير حركة الإنتاج، نفّذ اختبارات انحدار على المطالبات الحساسة. راجع دليل ترحيل 3.6 إلى 3.7 Flash للاختلافات السلوكية التي تستحق الاختبار.

مكانة 3.7 Flash في بنيتك التحتية

Gemini 3.7 Flash إصدار يجمع بين انخفاض السعر وارتفاع القدرة. حتى نهاية 2026، ستدفع نصف سعر إطلاق 3.6 Flash مقابل نموذج يحقق زيادة قدرها 16 نقطة في DeepSWE وتحسنًا يقارب الضعف في AutomationBench.

ابدأ عمليًا بهذه الخطة:

نفّذ طلب cURL للتأكد من المفتاح وشكل الاستجابة.
اختبر المطالبات المتزامنة والتدفقية في Apidog.
احفظ استجابات مرجعية واستخدمها في اختبارات الانحدار.
انقل الطلب المثبت إلى Python أو Node.js.
ثبّت معرف النموذج خلف متغير بيئة، مع إبقاء مسار رجوع إلى gemini-3.6-flash.

عندما تتأكد من شكل حركة الطلب والاستجابة، يصبح نقل التكامل إلى التطبيق خطوة قصيرة بدل دورة طويلة من التخمين وإعادة التشغيل.

مقارنة بين ChatCompletions و Anthropic Messages و Responses API: اختبار تنسيقات واجهة برمجة التطبيقات الثلاثة لـ DeepSeek V4 Pro

Yusuf Khalidd — Thu, 13 Aug 2026 09:03:56 +0000

أصبح DeepSeek-V4-Pro-0813 متاحًا بشكل عام في 12 أغسطس 2026، ويُقدَّم تحت معرّف النموذج الدائم deepseek-v4-pro على https://api.deepseek.com، إلى جانب النموذج الأقل تكلفة deepseek-v4-flash (غطّت Unite.AI إعلان الإتاحة العامة). تشمل المواصفات نافذة سياق بحجم مليون رمز، وإخراجًا يصل إلى 384 ألف رمز، واستدعاء الأدوات، والمخرجات المنظمة، وثلاثة أوضاع تفكير تُظهر مسار الاستدلال في الحقل reasoning_content.

جرّب Apidog اليوم

الجزء غير المعتاد ليس في المواصفات، بل في أن النموذج نفسه يستجيب عبر ثلاث لهجات لواجهة API. يقبل V4 Pro طلبات OpenAI ChatCompletions، وطلبات Anthropic Messages، وواجهة DeepSeek Responses API. يمكنك توجيه كود OpenAI SDK الحالي إليه، أو وكيل مبني على Claude، أو حلقة وكيل بنمط Codex، باستخدام الأوزان نفسها وثلاثة أشكال مختلفة للطلبات والاستجابات.

يعرض هذا الدليل التنسيقات الثلاثة جنبًا إلى جنب، مع طلب عملي لكل تنسيق، وجدول مقارنة، وخطوات لاختبارها من مشروع Apidog واحد باستخدام متغيرات بيئة مشتركة. إذا كنت تحتاج إلى إعداد الحساب وأول استدعاء، ابدأ بـ كيفية استخدام DeepSeek V4 API ثم عد إلى هنا.

باختصار

يتوفر DeepSeek-V4-Pro-0813 باسم deepseek-v4-pro على https://api.deepseek.com. ويشارك deepseek-v4-flash الواجهات نفسها بسعر أقل.
يدعم النموذج ثلاثة تنسيقات: OpenAI ChatCompletions، وAnthropic Messages، وDeepSeek Responses API.
المواصفات: سياق مليون رمز، وإخراج حتى 384 ألف رمز، واستدعاء أدوات، ومخرجات منظمة، وثلاثة أوضاع تفكير مع reasoning_content.
التسعير: 0.435 دولار لكل مليون رمز إدخال عند فشل ذاكرة التخزين المؤقت، و0.003625 دولار لكل مليون رمز عند نجاحها، و0.87 دولار لكل مليون رمز إخراج.
تختلف الواجهات في موضع موجه النظام، ودلالات max_tokens، وشكل تعريف الأدوات، وأحداث البث.
يتيح مشروع Apidog واحد باستخدام {{DEEPSEEK_API_KEY}} ومتغيرات العنوان الأساسي اختبار الموجه نفسه عبر التنسيقات الثلاثة ومقارنة الاستجابات الخام.

لماذا يتحدث نموذج واحد ثلاث لهجات؟

السبب هو التوافق مع الأدوات الموجودة في النظام البيئي:

ChatCompletions هو الخيار الأسرع إذا كان مشروعك يستخدم OpenAI SDK أو أطرًا متوافقة معه. غالبًا يكفي تغيير base_url.
Anthropic Messages يستهدف المشاريع والوكلاء المبنية لواجهة Claude، بما في ذلك أدوات مثل Claude Code.
Responses API موجهة أكثر إلى الوكلاء وسير العمل متعدد الخطوات التي تستفيد من الحالة المُدارة على الخادم.

يتوفر V4 Pro أيضًا عبر المجمّعات، مثل صفحة OpenRouter لـ deepseek-v4-pro-0813، لكن هذا المقال يركز على واجهة DeepSeek API الأصلية. لمراجعة أوسع لعائلة V4، راجع كيفية استخدام DeepSeek V4.

التنسيق 1: OpenAI ChatCompletions

هذا هو التنسيق المألوف: مصفوفة messages، مع موجه النظام كأول رسالة بدور system.

الإعداد الأساسي:

مفتاح DeepSeek API
عنوان API الأساسي: https://api.deepseek.com
النموذج: deepseek-v4-pro أو deepseek-v4-flash

مثال Python باستخدام OpenAI SDK

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DEEPSEEK_API_KEY",
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "You are a precise technical writer."},
        {"role": "user", "content": "Explain idempotency keys in two sentences."}
    ],
)

print(response.choices[0].message.content)

لا تحتاج إلى SDK جديد أو أسلوب مصادقة جديد. يستخدم استدعاء الأدوات شكل function المتداخل المعتاد، ويصل البث عبر أحداث chat.completion.chunk وينتهي بـ data: [DONE].

عند تفعيل وضع التفكير، قد يظهر حقل reasoning_content بجانب content. لذلك لا تفترض أن محتوى الرسالة هو الحقل الوحيد في الاستجابة.

استخدم هذا التنسيق عندما يكون لديك:

تكامل قائم على OpenAI SDK
أطر عمل مثل LangChain
مكتبات داخلية تستخدم ChatCompletions
حاجة إلى أقل قدر من الترحيل

شكل الطلب مطابق تقريبًا لما هو موضح في اختبار ChatGPT API باستخدام Apidog، مع تغيير المضيف والنموذج فقط.

التنسيق 2: Anthropic Messages

قد يبدو تنسيق Messages مشابهًا لـ ChatCompletions، لكنه يختلف في نقاط مهمة يجب التعامل معها صراحةً.

موجه النظام ليس رسالة داخل المصفوفة، بل قيمة system على المستوى الأعلى.
الحقل max_tokens مطلوب في كل طلب.
تعريفات الأدوات مسطحة: كل أداة تحتوي على name وdescription وinput_schema، دون غلاف function.

مثال Python باستخدام Anthropic SDK

import os
import anthropic

client = anthropic.Anthropic(
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com/anthropic",
)

message = client.messages.create(
    model="deepseek-v4-pro",
    max_tokens=8192,
    system="You are a precise technical writer.",
    messages=[
        {
            "role": "user",
            "content": "Explain idempotency keys in two sentences."
        }
    ],
)

print(message.content[0].text)

الاستجابة هنا ليست سلسلة نصية واحدة؛ بل قائمة من كتل المحتوى. كذلك يختلف البث عن OpenAI، إذ يستخدم أحداث SSE مسماة مثل:

message_start
content_block_delta
message_stop

تتبع المصادقة أيضًا اصطلاحات عناوين Anthropic بدلًا من رمز Bearer التقليدي. راجع وثائق DeepSeek API للتفاصيل الحالية الخاصة بالواجهة المتوافقة.

توجيه وكيل متوافق مع Claude

إذا كانت أداتك تقرأ إعداداتها من متغيرات البيئة، يمكنك توجيهها إلى DeepSeek كما يلي:

export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
export ANTHROPIC_AUTH_TOKEN=$DEEPSEEK_API_KEY
export ANTHROPIC_MODEL=deepseek-v4-pro

استخدم هذا التنسيق عندما تكون أدواتك مبنية أصلًا لـ Claude. إذا كان فريقك يرسل طلبات Messages إلى Anthropic، يمكنك تجربة DeepSeek ضمن الأداة نفسها وبالهياكل نفسها. راجع أيضًا دليل Claude Opus 5 API.

التنسيق 3: DeepSeek Responses API

واجهة Responses API هي الواجهة الأحدث لدى DeepSeek والموجهة أكثر إلى الوكلاء. بدل مصفوفة messages، ترسل:

instructions للتعليمات على المستوى الأعلى
input كسلسلة نصية أو قائمة عناصر مصنفة

مثال باستخدام curl

curl https://api.deepseek.com/responses \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -d '{
    "model": "deepseek-v4-pro",
    "instructions": "You are an API review agent. Be terse.",
    "input": "Review this OpenAPI diff and list any breaking changes: [diff here]",
    "stream": false
  }'

يختلف هذا التنسيق عن الاثنين الآخرين في ثلاث نقاط عملية:

حالة على جانب الخادم: يمكن لطلب متابعة الإشارة إلى استجابة سابقة عبر previous_response_id بدل إعادة إرسال سجل المحادثة كاملًا.
إخراج مصنف: يصل الإخراج كقائمة عناصر، مثل عناصر الاستدلال والنص واستدعاءات الأدوات، بدل رسالة واحدة.
بث دلالي: يستخدم أحداثًا مسماة مثل response.output_text.delta وresponse.completed، ما يسهل على الوكيل التعامل مع مراحل دورة الحياة.

