Harness، لين جون يانغ، مسار تريليون دولار وراية أنثروبيك

يعتمد “Infra” في عصر الوكلاء (Agent) على فرصٍ وخيال أكبر بكثير من “جراد البحر”.

في مارس 2026، ليست الكلمة الأكثر سخونة في صناعة الذكاء الاصطناعي اسم أي نموذج، بل كلمة إنجليزية تبدو بلا علاقة بالذكاء الاصطناعي إطلاقًا: Harness.

ومعناها الأصلي هو تجهيزات ركاب الخيل. اللجام، والبرسِمة/العتاد (حزام الرأس)، وتجهيزات السرج—مجموعة كاملة من الأشياء التي تُركّب على جسم الحصان.

إذا استُخدمت كفعل، فالمقصود على الأرجح هو “التحكّم/القيادة” (驾驭).

لن تقول harness a calculator (التحكّم/القيادة بحاسبة)، لكن ستقول harness the wind (التحكّم/القيادة بالرياح)، وharness a horse (التحكّم/القيادة بحصان). الأشخاص الذين يستخدمون هذه الكلمة، سواء بوعي أو دون وعي، يعترفون بحقيقة واحدة: ما يواجهونه ليس أداةً خاملة، بل كيانًا يمتلك قوةً وإرادةً ذاتية. ليس “استخدامًا” له، بل “قيادة/تحكّمًا” فيه.

هذه الكلمة تصبح الآن أكثر مفاهيم الصناعة مركزية في عصر وكلاء الذكاء الاصطناعي.

ومن حولها، يتشكل طبقة بنية تحتية بحجم تريليون دولار. وصانعو قواعد هذه البنية التحتية باتوا على وشك الظهور.

Harness is the New Infra

في سياق الذكاء الاصطناعي، لدى Harness خطّان من التطور.

الأول هو خطٌّ بلاغي/خطابي. “Harness AI” كتعبير عام، متداول في صناعة التكنولوجيا منذ زمن طويل، ومعناه ببساطة “القدرة على قيادة/تحكّم الذكاء الاصطناعي”.

والثاني—وهو الأهم—هو خطٌّ تقني. في أواخر 2025، بدأت Anthropic باستخدام كلمة “harness” لوصف مجموعة البنية التحتية التي تُبنى حول وكيل AI—إدارة السياق، واستدعاء الأدوات، والذاكرة، والحواجز (الضوابط/السياسات)، والتنسيق/التخطيط (الأوركستراشن). التعريف الرسمي لـ Claude Agent SDK هو “a general-purpose agent harness”.

في مطلع 2026، اقترح Mitchell Hashimoto، المؤسس المشارك لـ HashiCorp، “AI Harness” كمفهوم رسمي، وانتشر بسرعة “Harness Engineering” كحقل ممارسة هندسية جديد.

لكن ما يجعل هذه الكلمة تستحق معاملة جادة ليس شهرتها، بل لأنها تصف بدقة علاقةً جديدة آخذة بالتكوّن بين الإنسان والذكاء الاصطناعي: تعاون لا تناظري قائم على التعايش.

الإنسان يقدّم النوايا، والحكم، والاتجاه. والذكاء الاصطناعي يقدّم القدرة والسرعة والحجم/القياس.

تتعايش Harness مع الاعتراف بعدم التماثل في القدرات، وبالاعتراف بعدم التماثل في السلطة—وهذان النوعان من عدم التماثل متعاكسان: فقد تتفوّق قدرة الذكاء الاصطناعي بكثير على قدرة الشخص القائم بالتحكّم، لكن الشخص القائم بالتحكّم يملك قرار الاتجاه النهائي.

الحصان أسرع بكثير من الإنسان، وقوةً أكبر بكثير، لكن إلى أين تذهب—هذا ما يقرره الإنسان.

يحتاج الإنسان إلى قيادة/تحكّم ذكاء اصطناعي يفوقه قوة. لعل هذه هي—سواء بوعي أو دون وعي—أدق طبقة تعبير اختارتها Anthropic.

