كل خطأ يصبح قاعدة:
كيف يتعلم diffray من ملاحظاتك

لخص قائد المنتج Aakash Gupta الأمر بشكل مثالي: "كل خطأ يصبح قاعدة." كلما عمل الفريق مع الذكاء الاصطناعي لفترة أطول، أصبح أكثر ذكاءً.

هذه هي بالضبط الفلسفة التي بُني عليها diffray. اليوم، سنريك كيف يعمل من الداخل.

المشكلة: تلوث السياق يقتل جودة المراجعة

قبل أن نتحدث عن القواعد، نحتاج إلى فهم التحدي التقني الرئيسي لمراجعة الكود بالذكاء الاصطناعي — تلوث السياق.

تُظهر أبحاث Anthropic أن نماذج اللغة الكبيرة، مثل البشر، تفقد تركيزها مع امتلاء نافذة السياق. تتراكم التصحيحات، وتتكدس المناقشات الجانبية، وتبقى مخرجات الأدوات القديمة. النتيجة متوقعة:

قام JetBrains Research (ديسمبر ٢٠٢٥) بقياس هذا: سياقات الوكلاء تنمو بسرعة كبيرة لدرجة أنها تصبح مكلفة، لكنها لا تقدم أداءً أفضل بشكل ملحوظ. المزيد من السياق ≠ نتائج أفضل.

الحل: وكلاء فرعيون متخصصون بسياق معزول

يستخدم Boris Cherny الوكلاء الفرعيين كـ"تغليفات آلية لسير العمل الأكثر شيوعاً." فلسفته:

بدلاً من مراجع واحد كلي المعرفة، يُنشئ أمر مراجعة الكود الخاص به عدة وكلاء متوازيين بمسؤوليات مختلفة:

هذه الطبقة التنافسية حاسمة. الوكلاء الثانويون يتحدون نتائج المرور الأول، مما يزيل الإيجابيات الخاطئة من خلال الشكوكية المنظمة.

النتيجة، بكلمات Cherny: "يجد كل المشاكل الحقيقية بدون الوهمية."

كيف يعمل تقنياً

عندما يُفوض الوكيل الرئيسي إلى وكيل فرعي، تُنشأ نافذة سياق جديدة تحتوي فقط على وصف المهمة والمعاملات ذات الصلة. يمكن للوكيل الفرعي الاستكشاف بشكل موسع—مستهلكاً عشرات الآلاف من الرموز أثناء البحث في الكود—لكنه يُرجع فقط ملخصاً مكثفاً من ١٠٠٠-٢٠٠٠ رمز.

هذا يحافظ على تركيز الوكيل الرئيسي مع السماح بالتحليل العميق.

في diffray، نستخدم أكثر من ٣٠ وكيلاً متخصصاً، كل منهم يركز على مجال محدد: الأمان، الأداء، أسلوب الكود، الأنماط المعمارية، والمزيد. كل وكيل يعمل في سياق معزول ويُرجع فقط النتائج الجوهرية.

صياغة القواعد: تحويل الملاحظات إلى معرفة

الآن إلى الحدث الرئيسي. الوكلاء الفرعيون يحلون مشكلة السياق. لكن كيف تجعل الذكاء الاصطناعي يتعلم من تصحيحاتك؟

نمط CLAUDE.md

في Claude Code، تحتفظ الفرق بملف CLAUDE.md في مستودعها—نوع من "الدستور" للمشروع. يُحمل الملف تلقائياً في السياق عند كل جلسة.

لكن هناك قيد حاسم. تُظهر أبحاث HumanLayer أن موجه النظام في Claude Code يحتوي بالفعل على ~٥٠ تعليمة، ونماذج اللغة الكبيرة المتقدمة تتبع بموثوقية فقط ١٥٠-٢٠٠ تعليمة إجمالاً. جودة اتباع التعليمات تنخفض بالتساوي مع زيادة العدد.

هذا يعني: لا يمكنك فقط إلقاء ٥٠٠ قاعدة وتوقع السحر.

ثلاثة مستويات من المعرفة

القواعد الفعالة تُشفر المعرفة على ثلاثة مستويات:

## Tech Stack
- Backend: Python 3.11, FastAPI, SQLAlchemy
- Frontend: React 18, TypeScript, TailwindCSS
- DB: PostgreSQL 15

## Why We DON'T Use ORM for Complex Queries
History: ORM generated N+1 queries in reports.
Decision: Raw SQL for analytics, ORM only for CRUD.

## Before Committing
- Run `make lint` — must pass with no errors
- Run `make test` — coverage must not drop

مشكلة الأساليب اليدوية

صيانة القواعد اليدوية تعمل... طالما أن فريقك صغير ومنضبط. في الواقع:

كيف يؤتمت diffray صياغة القواعد

diffray يقلب العملية. بدلاً من كتابة القواعد يدوياً، أنت فقط تُعطي ملاحظات على المراجعات.

حلقة التعلم

أنواع القواعد في diffray

مثال عملي: من الإزعاج إلى قاعدة

تخيل: diffray يترك تعليقاً على طلب السحب الخاص بك:

أنت تعرف أن هذه وحدة قديمة مجدولة لإعادة الكتابة في الربع القادم. إصلاح الأنواع الآن سيكون مضيعة للوقت.

ترد: "هذا كود قديم، سيُعالج التحديد في إعادة هيكلة الربع الثاني"

ما يحدث بعد ذلك:

لكن المهم: القاعدة ليست دائمة. تاريخ الانتهاء يعني أنه بعد الربع الثاني، سيبدأ diffray مرة أخرى في التحقق من الأنواع في هذا المجلد.

المقياس: تقليل معدل الإيجابيات الخاطئة

المقياس الرئيسي لفعالية مراجعة الكود بالذكاء الاصطناعي هو معدل الإيجابيات الخاطئة. كم تعليقاً من ١٠٠ كان عديم الفائدة؟

المعايير النموذجية للصناعة:

كيف نحقق هذا:

البدء: ثلاث خطوات

كل تفاعل يجعل diffray أذكى. بعد شهر، سيكون لديك مراجع AI شخصي يعرف اتفاقياتك أفضل من مطور جديد بعد التعريف.

الخاتمة: ذكاء اصطناعي ينمو مع فريقك

فلسفة "كل خطأ يصبح قاعدة" ليست مجرد عبارة جذابة. إنها مبدأ معماري يفصل الأدوات اللعب عن الحلول الجاهزة للإنتاج.

diffray مبني على ثلاثة أعمدة:

النتيجة: مراجعة كود بالذكاء الاصطناعي تتحسن مع كل طلب سحب. ليس لأن النموذج تم تحديثه، بل لأنه يتعلم من فريقك.