يدعم التنسيق أيضًا استدعاء الأدوات، باستخدام عناصر مثل function_call وfunction_call_output وفقًا لمواصفات Responses. عند وجود تفاصيل خاصة بتنفيذ DeepSeek، اعتبر api-docs.deepseek.com المصدر المرجعي.

استخدم Responses API عندما تبني:

وكلاء متعددين الخطوات
سير عمل بنمط Codex
تنفيذًا يحتاج إلى حالة محادثة على الخادم
منطقًا يتعامل بشكل مختلف مع النص والأدوات والاستدلال

أما لإكمال دردشة بسيط، فقد يكون ChatCompletions أبسط.

التنسيقات الثلاثة جنبًا إلى جنب

	OpenAI ChatCompletions	Anthropic Messages	DeepSeek Responses API
نقطة النهاية	`POST /chat/completions` على `api.deepseek.com`	`POST /v1/messages` على القاعدة المتوافقة مع Anthropic (`/anthropic`)	`POST /responses` على `api.deepseek.com`
شكل الطلب	مصفوفة `messages` واحدة، وموجه النظام كرسالة أولى	`system` على المستوى الأعلى ورسائل `user`/`assistant` متناوبة	`instructions` على المستوى الأعلى مع `input` كسلسلة أو قائمة عناصر
حد الإخراج	`max_tokens` اختياري	`max_tokens` مطلوب	حد اختياري وفقًا لمواصفات Responses
تعريفات الأدوات	كائن `function` متداخل مع `parameters`	تعريف مسطح مع `input_schema`	تعريفات وفقًا لمواصفات Responses
نتائج الأدوات	رسائل بدور `tool`	كتل محتوى `tool_result`	عناصر `function_call_output`
البث	دلتا `chat.completion.chunk` وتنتهي بـ `[DONE]`	`message_start` ثم `content_block_delta` ثم `message_stop`	أحداث دورة حياة مثل `response.output_text.delta`
حالة المحادثة	يديرها العميل بإعادة إرسال السجل	يديرها العميل بإعادة إرسال السجل	يمكن إدارتها على الخادم بالاستناد إلى الاستجابة السابقة
الأفضل لـ	أدوات وأطر OpenAI الحالية	أدوات ووكلاء Claude وClaude Code	الوكلاء وسير العمل الطويلة متعددة الخطوات

النموذج والتسعير نفسيهما؛ الاختلاف الحقيقي في عقد نقل البيانات. لذلك اختبر كل تنسيق فعليًا بدل الاعتماد على الذاكرة أو افتراض التوافق الكامل.

اختبر الثلاثة جميعًا في مشروع Apidog واحد

لاختبار التنسيقات عمليًا، أنشئ مشروعًا واحدًا في Apidog ونظمه بحيث يعكس أشكال الطلبات المختلفة.

أنشئ ثلاثة مجلدات:
- chat-completions
- anthropic-messages
- responses
أضف داخل كل مجلد طلبات محفوظة للسيناريوهات نفسها:
- إكمال بسيط
- استدعاء أداة
- بث SSE
عرّف متغيرات البيئة المشتركة مرة واحدة:

   {{DEEPSEEK_API_KEY}}
   {{BASE_URL}}
   {{ANTHROPIC_BASE}}

أرسل الموجه نفسه عبر التنسيقات الثلاثة، ثم قارن الاستجابة الخام:
- choices[0].message.content في ChatCompletions
- قائمة content في Messages
- عناصر الإخراج المصنفة في Responses
اختبر البث باستخدام:

   {
     "stream": true
   }

ستلاحظ بوضوح الفرق بين:

أجزاء ChatCompletions التي تنتهي بـ [DONE]
أحداث Messages المسماة
أحداث دورة حياة Responses

أضف اختبارات تحقق للحقول التي يعتمد عليها تكاملك فعليًا، مثل:
- مسار النص النهائي
- موقع معرف استدعاء الأداة
- سبب الإنهاء
- وجود reasoning_content

إذا لم تكن معتادًا على تصحيح SSE، راجع كيفية بث استجابات API باستخدام SSE.

بهذا يصبح مشروع المجلدات الثلاثة توثيقًا حيًا: بدل السؤال عن شكل أداة Messages أو حدث البث في Responses، ستجد طلبًا محفوظًا واستجابة حقيقية قابلة للمراجعة.

ملاحظات الترحيل

الترحيل من OpenAI

غيّر القيم التالية:

base_url = "https://api.deepseek.com"
api_key = "YOUR_DEEPSEEK_API_KEY"
model = "deepseek-v4-pro"

يفترض أن يبقى بناء الرسائل وتعريفات الأدوات ومعالجات البث كما هي. قبل الإطلاق:

اختبر أي معلمات إضافية تستخدمها خارج المواصفات الأساسية.
حدّث محلل الاستجابة ليتحمل وجود reasoning_content بجانب content.
شغّل مجموعة اختبارات التراجع كاملة.

الترحيل من Anthropic

استبدل:

العنوان الأساسي بالمسار المتوافق مع Anthropic
مفتاح API
اسم النموذج

لأن شكل Messages ينتقل مباشرة، لا ينبغي أن تحتاج إلى إعادة كتابة منطق الرسائل أو كتل المحتوى أو أحداث البث، ما دام عميلك يتبع المواصفات. للوكلاء المعتمدين على متغيرات البيئة، يكفي تطبيق أوامر export المذكورة سابقًا.

الترحيل إلى Responses API

هذا ليس تغيير إعدادات فقط. ستحتاج إلى إعادة بناء طبقة الطلب لأن messages لا تتحول آليًا إلى instructions وinput.

اعتمد هذا التنسيق عندما تحتاج ميزاته الخاصة، مثل الحالة على الخادم وعناصر الإخراج المصنفة، وليس لمجرد أنه الواجهة الأحدث.

في جميع الحالات، غيّر الإعدادات أولًا ثم شغّل اختبارات التراجع قبل الاعتماد على التكامل في الإنتاج.

الأسئلة الشائعة

أي تنسيق يجب أن يختاره مشروع جديد؟

استخدم ChatCompletions افتراضيًا للحصول على أوسع دعم للأدوات. اختر Messages إذا كانت حزمتك أو أدواتك مبنية أصلًا لـ Claude. واختر Responses API إذا كنت تبني وكيلًا متعدد الخطوات وتحتاج إلى حالة تُدار على الخادم.

هل يمكن توجيه Claude Code إلى DeepSeek V4 Pro؟

نعم. اضبط ANTHROPIC_BASE_URL على نقطة نهاية DeepSeek المتوافقة مع Anthropic، واستخدم مفتاح DeepSeek كرمز المصادقة، واضبط النموذج إلى deepseek-v4-pro.

هل يعمل استدعاء الأدوات والمخرجات المنظمة في كل تنسيق؟

يدعم النموذج كليهما، لكن كل واجهة تمثل الأدوات بشكل مختلف:

كائنات function متداخلة في ChatCompletions
أدوات مسطحة مع input_schema في Messages
عناصر بنمط Responses في Responses API

اختبر مخططات الأدوات الفعلية ضمن كل واجهة قبل الإطلاق، لأن حالات الحافة في شكل المخطط هي أكثر مواضع اختلاف التطبيقات المتوافقة.

كيفية استخدام استدعاء الدوال مع DeepSeek V4 Pro API

Yusuf Khalidd — Thu, 13 Aug 2026 08:36:21 +0000

أخرجت DeepSeek الإصدار V4 Pro من مرحلة المعاينة في 12 أغسطس 2026، وتتصدر تغطية الإطلاق سير العمل التفاعلي (agentic workflows): البرمجة، استخدام الأدوات، والمهام طويلة المدى التي تربط عشرات الخطوات دون فقدان السياق. لذلك، فإن استدعاء الدوال (function calling) هو الميزة الأساسية لبناء وكلاء عمليين، وليس مجرد إكمال دردشة.

جرّب Apidog اليوم

في هذا الدليل ستعرّف مخطط أداة، وتجري أول استدعاء باستخدام حزمة openai القياسية في بايثون، ثم تبني حلقة وكيل كاملة وتختبرها في Apidog. إن لم يكن لديك مفتاح DeepSeek API، أعدّه أولًا عبر دليل كيفية استخدام DeepSeek V4 API.

TL;DR

يدعم deepseek-v4-pro، إصدار GA ‏DeepSeek-V4-Pro-0813، استدعاء الدوال بأسلوب OpenAI: أرسل tools، واستقبل tool_calls، ثم أعد النتائج برسائل tool.
يمكنك بناء حلقة وكيل كاملة في نحو 30 سطرًا من بايثون: استدعِ النموذج، نفّذ الأدوات، أضف النتائج، وكرّر حتى ينتج إجابة نهائية.
يدعم النموذج الاستدعاءات المتوازية والمخرجات المنظمة. ويضيف وضع التفكير الحقل reasoning_content.
يحدد التخزين المؤقت التلقائي للمقدمة سعر إدخال cache-hit عند 0.003625 دولار لكل مليون توكن، مقابل 0.435 دولار لإدخال cache-miss.
اختبر النموذج باستخدام مخططات أدواتك الفعلية وسيناريوهاتك الحقيقية، لا بالمعايير العامة فقط.