وأما كلمة Harness، فهي كذلك تحمل شيئًا من “Anthropic” (إنسانية)، وفيها قدرٌ من المعنى “المتمركز حول الإنسان”.

يقول البعض: Harness is the New Datasets.

هذه الجملة حدسية ودقيقة الحس، لكنها ليست استنتاجًا صحيحًا. عندما تتقارب النماذج الأساسية في الأداء، تصبح جودة Harness هي بالفعل المتغير الحاسم في تحديد مدى جودة الوكيل أو فشله—تمامًا كما أن جودة البيانات يمكن أن تحدد حياة/موت نموذج أساسي.

لكن طريقة وجود Datasets (مجموعة البيانات) وHarness مختلفة جوهريًا: Datasets تحتل موقعًا واحدًا في البنية التقنية، أي كمدخلات في مرحلة التدريب؛ أما Harness فليس طبقة بعينها، بل هو “Stack” (كومة/بنية طبقات)، أي مجموعة من الطبقات.

هندسة السياق والذاكرة تمثل طبقة التخزين، واتصال الأدوات هو طبقة الشبكة، والتنسيق هو طبقة الحاويات، والحواجز/الضوابط هي طبقة الأمان، والتقييم هو طبقة القابلية للملاحظة (Observability)، وتغليف المهارات هو وسيط (Middleware). تستطيع كل طبقة أن تنمو منها شركات ومعايير ونماذج أعمال مستقلة. وهذا يطابق بنية Infra الخاصة بالحوسبة السحابية من حيث هيكل “stack”.

وبهذا المعنى، Harness is the New Infra: ليست بنية تحتية لتدريب النماذج مسبقًا، بل بنية تحتية لبناء الوكيل، تمنح الوكيل استقلالية، وفي الوقت نفسه تتقيد الصارمة بتعليمات الإنسان، وتضمن السلامة والالتزام بالقواعد.

Harness نفسه ليس Datasets جديدة، لكن التشغيل السليم لـ Harness سيولّد Datasets جيدة للوكيل، ويؤسس “حلقة/دورة بيانات” (data flywheel). عندما يقوم Harness بتجميع عدد كافٍ من بيانات سلوك المستخدمين ومعرفة المجال، فإنه لا يعود مجرد تصميم نظام “خارجي/مرفق”، بل يبدأ في امتلاك صفة البيانات: كلما استُخدم أكثر كان أفضل، وكلما استُخدم أكثر أصبح من الصعب استبداله.

ومن هنا يمكن استنتاج معادلة يمكن تقريبًا اعتبارها تعريفًا:

نموذج أساسي + Harness = Agent.

النموذج الأساسي يوفّر القدرة الأولية—الاستدلال، والتوليد، والفهم. لكنه ثابت، سلبي، بلا اتجاه. يمكنه فعل كل شيء، لذا فهو لا يملك معنى “خاصًا” في النهاية. Harness يوفّر البنية والاتجاه والقيود، ويحوّل الإمكانات اللامحدودة إلى أفعال محدودة وذات هدف. لحظة اجتماعهما معًا، تتحول الذكاء الاصطناعي من كونه كيانًا يُستجوب إلى كونه كيانًا فاعلًا يتجه إلى العمل.

نفس الحصان، إن رُكّب عليه تجهيزات مختلفة، يمكنه أن يسحب عربة، أو ينقل أشخاصًا، أو يحرث الحقول، أو ينافس في السباقات. تصميم Harness يحدد شكل الوكيل واستخدامه.

Pitch Deck الخاص بـ Lin Junyang

في 26 مارس 2026، نشر Lin Junyang (林俊旸)، كبير المسؤولين التقنيين السابق في فريق Qwen على X، مقالًا طويلًا بعنوان “From ‘Reasoning’ Thinking to ‘Agentic’ Thinking”. خلال يومين: 700 ألف قراءة، و2800 إعجاب، و677 إعادة نشر.

قبل ثلاثة أسابيع، في 4 مارس، استقال للتو من Alibaba. بعد ثلاثة أسابيع، كتب مقالًا منهجيًا للتقديرات/الحكم على الصناعة.

محور أطروحته هو أن الذكاء الاصطناعي يتحول من “التفكير لفترة أطول” إلى “التفكير من أجل الفعل”.

