لم يعد بالإمكان استخدام Fable لكن لا داعي لليأس ── الصمود بـ OpenRouter Fusion＋نماذج LLM صينية＋طبقة مراجعة

1. مات Fable. والآن؟

لأكن صريحًا: هذا لا يُقارَن بـ Fable إطلاقًا.

وقت كتابة هذا المقال، توقف وكيل البرمجة بالذكاء الاصطناعي «Fable» الذي كانت تقدّمه Anthropic عن الخدمة. تلك الدقة، تلك السرعة، ذلك الإحساس بالتكامل السلس — لا يوجد حتى الآن بديل يضاهيه.

ومع ذلك، لا يمكن الوقوف مكتوف 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: ضعيف بشكل مفاجئ. يفقد نَفَسَه سريعًا أمام قواعد الكود الطويلة. وهو مكلف أيضًا
• Cursor / Windsurf: تجربة استخدام 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 مستودعًا (repository) حقيقيًا

بعد تجربة كل 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 مطلقًا، 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 يظل أمرًا مقلقًا نوعًا ما. هذا الأسلوب مخصص حصريًا للمشاريع الشخصية أو الهوايات.

2. ما هي OpenRouter Fusion

OpenRouter هي بوابة API تتيح الوصول الموحّد إلى عدة مزوّدي نماذج LLM. Claude وGPT وGemini وDeepSeek، جميعها متاحة عبر نفس الواجهة.

تمتلك OpenRouter ميزة تُسمى «Fusion».

باختصار، هي آلية تُرسِل طلبًا واحدًا (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 الطلب (prompt)
2. تُجيب النماذج المحددة في analysis_models على نفس الطلب في آنٍ واحد
3. يقوم النموذج المحدد في model بمقارنة هذه الإجابات وتحليلها، منظّمًا نقاط الاتفاق والتناقضات والثغرات والنقاط العمياء (= دور الحكم)
4. بعد ذلك، يكتب النموذج نفسه الإجابة النهائية استنادًا إلى ذلك التحليل

النقطة المهمة هي أنه لا يمكن تخصيص أدوار أو طلبات مختلفة لكل نموذج تحليل على حدة. تتلقى جميع النماذج نفس الطلب، وتجيب كل منها بشكل مستقل، ويقيّم الحكم الفروق بينها — آلية بسيطة لا أكثر.

وكيل البرمجة عبر سطر الأوامر opencode يدعم Fusion هذه كإضافة (plugin) بشكل أصلي. يكفي كتابة الإعداد في opencode.json للحصول على وكيل تتعاون فيه عدة نماذج على توليد الكود ومراجعته.

3. الإعداد الفعلي

فيما يلي الجزء الأساسي من ملف opencode.json الذي أستخدمه حاليًا.

{
  "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
              }
            ]
          }
        }
      }
    }
  }
}

يتكوّن هذا التكوين من خمسة نماذج تحليل ونموذج تنفيذ واحد.

نماذج التحليل (تشاهد جميعها نفس الطلب وتجيب في آنٍ واحد)

نموذج التنفيذ (يكتب الإجابة النهائية استنادًا إلى نتائج التحليل)

• deepseek/deepseek-v4-pro: يتولى، استنادًا إلى إجابات نماذج التحليل، عملية توليد الكود الفعلية وتحرير الملفات.

لماذا نماذج LLM صينية

ببساطة لأن نسبة الجودة إلى السعر ساحقة.

اعتبارًا من عام 2026، تبلغ أسعار واجهات برمجة التطبيقات (API) لنماذج LLM الصينية 1/5 إلى 1/20 من أسعار Anthropic أو OpenAI، مع أداء مماثل أو أفضل. وعلى وجه الخصوص، تُعطي قدرة DeepSeek V4 Pro على البرمجة في الاستخدام الفعلي انطباعًا في كثير من الأحيان بأنها تضاهي Claude Sonnet وGPT-5.5 أو تتفوق عليهما.

4. كيف يعمل هذا ── لماذا لا تكفي Fusion وحدها

تدفق Fusion بمفردها يسير كالتالي:

1. يُدخل المستخدم الطلب
2. تُولّد نماذج التحليل الخمسة إجابات كل منها بشكل مستقل
3. يقوم نموذج التنفيذ (DeepSeek V4 Pro) بمقارنة هذه الإجابات وتحليلها، مُنتِجًا تحليلًا منظّمًا يستخلص نقاط الاتفاق والتناقضات والثغرات
4. استنادًا إلى ذلك التحليل، يُولّد نموذج التنفيذ نفسه (DeepSeek V4 Pro) الكود النهائي

يُذكّر هذا بالعمل الجماعي البشري: خمسة مهندسين يطّلعون على نفس المواصفات ويقدّم كل منهم تعليقات المراجعة الخاصة به، ثم يقوم شخص واحد (DeepSeek V4 Pro) بتحليل تلك التعليقات وتنظيمها قبل التنفيذ.