لماذا يُعد استدعاء الأدوات حالة الاستخدام الرئيسية لـ V4 Pro؟

صممت DeepSeek الإصدار V4 Pro للوكلاء، وتوضح مواصفاته سبب ملاءمته لحلقات الأدوات الطويلة:

المواصفات	DeepSeek V4 Pro
البنية	Sparse MoE: 1.6 تريليون معلمة إجمالية، و49 مليار معلمة نشطة لكل توكن
نافذة السياق	1 مليون توكن
الحد الأقصى للمخرجات	384 ألف توكن
سعر الإدخال	0.435 دولار/مليون توكن بدون ذاكرة مؤقتة، و0.003625 دولار/مليون مع الذاكرة المؤقتة
سعر المخرجات	0.87 دولار/مليون توكن
استدعاء الدوال	مصفوفة `tools` متوافقة مع OpenAI واستجابات `tool_calls`
واجهات أخرى	تنسيق رسائل Anthropic وواجهة Responses API من DeepSeek

تساعد نافذة السياق الكبيرة في الاحتفاظ بسجل استدعاءات الأدوات ونتائجها. كما تجعل تكلفة cache-hit المنخفضة تكرار حلقات الوكيل أقل تكلفة. النموذج متاح أيضًا على OpenRouter باسم deepseek-v4-pro-0813 للمقارنة بين الموفرين.

لكن لا تفترض أن الأداء ثابت في كل البيئات. في مناقشة إطلاق Hacker News، أفاد مطورون بأن جودة استدعاء الأدوات تتأثر بالإطار المستخدم، وهيكل التعليمات، وصياغة مخطط JSON. اختبر أدواتك ومخططاتك الفعلية قبل الإنتاج.

كيف يعمل استدعاء الدوال في DeepSeek؟

استدعاء الدالة لا يعني أن النموذج ينفذ الدالة بنفسه. بل يعيد طلبًا منظمًا، مثل:

{
  "name": "get_order",
  "arguments": "{\"order_id\":\"ORD-10442\"}"
}

تتولى أنت تنفيذ الدالة، ثم تعيد النتيجة للنموذج. الدورة كالتالي:

أرسل messages ومصفوفة tools التي تصف دوالك بمخطط JSON.
يقرر النموذج أنه يحتاج أداة ويرد بـ tool_calls.
حلّل الوسائط ونفّذ الدالة الفعلية في بيئتك.
أضف النتيجة برسالة ذات role: "tool" ومعرف الاستدعاء الصحيح.
استدعِ النموذج مجددًا حتى يطلب أداة أخرى أو ينتج إجابة نهائية.

إذا استخدمت استدعاء الدوال في OpenAI، فالتنسيق نفسه تقريبًا. غالبًا ستحتاج فقط إلى تغيير base_url واسم النموذج. راجع أيضًا وثائق DeepSeek الرسمية.

الخطوة 1: إعداد العميل

ثبّت حزمة SDK واضبط مفتاح API:

pip install openai
export DEEPSEEK_API_KEY="sk-..."

ثم أنشئ العميل:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com",
)

تستخدم الأمثلة التالية النموذج deepseek-v4-pro، الذي يشير إلى إصدار GA ‏DeepSeek-V4-Pro-0813.

الخطوة 2: تحديد مخطط أداة

سننشئ وكيل دعم لمتجر إلكتروني. الأداة الأولى تسترجع تفاصيل طلب من خلال معرّفه.

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order",
            "description": (
                "Look up a customer order by its ID. Returns the order status, "
                "carrier, tracking number, and estimated delivery date. Use this "
                "whenever the user asks where an order is or what state it's in."
            ),
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {
                        "type": "string",
                        "description": "The order ID, formatted like 'ORD-10442'.",
                    }
                },
                "required": ["order_id"],
            },
        },
    }
]

اكتب الوصف بدقة، لأن النموذج يستخدمه لتحديد متى يستدعي الأداة. الوصف المبهم من أكثر أسباب تجاهل الأداة أو اختيار أداة غير مناسبة.

لأغراض التجربة، استخدم تنفيذًا محليًا بديلًا لخدمة الطلبات:

def get_order(order_id: str) -> dict:
    """Stub for your real order service."""
    fake_db = {
        "ORD-10442": {
            "status": "shipped",
            "carrier": "DHL",
            "tracking_number": "4281337005",
            "estimated_delivery": "2026-08-15",
        },
        "ORD-10587": {
            "status": "processing",
            "estimated_ship_date": "2026-08-14",
        },
    }

    return fake_db.get(
        order_id,
        {"error": f"Unknown order ID: {order_id}"}
    )

الخطوة 3: إجراء أول استدعاء لأداة

أرسل سؤالًا يحتاج إلى بيانات حقيقية:

messages = [
    {
        "role": "system",
        "content": "You are a support agent for an online store.",
    },
    {
        "role": "user",
        "content": "Where is my order ORD-10442?",
    },
]

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=messages,
    tools=tools,
)

message = response.choices[0].message

print(message.tool_calls[0].function.name)
# get_order

print(message.tool_calls[0].function.arguments)
# {"order_id": "ORD-10442"}

بدلًا من الإجابة النصية، يطلب النموذج منك تنفيذ get_order. قد تبدو الاستجابة الخام بهذا الشكل:

{
  "id": "chatcmpl-8f3a1c",
  "object": "chat.completion",
  "model": "deepseek-v4-pro",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "",
        "tool_calls": [
          {
            "id": "call_0_f1c29a44",
            "type": "function",
            "function": {
              "name": "get_order",
              "arguments": "{\"order_id\": \"ORD-10442\"}"
            }
          }
        ]
      },
      "finish_reason": "tool_calls"
    }
  ],
  "usage": {
    "prompt_tokens": 312,
    "completion_tokens": 24,
    "total_tokens": 336,
    "prompt_cache_hit_tokens": 0,
    "prompt_cache_miss_tokens": 312
  }
}

انتبه إلى ثلاث نقاط:

عندما تكون finish_reason هي "tool_calls"، يجب أن تنفذ الأدوات قبل متابعة المحادثة.
يحمل كل استدعاء id فريدًا، ويجب إرجاعه في tool_call_id.
القيمة arguments سلسلة JSON نصية، لذلك يجب تحليلها والتحقق منها قبل التنفيذ.

الخطوة 4: تنفيذ الدالة وإرجاع النتيجة

نفّذ الدالة ثم أضف رسالة المساعد التي تحتوي الاستدعاء، متبوعة برسالة الأداة التي تحتوي النتيجة:

import json

tool_call = message.tool_calls[0]
args = json.loads(tool_call.function.arguments)

result = get_order(**args)

messages.append(message)

messages.append({
    "role": "tool",
    "tool_call_id": tool_call.id,
    "content": json.dumps(result),
})

final = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=messages,
    tools=tools,
)

print(final.choices[0].message.content)

مثال للإجابة النهائية:

Your order ORD-10442 shipped with DHL and is estimated to arrive
by August 15, 2026. Tracking number: 4281337005.

العلاقة بين tool_call_id ورسالة tool صارمة: يجب أن يحصل كل عنصر في tool_calls على رسالة نتيجة مطابقة قبل استدعاء النموذج مرة أخرى.

الخطوة 5: بناء حلقة الوكيل الكاملة

الوكلاء الحقيقيون يربطون عدة استدعاءات: استرجاع طلب، التحقق من سياسة، ثم صياغة رد. استخدم حلقة تستمر حتى ينتج النموذج إجابة طبيعية أو تصل إلى حد آمن من الجولات.

import json

TOOLS_BY_NAME = {
    "get_order": get_order,
}

def run_agent(client, messages, tools, max_rounds=10):
    """Run the model until it returns a final answer or hits the cap."""
    for _ in range(max_rounds):
        response = client.chat.completions.create(
            model="deepseek-v4-pro",
            messages=messages,
            tools=tools,
        )

        message = response.choices[0].message
        messages.append(message)

        if not message.tool_calls:
            return message.content

        for tool_call in message.tool_calls:
            fn = TOOLS_BY_NAME.get(tool_call.function.name)

            try:
                if fn is None:
                    raise ValueError(
                        f"Unknown tool: {tool_call.function.name}"
                    )

                args = json.loads(tool_call.function.arguments)
                result = fn(**args)

            except Exception as exc:
                result = {
                    "error": str(exc)
                }

            messages.append({
                "role": "tool",
                "tool_call_id": tool_call.id,
                "content": json.dumps(result),
            })

    raise RuntimeError(
        f"Agent did not finish within {max_rounds} rounds"
    )

استخدم max_rounds دائمًا. فهو يمنع النموذج من الاستمرار في إعادة استدعاء أداة فاشلة إلى ما لا نهاية، ويحوّل الحلقة العالقة إلى خطأ يمكن رصده ومعالجته.

استدعاءات الأدوات المتوازية

إذا طلب المستخدم مقارنة طلبين، مثل:

Compare the status of ORD-10442 and ORD-10587.

قد يعيد النموذج استدعاءين في الدور نفسه:

"tool_calls": [
  {
    "id": "call_0_a7d1",
    "type": "function",
    "function": {
      "name": "get_order",
      "arguments": "{\"order_id\": \"ORD-10442\"}"
    }
  },
  {
    "id": "call_1_b3e9",
    "type": "function",
    "function": {
      "name": "get_order",
      "arguments": "{\"order_id\": \"ORD-10587\"}"
    }
  }
]

تتعامل حلقة run_agent مع عدة استدعاءات بالفعل. ولتقليل زمن التنفيذ، يمكنك تشغيل الدوال المتعددة بشكل متزامن، لكن عليك إضافة نتيجة tool منفصلة لكل tool_call_id.