Reasoning Thinking (التفكير الاستدلالي) هو جوهريًا مونولوج/حديث داخلي ساكن—النموذج يولّد سلاسل استدلال متزايدة الطول داخل مساحة مغلقة، محاولًا تعويض نقص التفاعل مع البيئة عبر نص أكثر. أما Agentic Thinking (التفكير الوكيلي) فهو دفع المهمة قدمًا باستمرار أثناء التفاعل مع البيئة. خضع موضوع التدريب لقفزة ثلاثية: من تدريب النموذج، إلى تدريب Agent، إلى تدريب النظام.

هذا ليس كلامًا نظريًا. وقد استشهد بتجربة Qwen العملية الخاصة: دمج thinking (التفكير) وinstruct (التوجيه/الأوامر) أصعب بكثير مما كان يتخيل. إن توزيعات البيانات والأهداف التحسينية لسلوكَين تسحب أحدهما الآخر جذريًا: instruct يسعى إلى الإيجاز والسرعة والالتزام بالتنسيق، بينما thinking يسعى إلى استهلاك المزيد من tokens لاستكشاف مسارات بديلة. بعد محاولة Qwen3 الجمع، عاد وفصّل الخطين إلى مسارين مستقلين.

هذا الدرس يقود إلى رؤى أعمق: Instruct هو بديل Harness في عصر ما قبل الوكلاء.

يقوم Instruct بإدخال قواعد السلوك “محروق/مضمَّن” في أوزان النموذج عبر SFT وRLHF—أي كأنك تخيط اللجام داخل عضلات الحصان. وهو كافٍ في عصر “سؤال وجواب”. لكن في عصر الوكلاء، يحتاج النموذج إلى التشغيل بشكل مستقل، واستدعاء الأدوات، واتخاذ قرارات مستمرة؛ وحجم مساحة السلوك ينفجر، ولا يمكن تدريب جميع القيود في الأوزان. يجب أن ينتقل محور التحكم من داخل النموذج إلى خارج النموذج.

تم اختراق حدود قدرة Instruct بواسطة نمط (Agent) Paradigm، وHarness تطور حتمي.

في مقاله، ذكر Lin Junyang كلمة “harness” أربع مرات، والعلاقة التصاعدية واضحة جدًا:

من “البيئة الخارجية التي يعمل فيها agent”، إلى “ممارسة هندسية مستقلة—harness engineering”، ثم إلى “جزء من موضوع التدريب—agent and the harness around it”.

يبرهن مقاله من جانب التدريب على أمر واحد: Harness ليس فقط بنية تحتية وقت التشغيل للوكيل، بل هو أيضًا بنية تحتية وقت تدريب الوكيل.

في حلقة الإغلاق لـ Agentic RL، يقوم الـ Agent بالتشغيل داخل Harness، وتنتج البيئة إشارات تغذية راجعة، والتغذية الراجعة تدفع RL لتحديث السياسة، والسياسة تغيّر سلوك الـ Agent. إن إزالة Harness لا تعني أن الوكيل يصبح أبطأ فحسب، بل تعني أن التدريب نفسه لن يستطيع الانطلاق من الأساس.

كما أنه طرح بشكل صريح: أكبر عنق زجاجة في Agentic RL ليس الخوارزميات ولا بنية النموذج، بل جودة البيئة وبنية الأساس (rollout infrastructure). نقاط الاختناق التي تعوق تطور الـ Agent تقع في طبقة Infra.

شكرًا لـ Junyang—سأكمّل، بدلًا منك، نصف الحجة المفقود في “Harness is the New Infra”.

كان في النص السابق تأكيدًا بأن Harness هو البنية التحتية الضرورية وقت تشغيل الوكيل (infra). وتخبرنا هذه المقالة لـ Junyang بأن Harness هو كذلك Infra وقت تدريب الوكيل. في حلقة إغلاق Agentic RL، تنتج البيئة إشارات تغذية راجعة، والتغذية الراجعة تدفع تحديث السياسة، والسياسة تغير سلوك الوكيل، وسلوك الوكيل بدوره يطلق تغذية راجعة جديدة للبيئة.

