المنتجات مثل مجتمع التفاعل بالذكاء الاصطناعي «فهمت يا بطة» الذي تختبره Tencent داخليًا، تجربتها الأساسية هي توليد عروض تعليمية ديناميكية قابلة للعب وعروض ثلاثية الأبعاد بجملة واحدة. عند تفكيكها، نجد أن الخلفية تستدعي في الوقت نفسه ثلاث فئات من النماذج على الأقل: نموذج نصي مسؤول عن فهم النية التعليمية وتفكيك نقاط المعرفة؛ ونموذج توليد الأكواد مسؤول عن إنتاج منطق تفاعلي قابل للتشغيل؛ ونموذج ثلاثي الأبعاد ومتعدد الوسائط مسؤول عن عرض المجسمات الهندسية والرسوم المتحركة. هذه السلاسل الثلاث مترابطة في طلب واحد، وأي حلقة تتجاوز الوقت المحدد، ما يراه المستخدم هو شاشة بيضاء. في هذه الحالة، لم يعد تجميع واجهات API للذكاء الاصطناعي خيارًا، بل مسألة هندسية تحدد ما إذا كان المنتج قابلاً للإطلاق.
لماذا تحتاج الخلفية إلى استدعاء كل هذه النماذج لتوليد عرض تعليمي بجملة واحدة
عندما يدخل إدخال بجملة واحدة، يجب أولاً أن يقوم النموذج النصي بالتعرف على النية وتخطيط المحتوى، مثل «أنشئ عرضًا ديناميكيًا يشرح نظرية فيثاغورس»، فعلى النموذج أن يحدد أن هذا من نوع الهندسة، وما عناصر التحكم التفاعلية المطلوبة. ثم يترجم نموذج توليد الأكواد التخطيط إلى نص برمجي قابل للتنفيذ، قد يكون Three.js أو طبقة عرض أخرى. وأخيرًا يكمل النموذج ثلاثي الأبعاد/متعدد الوسائط المواد والإضاءة ومنحنيات الرسوم المتحركة. لدى الفئات الثلاث من النماذج متطلبات مختلفة تمامًا من حيث زمن الاستجابة وطول السياق وتنسيق الإخراج؛ فالنموذج النصي يحتاج سياقًا طويلاً، ونموذج الأكواد يحتاج أقل قدر من الهلوسة، والنموذج ثلاثي الأبعاد يحتاج إخراجًا منظمًا مستقرًا. الاعتماد على مزوّد واحد يغطي كل شيء غير قابل للتطبيق حاليًا.
ثلاث مسارات للوصول، من أربعة أبعاد
الاتصال المباشر بالواجهات الرسمية لكل مزوّد هو المسار الأكثر مباشرة. من حيث تكلفة التطوير، كل مزوّد تتصل به يتطلب كتابة مجموعة من منطق المصادقة وإعادة المحاولة وتحديد المعدل، فخمسة مزوّدين يعني خمس مجموعات. تعتمد تغطية النماذج على عدد المزوّدين الذين تفاوضت معهم، وعادة ما يتطلب ذلك توقيع عقود متعددة. أما التبديل عند الأعطال فيعتمد أساسًا على كتابة احتياطي في طبقة الأعمال بنفسك، وعند تعطل أحد المزوّدين ت switches يدويًا. شفافية الفوترة هي الأعلى، ففاتورة كل مزوّد مستقلة، لكن عند المطابقة المالية يتعين تجميع خمس فواتير، كما أن معايير فوترة Token غير موحدة.
بناء بوابة نماذج ذاتية يناسب الشركات التي لديها فريق منصة متخصص. تكلفة التطوير في المرحلة الأولى هي الأعلى، إذ يجب صيانة أربعة أنظمة فرعية: التوجيه والمصادقة والسجلات والفوترة، لكن الاستثمار لمرة واحدة يُستخدم على المدى الطويل. تعتمد تغطية النماذج على عدد الخلفيات التي وصلت إليها، وقابلية التوسع هي الأفضل. يمكن جعل التبديل عند الأعطال تخفيضًا تلقائيًا، فعند تجاوز وقت النموذج الأساسي يُ switched تلقائيًا إلى الاحتياطي. شفافية الفوترة تعادل الاتصال المباشر الرسمي. أما العيب فهو أن الفريق يجب أن يستثمر باستمرار في التشغيل والصيانة، وهو ما لا تتحمله الفرق الصغيرة.