يختلف هذا عن استدعاء الأدوات البرمجي في GPT-5.6، حيث يكتب النموذج كود التنسيق ضمن بيئة معزولة. في DeepSeek، يبقى التنفيذ وحدود الثقة في بيئة التشغيل الخاصة بك.

استخدام وضع التفكير مع الأدوات

يوفر V4 Pro ثلاثة أوضاع للتفكير. يمكن استخدام التفكير للمهام التي تحتاج تخطيطًا، وتجاوزه في عمليات البحث الروتينية. راجع الوثائق الرسمية لأسماء الأوضاع والإعدادات الافتراضية.

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=messages,
    tools=tools,
    extra_body={"thinking": {"type": "enabled"}},
)

message = response.choices[0].message

print(message.reasoning_content)
print(message.tool_calls)

يعيد الحقل reasoning_content تتبع التفكير، إلى جانب استدعاءات الأدوات. استخدمه لتصحيح اختيار الأدوات أو تحسين المخططات، لكن أزله قبل إضافة رسالة المساعد إلى سجل المحادثة. كذلك، احتفظ بوضع التفكير للمهام التي تستحق تكلفته، لأنه يُحتسب ضمن المخرجات بسعر 0.87 دولار/مليون توكن.

معالجة أخطاء استدعاءات الأدوات

يجب ألا تتعطل حلقة الوكيل بسبب JSON غير صالح أو معاملات تخالف قواعد عملك. أعد الخطأ إلى النموذج كنتيجة أداة، وأعطه تلميحًا واضحًا لإعادة المحاولة.

import json
from jsonschema import ValidationError, validate

schema = tools[0]["function"]["parameters"]

try:
    args = json.loads(tool_call.function.arguments)
    validate(instance=args, schema=schema)
    result = get_order(**args)

except (json.JSONDecodeError, ValidationError) as exc:
    result = {
        "error": f"Invalid arguments: {exc}",
        "hint": (
            "Call get_order again with an order_id string "
            "like 'ORD-10442'."
        ),
    }

التلميح القصير غالبًا يكفي لتصحيح الاستدعاء في الجولة التالية.

تعامل أيضًا مع أخطاء الوكلاء كحالات أمنية. إذا أُقنع النموذج باستدعاء دالة حساسة بمعاملات قدمها مهاجم، فإن مستوى الضرر يعتمد على صلاحيات المفتاح أو الخدمة خلف الأداة. طبّق مبدأ أقل امتياز، كما في دليل مفاتيح API بأقل امتياز لوكلاء الذكاء الاصطناعي.

اختبار وتصحيح استدعاءات الأدوات باستخدام Apidog قبل الإطلاق

كل أداة هي طبقة فوق API خلفية، والنموذج مستهلك جديد لهذه الواجهة. إذا كان عقد الـ API غامضًا أو غير مستقر، فستظهر المشكلة مباشرة في سلوك الوكيل.

استخدم Apidog بهذه الطريقة:

صمم الـ API أولًا

عرّف GET /orders/{order_id} داخل مصمم Apidog. حافظ على توافق مواصفة الـ API ومخطط JSON الخاص بالأداة لتجنب انجرافهما بمرور الوقت.
حاكِ الخدمة قبل اكتمال الواجهة الخلفية

استخدم المحاكاة لإرجاع استجابات واقعية اعتمادًا على المخطط، واختبر حلقة الوكيل بينما تكون خدمة الطلبات الفعلية قيد البناء.
افحص الاستجابة الخام للنموذج

أرسل جسم messages وtools نفسه إلى https://api.deepseek.com من Apidog، ثم افحص JSON الناتج. بهذه الطريقة ستكتشف سريعًا أخطاء مثل properties غير الصحيحة أو المعاملات المشفرة مرتين.
حوّل المحادثات إلى اختبارات انحدار

تحقق من finish_reason، واسم الدالة، وشكل الوسائط، ورسائل الأخطاء. شغّل هذه الاختبارات عند كل تغيير في مخطط الأدوات. راجع ربط وكيل الذكاء الاصطناعي بنظام اختبار Apidog للحصول على نمط أعمق.

يمكنك تنزيل Apidog مجانًا للمتابعة؛ يتضمن المستوى المجاني خادم المحاكاة وسيناريوهات الاختبار.

تكلفة حلقات الوكيل ولماذا يهم التخزين المؤقت

تعيد حلقة الوكيل إرسال سجل المحادثة في كل جولة. عند الجولة العاشرة، قد تكون قد أرسلت تعليمات النظام ومخططات الأدوات ونتائج الجولات السابقة مرات عديدة.

يقلل التخزين المؤقت التلقائي للمقدمة هذه التكلفة. بما أن كل جولة غالبًا تضيف القليل فقط إلى الجولة السابقة، يمكن احتساب معظم المقدمة بسعر cache-hit البالغ 0.003625 دولار/مليون توكن بدلًا من 0.435 دولار/مليون توكن.

كمثال تقريبي:

إعادة قراءة 100 ألف توكن بدون ذاكرة مؤقتة: نحو 0.0435 دولار.
إعادة قراءة 100 ألف توكن مع cache-hit: نحو 0.0004 دولار.

راقب الحقول التالية في الاستجابة لقياس نسبة التخزين المؤقت الفعلية:

{
  "prompt_cache_hit_tokens": 0,
  "prompt_cache_miss_tokens": 312
}

لتحقيق معدل cache-hit مرتفع:

لا تعدّل الرسائل السابقة بين الجولات.
اجعل مصفوفة tools ثابتة بايتًا ببايت.
لا تغيّر ترتيب الأدوات أو أوصافها أثناء تنفيذ الحلقة.

لمزيد من التفاصيل، راجع ما هو التخزين المؤقت للموجه.

قد يبدو deepseek-v4-flash بسعر 0.14 دولار / 0.28 دولار خيارًا جذابًا للتوجيه البسيط إلى أداة واحدة، لكنه قد يتدهور في حلقات تربط أكثر من 10 استدعاءات؛ وقد تستهلك إعادة المحاولات أي وفورات متوقعة. لذلك، يكون Pro الخيار الافتراضي الأكثر أمانًا للوكلاء متعددة الخطوات.

الأسئلة الشائعة

هل تكلف تعريفات الأدوات توكنات؟

نعم. تكون مصفوفة tools جزءًا من مدخلات كل طلب. حافظ على ثباتها لكي تصبح جزءًا من المقدمة المخزنة مؤقتًا بعد الجولة الأولى.

هل يمكن دمج استدعاء الدوال مع المخرجات المنظمة؟

نعم. النمط الشائع هو أن تجلب الأدوات البيانات الوسيطة، ثم يستخدم النموذج مخطط مخرجات منظمًا لتنسيق الإجابة النهائية. بهذه الطريقة لا يحتاج الكود اللاحق إلى تحليل نص نثري حر.

خلاصة

تنفيذ استدعاء الدوال في DeepSeek V4 Pro مباشر عمدًا: مخططات متوافقة مع OpenAI، وtool_calls، ورسائل tool مرتبطة بمعرف الاستدعاء. حلقة run_agent هي البنية الأساسية التي تحتاجها للبدء.

الجزء الذي يحتاج أكبر قدر من العمل ليس حلقة بايثون، بل جودة مخططاتك، وحدود صلاحيات أدواتك، واختباراتك. صمم واجهاتك الخلفية بعناية، حاكها مبكرًا، واستخدم مجموعة اختبارات انحدار في Apidog حتى لا يؤدي تغيير صغير في المخطط إلى تعطيل وكيلك بصمت.

ارتفاع أسعار DeepSeek API: دليل المطور لاستراتيجيات تحسين التكاليف

Yusuf Khalidd — Thu, 13 Aug 2026 08:35:13 +0000

بنت DeepSeek قاعدتها من المطورين على معادلة بسيطة: نماذج شبه رائدة بأسعار تجعل العداد غير ذي صلة. في 6 أغسطس 2026، حذرت الشركة من أن هذه المعادلة على وشك التغيير. في إعلان غطته Dataconomy لأول مرة، قالت DeepSeek إن أسعار واجهة برمجة التطبيقات (API) سترتفع "في المدى القريب"، وإن الزيادة متوقعة أن تكون "كبيرة". لم تعلن الشركة أرقامًا أو تاريخًا للسريان أو تفاصيل حسب النموذج ومستوى التسعير.

جرّب Apidog اليوم

السياق يجعل التحذير ذا مصداقية. تشير DeepSeek إلى ارتفاع تكاليف الحوسبة، واختناقات القدرة، وحركة المرور الكثيفة على V4-Flash وV4-Pro. وهذا هو التغيير الثاني في الأسعار خلال أقل من شهر، بعد طرح أسعار الذروة وخارج الذروة في منتصف يوليو. كما يأتي التحذير قبل وصول V4 Pro 0813 إلى التوفر العام في 12 أغسطس، ما قد يدفع الطلب إلى الارتفاع. ويصف eWeek الخطوة بأنها اختبار للميزة منخفضة التكلفة التي جعلت DeepSeek خيارًا شائعًا للفرق في آسيا والمحيط الهادئ وخارجها.

لا يمكنك التحكم في الأسعار الجديدة، لكن يمكنك التحكم في عدد الرموز التي تشتريها، والنموذج المستخدم، ووقت التنفيذ، والمزود. يوضح هذا الدليل خمس خطوات عملية لتقليل تعرضك قبل سريان الزيادة، مع نموذج تقريبي لفواتير بزيادات قدرها 1.5x و2x و3x.