فقط نظام طبقي لا غنى عنه في طرفي التدريب والاستدلال هو—بالمعنى الحقيقي—infra، أي Harness.

قال Lin Junyang في مقاله جملة ذات دلالة عميقة: “بناء البيئة يتغير من مشروع جانبي إلى فئة منتج ريادي حقيقي”.

“بناء البيئة” لا يساوي Harness بالكامل، بل هو جزء فرعي من Harness، لكنه جزء مهم. “البيئة” تقابل في المقام الأول اتصال الأدوات والتغذية الراجعة في بنية Harness—وبالذات العالم الذي يتفاعل معه وقت تدريب Agent: صناديق تنفيذ الشيفرة المعزولة (code execution sandbox)، ومحاكيات المتصفح (browser simulators)، ومجموعات حالات الاختبار (test case sets)، وطبقة محاكاة API. وظيفتها الأساسية هي توليد إشارات تغذية راجعة، بحيث يكون لدى Agentic RL ما يحسّنه. ولها شيء يشبه كونها حاويات التدريب وbenchmark وHugging Face.

البيئة هي ساحة تدريب الوكيل، وHarness هو كامل العتاد عندما يبدأ الوكيل بالركض. الساحة جزء من العتاد، لكنها ليست كل العتاد.

لكن عندما يبدأ كبير المسؤولين التقنيين السابق في نموذج مفتوح المصدر بتحديد فئة ريادية بشكل منفصل لوحدة فرعية من Harness، فهذا بحد ذاته إشارة—تدل على أن هذه الكومة أصبحت معقدة بما يكفي وقيمة بما يكفي، وأنها بدأت تتشكل منها طبقات منفصلة كيانات أعمال مستقلة، كما يحدث في بنية Infra الحقيقية.

وفي مقال أكاديمي كثيف حول تحديد مسار ريادة أعمال. إذا كنت تعتقد أن هذا لا يزال لا يرقى لأن يكون pitch deck للـ entrepreneurship الخاص بـ Lin Junyang، إذًا لا تعمل في VC.

مسار ريادة أعمال بمئات مليارات/تريليونات الدولارات

إذا كان Lin Junyang فعلًا سيقوم ببناء Infra لتدريب بيئة الوكلاء—الاتجاه الذي حدده بنفسه كـ “فئة ريادية حقيقية”—فأي طبقة من “كعكة” Harness سيواجهها؟ وكم حجم هذه الطبقة؟

داخل Harness توجد بنية متعددة الطبقات كاملة، ويمكن تفكيكها إلى سبعة وحدات أساسية: هندسة السياق، نظام الذاكرة، اتصال الأدوات، تغليف المهارات، الحواجز والصلاحيات، التقييم والتغذية الراجعة، والتنسيق وإدارة الحالة.

باستثناء طبقة اتصال الأدوات (MCP)، توجد شركات ناشئة قيد التشغيل في كل طبقة.

طبقات السياق والذاكرة لديها Cognee (€7.5 مليون تمويل) وInterloom ($16.5 مليون جولة seed بمشاركة Sequoia).

تمت معيارنة طبقة اتصال الأدوات عبر بروتوكول MCP—حوالي 97 مليون تنزيل لنسخة SDK شهرية، وتتكامل Anthropic وOpenAI وGoogle وMicrosoft وAmazon جميعها، ولا يوجد عدد كبير من الشركات الناشئة.

طبقة الأمان/الاتصال الآمن ظهرت فيها Runlayer ($11 مليون، استثمار أولي بقيادة Khosla)، وGuardrails AI، وVigilant AI، وRuntime، وAlter كحزمة للحواجز والامتثال. التقييم والقابلية للملاحظة هي الأكثر سخونة؛ حصلت Arize AI على $70 مليون في جولة C، ومن عملائها Uber وPepsiCo، وأصبح Langfuse معيارًا في مجتمع المصادر المفتوحة.

