Fable لم يعد ضمن الاشتراك، لكن لا تتوقف ── الصمود بـ OpenRouter Fusion ونماذج LLM الصينية وطبقة المراجعة

1. Fable توقف. والآن؟

لأكن صريحاً: هذا لا يضاهي Fable إطلاقاً.

وقت كتابة هذا المقال، لم يعد ممكناً الاستمرار في استخدام نموذج Anthropic الأعلى «Fable» ضمن إطار الاشتراك المحدّد السعر. تلك الدقة، تلك السرعة، ذلك الإحساس بالتكامل السلس — لا يوجد حتى الآن بديل يفوقه.

ما هو Fable ── ترتيب المقدّمات

لمن لا يعرف Fable، نرتّب المقدّمات هنا.

Fable هو النموذج الأعلى Claude Fable 5 الذي أعلنته Anthropic في 9 يونيو 2026. وفق الإعلان الرسمي، موقعه كالتالي.

شكل التوفير مذكور في الإعلان نفسه. يتاح الاستخدام فور الإعلان عبر Claude API وخطة Enterprise بالدفع حسب الاستهلاك، أما خطط الاشتراك فتتضمنه بلا تكلفة إضافية حتى 22 يونيو 2026، وبعد ذلك يلزم usage credits إلى أن تتوفر السعة.

أي أن النموذج لم يختفِ. ما حدث هو أنه لم يعد ممكناً الاستمرار في استخدامه كما كان ضمن إطار الاشتراك المحدّد السعر. البحث عن تكوين بديل في هذا المقال يجري حصراً تحت شرط «ضمن الإطار المحدّد السعر». إن كان لديك ميزانية لربط API بالدفع حسب الاستهلاك، فاستخدام Fable مباشرة أسرع.

ما فُقد ليس النموذج نفسه بقدر ما هو تجربة «أُلقي إلى نموذج واحد فيمرّ». اعتبر التكوين الذي نبنيه لاحقاً محاولة لتقريب هذه التجربة عبر تداول جماعي بين عدة نماذج وطبقة مراجعة.

ومع ذلك، لا يمكن الجلوس مكتوفي الأيدي. وعند البحث عن بدائل، تكون الخيارات كالتالي:

• Claude Code / Claude Sonnet: ذكي، لكنه بمفرده لا يصل إلى دقة Fable، والتكلفة تتراكم
• GPT-5 / GPT-5.5: أداؤه ضعيف على نحو مفاجئ. يفقد نَفَسه سريعاً أمام قواعد الكود الطويلة. وهو مكلف أيضاً
• Cursor / Windsurf: تجربة الاستخدام جيدة، لكنها مرهونة بالنموذج الذي يعمل خلف الكواليس. لا يمكن التحكم بالتكوين بحرية
• نماذج LLM المحلية (مثل Ollama): سريعة، لكن الدقة تنخفض بشكل كبير بمجرد تسليمها مستودعاً (repository) حقيقياً

لأسس الاستفادة من الذكاء الاصطناعي في البرمجة، راجع أيضاً هذا المقال. Claude Code完全入門：インストールから実務活用まで、AIコーディングの新常識を徹底解説

بعد تجربة هذه الخيارات، وصلت إلى التالي: توليد الكود باستخدام ميزة Fusion من OpenRouter＋نماذج LLM صينية، ثم إنهاء العملية بـ مراجعة من gpt-5.5-pro أو مراجعة PR من Codex. هذا لا يضاهي Fable مطلقاً، لكنه أفضل بكثير من gpt-5.5 الخام. يمكن الاعتماد عليه إلى حد ما.

غير أنه، لأنها نماذج LLM صينية، فإن تغذيتها بكود العمل الفعلي تظل مقلقة. هذا الأسلوب مخصص حصرياً للمشاريع الشخصية أو الهوايات. ما الذي يخيف بالضبط؟ نفكّكه في الفصل 3 تحت «ماذا نمرّر إلى نماذج LLM الصينية».