ملخص سريع

أعلنت DeepSeek في 6 أغسطس 2026 عن زيادة "كبيرة" في أسعار API، من دون تحديد المبلغ أو التاريخ أو تفاصيل كل نموذج.
التخزين المؤقت التلقائي لبادئات المطالبات هو أكبر وسيلة لتقليل التكلفة؛ فالمدخلات المخزنة مؤقتًا تُفوتر بأقل من 1% من معدل عدم المطابقة.
استخدم V4-Flash للمكالمات البسيطة مرتفعة الحجم، وV4-Pro للتفكير والتحليل العميق.
حدّد ميزانية التفكير لكل مسار حتى لا تدفع تكلفة الاستدلال لمهام التصنيف أو التنسيق.
انقل الأعمال الدفعية إلى فترات خارج الذروة التي طرحتها DeepSeek في منتصف يوليو.
جهّز مزودًا ثانيًا. يمكنك تشغيل مجموعة اختبار واحدة عبر Apidog للتحقق من أن خطة التحويل الاحتياطية تعمل.
حتى في سيناريو زيادة قدرها 3x، سيكلف إخراج V4-Pro نحو 2.61 دولارًا لكل مليون رمز، مقارنةً بـ25–30 دولارًا المنسوبة إلى بعض النماذج المنافسة في المقارنات العامة. استعد، لكن لا داعي للذعر.

ما أعلنته DeepSeek وما لم تعلنه

الإفصاح الرسمي محدود: سترتفع أسعار API "في المدى القريب"، وستكون الزيادة "كبيرة"، والسبب هو تكاليف الحوسبة واختناقات القدرة والمرور المرتفع على نقطتي نهاية V4-Flash وV4-Pro. وحتى 13 أغسطس، لا تزال الأسعار الحالية سارية.

لم تحدد DeepSeek:

مقدار الزيادة.
تاريخ بدء الأسعار الجديدة.
ما إذا كان V4-Flash وV4-Pro سيتحركان بالمعدل نفسه.
ما إذا كانت أسعار مطابقة ذاكرة التخزين المؤقت ستتغير بالتناسب مع أسعار عدم المطابقة.
ما إذا كانت أعباء عمل التفكير ستخضع لمعاملة مختلفة.

تتحدث بعض نقاشات Hacker News عن زيادة بين 2x و3x، لكن ذلك غير مؤكد رسميًا. لذلك خطط لنطاق من السيناريوهات، لا لرقم واحد.

بطاقة الأسعار الحالية

النموذج	المدخلات — عدم مطابقة ذاكرة التخزين المؤقت	المدخلات — مطابقة ذاكرة التخزين المؤقت	المخرجات
DeepSeek V4-Pro	$0.435 / مليون رمز	$0.003625 / مليون رمز	$0.87 / مليون رمز
DeepSeek V4-Flash	$0.14 / مليون رمز	—	$0.28 / مليون رمز

يحمل كلا النموذجين نافذة سياق بحجم مليون رمز. راجع دليل تسعير واجهة برمجة التطبيقات DeepSeek V4 للتفاصيل، وبطاقة الأسعار المباشرة في وثائق واجهة برمجة التطبيقات DeepSeek.

هناك فارقان مهمان في الجدول:

المدخلات المخزنة مؤقتًا أرخص من المدخلات غير المخزنة مؤقتًا بأكثر من 99%.
تبلغ تكلفة V4-Pro نحو ثلاثة أضعاف تكلفة V4-Flash للمدخلات والمخرجات.

تستفيد الخطوات التالية من هذين الفارقين.

الخطوة 1: قِس تعرضك قبل سريان السعر

زيادة السعر هي مضاعف لرقم يجب أن تعرفه أولًا. قبل إعادة كتابة المطالبات أو تغيير النماذج، اربط كل استدعاء بالميزة التي تسببت فيه وسجّل استخدام الرموز الفعلي:

usage = response.usage

log.info("llm_call", extra={
    "feature": "ticket-summarizer",
    "model": "deepseek-v4-flash",
    "input_tokens": usage.prompt_tokens,
    "output_tokens": usage.completion_tokens,
    "cache_hit_tokens": usage.prompt_cache_hit_tokens,
})

يمكنك تطبيق النمط نفسه على DeepSeek كما هو موضح في دليل تتبع إنفاق OpenAI API لكل ميزة.

اجمع أسبوعًا من البيانات على الأقل، ثم أجب عن الأسئلة التالية:

ما الميزات التي تستهلك معظم الميزانية؟
ما نسبة رموز الإدخال التي تصل إلى ذاكرة التخزين المؤقت؟
كم من استخدام V4-Pro ينجز مهام يمكن أن ينفذها V4-Flash؟
ما تكلفة الوحدة لكل ميزة، وكيف تتغير في سيناريوهات الزيادة؟

استخدم تكلفة الوحدة الحالية كعتبة لاتخاذ قرار التحويل في الخطوة الخامسة.

الخطوة 2: ارفع معدل مطابقة ذاكرة التخزين المؤقت

تخزن DeepSeek بادئات المطالبات مؤقتًا تلقائيًا. عندما تتطابق الرموز الافتتاحية مع طلب حديث، تُحاسب هذه البادئة بمعدل المطابقة. على V4-Pro، يعني ذلك $0.003625 لكل مليون رمز بدلًا من $0.435.

لا توجد علامات للتحكم في ذاكرة التخزين المؤقت أو إدارة مباشرة لـTTL؛ لذلك يعتمد الخصم على استقرار بنية المطالبة. يشرح دليل التخزين المؤقت للمطالبات الآلية بمزيد من التفصيل.

اجعل البادئة ثابتة بالبايت

اتبع هذه القواعد عند بناء الرسائل:

ضع المحتوى الثابت أولًا: مطالبة النظام، تعريفات الأدوات، الأمثلة، وسياسات الإخراج.
انقل المحتوى المتغير إلى النهاية: رسالة المستخدم، المستندات المسترجعة، وبيانات الجلسة.
أزل العناصر المتغيرة من بداية المطالبة، مثل الطوابع الزمنية ومعرّفات الطلبات والتحيات الشخصية.
ثبّت ترتيب الأدوات والحقول عند التسلسل؛ فالترتيب غير الحتمي قد يكسر المطابقة.
في المحادثات متعددة الأدوار، أعد إرسال البادئة الثابتة بالطريقة نفسها في كل دور.

مثال على بنية أفضل:

[رسالة النظام الثابتة]
[تعريفات الأدوات الثابتة]
[أمثلة الإخراج الثابتة]

[سياق الجلسة المتغير]
[المستندات المسترجعة]
[رسالة المستخدم الحالية]

راقب معدل المطابقة من كل استجابة

تبلغ DeepSeek عن رموز المطابقة وعدم المطابقة في كائن usage، وفقًا لـوثائق واجهة برمجة التطبيقات DeepSeek:

u = response.usage

total_prompt_tokens = (
    u.prompt_cache_hit_tokens +
    u.prompt_cache_miss_tokens
)

hit_rate = (
    u.prompt_cache_hit_tokens / total_prompt_tokens
    if total_prompt_tokens
    else 0
)

تتبع hit_rate لكل ميزة. إذا كانت البنية متكررة لكن معدل المطابقة منخفض، فابحث عن جزء متغير في بداية المطالبة. غالبًا ما يكفي نقل ذلك الجزء إلى النهاية لرفع المعدل.

الخطوة 3: وجّه الطلبات حسب المهمة

V4-Pro مناسب للتفكير العميق، لكنه مكلف لإعادة تنسيق JSON أو تصنيف النصوص. لا تجعل النموذج الذي استخدمته أثناء بناء النموذج الأولي هو النموذج الافتراضي لكل الإنتاج.

شكل حمل العمل	النموذج المقترح
التصنيف، الاستخراج، التنسيق، وتوجيه النوايا	V4-Flash مع أقل قدر من التفكير
التلخيص، إجابات RAG، وتوليد المسودات	V4-Flash أولًا؛ الترقية إلى Pro عند فشل التقييمات
حلقات الوكلاء متعددة الخطوات، التصحيح الصعب، وتحليل البنية	V4-Pro مع ميزانية تفكير

اختبر التحويل بدلًا من الاعتماد على الانطباع:

انقل مسارًا واحدًا من Pro إلى Flash.
شغّل مجموعة التقييم نفسها.
قارن الجودة، معدل الفشل، وزمن الاستجابة.
احتفظ بالتغيير إذا بقيت الجودة ضمن الحد المقبول.

حدّد ميزانية التفكير

تُفوتر آثار الاستدلال كرموز مخرجة، وهي أغلى من رموز الإدخال. لذلك لا تستخدم أقصى جهد تفكير لمسار تصنيف بسيط.

استخدم إعدادًا منخفضًا أو دون تفكير للمهام الميكانيكية، واحجز التفكير العميق لحلقات الوكلاء والتحليل الذي يحقق فائدة قابلة للقياس.

الخطوة 4: انقل الأعمال الدفعية إلى خارج الذروة

يُعد التسعير خارج الذروة الذي طرحته DeepSeek في منتصف يوليو وسيلة مباشرة لتقليل تكلفة الأعمال غير التفاعلية. راجع الفترات والخصومات الحالية في وثائق واجهة برمجة التطبيقات DeepSeek قبل جدولة المهام.

أمثلة على الأعمال المناسبة:

تقييمات ليلية.
إعادة إنشاء التضمينات.
تصنيف مجموعات البيانات.
اختبارات انحدار المطالبات في CI.
عمليات المعالجة التي لا ينتظر نتيجتها مستخدم.

بدلًا من تنفيذ هذه المهام عند الطلب، ضعها في قائمة انتظار مع نافذة تشغيل:

from datetime import datetime, timezone

def enqueue_batch(job):
    job.release_after = next_off_peak_window()
    queue.publish("llm-batch", job)

غيّر الجدولة فقط عندما تكون الرموز والمدخلات متطابقة ولا تتطلب المهمة استجابة فورية.