أما طبقة التنسيق، فتعرض نمطًا من “الثلاثة الأقوياء”: LangGraph وCrewAI (تمويل $18 مليون، 60% من Fortune 500 يستخدمونه) وMicrosoft Agent Framework، ومن بينها شركتان ناشئتان. وبالنسبة لطبقة تغليف Skills، فإن الشركات الناشئة غالبًا تقدم منتجات وكيلة في قطاعات عمودية، والقدوة هي Harvey—ذكاء اصطناعي قانوني، بقيمة $11 مليار، وتمويل تراكمي $1 مليار، وARR $190 مليون، وAbridge—الرعاية الصحية/الطب—بقيمة $5.3 مليار.

طبقة بيئة التدريب في مرحلة مبكرة جدًا، حوالي 20 شركة في مرحلة seed، وWing VC تتوقع أن تتكامل إلى 3-5 شركات بحلول 2030.

لكن ليس كل وحدة تعد مسارًا جيدًا.

معيار الحكم على أن المسار “سيئ” أو “جيد” يكمن في: هل يحل هذا المكوّن “مشكلة قدرات النموذج” أم “مشكلة تصميم النظام”.

الأول سيتم ابتلاعه بواسطة النماذج الأساسية—فنافذة السياق تزداد من 128K إلى 1M ثم إلى أحجام أكبر، واستراتيجيات الضغط الدقيقة الحالية قد لا تنفع غدًا.

أما مكونات طبقة تصميم النظام فإليها قيمة مستدامة—مثل اتصال الأدوات؛ إنها مسألة مكانة/موضع (ecological niche). والـ safety rails/الحواجز الأمنية مسألة امتثال. والتقييم مسألة استقلالية. هذه لا يمكن أن تُمحى بمجرد أن يصبح النموذج أقوى.

وتختلف مسارات خروج هذه الشركات جذريًا. اتصال الأدوات وتغليف المهارات قريبان جدًا من النموذج، ولفرَق شركات النموذج دافع قوي للضم/الاستحواذ—Anthropic يقوم بـ MCP وSkills، وOpenAI يقوم بـ Plugins وGPTs، وكلاهما يلتهم هاتين الطبقتين.

في هذين الاتجاهين، سقف الأرباح عادةً يكون الاستحواذ. في المقابل، الحواجز والامتثال مقابل التقييم والقابلية للملاحظة—على العكس تمامًا؛ فهما بطبيعتهما تحتاجان الاستقلالية. البنك لن يثق في أداة تدقيق الامتثال التابعة لـ Anthropic نفسها، تمامًا كما أنك لن تسمح لجهة خاضعة للتدقيق أن تكتب تقرير التدقيق الخاص بها. الاستقلالية ليست مجرد استراتيجية أعمال، بل قيمة منتج بحد ذاتها. الأول غالبًا ما يكون موضوع استحواذ جيد، والثاني موضوع IPO جيد.

كلاهما يندرج تحت Harness، infra للـ Agent. إذن ما حجم “الميزانية الإجمالية” لمسار Harness؟

من الأسفل إلى الأعلى، وبجمع المساحات التقييمية لسبعة مسارات فرعية، وحتى 2030، فإن مجموع تقييم الشركات الناشئة المستقلة سيكون قرابة $5000-8000 مليار. ضمن ذلك، أكبر مساحتين هي تغليف المهارات والمعرفة العمودية ($2500-3500 مليار)، وأسرع نمو في الحواجز والامتثال (CAGR 65.8%: من 2024 وهو $700 مليون إلى توقع 2034 بقيمة $109.9 مليار؛ كلما زاد استقلال الـ Agent، زادت تكلفة “اللجام/المقود” لأن السعر يصبح أغلى)، وبيئة التدريب رغم أنها في أبكر مرحلة لكنها الأكثر يقينًا.

سوق AI Agent بشكل عام: توقع 2030 بإيرادات $50-100 مليار، وتُقدَّر Harness كطبقة infra بحوالي 40-50%. وبحساب مضاعفات PS الخاصة بـ SaaS/Infra (10-15x)، تتوافق مساحة التقييم مع ذلك وتكون قابلة للتصديق.

مسار ريادة أعمال بأكثر من تريليون دولار.