بخصوص حد نافذة السياق: تبلغ نافذة سياق Fusion 128 ألف رمز (token). قد تبدو ضيقة للوهلة الأولى، وهي بالفعل تمتلئ أسرع مما قد يتوقع المرء، لأنها يجب أن تستوعب تاريخ المحادثة بالإضافة إلى إجابات النماذج الخمسة كلها. لكن لا داعي للقلق. حتى لو تجاوز الأمر 128 ألف رمز وفشلت خطوة التجميع في Fusion، تكون كل نماذج التحليل قد أنهت بالفعل معالجة الطلب بشكل مستقل، كل منها ضمن نافذة سياق خاصة بها أكبر بكثير (مليون رمز لـ DeepSeek V4 Pro، ونحو 260 ألف رمز لـ Kimi K2.7 على سبيل المثال). كما أن opencode نفسها تحتفظ بتاريخ الجلسة بأكملها، لذا فإن «ذاكرة» النماذج لا تضيع. ومن واقع تجربتي العملية، لا يشكّل هذا عائقًا كبيرًا.

لكن هذا وحده لا يقترب إطلاقًا من مستوى Fable. فقد كان Fable، رغم كونه نموذجًا واحدًا، يتفوّق بسهولة على دقة التداول الجماعي بين عدة نماذج. هذه هي القوة الحقيقية لشركة Anthropic.

لذلك، تُضاف طبقة مراجعة إضافية إلى مخرجات Fusion. هناك خياران.

الخيار أ: مراجعة الكود عبر gpt-5.5-pro

1. توليد الكود باستخدام تكوين Fusion
2. تسليم الكود المُولَّد إلى gpt-5.5-pro مع تعليمة «راجع هذا واقترح تعديلات»
3. جعل نموذج التنفيذ الأصلي يطبّق تلك التعديلات

أداء gpt-5.5-pro في توليد الكود بمفرده ضعيف نسبيًا، لكنه جيد بشكل مفاجئ في مراجعة الكود القائم.

الخيار ب: مراجعة PR عبر GitHub Codex

1. توليد الكود باستخدام تكوين Fusion
2. تقديمه كطلب سحب (PR) وتمريره عبر مراجعة PR في GitHub Codex
3. الأخذ بما يشير إليه Codex من احتمالات وجود أخطاء أو مخاوف تتعلق بالتصميم

يجري Codex مراجعته مع مراعاة سياق GitHub (المشكلات (issues)، طلبات السحب السابقة، بنية المشروع)، مما يمنحه زاوية نظر مختلفة عن مراجعة نموذج LLM عام.

يكفي أحد الخيارين. Fusion (تداول خمسة نماذج) ← مراجعة (gpt-5.5-pro أو Codex): تكوين من مرحلتين. الفكرة الأساسية هي: بما أنه لا يمكن الوصول إلى مستوى Fable في محاولة واحدة، يتم التعويض عن ذلك من خلال العملية نفسها.

انخفضت بشكل ملحوظ مع هذا التكوين أخطاء إصدارات المكتبات واستخدام واجهات برمجة تطبيقات غير موجودة، وهي مشكلات شائعة مع gpt-5.5 الخام.

5. السرعة والعملية

السرعة بحد ذاتها لا تختلف كثيرًا عن نموذج واحد. وبما أن النماذج الخمسة تعمل بالتوازي، يبقى زمن الاستجابة الفعلي ضمن حدود مقبولة.

المشكلة تكمن في الدقة. ففي الحالات التي كان Fable سينجح فيها من المحاولة الأولى، يتطلب هذا التكوين عدة جولات من إعادة العمل. والنتيجة أن إجمالي وقت التطوير أبطأ بوضوح مقارنة بـ Fable. كل خطأ إضافي يعني بطئًا إضافيًا.

ومع ذلك، فهو أفضل بكثير من gpt-5.5 الخام. الكود المُولَّد عبر Fusion＋المراجعة يقترب بشكل معقول من الإجابة الصحيحة منذ المحاولة الأولى — وهو بلا شك أسرع من الوقوع في حلقة لا نهائية من التوليد ← التصحيح ← التصحيح ← التصحيح باستخدام gpt-5.5 وحده.

الانطباع العام يمكن تلخيصه كالتالي: «السرعة ليست سيئة. الدقة بعيدة جدًا عن Fable، لكنها أفضل بعدة درجات من gpt-5.5 الخام». توازن معقول.

