معايير مقارنة برامج وكلاء الذكاء الاصطناعي لعام 2026

مقدمة إلى معايير مقارنة برامج وكلاء الذكاء الاصطناعي

لقد تجاوز تبنّي المؤسسات لبرامج وكلاء المؤسسة المستقلة قدرة أدوات التقييم الحالية على قياس أدائها. فأكثر من 40% من مشروعات الذكاء الاصطناعي الذاتي ستُلغى بحلول نهاية عام 2027، نتيجة ارتفاع التكاليف، وعدم وضوح القيمة التجارية، وضعف ضوابط إدارة المخاطر. والنمط الشائع المشترك بين حالات الإلغاء هذه يتسم بالثبات، من حيث أن برامج الوكلاء التي تحقق نتائج مرتفعة وفق معايير المقارنة تتصرف غالبًا بصورة غير متوقعة عند تشغيلها في بيئات الإنتاج.

تكمن المشكلة الأساسية في قياس الأداء؛ فقد أصبحت معايير المقارنة القياسية تعاني من التشبع، أو أصبحت قابلة للتلاعب، أو لم تعد ملائمة لمسارات العمل الآمنة والمخصصة التي تستخدمها المؤسسات. ولذلك، فإن تحقيق ترتيب متقدم في إحدى قوائم التصنيف العامة نادرًا ما يكون مؤشرًا موثوقًا على قدرة برنامج الوكيل على العمل بثبات عبر آلاف عمليات التشغيل المتكررة باستخدام بيانات حقيقية.

وقد تعاملت Automation Anywhere مع هذه المشكلة من اتجاهين، هما: تحقيق المركز الأول في معيار المقارنة العام المعتمد في المجال، وتطوير بنية خاصة بالمؤسسات لتقييم الذكاء الاصطناعي وبنية الذاكرة التشغيلية، وهي جوانب لا تستطيع معايير المقارنة العامة قياسها. ويستعرض هذا الدليل كلا الجانبين، بدءًا من واقع هذا المجال.

المشهد الحالي لمعايير مقارنة برامج وكلاء الذكاء الاصطناعي

تعتمد معظم عمليات تقييم برامج الوكلاء في عام 2026 على عدد محدود من معايير المقارنة العامة. ويختبر كل معيار عاملاً حقيقيًا من موثوقية برامج الوكلاء، إلا أن لكل منها نقطة ضعف مؤثرة في التطبيق على مستوى المؤسسات.

أبرز معايير المقارنة العامة التي ينبغي معرفتها

معيار مقارنة النماذج اللغوية، وهو مجموعة ثابتة من المهام، تقترن بآلية إعطاء درجات مؤتمتة. ومن أبرز المعايير التي تركز على برامج الوكلاء، والتي تهيمن على محادثات الشراء:

• AgentBench: يقيّم برامج الوكلاء في بيئات متنوعة، من أنظمة التشغيل إلى قواعد البيانات.
• WebArena: يختبر القدرة على التنقل متعدد الخطوات عبر الويبداخل بيئات متصفح تحاكي الواقع.
• SWE-bench: يقيس قدرات هندسة البرمجيات استنادًا إلى مشكلات حقيقية منشورة على GitHub، بينما تضم المجموعة الفرعية الموثقة (Verified) منه 500 مهمة راجعها مهندسون.
• MedAgentBench: يقيّم برامج الوكلاء في المهام السريرية ومسارات العمل الطبية.
• τ-bench (tau-bench): يختبر التفاعل بين الأداة وبرنامج الوكيل والمستخدم، حيث يتعين على برنامج الوكيل الالتزام بسياسات المجال أثناء تعامله مع مستخدم افتراضي.

تُعد هذه المعايير مفيدة لمقارنة القدرات الأساسية، لكن أيًّا منها لم يُصمم لاختبار مخططات البيانات أو الأدوات أو قواعد الامتثال الخاصة بكل مؤسسة.

المقاييس الشائعة وأزمة التقييم في عام 2026

تصف المقاييس القياسية النتائج النهائية؛ مثل معدل النجاح (نسبة المهام التي أُنجزت بالكامل)، ومعدل تحقيق الهدف (مدى قدرة برنامج الوكيل على تحديد ما يريده المستخدم بصورة صحيحة)، والاحتفاظ بالسياق (مدى احتفاظه بالمعلومات ذات الصلة طوال التفاعل الممتد).