كيف تُقرأ تقييمات هذا المقال

تنويه مسبقاً. التقييمات الواردة هنا مثل «أداؤه ضعيف» و«مماثل أو أفضل» و«أفضل بكثير» هي كلها انطباعات المؤلف من استخدامه في عمله. ليست مبنية على درجات معايير قياسية، ولا على تجربة مقارنة بشروط موحّدة. بعد هذا، عدّ أي تقييم بلا تحفظ انطباعاً شخصياً.

ما يمكن التحقق منه موضوعياً هو السعر تقريباً، وهو أيضاً يتغيّر. راجع الأسعار الحالية لكل نموذج في قائمة نماذج OpenRouter. عند دراسة الاعتماد، طابق الأسعار بنفسك دائماً.

بعبارة معكوسة: إن اكتفيت بالانطباع، يمكن تجربة هذا التكوين من اليوم. اقرأ ما يلي على هذا الأساس.

في المخطّط، يشير الخطّ المتّصل إلى علاقة قائمة دائماً، ويشير الخطّ المتقطّع إلى علاقة مشروطة (شروط قيامها مذكورة في شرح كلّ علاقة في الصفحة التفصيليّة). القائمة الكاملة للعلاقات (المجموع 18، مع الأدلّة ودرجة اليقين) وتعريفات المفاهيم الرئيسة مجمّعة في صفحة تفاصيل خريطة المعرفة (باليابانية). البيانات: JSON-LD / Turtle

2. ما هي OpenRouter Fusion

OpenRouter بوابة API تتيح استدعاء عدة مزوّدي نماذج LLM بواجهة موحّدة. Claude وGPT وGemini وDeepSeek، كلها متاحة عبر الواجهة نفسها.

لدى OpenRouter ميزة تُسمى «Fusion».

باختصار، هي آلية ترسل مطالبة واحدة (prompt) إلى عدة نماذج، وتحلّل إجاباتها، ثم يقوم نموذج واحد بتجميع المخرجات النهائية. يمكن وصفها بأنها «تداول جماعي بين النماذج».

على وجه التحديد، يسير التدفق كما يلي:

1. يُدخل المستخدم المطالبة (prompt)
2. تجيب النماذج المحددة في analysis_models على المطالبة نفسها في آن واحد
3. يقوم النموذج المحدد في model بمقارنة هذه الإجابات وتحليلها، منظّماً نقاط الاتفاق والتناقضات والثغرات والنقاط العمياء (= دور الحكم/judge)
4. بعد ذلك، يكتب النموذج نفسه الإجابة النهائية استناداً إلى ذلك التحليل

المهم أنه لا يمكن إعطاء أدوار أو مطالبات مختلفة لكل نموذج تحليل. تتلقى جميع النماذج المطالبة نفسها، وتجيب كل منها مستقلة، ثم يقيّم الحكم الفروق — آلية بسيطة بهذا المعنى.

وكيل البرمجة عبر سطر الأوامر opencode يدعم Fusion كإضافة بشكل أصلي. يكفي كتابة الإعداد في opencode.json لتحصل على وكيل تولّد فيه عدة نماذج الكود وتراجعه بالتنسيق.

3. الإعداد الفعلي

التثبيت ── إدخال opencode وربط OpenRouter

قبل الدخول في محتوى ملف الإعداد، نلخّص الخطوات حتى تصل إليه.

