تشهد صناعة الذكاء الاصطناعي تحولاً ملحوظاً حيث ينتقل العديد من المهندسين من الاعتماد الكلي على أطر العمل مثل LangChain إلى بناء هندسة "وكلاء" أصلية خاصة بهم. هذا التحول مدفوع بتجارب عملية في بيئة الإنتاج تظهر أن المرونة السريعة التي توفرها الأطر تأتي بثمن خفي يتجلى في صعوبة التتبع والتحكم عندما تبدأ الأنظمة في التعطل. في المراحل الأولية، مثل تطوير نماذج أولية أو تجارب دمج، تُعد LangChain أداة لا غنى عنها. فهي تتيح للمهندسين بناء خطوط أنابيب استرجاع المعلومات (RAG) وتجميعها بسرعة فائقة، مما اختصر أسبوعين من العمل إلى بضع ساعات. ومع ذلك، فإن هذه المجازفة تتحول إلى عبء عندما تنتقل الأنظمة إلى بيئة الإنتاج وتتطلب موثوقية عالية. يكمن الجوهر في أن الأطر تعمل على مبدأ التجريد، حيث تخفي تفاصيل التنفيذ الداخلي لتسريع التطوير. لكن الأنظمة التي تعمل على مستوى الإنتاج تتطلب وضوحاً تاماً: معرفة دقيقة بما يحدث، بالترتيب الصحيح، وبمدخلات محددة. تظهر مشاكل التجريد بوضوح في عدة مجالات حرجة. أولاً، تصعب عملية تصحيح الأخطاء؛ فعند فشل خطوة في السلسلة، لا يواجه المطور خطأً في كوده الخاص فحسب، بل يجد نفسه غارقاً في تتبع تدفق التنفيذ داخل الإطار نفسه. قد يستغرق تحديد السبب ساعات بينما يكون التصحيح بسيطاً، لأن التجريد يجعل السلوك الفعلي للنظام غير مرئي. ثانياً، تواجه المراقبة (Observability) سقفًا حديدياً؛ فحتى مع أدوات مثل LangSmith، تظل الرؤية محدودة بالبيانات التي يختار الإطار كشفها، مما يصعب تتبع المنطق التجاري الخاص للشركة. ثالثاً، تبرز مشكلات خطيرة عند إدارة حالة الوكلاء المتعددة؛ فبدلاً من تنسيق العمل بين مخططين ومنفذين، يؤدي إدارة الحالة من قبل الإطار إلى تباين في المعلومات بين الوكلاء، مما يؤدي إلى قرارات مبنية على بيانات قديمة. وأخيراً، تتراكم تأخرات الاستجابة بسبب الطبقات الإضافية من التسلسل والتحقق التي تضيف عبئاً غير ضروري، خاصة في الأنظمة التي تتطلب عدة مكالمات لنموذج الذكاء الاصطناعي لطلب واحد. الانتقال إلى هندسة الوكلاء الأصلية يعني كتابة منطق التنسيق نفسه ككود يمتلكه الفريق تماماً. في هذا النهج، تكون الحالة (State) محدثة بوضوح، والأدوات هي دوال قابلة للاختبار، والذاكرة هي كود مكتوب يمكن مراقبته. ورغم أن هذا يتطلب جهداً أكبر في البداية، إلا أنه يضمن أن أي فشل يحدث ضمن الكود الذي يملكه المطور ويمكن فهمه مباشرة. كما يسهل هذا النهج التعامل مع عمليات معقدة مثل التنفيذ المتوازي والشرطية، والتي لا تتعامل معها سلاسل التنفيذ المتزامن في الأطر بكفاءة. لا يعني هذا الاستهانة بأهمية الأطر، بل يؤكد أن لكل مرحلة استخداماً مناسباً. في مراحل التكرار السريع واختبار الفرضيات، تظل الأطر خياراً ممتازاً. أما عند الحاجة لمعايير أداء صارمة (SLAs)، وتنسيق معقد بين الوكلاء، ومراقبة دقيقة، فإن الهندسة الأصلية تبرر التكلفة الأولية. المهندسون الذين يبكون أنظمة ذكاء اصطناعي قوية هم من يعرفون متى يتوقفون عن الاعتماد على الإطار في اتخاذ القرارات، ويفهمون بدقة ماذا يفعل النظام في كل لحظة، من أي سياق، وتحت أي ظروف.