تنبيه: لم توضح DeepSeek ما إذا كانت فروقات خارج الذروة ستستمر بعد الزيادة. استفد منها الآن، وأعد التحقق من الشروط عند نشر الأسعار الجديدة.

تقدير الفاتورة عند زيادات 1.5x و2x و3x

هذه سيناريوهات توضيحية وليست توقعات. لم تعلن DeepSeek مضاعفًا محددًا، ولا نعرف ما إذا كانت جميع المستويات ستتغير بالتساوي. يفترض الحساب التالي زيادة موحدة.

حمل العمل الافتراضي

شهريًا:

V4-Pro: ‏400 مليون رمز إدخال، بمعدل مطابقة 60%، و60 مليون رمز إخراج.
- عدم المطابقة: $69.60
- المطابقة: $0.87
- المخرجات: $52.20
- الإجمالي: $122.67
V4-Flash: ‏600 مليون رمز إدخال و120 مليون رمز إخراج.
- المدخلات: $84.00
- المخرجات: $33.60
- الإجمالي: $117.60

الفاتورة الأساسية: $240.27.

في السيناريو المحسن، ترفع إعادة هيكلة البادئة معدل مطابقة Pro إلى 85%، وتخفض ميزانية التفكير مخرجات Pro إلى 45 مليون رمز. تصبح فاتورة Pro نحو $66.48، وتصبح الفاتورة الكلية $184.08.

سيناريو السعر	الفاتورة غير المحسّنة	الفاتورة المحسّنة — الخطوتان 2 و3
الأسعار الحالية	$240	$184
زيادة 1.5x	$360	$276
زيادة 2x	$481	$368
زيادة 3x	$721	$552

الحمل المحسن عند زيادة 2x يكلف نحو $368، أي قريبًا من تكلفة الحمل غير المحسن عند زيادة 1.5x، وهي $360. وبما أن التخفيضات الهيكلية تتناسب مع أي مضاعف، فإن خفض الفاتورة بنسبة 23% يوفر نحو $56 اليوم و$168 في سيناريو 3x.

لم تُدرج وفورات خارج الذروة في الجدول لأن قيمتها تعتمد على وقت التشغيل الفعلي؛ لذلك يُعد العمود المحسن تقديرًا محافظًا.

متى يصبح تبديل النماذج أفضل من التحسين؟

حتى سيناريو الزيادة 3x يبقي DeepSeek منخفض التكلفة نسبيًا: يصبح إخراج V4-Pro نحو $2.61 لكل مليون رمز، بينما تضع بعض المقارنات العامة إخراج النماذج المنافسة الرائدة عند $25–30 لكل مليون رمز. يشير eWeek إلى أن الزيادة قد تضعف الميزة السعرية، لكنها لا تلغيها بالضرورة.

ابقَ على DeepSeek عندما

يجتاز النموذج تقييمات الجودة لديك.
يتركز إنفاقك في حركة مرور قابلة للتخزين المؤقت.
تستطيع توجيه المهام البسيطة إلى V4-Flash.
لديك وقت هندسي لتحسين المطالبات قبل سريان الأسعار.

بدّل النموذج أو قسّم حركة المرور عندما

تكون كل طلباتك فريدة، ولا تستطيع إعادة استخدام بادئة ثابتة.
تدفع تكلفة V4-Pro لمهام يجتازها نموذج منافس أصغر.
يتجاوز مضاعف الزيادة عتبة نقطة التعادل التي حسبتها من بياناتك.
يفشل النموذج الاحتياطي أو البديل في اختبارات الجودة أو التوافق.

بالنسبة لمعظم الفرق، سيكون الحل الهجين عمليًا: احتفظ بـDeepSeek في المسارات التي يحقق فيها أفضل تكلفة مقابل جودة، وانقل المسارات الأخرى إلى مزود بديل. شغّل مجموعة تكافؤ مشتركة باستمرار حتى تصبح أي زيادة مستقبلية تغييرًا في الإعدادات، لا أزمة تشغيلية.

الخلاصة

أعلنت DeepSeek أن أسعار API سترتفع، لكنها لم تحدد مقدار الزيادة أو موعدها. أفضل استجابة هي استخدام الفترة الحالية لقياس الإنفاق وتحسينه:

اربط كل استدعاء بالميزة والنموذج وعدد الرموز.
ثبّت بادئات المطالبات لرفع معدل التخزين المؤقت.
وجّه المهام البسيطة إلى V4-Flash، واستخدم V4-Pro عند الحاجة.
خفّض ميزانيات التفكير للمسارات التي لا تحتاج إلى استدلال عميق.
انقل الأعمال الدفعية إلى خارج الذروة.
اختبر مزودًا ثانيًا قبل أن تحتاج إلى التحويل الفعلي.

معالجة هذه الخطوات في خدمة واحدة قد تقلل أثر الزيادة بشكل كبير. يمكنك تنزيل Apidog مجانًا، وبناء مجموعة الاختبار مرة واحدة، ثم تشغيلها ضد api.deepseek.com والمزود الاحتياطي باستخدام بيئة منفصلة لكل مزود. جدولة الاختبارات دوريًا تساعدك على التحقق من الجودة والتوافق مع تغيّر الأسعار.

Grok 4.6 مقابل GPT-5.6 مقابل Claude Fable 5: أي نموذج يختاره مطورو الـ API؟

Yusuf Khalidd — Thu, 13 Aug 2026 08:32:43 +0000

وصل Grok 4.6 في 12 أغسطس بادعاء يعيد تشكيل قرار النموذج الرائد: ذكاء يربط GPT-5.6 Sol على مؤشر التحليل الاصطناعي، بسعر 6 دولارات لكل مليون رمز إخراج بدلاً من 30 دولارًا. لا تزال معظم مقالات المقارنة التي ستجدها تقارن Grok 4.5، والذي تخلف عن النموذج الرائد بشكل سيء لدرجة أن السعر لم يكن مهمًا. لم يعد هذا هو الوضع، لذا تبدأ هذه المقارنة من جديد بأرقام 4.6.

جرّب Apidog اليوم

الجواب المختصر: يبقى GPT-5.6 Sol الخيار الأقوى لوكلاء الترميز على نطاق المستودعات، ويتصدر Claude Fable 5 العمل المستقل طويل الأفق بفارق ضئيل، وأصبح Grok 4.6 الآن الخيار ذو القيمة الذي يقترب بما فيه الكفاية من حيث القدرة لجعل النموذجين الآخرين يبرران سعرهما. يعتمد الاختيار الصحيح على عبء عملك، لذا إليك الأرقام واعتبارات API وطريقة قابلة للتكرار لاختبار الثلاثة جميعًا على مكدسك الخاص. إذا كنت ترغب في إجراء هذا الاختبار اليوم، فإن Apidog يتيح لك الوصول إلى جميع واجهات برمجة التطبيقات الثلاثة جنبًا إلى جنب من مساحة عمل واحدة، مجانًا.

ملخص سريع (TL;DR)

مؤشر الذكاء: Claude Fable 5 يتصدر بـ 62؛ Grok 4.6 وGPT-5.6 Sol متعادلان بـ 61.
الأسعار (الإخراج، لكل مليون رمز): Grok 4.6 بسعر 6 دولارات، Claude Opus 4.8 بسعر 25 دولارًا، GPT-5.6 Sol بسعر 30 دولارًا، بانتشار 5 أضعاف.
السياق: GPT-5.6 Sol يدعم 1.05 مليون رمز، وClaude Fable 5 يدعم مليون رمز، وGrok 4.6 يدعم 500 ألف.
الترميز: Sol Max يتصدر DeepSWE بنسبة 73.0% مقابل 65.9% لـ Grok، بينما Fable 5 Max يتصدر FrontierCode بنسبة 63.6% مقابل 61.3%.
الوكلاء: Fable 5 Max يتصدر APEX-Agents بنسبة 59.2%؛ وGrok 4.6 بنسبة 57.5% يتفوق على Sol Max بنسبة 56.7%.
التكلفة لكل مهمة مكتملة: قاس Artificial Analysis تكلفة Grok 4.6 بمتوسط 0.84 دولار للمهمة، وهي الأقل بين النماذج الرائدة.
لا تعتمد على المعايير وحدها: نفّذ اختبارًا من 20 مطالبة على عبء عملك الخاص.

المواصفات والأسعار جنبًا إلى جنب

	Grok 4.6	GPT-5.6 Sol	Claude Fable 5
المطور	xAI	OpenAI	Anthropic
مؤشر الذكاء	61	61	62
نافذة السياق	500 ألف	1.05 مليون	1 مليون
سعر الإدخال / مليون رمز	2 دولار	12 دولار	10 دولار
سعر الإخراج / مليون رمز	6 دولار	30 دولار	25 دولار*
النسخة السريعة/الممتازة	سعر 2x	مستوى Sol Max	مستوى Fable 5 Max
نمط API	متوافق مع OpenAI	OpenAI أصلي	رسائل Anthropic
حد المعرفة	فبراير 2026

* سعر Claude المعروض لـ Opus 4.8؛ تسعير مستوى Fable 5 يختلف حسب إعداد الجهد. راجع دليل تسعير GPT-5.6 وتحليل خفض تكاليف Claude للحصول على المصفوفات الكاملة.