6. إضافة: طبقة المراجعة وإعدادات opencode الأخرى

طبقة المراجعة: gpt-5.5-pro أو مراجعة PR من Codex

تكوين Fusion وحده لا يمنح ثقة كاملة، لذا أستخدم أحد الخيارين كطبقة مراجعة.

gpt-5.5-pro: أُعيّنه كوكيل فرعي (sub-agent) عبر ميزة task في opencode، مع تعليمة «راجع الكود المُولَّد واقترح تعديلات». إن طُلب منه كتابة الكود من الصفر يكون الأداء متوسطًا، لكنه بارع بشكل غريب في اكتشاف عيوب الكود الذي كتبه غيره.

GitHub Codex: عند تقديم طلب سحب (PR)، أُشغّل مراجعة PR الخاصة بـ Codex. كونها تراعي سياق المشروع بأكمله يمنحها نكهة مختلفة عن مراجعة نموذج LLM عام.

اختيار أحدهما يعتمد على مزاج اليوم. استخدام الاثنين معًا سيكون بالتأكيد مبالغًا فيه وبطيئًا جدًا.

إعدادات أخرى

بالإضافة إلى Fusion، أضفتُ في opencode.json بعض الإعدادات العملية الأخرى.

{
  "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"]
  }
}

هناك نقطتان رئيسيتان.

1. حظر أوامر الحذف

يتم رفض Remove-Item وَdel وَrm وَrmdir وَrd وَerase وَgit clean صراحةً. لأن ترك حذف الملفات لوكيل الذكاء الاصطناعي أمر مخيف ببساطة. عندما يكون الحذف ضروريًا فعلًا، أقوم به بنفسي.

2. primary_tools: ["task"]

يمنح هذا الأولوية للاستكشاف المتوازي عبر الوكلاء الفرعيين (task). عند قراءة عدة ملفات أو البحث فيها في آنٍ واحد ضمن قاعدة كود كبيرة، يكون المرور عبر task أسرع بكثير.

7. الخلاصة

توقف Fable مؤلم. مؤلم حقًا. لا يوجد حتى الآن ما يتفوق عليه.

لكن لا يمكن الوقوف مكتوف الأيدي، لذا أصمد حاليًا بتكوين يولّد الكود عبر OpenRouter Fusion＋نماذج LLM صينية، ويُنهيه بمراجعة من gpt-5.5-pro أو مراجعة PR من Codex.

النقاط الأساسية لهذا التكوين:

• توليد الكود عبر «التداول الجماعي» بين خمسة نماذج باستخدام OpenRouter Fusion
• نماذج التحليل: Xiaomi Mimo / GLM / DeepSeek / Kimi / MiniMax
• نموذج التنفيذ: DeepSeek V4 Pro
• طبقة المراجعة الختامية: gpt-5.5-pro أو مراجعة PR من Codex (يكفي أحدهما)
• السرعة مماثلة لنموذج واحد، لكنها تتباطأ بسبب إعادة العمل الناتجة عن دقة أقل من Fable
• أفضل بكثير من gpt-5.5 الخام. بعيد عن Fable، لكنه كافٍ للاستخدام العملي
• بسبب كونها نماذج LLM صينية، يصعب استخدامها مع كود العمل. تقتصر على الهوايات والتطوير الشخصي

إذا كنتم تعانون من فقدان Fable في وكلاء البرمجة بالذكاء الاصطناعي، أو تجدون gpt-5.5 الخام غير موثوق بما فيه الكفاية، فإن هذا التكوين يستحق التجربة كحل مؤقت.

يكفي امتلاك حساب OpenRouter لتتمكنوا من استخدامه اعتبارًا من اليوم.

روابط مرجعية

• OpenRouter: Fusion plugin
• OpenRouter: Fusion Router
• OpenRouter: OpenCode integration
• opencode: Config
• GitHub Codex: PR review
• Anthropic: Claude Fable 5 and Claude Mythos 5

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؟

هي آلية تُرسِل نفس الطلب (prompt) إلى عدة نماذج في آنٍ واحد، ثم يقوم أحد النماذج (بدور الحكم) بمقارنة إجاباتها وتحليلها لتنظيم نقاط الاتفاق والتناقضات والثغرات، وبعدها يكتب النموذج نفسه الإجابة النهائية بناءً على ذلك التحليل. يمكن اعتبارها نوعًا من التداول الجماعي بين النماذج. لا يمكن تخصيص أدوار أو طلبات مختلفة لكل نموذج تحليل على حدة؛ إذ تتلقى جميع النماذج نفس الطلب 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. اعتبارًا 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، تُعطي قدرة DeepSeek V4 Pro على البرمجة في الاستخدام الفعلي انطباعًا 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 حقيقية، لذا فإن هذا الأسلوب مخصص حصريًا 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 المُولَّد 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 نسبيًا، 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 كثيرًا عن سرعة نموذج واحد. أما الدقة فتظل بعيدة جدًا عن مستوى Fable، وبسبب إعادة العمل الناتجة عن ذلك يصبح إجمالي وقت التطوير أبطأ بوضوح. ومع ذلك، فهو أسرع يقينًا 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 فورًا.

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.