لكن المشكلة تكمن في أن هذه المقاييس أصبحت أكثر قابلية للتضخُّم. ففي أبريل 2026، حقق برنامج وكيل مؤتمت نسبة نجاح بلغت 100% أو اقتربت منها في سبعة من أصل ثمانية من أبرز معايير المقارنة، دون أن يحلّ مهمة واحدة، وذلك من خلال استغلال ثغرات في بنية التقييم نفسها بدلًا من تحليل المهام وتنفيذها. وفي SWE-bench Verified، أدى تعديل نحو عشرة أسطر فقط في ملف إعدادات أحد الاختبارات إلى النجاح في جميع المهام الخمسمائة.

أظهر التحليل المستقل أيضًا أن أداء برامج الوكلاء قد ينخفض من 60% في عملية تشغيل واحدة إلى 25% عند تكرار التشغيل ثماني مرات متتالية، وأن البنية الداعمة (Scaffolding) وحدها قد تؤدي إلى تأرجح الدقة بدرجة تفوق الفارق بين جيلين متتاليين من النماذج.

الخلاصة بالنسبة للمؤسسات: تمثل النتيجة التي يحققها برنامج الوكيل في لوحة التصنيف مؤشرًا استرشاديًا، وليست ضمانًا فعليًا للموثوقية.

إطار جديد للتقييم: نجاح المهمة مقابل دقة المسار التنفيذي

إذا كان بالإمكان التلاعب بالنتائج النهائية، فلا بد أن يمتد التقييم إلى كيفية وصول برنامج الوكيل إلى تلك النتائج. ويعني هذا قياس جانبين في الوقت نفسه: ما إذا كان برنامج الوكيل قد أنجز المهمة بنجاح (نجاح المهمة، ويُشار إليه أحيانًا باسم الصحة الوظيفية)؛ وما إذا كان قد اتبع مسار تحليل صحيحًا وقابلًا للتدقيق للوصول إليها (دقة المسار التنفيذي).

مخاطر "النجاح بأي وسيلة"

يشير مصطلح "النجاح بأي وسيلة" إلى الحالة التي يصل فيها برنامج الوكيل إلى الإجابة الصحيحة عبر عملية خاطئة، كأن يخمّن معلمات الأدوات، أو يجري استدعاءات متكررة وغير ضرورية لواجهة برمجة التطبيقات (API)، أو يختلق معلومات توصله إلى نتيجة تبدو معقولة.

وعند الاعتماد على مقياس نجاح المهمة وحده، يبدو الأمر وكأنه نجاح حقيقي. أما في بيئات الإنتاج، فإنه يمثل مصدرًا للمخاطر؛ إذ تفشل عمليات التدقيق لأن مسار التحليل غير قابل للتبرير، وترتفع تكاليف واجهات برمجة التطبيقات مع كل استدعاء غير ضروري، كما يزداد زمن الاستجابة.

وليست هذه حالة نادرة أو معقدة. أظهرت أبحاث التقييم التي أجرتها Automation Anywhere وجود نمط "النجاح بأي وسيلة" في أكثر من 40% من عمليات التشغيل الخاصة بأنواع برامج الوكلاء المعقدة ومتعددة الخطوات.

أهمية مقياس Pass^k لمديري تكنولوجيا المعلومات التنفيذيين

يقيس Pass^k (ويُكتب أيضًا pass-k) مدى الاتساق. ويسجل مستوى Pass^1 ما إذا كان برنامج الوكيل قد أنجز مهمة ما مرة واحدة، بينما يتطلب مستوى Pass^4 من برنامج الوكيل أن ينجز المهمة نفسها بصورة صحيحة في أربع عمليات تشغيل مستقلة، تبدأ كل منها من حالة جديدة. وتمثل الفجوة بين الدرجتين موضع الخطر الحقيقي في بيئات الإنتاج؛ فقد يكون النجاح في مرة واحدة مجرد ضربة حظ، أما النجاح أربع مرات متتالية فيمثل مؤشرًا على الموثوقية.

وبالنسبة لبرامج وكلاء المؤسسة المستقلة، والتي تنفذ مسار العمل نفسه مئات المرات يوميًا، فإن مستوى pass^4 هو الأكثر أهمية.

لوحة صدارة معيار τ-bench: التحقق من أداء برامج الوكلاء الأساسية

رغم أن معايير المقارنة العامة لها حدودها، فإن تحقيق أداء قوي في أحد المعايير الصارمة يظل مؤشرًا ذا قيمة. ويُعد τ-bench من أكثر معايير المقارنة العامة صرامةً المتاحة لتقييم برامج الوكلاء التي تستخدم الأدوات.