عدم التماثل في الأسعار هو القصة. في جانب الإدخال، يفرض Grok سدس ما تفرضه OpenAI؛ وفي جانب الإخراج، الخمس. لأعباء عمل الدردشة، هذا جيد؛ لأعباء عمل الوكلاء، حيث يمكن لمهمة واحدة أن تولد عشرات من استدعاءات النماذج ونسخ استخدام الأدوات الطويلة، يتراكم هذا ليصبح الفارق بين وكيل يكلف 50 دولارًا في اليوم ووكيل يكلف 250 دولارًا في اليوم.

معايير الترميز: Sol للعمق، Grok للقيمة

بناءً على أرقام الإطلاق، يمتلك كل نموذج نطاقه الخاص:

المعيار	Grok 4.6	GPT-5.6 Sol Max	Claude Fable 5 Max
DeepSWE v1.1 — إصلاحات على مستوى المستودع	65.9%	73.0%
FrontierCode v1.1 Extended	61.3%	60.6%	63.6%
CursorBench v3.2	69.9%
APEX-Agents	57.5%	56.7%	59.2%
Terminal-Bench v2.1	88.4%

اقرأ النتائج بهذه الطريقة:

اختر GPT-5.6 Sol Max لإصلاحات المستودعات المعقدة. فارق DeepSWE البالغ 7 نقاط حقيقي ومهم. إصلاح الأخطاء على نطاق المستودعات هو أصعب معيار ترميز وأكثرها قيمة اقتصادية. إذا كان وكيلك يعمل عبر قواعد بيانات كبيرة موجودة بحد أدنى من الإشراف، فإن Sol لا يزال الرهان الأكثر أمانًا. تغطي مقارنتنا بين GPT-5.6 Sol وClaude Fable 5 هذه المواجهة بعمق.
اختر Claude Fable 5 للثبات طويل الأفق. يتصدر المؤشر المركب وFrontierCode وAPEX-Agents. لا يكون غالبًا أسوأ من المركز الثاني، وهذا يناسب العمل المستقل طويل الأفق حيث يمكن لخطوة خاطئة أن تعطل ساعة من التقدم.
استخدم Grok 4.6 كنموذج افتراضي عالي الحجم. تصدر CursorBench وTerminal-Bench مع بقائه قريبًا من النماذج الأخرى في بقية المعايير، وبجزء بسيط من التكلفة. وجّه إليه معظم حركة المرور، ثم صعّد الحالات الأصعب فقط.

ملاحظة مهمة: هذه الأرقام هي أرقام الأسبوع الأول للإطلاق، ومعظمها مبلغ عنها من قبل البائع. تطلبت معايير إطلاق Grok 4.5 قراءة دقيقة، وينطبق نفس الحذر على كل بائع هنا.

التكلفة لكل مهمة، وليس التكلفة لكل رمز

أسعار الرموز مضللة عندما تختلف النماذج في الإسهاب ومعدلات إعادة المحاولة. نموذج رخيص يفشل في التشغيل النهائي يخلق عمل مراجعة وإصلاح يكلف أكثر من الرموز التي تم توفيرها.

المقياس الأفضل هو التكلفة لكل مهمة مكتملة. هنا يكون قياس Artificial Analysis مهمًا: بلغ متوسط Grok 4.6 نحو 0.84 دولار لكل مهمة عبر تقييماته الوكيلية، وهو الأقل بين النماذج الرائدة، مدعومًا باستخدام رمزي منضبط نسبيًا وليس فقط بأسعار منخفضة.

مثال عملي: لنفترض أن وكيل الترميز لديك يستهلك في المتوسط 500 ألف رمز إدخال و100 ألف رمز إخراج لكل مهمة مكتملة.

النموذج	تكلفة الإدخال	تكلفة الإخراج	التكلفة لكل مهمة
Grok 4.6	1.00 دولار	0.60 دولار	1.60 دولار
Claude Opus 4.8	5.00 دولار	2.50 دولار	7.50 دولار
GPT-5.6 Sol	6.00 دولار	3.00 دولار	9.00 دولار

عند 1000 مهمة شهريًا، يوفر Grok ما يقرب من 6000 إلى 7400 دولار مقارنة بالبدائل، إذا حافظ على معدل نجاحه في عبء عملك. لهذا يجب اختبار النماذج قبل الالتزام بها.

بيئة عمل API: ما هي تكلفة التكامل الفعلية؟

Grok 4.6 متوافق مع OpenAI. إذا كان لديك عميل يستخدم نمط OpenAI، يمكنك تغيير base_url إلى https://api.x.ai/v1 والبدء مباشرة. وهو متاح أيضًا عبر OpenRouter وVercel وCloudflare.
GPT-5.6 Sol يملك أعمق نظام بيئي. يتضمن Responses API، واستدعاء الأدوات البرمجية، وحزم SDK من الطرف الأول. راجع كيفية استخدام GPT-5.6 API لهيكل المستويات.
Claude Fable 5 يستخدم Anthropic Messages API. له شكل طلب مختلف، وموثوقية ممتازة في استخدام الأدوات، ومعامل جهد يوازن التكلفة والقدرة داخل النموذج نفسه.

مثال على تهيئة عميل متوافق مع OpenAI لـ Grok:

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.XAI_API_KEY,
  baseURL: "https://api.x.ai/v1",
});

const response = await client.chat.completions.create({
  model: "grok-4.6",
  messages: [
    { role: "system", content: "أنت مساعد ترميز دقيق." },
    { role: "user", content: "راجع هذا الخطأ واقترح إصلاحًا." }
  ],
});

console.log(response.choices[0].message.content);

احتكاك الهجرة هو الأقل بين Grok وOpenAI بسبب التنسيق المشترك، والأعلى عند الانتقال من أو إلى Anthropic. إذا كنت تتوقع التبديل أو التوجيه بين النماذج، ضع هذا الاختلاف ضمن قرارك المعماري.

نوافذ السياق: متى تكون 500 ألف كافية؟

على الورق، نافذة GPT-5.6 Sol البالغة 1.05 مليون رمز تضاعف تقريبًا نافذة Grok 4.6 البالغة 500 ألف، بينما يقترب Claude Fable 5 من مليون رمز. عمليًا، السؤال هو: ما الذي يضعه عبء عملك فعلًا داخل السياق؟

تتسع نافذة 500 ألف رمز لحوالي 350 ألف كلمة: قاعدة بيانات كاملة لخدمة متوسطة الحجم، عام من نصوص الدعم، أو عدة مئات من صفحات المستندات القانونية. معظم مهام الوكلاء لا تقترب منها أبدًا.

تحتاج إلى مستوى المليون رمز في حالات أضيق، مثل:

تحليل مستودعات متجانسة كاملة.
نصوص وكلاء طويلة جدًا ومتعددة الجلسات لا يمكن تلخيصها.
معالجة دفعة ضخمة من المستندات في استدعاء واحد.

لا تختر النموذج بناءً على حجم النافذة وحده:

يتدهور أداء النماذج الثلاثة مع امتلاء السياق. تكون جودة الاسترجاع عند سعة 80% أسوأ منها عند 20%.
غالبًا ما تتفوق بنية استرجاع انتقائي على بنية تحشو كامل السياق.
رموز الإدخال هي موضع استنزاف الميزانية: ملء نافذة Sol بالكامل يكلف نحو 12.60 دولار لكل طلب بالسعر المعلن، بينما يكلف ملء نافذة Grok دولارًا واحدًا.

إذا كانت مطالباتك تتجاوز 400 ألف رمز بانتظام، فأنت لا تحتاج فقط إلى نافذة أكبر، بل إلى استراتيجية تخزين مؤقت واسترجاع، بغض النظر عن البائع.

حدود المعرفة ونضج النظام البيئي

يأتي Grok 4.6 بحد معرفي يمتد حتى 1 فبراير 2026، وهو الأحدث من بين الثلاثة. هذا مهم لوكلاء الترميز الذين يشيرون إلى أطر سريعة التطور، لكنه ليس بديلًا عن الاسترجاع والتوثيق. أي حزمة وكيل جادة يجب أن تعتمد على أدوات الاسترجاع بدل الثقة بالمعرفة البارامترية وحدها.

النظام البيئي هو القصة المعاكسة:

تمتلك OpenAI أعمق سطح تكامل للطرف الثالث.
تمتلك Anthropic أكبر حصة في سوق أطر عمل الوكلاء.
xAI وافد أحدث يعتمد على توافق OpenAI للاستفادة من النظامين.

ينجح هذا الرهان غالبًا: أي عميل يتحدث تنسيق إكمال الدردشة يعمل مع Grok اليوم، كما أن التوفر عبر OpenRouter وVercel وCloudflare يسمح باعتماده دون تغيير كبير في البنية التحتية. لكنك تتنازل عن بعض الصقل الخاص بالطرف الأول؛ إذ إن واجهات الدفعات ومستويات التخزين المؤقت وضوابط الاستخدام الدقيقة أقل نضجًا من الشركات الكبرى.

أي نموذج لأي وظيفة؟

وكيل ترميز مستقل على نطاق المستودعات، مع أولوية للجودة: GPT-5.6 Sol. يؤدي تفوق DeepSWE إلى عمليات فاشلة أقل على قواعد بيانات كبيرة.
عمل معرفي طويل الأمد وجلسات وكلاء متعددة الساعات: Claude Fable 5. لديه أفضل درجة مركبة وأفضل معيار للوكلاء وسجل قوي في البقاء على المسار.
حركة وكلاء عالية الحجم أو منتج حساس للتكلفة أو نموذج افتراضي للموجه: Grok 4.6. استخدمه للحالات العادية، وصعّد أصعب 10% من المهام إلى Sol أو Fable.
الترميز التفاعلي في IDE: تفوق Grok 4.6 في CursorBench مع نسخته السريعة 2x يجعله منافسًا جادًا؛ لقد تم بناؤه بفعالية لهذا الغرض بعد التدريب على جلسات Cursor حقيقية.