1. تثبيت opencode

curl -fsSL https://opencode.ai/install | bash

يمكن تثبيته أيضاً من مدير الحزم. على Windows، توصي الوثائق الرسمية باستخدام WSL.

npm install -g opencode-ai            # Node.js
brew install anomalyco/tap/opencode   # macOS / Linux
scoop install opencode                # Windows

2. تسجيل مفتاح API لـ OpenRouter

من لوحة OpenRouter أنشئ مفتاحاً عبر Create API Key. بعد ذلك، شغّل opencode في الدليل الذي تريد العمل فيه، نفّذ /connect، واختر OpenRouter من قائمة المزوّدين، ثم الصق المفتاح.

cd /path/to/project
opencode

/connect

يُحفظ المفتاح المسجَّل في ~/.local/share/opencode/auth.json. لا حاجة لكتابته في ملف الإعداد، ولا تكتبه هناك.

3. وضع opencode.json

أماكن ملف الإعداد اثنان أساساً.

عند وجود الاثنين يُدمجان (merge)، ويُقدَّم جانب المشروع فقط عند تعارض المفاتيح. إعداد Fusion المعروض لاحقاً يعمل في أي منهما. أنا أضعه في الجانب العام لأنه إعداد يومي. وضع "$schema": "https://opencode.ai/config.json" في رأس الملف يفعّل الإكمال والتحقق في المحرّر.

4. تهيئة المشروع

/init

يحلّل opencode المشروع وينشئ AGENTS.md. يُوصى بإيداع هذا الملف في Git. يصبح المخرج مستنداً إلى بنية المشروع وعادات الترميز فيه.

إعداد Fusion

التالي هو الجزء الجوهري من opencode.json الذي أستخدمه الآن.

{
  "model": "openrouter/openrouter/fusion",
  "provider": {
    "openrouter": {
      "models": {
        "openrouter/fusion": {
          "name": "OpenRouter Fusion (Custom DeepSeek V4 Pro)",
          "options": {
            "plugins": [
              {
                "id": "fusion",
                "analysis_models": [
                  "xiaomi/mimo-v2.5-pro",
                  "z-ai/glm-5.1",
                  "deepseek/deepseek-v4-pro",
                  "moonshotai/kimi-k2.7-code",
                  "minimax/minimax-m3"
                ],
                "model": "deepseek/deepseek-v4-pro",
                "max_tool_calls": 8
              }
            ]
          }
        }
      }
    }
  }
}

التكوين: خمسة نماذج تحليل ونموذج تنفيذ واحد.

نماذج التحليل (الجميع يرى المطالبة نفسها ويجيب في آن واحد)

نموذج التنفيذ (يكتب الإجابة النهائية بناءً على نتائج التحليل)

• deepseek/deepseek-v4-pro: يتولى توليد الكود الفعلي وتحرير الملفات بناءً على إجابات نماذج التحليل.

لماذا نماذج LLM صينية؟

ببساطة لأن نسبة الجودة إلى السعر ساحقة.

اعتباراً من عام 2026، تبلغ أسعار API لنماذج LLM الصينية نحو 1/5 إلى 1/20 من أسعار Anthropic أو OpenAI، مع أداء مماثل أو أفضل. وعلى وجه الخصوص، تعطي قدرة DeepSeek V4 Pro على البرمجة في الاستخدام الفعلي انطباعاً في كثير من الأحيان بأنها تضاهي Claude Sonnet وGPT-5.5 أو تتفوق عليهما.

غير أن «1/5 إلى 1/20» و«مماثل أو أفضل» هما، كما نُبّه في الفصل 1، انطباع ضمن نطاق استخدام المؤلف. الأسعار تتفاوت حسب النموذج والمزوّد وتتغيّر باستمرار، فطابق السعر الفعلي في قائمة نماذج OpenRouter قبل الحكم. الأداء أيضاً ليس مدعوماً بمعايير منشورة.

ماذا نمرّر إلى نماذج LLM الصينية ── معايير قرار الاستخدام المهني

كتبت في الفصل 1 أن «تغذيتها بكود العمل مخيفة». الخوف المبهم لا يكفي لاتخاذ قرار، لذا نفكّك ما قد يحدث بنداً بنداً.