المركز الأول في جميع مستويات النجاح (Pass)

حققت برامج الوكلاء الأساسية (aa-agent-v1) من Automation Anywhere، التي تعمل باستخدام بنية خفيفة لدعم السياق بدلًا من طبقة الذاكرة المؤسسية الكاملة، المركز الأول إجمالًا على مستوى جميع المهام البالغ عددها 375 مهمة وعبر مجالات الخدمات الأربعة، وذلك وقت تقديم النتائج (مايو 2026).

وقد سجلت برامج الوكلاء هذه نسبة 74.5% عند مستوى pass^1، متقدمةً بفارق يزيد على 4.3 نقطة على أقرب نظام منشور، ومتجاوزةً نماذج Qwen3.5 وGPT-5.2 وClaude Opus 4.5 وGemini 3 Pro. ولم يكن هذا التفوق نتيجة أداء استثنائي في عملية تشغيل واحدة، بل كان تفوقًا هيكليًا استمر على مستوى مقياس pass^2 (أكثر من 4.8 نقطة) وpass^3 (أكثر من 4.3 نقطة) وpass^4 (أكثر من 4.1 نقطة).

نتائج مستوى النجاح في τ-bench، مجمّعة على مستوى 375 مهمة وأربعة مجالات خدمية (المصدر: تقرير معايير مقارنة وكلاء الذكاء الاصطناعي من Automation Anywhere لعام 2026).
 

سرعة التنفيذ والتوزيع حسب المجالات

في بيئات تكنولوجيا المعلومات المؤسسية، لا يكون برنامج الوكيل البطيء عمليًا. وقد جمعت برامج الوكلاء الأساسية لدى Automation Anywhere بين الدقة التنافسية وسرعة التنفيذ على مستوى ثلاثة من أصل أربعة قطاعات: فقد كانت أسرع بما يصل إلى 3.2 مرات في قطاع التجزئة (223 ثانية مقابل 703 ثوانٍ)، وأسرع بمقدار 2.7 مرة في القطاع البنكي، و2.6 مرة في قطاع الاتصالات. أما قطاع الطيران، فكان الاستثناء، إذ استغرقت برامج الوكلاء وقتًا أطول بمقدار 1.6 ضعف، مع احتفاظها بالمركز الأول من حيث الدقة.

ملاحظة بشأن القطاع البنكي: جاءت الدرجات المطلقة منخفضة لدى جميع المنافسين، لأن العامل المقيِّد للأداء هو زمن استجابة استرجاع البيانات، وليس جودة التحليل. وتمثل نقطة الاختناق هذه تحديدًا أحد أبرز التحديات التي صُممت طبقة الذاكرة التشغيلية لمعالجتها.

 

نتائج τ-bench حسب القطاع: الدقة وسرعة التنفيذ مقارنةً بمتصدر لوحة التصنيف (المصدر: تقرير معايير مقارنة وكلاء الذكاء الاصطناعي من Automation Anywhere لعام 2026).

لماذا لا تروي معايير المقارنة العامة القصة الكاملة للمؤسسات؟

تقديم المعيار المرجعي للوكلاء القائمة على الأهداف (GBA-Bench)

تتطلب محاكاة بيئة مؤسسية حقيقية استخدام بيانات مملوكة للمؤسسة، مثل إجراءات التشغيل القياسية الخاصة بالمؤسسة، وتعريفات مسارات العمل، وقواعد التحقق من سياسات المجال. وبطبيعة الحال، لا تستطيع معايير المقارنة العامة توفير مثل هذه البيانات.

ويستند معيار GBA-Bench، وهو مجموعة Automation Anywhere الخاصة لمعايير المقارنة، على هذه المواد المؤسسية، وهو ما يتيح إظهار الاختلاف الكبير في أداء برامج الوكلاء عند انتقالها من المهام العامة إلى المهام المؤسسية.

ويشمل GBA-Bench سبعة مجالات مؤسسية، مع تقييم أكثر من 30 نموذجًا رائدًا تشمل الخدمات البنكية والتأمين والرعاية الصحية وسلسلة التوريد والمبيعات والشؤون المالية وإلحاق الموردين. وتشمل النماذج التي شملها التقييم جميع الفئات الرئيسية، بما في ذلك: Anthropic وOpenAI وGoogle وMeta وQwen وDeepSeek وMistral وZhipu/GLM. (المصدر: تقرير معايير مقارنة وكلاء الذكاء الاصطناعي من Automation Anywhere لعام 2026).