اختبر النماذج الثلاثة على مكدسك في فترة ما بعد الظهر

تتنبأ المعايير بالمتوسطات، لا بعبء عملك. إليك اختبارًا قابلًا للتكرار باستخدام Apidog:

أنشئ مشروعًا واحدًا وثلاث بيئات. أضف بيئات لـ xAI (https://api.x.ai/v1) وOpenAI وAnthropic، مع مصادقة منفصلة لكل منها. بهذه الطريقة يبدّل الطلب نفسه المزود من قائمة منسدلة.
اجمع 20 مطالبة حقيقية. استخدم مهام فعلية من منتجك، لا أسئلة تجريبية. أضف موجه النظام وتعريفات الأدوات عند استخدام استدعاء الوظائف، وأدرج خمس حالات صعبة معروفة على الأقل.
أضف تأكيدات قابلة للقياس. تحقق من:
- صحة الاستجابة.
- استخدام الرموز من كائن usage.
- عتبات زمن الاستجابة.
- صحة JSON لاستدعاء الأدوات وتطابقه مع المخطط.

في أعباء عمل استدعاء الأدوات، يفشل النموذج في JSON أو المخطط أكثر بكثير من فشله في كتابة نثر جيد.

شغّل كل سيناريو ثلاث مرات لكل نموذج. تختلف مخرجات LLM، وثلاثة تشغيلات تكشف التباين الذي تخفيه التجربة الواحدة. صدّر النتائج وقارن:
- معدل النجاح.
- متوسط زمن الاستجابة.
- التكلفة لكل نجاح.
- عدد عمليات إعادة المحاولة.
احتفظ بمجموعة الاختبار. عند إصدار نسخة نموذج جديدة، أعد تشغيل المجموعة نفسها. أصبح اختيار النموذج قرارًا ربع سنويًا؛ الفرق التي تملك نظام تقييم دائمًا تتحرك أسرع من الفرق التي تعيد اتخاذ القرار اعتمادًا على القصص غير الموثوقة.

الأسئلة الشائعة

هل Grok 4.6 أفضل من GPT-5.6 Sol؟

يتعادلان في المؤشر المركب بـ 61. يتصدر Sol بوضوح في ترميز نطاق المستودعات عبر DeepSWE بنسبة 73.0% مقابل 65.9%، بينما يتصدر Grok في CursorBench وTerminal-Bench ويكلف أقل بخمسة أضعاف في جانب الإخراج. يعتمد الخيار على ما إذا كان عبء عملك يشبه DeepSWE أكثر أو جلسة IDE أكثر.

هل Grok 4.6 أفضل من Claude Fable 5؟

يتصدر Fable 5 المؤشر العام وFrontierCode وAPEX-Agents، بفوارق ضئيلة. ميزة Grok هي السعر. اختر Fable 5 للعمل المستقل عالي الدقة، واختر Grok للأحجام الحساسة للتكلفة.

أي نموذج AI هو الأرخص على الحدود في عام 2026؟

Grok 4.6، بسعر 2 دولار للإدخال و6 دولارات للإخراج لكل مليون رمز، وبمتوسط تكلفة 0.84 دولار لكل مهمة وكيلية تم قياسها بشكل مستقل. تكلفة رموز الإخراج للمنافس الرائد الأقرب أعلى بنحو أربعة أضعاف.

هل يجب أن أحول وكيلي الإنتاجي إلى Grok 4.6؟

ليس بناءً على المعايير وحدها. نفّذ اختبارًا على عبء عملك الحقيقي أولًا، لأن فارق السعر البالغ خمسة أضعاف لا يفيد إلا إذا ظل معدل النجاح مناسبًا لمهامك.

هل يمكنني استخدام النماذج الثلاثة خلف تنسيق API واحد؟

غالبًا، نعم. يتحدث Grok 4.6 تنسيق إكمال الدردشة الخاص بـ OpenAI، لذا يشارك رمز العميل مع GPT-5.6. يتطلب Claude واجهة Anthropic Messages API أو بوابة مثل OpenRouter التي توحد النماذج الثلاثة خلف واجهة واحدة بهامش ربح صغير.

هل حجم نافذة السياق الأصغر في Grok 4.6 مهم؟

بالنسبة لمعظم أعباء عمل الوكلاء والدردشة، لا. نافذة 500 ألف رمز أعلى بكثير من الاستخدام المعتاد، كما أن النماذج الثلاثة تتدهور قرب حدودها. تصبح النافذة الأصغر عاملًا مهمًا عند معالجة مستودعات متجانسة كاملة أو مجموعات بيانات ضخمة في استدعاء واحد، حيث توفر نافذة Sol البالغة 1.05 مليون رمز مساحة حقيقية للمناورة.

DEV Community: Yusuf Khalidd

كيفية تشغيل أي نموذج في ديب سيك هارنس؟

لماذا تبدّل النماذج في نظام وكيل؟

كتلة المزود، مفتاحًا بمفتاح

شرح المفاتيح

جلب قائمة النماذج تلقائيًا

أين يوجد مفتاح API الفعلي؟

الوصفة 1: تشغيل نموذج محلي عبر Ollama

خطوات التنفيذ

الوصفة 2: نقطة نهاية مستضافة متوافقة مع OpenAI — Qwen عبر DashScope

خطوات التنفيذ

مشاكل شائعة مع النقاط المستضافة

الوصفة 3: مزودو الكتالوج المدمجون

اختيار النموذج وما تتذكره الجلسات

استكشاف الأخطاء الشائعة

baseURL غير صحيح أو لا يمكن الوصول إليه

متغير بيئة مفقود أو فارغ

عدم تطابق نوع الإدخال

غرائب البروتوكول

كل شيء كان يعمل بالأمس

الأسئلة الشائعة

هل يدعم DeepSeek Harness Ollama رسميًا؟

أين يخزن dsh مفاتيح API؟

هل يمكن تشغيل نماذج مختلفة لجلسات مختلفة؟

نقطة النهاية المخصصة تُرجع أخطاء لا تظهر عند تنفيذ الطلب نفسه عبر curl. ماذا أفعل؟

مقارنة DeepSeek Harness و Claude Code: اختيار وكيل البرمجة الأنسب لمكدسك التقني

المقارنة السريعة

مفتوح المصدر مقابل الاحتكاري: ماذا يمنحك ترخيص MIT؟

الواجهة: واجهة ويب محلية مقابل التشغيل في أي مكان

حرية النموذج: أين تريد المرونة؟

التسعير: لكل توكن مقابل اشتراك

النضج: معاينة للمطورين مقابل نظام بيئي

قابلية التوسع: نواة إضافات مقابل نقاط توسعة

الأذونات: مطالبات سياسة مقابل ستة أوضاع

MCP: أصلي مقابل إضافة مجتمعية

أيهما يجب أن تختار؟

الأسئلة الشائعة

هل DeepSeek Harness مفتوح المصدر حقاً، على عكس Claude Code؟

هل يمكن لـ DeepSeek Harness استخدام نماذج Claude؟

هل DeepSeek Harness مستقر بما يكفي للعمل اليومي؟

هل يعمل كلا الوكيلين مع Apidog؟

ما هو DeepSeek Harness (dsh)؟ المنافس مفتوح المصدر لكود كلود، مشروحًا

ما هو DeepSeek Harness في الواقع؟

الهندسة المعمارية: كل شيء عبارة عن إضافة (plugin)

بدء سريع: من الصفر إلى عميل عامل

البناء من المصدر

إعداد الجلسة الأولى

ملفات التعريف ووضع headless

ما النماذج التي يمكن تشغيلها؟

نظام الإضافات بعد أسبوع واحد

أين يتناسب سير عمل API الخاص بك؟

هل يجب أن تجربه الآن أم تنتظر؟

جرّبه الآن إذا:

انتظر إذا:

الأسئلة الشائعة

هل DeepSeek Harness مجاني؟

هل يعمل dsh فقط مع نماذج DeepSeek؟

هل DeepSeek Harness آمن للتشغيل على قاعدة التعليمات البرمجية الخاصة بي؟

كيف يختلف نظام التحكم عن النموذج؟

الاستضافة الذاتية لـ GLM-5.3: استعد لإطلاق الأوزان المفتوحة

ملخص سريع

ما الذي ستصدره Zhipu ومتى؟

احسب احتياجات الذاكرة قبل تنزيل الأوزان

جهّز حزمة التقديم قبل وصول الأوزان

الخيار الأول: vLLM

الخيار الثاني: SGLang

llama.cpp وOllama وLM Studio

أنشئ خط أساس من API المستضافة

ابنِ مجموعة انحدار في Apidog

1. أنشئ مجموعة واحدة لكل حالات الخط الأساس

2. عرّف بيئتين: hosted وlocal

3. أضف تأكيدات على الشكل ثم المحتوى

4. احفظ استجابات API المستضافة كأمثلة

5. شغّل المجموعة من سطر الأوامر

لا تغيّر رمز العميل: بدّل base_url فقط

كيف تقارن التكلفة؟

قائمة مراجعة يوم الإطلاق

نفّذ هذه الخطوات الآن

عند إصدار الأوزان

الأسئلة الشائعة

`baseURL` غير صحيح أو لا يمكن الوصول إليه

أين يخزن `dsh` مفاتيح API؟

نقطة النهاية المخصصة تُرجع أخطاء لا تظهر عند تنفيذ الطلب نفسه عبر `curl`. ماذا أفعل؟

2. عرّف بيئتين: `hosted` و`local`

لا تغيّر رمز العميل: بدّل `base_url` فقط