انتبه: فرض ZDR يسري على توجيه طلبات الاستدلال فقط. الإضافات والأدوات مثل البحث على الويب تشغّلها خدمات طرف ثالث، وتخضع كل منها لسياسة الاحتفاظ الخاصة بها. راجع سياسة الأدوات التي تفعّلها على حدة.

بعد ذلك، يسهل ترتيب قرار الاستخدام المهني بهذا التسلسل.

1. افصل ما تمرّره. لا تمرّر كوداً أو مواصفات أو بيانات عملاء تخضع لاتفاق سرية أو عقد تفويض. اقتصر على ما تملك حقه أو ما هو منشور أصلاً. إن تعذّر رسم هذا الخط، فلا معنى لمتابعة ما بعده.
2. راجع العقد. في تطوير البرمجيات المخصّصة (Custom Software Development) غالباً ما توجد بنود حول «جواز إعادة التفويض» و«إخراج المعلومات إلى الخارج». ما إذا كان الإرسال إلى خدمة LLM خارجية يندرج هنا أمر يجب الاتفاق عليه مع جهة الطلب، لا حسمه وحدك. إذا اختلطت بيانات شخصية، فقد ينطبق «تقديم المعلومات الشخصية إلى طرف ثالث في الخارج» بموجب قانون حماية المعلومات الشخصية، ويلزم التحقق وفق إرشادات لجنة حماية المعلومات الشخصية (باب التقديم إلى طرف ثالث في الخارج).
3. أغلق الثغرات بالإعداد. بعد اجتياز 1 و2، أغلق بالإعداد بنود الجدول أعلاه: الاستخدام في التدريب، والاحتفاظ بالسجلات، والعبور عبر الحدود.
4. اترك سجلاً. اكتب أي نموذج يُمرَّر إليه ماذا في التشغيل. يفيد ذلك عندما يُطلب منك شرح لاحقاً.

تكوين هذا المقال حسم في المرحلة 1 بأنه «مقتصر على مشاريع الهواية والتطوير الشخصي». إن أردت الاستخدام المهني، فمرّ على الأقل عبر 2 و3 أولاً.

4. كيف يعمل ── Fusion وحدها لا تكفي

تدفق Fusion وحدها كالتالي.

1. يُدخل المستخدم المطالبة
2. تولّد نماذج التحليل الخمسة إجابات كل منها مستقلة
3. يقارن نموذج التنفيذ (DeepSeek V4 Pro) تلك الإجابات ويحلّلها، وينتج تحليلاً منظَّماً يستخرج نقاط الاتفاق والتناقض والثغرات
4. بناءً على ذلك التحليل، يولّد نموذج التنفيذ نفسه (DeepSeek V4 Pro) الكود النهائي

هذا قريب من تطوير الفريق عند البشر. خمسة مهندسين يرون المواصفة نفسها ويقدّم كل منهم تعليقات مراجعة، ثم يقوم واحد (DeepSeek V4 Pro) بتحليلها وترتيبها ثم بالتنفيذ — هذه هي الصورة.

عن حد نافذة السياق: نافذة سياق Fusion هي 128K رمزاً. تبدو قليلة للوهلة الأولى، لكن يلزم تضمين سجل المحادثة إضافة إلى إجابات النماذج الخمسة كلها، فتمتلئ أسرع مما يُتوقَّع. لا داعي للذعر مع ذلك. حتى لو تجاوزت 128K وفشلت خطوة تركيب Fusion، تكون نماذج التحليل قد أنهت معالجة المطالبة كل على حدة (DeepSeek V4 Pro بمليون رمز، وKimi K2.7 بنحو 260 ألف رمز، ونوافذ سياق كبيرة بما يكفي لكل منها). يحتفظ opencode أيضاً بسجل محادثة الجلسة كاملة، لذا لا تضيع «ذاكرة» النموذج. الانطباع العملي أنه لا يشكّل عائقاً كبيراً في الاستخدام.