إذا احتسبنا أيضًا إيرادات Harness المدمجة داخل شركات تطوير النماذج، فإن المساحة التقييمية للطبقة التحتية Harness إجمالًا تبلغ $2.5-3.8 تريليون. وهذا يعادل تقريبًا إجمالي القيمة السوقية اليوم لطبقة Infra في الحوسبة السحابية.

وعندها نعود إلى Lin Junyang: إذا دخل فعلاً في Harness sub-market لبيئة التدريب والبنية التحتية لـ RL، فهو يواجه سوقًا حالياً يضم حوالي 20 شركة في مرحلة seed فقط، لكن بحلول 2030 تكون مساحة تقييمه $20-50 مليار. تتوقع Wing VC أن يتكامل هذا المسار في النهاية إلى 3-5 شركات رائدة.

وبصفته كبير المسؤولين التقنيين السابق في Qwen، إذا كان الأمر في وادي السيليكون، فقد تكون تقييمات جولة seed في حدود $20-50 مليون. ما يعطيه السوق ليس تقييم الشركات، بل تسعير الأشخاص. Lin Junyang لم يعد بحاجة لكتابة BP (مذكرة عمل). التغريدة وحدها تكفي. وإذا كان في الصين عبر صندوقات تمويل دولية بالدولار، فقد يكون حد التقييم $50 مليون كبداية، و$100 مليون ليس مستبعدًا. وبالنسبة لليوان؟ فلنتحدث لاحقًا.

الكفّ/راحة يد Anthropic

الآن نحتاج الإجابة عن سؤال مهم حقًا: من الذي يحدد قواعد طبقة البنية التحتية هذه—Harness—بميزانية تريليونية الدولارات؟

لنلق نظرة على الحقائق القاسية التالية:

MCP هو معيار البروتوكول الذي طرحته Anthropic. Claude Code هو منتج Harness الذي صنعته Anthropic، بإيراد سنوي مُكمَّل $2.5 مليار. Agent SDK هو بوابة المطورين التي بنتها Anthropic. نظام Skills هو ما صمّمته Anthropic. وحتى انتشار كلمة “harness” في سياق AI Agents، أكبر دافع له هو Anthropic.

والسبب الأعمق هو نموذج الأعمال.

السردية الأساسية لدى OpenAI هي “أقوى نموذج”، والإيرادات تأتي أساسًا من اشتراكات ChatGPT. أما Anthropic فهي لا تقوم تمامًا بالتعدد الوسائط ونماذج العالم، لكنها يُنظر إليها بشكل متزايد على أنها “أقوى نموذج”. نقطة بيع Claude ليست أن يكون رقم 1 في اختبارات التقييم، بل أنه “الأكثر ملاءمة لسير عمل Agent”—أكثر موثوقية، أكثر قابلية للتحكم، وأكثر ملاءمة للتشغيل الذاتي لفترات طويلة.

هذا التموضع يعني أن تنافسية Anthropic لا تأتي من النموذج وحده، بل من جودة Harness حول النموذج. كل تحسن في كل طبقة من طبقات Harness يوسع الخندق/سور الحماية حولها. ازدهار نظام Harness البيئي يساوي مباشرة المصلحة التجارية لـ Anthropic.

وهذا يفسر لماذا حاول OpenAI بناء نظام بيئي منذ 2023—Plugins وGPTs وGPT Store—لكن لم ينجح، بينما أطلقت Anthropic MCP في نهاية 2024 فقط، متأخرة عن الموعد بنحو سنة ونصف، ومع ذلك أصبحت معيارًا فعليًا.

السبب الجذري وراء ذلك هو: OpenAI يبني نظامًا بيئيًا للتطبيقات، بينما Anthropic تبني نظامًا بيئيًا للبنية التحتية.

GPT Store لدى OpenAI يشبه منطق App Store: لدي قاعدة مستخدمين أكبر، تعال وافتح متجرًا لديك هناك. لكن عندما يستطيع النموذج نفسه فعل كل شيء، لا تصبح التطبيقات لها ضرورة كوجود. GPTs لا تملك حاجز تمييز لأن القدرة الأساسية والـ ChatGPT نفسها شيء واحد.