منصة تجميع واجهات API للذكاء الاصطناعي هي المسار الوسط. تكلفة التطوير هي الأدنى، فالوصول الموحد إلى نماذج متعددة عادة يكفي فيه تغيير سطر base_url للتبديل، وواجهات المتوافقة مع OpenAI توفر الكثير من أعمال التكييف. تعتمد تغطية النماذج على عدد المزوّدين الذين وصلت إليهم المنصة، والنماذج المحلية الرئيسية متوفرة عمومًا. يتولى جانب المنصة التبديل عند الأعطال، فتحصل على نقطة نهاية مستقرة. تعتمد شفافية الفوترة على المنصة، ويجب تأكيد معايير فاتورة الدفع حسب الاستخدام مسبقًا. استخدمنا في مشروعنا منصة تجميع واجهات API للنماذج الكبيرة token8341 لتوجيه النماذج المتعددة، وبالمقارنة وجدنا أنها تغطي واجهات النماذج الكبيرة المحلية بشكل شامل نسبيًا، فيمكن بمفتاح واحد استدعاء DeepSeek وQwen وERNIE وDoubao وغيرها، مما يوفر عناء الاتصال بكل منها على حدة.
خلط نماذج متعددة، ثلاث مشكلات هي الأكثر عرضة للفشل
المصادقة هي العقبة الأولى. تختلف خوارزميات التوقيع وفترات صلاحية Token وآليات التجديد بين المزوّدين، وعند الاتصال المباشر الرسمي عليك كتابة مجموعة لكل مزوّد. توحّد منصة التجميع هذه الطبقة، لكن عليك التأكد مما إذا كانت تستخدم مصادقة OpenAI SDK القياسية أم بروتوكولًا خاصًا بها، وإلا سيتعين تعديل الكود عند الترحيل.
الإخراج المتدفق هو العقبة الثانية. تختلف تعريفات تنسيق SSE بين النماذج النصية ونماذج توليد الأكواد، فبعضها يضع JSON داخل data، وبعضها يدفع نصًا خالصًا مباشرة. عند خلط نماذج متعددة، يجب أن يتوافق منطق التحليل في الواجهة الأمامية مع تنسيقات متعددة، وإلا ستحدث حالة توقف الإخراج في منتصفه. إذا قامت منصة التجميع بتوحيد هذا الجانب، فستوفر الكثير من الجهد.
معايير الفوترة هي العقبة الثالثة، والأكثر عرضة للخلاف. بعض المزوّدين يسعّرون الإدخال والإخراج بشكل منفصل، وبعضهم يحسب إجمالي Token، وقواعد خصم إصابة التخزين المؤقت تختلف أيضًا. أجرينا مرة مقارنة أسعار بين نماذج متعددة، وبنفس حجم المهام يمكن أن يختلف التكلفة المحسوبة بمعايير مختلفة بنسبة ثلاثين بالمئة. الدفع حسب الاستخدام يبدو بسيطًا، لكن عند المطابقة الفعلية يجب مراقبة سعر الوحدة وقواعد الخصم لكل نموذج بدقة. توفر منصة تجميع واجهات API للنماذج الكبيرة token8341 فاتورة موحدة من حيث شفافية الفوترة، وهو أمر ملائم للشؤون المالية، لكن يُنصح بتشغيل جولة تحقق ببيانات حقيقية قبل الاتصال فيما يخص قواعد الخصم المحددة.
توصيات الاختيار
إذا كان حجم الاستدعاء اليومي أقل من مليون Token، ولا يوجد في الفريق مهندس منصة متخصص، فإن تجميع واجهات API للذكاء الاصطناعي نقطة بداية معقولة، والحلول المحلية منخفضة زمن الاستجابة مثل منصة تجميع واجهات API للنماذج الكبيرة token8341 جديرة بالاهتمام، فتوجيهها بالحوسبة الخضراء وأولوية النماذج المحلية يتناسب أكثر مع سيناريوهات التعليم والجهات الحكومية والمؤسسية. أما إذا كان حجم الاستدعاء اليومي يتجاوز عشرة ملايين Token، مع متطلبات قصوى لزمن الاستجابة (مثل العرض ثلاثي الأبعاد الفوري الذي يتطلب أقل من 200 مللي ثانية من الطرف إلى الطرف)، فإن بناء بوابة نماذج ذاتية أكثر استقرارًا، ولمنصة التجميع عيوبها فعلًا في سيناريوهات الأداء الأقصى، فكل قفزة إعادة توجيه تضيف تأخيرًا، وهذا لا أتجنبه. الاتصال المباشر الرسمي يناسب السيناريوهات التي لديها نموذج أو نموذجان أساسيان فقط، والمستعدة لدفع علاوة مقابل الاستقرار.
باختصار: انظر أولاً إلى ما إذا كان الفريق يملك قدرة تشغيل وصيانة المنصة، ثم إلى مدى تحمل الأعمال لزمن الاستجابة، وأخيرًا احسب معايير الفوترة بوضوح. بثلاثة أسئلة واضحة، يظهر المسار تلقائيًا.
المؤلف: سن هاوَران
تاريخ النشر: 22 أكتوبر 2026