لكن بهذا وحده لا نصل إلى Fable إطلاقاً. Fable نموذج واحد، ومع ذلك كان يتجاوز بسهولة دقة التداول الجماعي بين عدة نماذج. هذه قوة Anthropic.

لذلك نضيف طبقة مراجعة فوق مخرج Fusion. الخياران اثنان.

الخيار A: مراجعة كود عبر gpt-5.5-pro

1. توليد الكود بتكوين Fusion
2. إلقاء الكود المولَّد إلى gpt-5.5-pro بطلب «راجعه وقدّم تعديلات»
3. تطبيق تلك التعديلات عبر نموذج التنفيذ الأصلي

عملياً، تحدّد gpt-5.5-pro كوكيل فرعي عبر ميزة task في opencode، وتأمره «راجع واقترح تعديلات».

gpt-5.5-pro ضعيف في توليد الكود بمفرده، لكنه جيد بشكل مفاجئ في مراجعة الكود القائم، أي في اصطياد ثغرات كود كتبه غيره.

الخيار B: مراجعة PR عبر GitHub Codex

1. توليد الكود بتكوين Fusion
2. تقديمه كـ PR وتمريره عبر مراجعة PR في GitHub Codex
3. يشير Codex إلى أعطال محتملة ومخاوف تصميمية، فتُعكس

يراجع Codex انطلاقاً من سياق GitHub (Issue، وطلبات السحب السابقة، وبنية المشروع)، فيدخل من زاوية تختلف عن مراجعة LLM عامة.

يكفي أحدهما. اختر حسب المزاج، أما تمرير الاثنين فمبالغة ويبطئ أكثر من اللازم. تكوين من مرحلتين: Fusion (تداول خمسة نماذج) → مراجعة (gpt-5.5-pro أو Codex). الفكرة: ما يقصر عن ضربة Fable الواحدة يُغطّى بالعملية.

أخطاء إصدارات المكتبات واستخدام واجهات غير موجودة التي يرتكبها gpt-5.5 الخام انخفضت كثيراً بهذا التكوين.

5. السرعة والعملية

السرعة نفسها لا تختلف كثيراً عن نموذج واحد. النماذج الخمسة تعمل بالتوازي، فزمن الاستجابة الخام مقبول.

المشكلة هي الدقة. ما يمرّ من ضربة واحدة مع Fable يحتاج هنا إلى إعادة عمل عدة مرات. النتيجة أن إجمالي وقت التطوير أبطأ بوضوح من Fable. يتباطأ بقدر ما يخطئ.

غير أنه أفضل بكثير من gpt-5.5 الخام. الكود المولَّد بـ Fusion＋المراجعة قريب من الإجابة الصحيحة من المحاولة الأولى، وهو أسرع يقيناً من حلقة لا نهائية: توليد → تصحيح → تصحيح → تصحيح بـ gpt-5.5 وحده.

الانطباع: «السرعة ليست سيئة. الدقة بعيدة جداً عن Fable، لكنها بعدة درجات أفضل من gpt-5.5 الخام».

6. إضافة: إعدادات opencode الأخرى

طبقة المراجعة (gpt-5.5-pro أو مراجعة PR من Codex) كما في الفصل 4. هنا نتناول إعدادات غيرها.

إعدادات أخرى

في opencode.json وضعت عدة إعدادات عملية غير Fusion.

{
  "permission": {
    "read": "allow",
    "glob": "allow",
    "grep": "allow",
    "task": "allow",
    "webfetch": "allow",
    "websearch": "allow",
    "lsp": "allow",
    "edit": "allow",
    "bash": {
      "*": "allow",
      "Remove-Item *": "deny",
      "del *": "deny",
      "rm *": "deny",
      "rmdir *": "deny",
      "rd *": "deny",
      "erase *": "deny",
      "git clean *": "deny"
    }
  },
  "experimental": {
    "primary_tools": ["task"]
  }
}

النقطتان هما التاليتان.