أما MCP لدى Anthropic فليس “متجر تطبيقات”، بل هو “متجر بروتوكول”. لا يدعو المطورين إلى فتح متجر على Claude، بل يحدد معيار اتصال بحيث يمكن استخدام كل الأدوات وكل النماذج. هذه هي منطق HTTP، وليس منطق App Store.

وكلما أصبح البروتوكول أكثر انفتاحًا، زادت قوة التحكم في النظام البيئي. الآن، الجميع يستخدم MCP، وMCP مصمم من Anthropic. لا يحتاج إلى حبس المستخدمين، بل يحبس “العقلية” للمطورين وسلسلة أدواتهم.

على مستوى رأس المال. أنشأت Anthropic وصاحب رأس المال المبكر Menlo Ventures صندوق Anthology Fund بقيمة $100 مليون، واستثمر في أكثر من 30 شركة ناشئة باتجاه harness خلال عام واحد. البنية ذكية: Menlo يدفع المال، وAnthropic لا تشارك في أرباح اقتصاد الصندوق، لكنها تمنح كل شركة مستثمر فيها $25,000 على شكل model credits، وتفتح الفرصة لمشاركة كبير مسؤولي المنتجات Mike Krieger ورئيسة الشركة Daniela Amodei في يوم العروض (demo day).

لا تدفع Anthropic سنتًا واحدًا، لكنها تحبس أكثر من 30 شركة ناشئة داخل نظام Claude البيئي، وفي الوقت ذاته تحصل على إشارات احتياج في طليعة التطور. هذه هي خيارات مستقبلية بلا تكلفة.

لكن هل فكرنا في سبب آخر: لماذا في عصر Agentic AI، تكون بيئة البروتوكول لدى Anthropic أكثر أهمية من نظام التطبيقات لدى OpenAI؟

لأن Agent ليس “تطبيقًا” بالمعنى التقليدي. واجهة التفاعل لتطبيق تقليدي تكون ثابتة ومحدودة: المستخدم يطلب سيارة، يجرى التطبيق إجراءات محددة مسبقًا—يسمي الطلب، يستدعي عملية مطابقة السائقين، يحسب الطريق. Agent مختلف: هو يقرر بنفسه أي أدوات يستدعي، وبأي ترتيب، ومتى. واجهة التفاعل لا نهائية وديناميكية. علاوة على ذلك، يحتاج Agent أيضًا إلى التعاون مع Agent: المُنسِّق (orchestrator) يحدد موعد/توجيه وكيل متخصص، والوكيل المتخصص ينسق مع وكيل فرعي—وهذه مسألة تنسيق/تعاون في نظام موزع.

عندما تكون واجهة التفاعل ثابتة، يمكنك الاتصال واحدًا واحدًا؛ وعندما تكون واجهة التفاعل لا نهائية، لا يمكنك سوى تعريف معيار.

TCP/IP يجعل أي جهازين للحاسوب يتواصلان، HTTP يتيح لأي عميل الوصول إلى أي خادم، وMCP يتيح لأي Agent استدعاء أي أداة. الوحدة الأساسية في نظام بيئي للتطبيقات هي “المنتج”، والوحدة الأساسية في نظام بيئي للبروتوكول هي “الاتصال”. في عصر Agentic، عدد الاتصالات وجودتها يحددان كل شيء.

كل روّاد شركات Harness يتقلبون في المحاولة/تعثرون. إذا كان Lin Junyang فعلًا سيعمل على البنية التحتية لبيئة التدريب—الاتجاه الذي عرفه بنفسه في مقاله كـ “فئة ريادية حقيقية”—فمنتجه في النهاية على الأغلب سيحتاج أيضًا إلى الاتصال بنظام Claude البيئي؛ أو سيُنشئ نظامًا بيئيًا موازيًا داخل الصين. لأن Anthropic عرّفت البروتوكول، وبنت الـ SDK، ونشرت صندوقات دعم للنظام البيئي، وسيطرت على “العقلية” لدى المطورين.

ربما، فقط روّاد AI Agent في الصين لديهم فرصة—بفعل قهر الضرورة—للخروج من قبضة/راحة يد Anthropic.