مؤخرًا حضرت عدة لقاءات مباشرة مع مجتمع الكريبتو، وعندما تحدثت مع بعض المعلمين اكتشفت أن الجميع يتعلمون بشكل نشط قدرات الذكاء الاصطناعي.

السبب بسيط جدًا: عدم الرغبة في أن يُتْرَكوا خلف الركب مع ترقية أدوات الكفاءة في المستقبل.
لكن الجميع يجب أن يعرف أن الذكاء الاصطناعي ليس مجرد فتحه واستخدامه بسهولة.
خذ على سبيل المثال تجربتي الأولى مع OpenClaw، عندما رأيت على X شخصًا يوصي بـ Skill، قمت بتثبيته تقريبًا بالكامل. لكن لاحقًا اكتشفت أن العديد من Skills تبدو قوية جدًا، لكنها ليست مناسبة لسيناريو العمل الخاص بي، بل على العكس، جعلت الروبيان يزداد غباءً مع الاستخدام.
لذا اضطررت إلى الحذف والتعديل والاختبار مرارًا وتكرارًا.
وهذا هو الوضع الحقيقي لكثير من الناس عند استخدام الذكاء الاصطناعي الآن:
نموذج أكثر قوة، أدوات أكثر، لكن المستخدمين يتعلمون أشياء أكثر، وعقبة استخدام الذكاء الاصطناعي تزداد ارتفاعًا.
هذه هي المشكلة التي يسعى xBubble لحلها.
@xBubble_ai هو منتج وكيل الذكاء الاصطناعي الذي أطلقته فريق @dappOS_com، ويتركز جوهره على الذكاء الاصطناعي منخفض الطلبات. ببساطة، يعني تقليل اعتماد المستخدم على الكلمات المفتاحية المعقدة، واختيار الأدوات، وتكوين سير العمل.
هو ليس طلبًا من المستخدم أن يصبح خبيرًا في الذكاء الاصطناعي، بل العكس، أن يستخدم الذكاء الاصطناعي نيابة عنه.
//
هناك نظامان رئيسيان وراء xBubble.
الطبقة الأولى هي Bubble Pilot، ويمكن فهمها كمركز جدولة المهام.
عندما يقدم المستخدم طلبًا بسيطًا، يقوم Pilot أولًا بتحديد نوع المهمة، ثم يطابق SOP المناسب. إذا كانت هناك عملية معتمدة، يتبع مسار التحسين، وإذا لم يوجد SOP مناسب، يعود إلى وكيل عام لإنجاز المهمة.
يمكن فهم SOP هنا على أنها مجموعة من الطرق المجربة لإنجاز الأمور.
على سبيل المثال، عند إجراء بحث مشروع، قد يتضمن جمع البيانات، تصفية المعلومات، بناء الهيكل، استخراج الآراء، وتحسين المحتوى. يطلب المستخدم طلبًا بسيطًا، لكن الجودة النهائية تعتمد على مدى استقرار مسار التنفيذ هذا.
الطبقة الثانية هي Bubble Engine، وهي أشبه بنظام تعلم خلفي.
يختبر نماذج وأدوات وتوليفات سير عمل مختلفة، ويختار الحل الأكثر استقرارًا، ويخزنه كـ SOP قابل لإعادة الاستخدام.
بمعنى آخر، لا يحتاج المستخدم إلى كتابة Skill، أو تعديل Prompt، أو تجربة أدوات، بل يقوم النظام بمعظم هذه الأعمال خلف الكواليس.
//
أما من حيث شكل المنتج، فهناك نوعان من بيئات التشغيل لـ xBubble.
Bubble Computer يشبه منصة عمل سحابية للمشاريع، وهو مناسب للبحث، والكتابة، والتصميم، ومعالجة البيانات، والمهام متعددة الخطوات. يمكن للنظام استدعاء القدرات حسب الحاجة في بيئة معزولة، والمستخدم لا يحتاج إلى إدارة العمليات الوسيطة.
أما Bubble Personal فهو أكثر ملاءمة لخط سير العمل الشخصي، ويمكنه الاتصال بالملفات والمتصفحات والتطبيقات والجداول الزمنية بموافقة المستخدم. الأجزاء التي تتطلب تثبيت، أو تحميل، أو تغييرات على مستوى النظام، تُنفذ وتُحذف في حاوية سحابية، والجهاز المحلي ينفذ فقط العمليات المصرح بها بوضوح.
//
لذا، أعتقد أن التركيز الرئيسي لـ xBubble هو محاولة تحويل خبرة المستخدمين المحترفين في استخدام الذكاء الاصطناعي إلى منتج.
لو وضعنا هذا المنطق في سيناريو تجربتي الأولى مع OpenClaw، سيكون الاختلاف واضحًا جدًا.
في الماضي، كنت أحتاج إلى تثبيت Skill، وضبطه، واختبار النتائج، وإذا استبدلته بـ xBubble، كل ما أحتاجه هو توضيح ما أريد إنجازه، وسيقوم Bubble Pilot أولًا بتحديد نوع المهمة، ثم يطابق SOP المناسب.
بمعنى آخر، الأجزاء التي كانت تتطلب من المستخدم التثبيت، والتعديل، والتحقق، ستُترك بشكل أكبر للنظام لإنجازها.
أعتقد أن الاتجاه النهائي للذكاء الاصطناعي، ربما ليس أن يتعلم الجميع كتابة Prompt.
بل أن معظم الناس لن يحتاجوا إلى معرفة ما هو Prompt، أو Skill، أو سير عمل Agent، ومع ذلك يحصلون على نتائج مستقرة وقابلة للتسليم.