1. حظر أوامر الحذف

أرفض صراحة Remove-Item وdel وrm وrmdir وrd وerase وgit clean. إيكال حذف الملفات لوكيل ذكاء اصطناعي مخيف. إن لزم الحذف أفعله بنفسي.

2. primary_tools: ["task"]

أُعطي أولوية للاستكشاف المتوازي عبر الوكيل الفرعي (task). عند قراءة عدة ملفات أو البحث فيها في آن واحد داخل قاعدة كود كبيرة، المسار عبر task أسرع بكثير.

7. الخلاصة

خروج Fable من الإطار المحدّد السعر مؤلم. مؤلم حقاً. لا شيء يفوقه حتى الآن.

لكن لا وقت للجلوس مكتوفي الأيدي، لذا أصمد بتكوين يولّد عبر OpenRouter Fusion＋نماذج LLM صينية، ثم يُنهي عبر مراجعة gpt-5.5-pro أو Codex PR.

أبرز نقاط هذا التكوين:

• توليد كود بتداول جماعي بين خمسة نماذج عبر OpenRouter Fusion
• نماذج التحليل: Xiaomi Mimo / GLM / DeepSeek / Kimi / MiniMax
• نموذج التنفيذ: DeepSeek V4 Pro
• طبقة المراجعة النهائية: gpt-5.5-pro أو مراجعة Codex PR (أحدهما)
• السرعة بمستوى نموذج واحد. غير أن الدقة أقل من Fable، فيتباطأ بسبب إعادة العمل
• أفضل بكثير من gpt-5.5 الخام. بعيد عن Fable، لكنه يتحمل الاستخدام العملي
• نماذج LLM صينية، فيصعب استخدامها على كود العمل. حتى الهواية والتطوير الشخصي (راجع جدول الفصل 3 لإجراءات القرار)
• التقييمات أعلاه كلها انطباعات المؤلف. راجع الأسعار في قائمة نماذج OpenRouter

إن كنت تشعر بـ «فجوة Fable مؤلمة» أو «gpt-5.5 الخام أضعف من اللازم» مع وكلاء البرمجة بالذكاء الاصطناعي، فالقيمة موجودة كجسر مؤقت.

أنشئ حساب OpenRouter وثبّت opencode وفق خطوات التثبيت في الفصل 3، وجرّبه من اليوم.

روابط مرجعية

• OpenRouter: Fusion plugin
• OpenRouter: Fusion Router
• OpenRouter: OpenCode integration
• OpenRouter: Provider Logging ── سياسة كل مزوّد للتدريب والاحتفاظ بالبيانات، وإعدادات التصفية
• OpenRouter: Zero Data Retention ── إعداد التوجيه إلى نقاط نهاية ZDR فقط، ونطاق سريانه
• OpenRouter: Models ── الأسعار الحالية لكل نموذج
• opencode: Intro ── خطوات التثبيت حتى /init
• opencode: Providers ── خطوات ربط OpenRouter ومكان حفظ بيانات الاعتماد
• opencode: Config ── أماكن ملف الإعداد وترتيب الدمج
• GitHub Codex: PR review
• Anthropic: Claude Fable 5 and Claude Mythos 5 ── المصدر الأوّلي لموقع Fable وتسعيره وشكل توفيره
• لجنة حماية المعلومات الشخصية: الإرشادات (باب التقديم إلى طرف ثالث في الخارج) ── التعامل مع عبور البيانات عند تورّط معلومات شخصية
• ノーコードソリューションズ: Claude Code完全入門：インストールから実務活用まで、AIコーディングの新常識を徹底解説 ── أسس الاستفادة من الذكاء الاصطناعي في البرمجة

مقالات ذات صلة

أحدث المقالات التي تشترك في نفس الوسوم. عمّق فهمك بمواضيع مرتبطة.

أين يتصل هذا الموضوع

ترتبط هذه المقالة بشكل طبيعي بصفحات الخدمات التالية.

الأسئلة الشائعة

أسئلة شائعة حول موضوع هذه المقالة.

ما هي ميزة Fusion في OpenRouter؟

آلية ترسل المطالبة نفسها (prompt) إلى عدة نماذج في آن واحد، ثم يقارن أحد النماذج (بدور الحكم/judge) الإجابات ويحلّلها لينظّم نقاط الاتفاق والتناقض والثغرات، وبعدها يكتب النموذج نفسه الإجابة النهائية بناءً على ذلك التحليل. يمكن اعتبارها تداولاً جماعياً بين النماذج. لا يمكن تخصيص أدوار أو مطالبات مختلفة لكل نموذج تحليل على حدة؛ إذ تتلقى جميع النماذج المطالبة نفسها بالضبط. وكيل البرمجة عبر سطر الأوامر opencode يدعم Fusion كإضافة (plugin) بشكل أصلي، ويكفي كتابة الإعداد في opencode.json لاستخدامه.

لماذا نستخدم نماذج LLM صينية؟

ببساطة بسبب نسبة الجودة إلى السعر الساحقة. اعتباراً من عام 2026، تبلغ أسعار واجهات برمجة التطبيقات (API) لنماذج LLM الصينية نحو 1/5 إلى 1/20 من أسعار Anthropic أو OpenAI، مع أداء مماثل أو أفضل. وعلى وجه الخصوص، تعطي قدرة DeepSeek V4 Pro على البرمجة في الاستخدام الفعلي انطباعاً في كثير من الأحيان بأنها تضاهي Claude Sonnet وGPT-5.5 أو تتفوق عليهما. غير أن تسليم كود العمل لنماذج LLM صينية ينطوي على مخاطرة، لذا فإن هذا الأسلوب مخصص حصرياً للمشاريع الشخصية أو الهوايات.

لماذا لا تكفي Fusion وحدها؟

لأن التداول الجماعي بين خمسة نماذج لا يصل حتى إلى دقة Fable. لذلك تُضاف طبقة مراجعة إضافية إلى مخرجات Fusion. هناك خياران: إما أن يقوم gpt-5.5-pro بمراجعة الكود المولَّد وتطبيق التعديلات المقترحة، أو تقديم طلب سحب (PR) وتمريره عبر مراجعة PR في GitHub Codex، ويكفي أحدهما. أداء gpt-5.5-pro في توليد الكود بمفرده ضعيف نسبياً، لكنه جيد بشكل مفاجئ في مراجعة الكود القائم، بينما يقدّم Codex ملاحظات تأخذ في الاعتبار سياق المشروع بأكمله.

ما مدى عملية هذا التكوين؟

بما أن النماذج الخمسة تعمل بالتوازي، فإن السرعة لا تختلف كثيراً عن سرعة نموذج واحد. أما الدقة فتظل بعيدة جداً عن مستوى Fable، وبسبب إعادة العمل الناتجة عن ذلك يصبح إجمالي وقت التطوير أبطأ بوضوح. ومع ذلك، فهو أسرع يقيناً من الوقوع في حلقة لا نهائية من التوليد والتصحيح باستخدام gpt-5.5 وحده، كما انخفضت بشكل ملحوظ أخطاء إصدارات المكتبات واستخدام واجهات برمجة تطبيقات غير موجودة. يكفي امتلاك حساب OpenRouter لتجربته فوراً.

الملف الشخصي للمؤلف

صفحة الملف الشخصي لمؤلف المقالة.

غو كومورا

مؤسّس شركة كومورا سوفت ذ.م.م.

يركّز على تطوير برامج ويندوز، والاستشارات التقنية، والتحقيق في الأخطاء، ويتميّز في المشاريع التي تبقى فيها الأصول القديمة ناشطة، وفي تشخيص الأعطال التي يصعب تحديد سببها.