الاختبار الواقعي لمعيار GBA-Bench في المؤسسات

عند اختبار النماذج باستخدام إجراءات التشغيل القياسية (SOPs) الحقيقية، يصبح الفارق بينها أكثر وضوحًا. فالنماذج المنافسة التي تحقق نتائج قوية قد تُظهر معدلات مرتفعة من "النجاح بأي وسيلة" عند تنفيذ مسارات العمل المؤسسية، فتصل إلى النتائج الصحيحة من خلال مسارات تحليل هشة.

وعند تزويد برامج وكلاء Automation Anywhere بقدرات بالذكاء السياقي (Context Intelligence)، تحقق زيادة تتراوح بين 20 و47 نقطة مئوية في دقة المسار التنفيذي، بالإضافة إلى تحسن يصل إلى 32% في معدل إنجاز الأهداف في هذه المهام. ويعتمد التقييم على النماذج اللغوية الكبيرة كأداة تقييم، وقد جرت معايرتها لتحقيق معدل توافق يبلغ 0.99 في دقة المسار التنفيذي مقارنةً بالسمات البشرية في τ-bench.

محدودية برامج الوكلاء غير المرتبطة بالحالة

حتى بالنسبة لبرامج الوكلاء الأساسية قوية الأداء، فإن بدء كل مهمة دون أي ذاكرة لعمليات التشغيل السابقة يعني أنها ستكرر استدعاءات الأدوات غير الصحيحة، وأخطاء المعلمات نفسها، مرة بعد أخرى. ولا يُعد هذا السلوك غير المرتبط بحالة مشكلة تتعلق بجودة النموذج، بل يمثل قيدًا معماريًا يحد من مستوى الموثوقية الذي يمكن أن يقدمه برنامج الوكيل الجاهز للاستخدام عند تنفيذ الأعمال المؤسسية المتكررة.

معالجة مشكلة البنية: محرك تحليل العمليات والذكاء السياقي

يتطلب سد فجوة الموثوقية تزويد برامج الوكلاء بذاكرة تشغيلية منظمة.

إضافة ذاكرة تشغيلية منظَّمة

يوفر محرك تحليل العمليات (PRE) البنية الأساسية اللازمة لتلك الذاكرة. فبعد كل عملية تشغيل، تُحفَظ عمليات التنفيذ الناجحة بوصفها أنماطًا قابلة لإعادة الاستخدام، بينما تُستخلص من عمليات التشغيل غير المثالية مجموعة محدودة من الدروس عالية التأثير. وفي عمليات التشغيل اللاحقة، تُسترجع الخبرات السابقة الأكثر صلة وتُضاف إلى السياق قبل بدء التنفيذ، بحيث يتوقف برنامج الوكيل عن تكرار الأخطاء نفسها. وهذا هو الفارق بين برنامج وكيل يعيد استخلاص التحليل بالذكاء الاصطناعي من الصفر في كل مرة، وآخر يتحسن مع مرور الوقت.

النتائج: زيادة معدل إنجاز الأهداف بنسبة تصل إلى 32%

عند اختبار برامج الوكلاء المزودة بالذاكرة التشغيلية باستخدام GBA-Bench، ارتفعت دقة المسار التنفيذي بمقدار يتراوح بين 20 و47 نقطة مئوية، بينما ارتفع معدل إنجاز الأهداف بما يصل إلى 32 نقطة مئوية. وكان أوضح مثال على ذلك برنامج وكيل منع تسرب العملاء، الذي ارتفعت دقة المسار التنفيذي فيه من 0.12 إلى 0.59 (أي ما يعادل تحسنًا بنحو 4.9 مرات)، ما حوّل مسار عمل لم يكن يتبع المسار الصحيح إلا في 12% من الحالات إلى مسار يمكن الاعتماد عليه. كذلك خفّضت برامج الوكلاء المزودة بقدرات الذكاء السياقي عدد مرات استدعاء الأدوات بنحو 20% في مسارات العمل المعقدة، وهو ما أدى إلى تقليل التكلفة وزمن الاستجابة.

كيفية استخدام معايير المقارنة لتقييم أنظمتك الذاتية

الخطوة 1: اجعل التقييم شرطًا أساسيًا، لا خيارًا إضافيًا

تعتمد جودة الذاكرة التشغيلية على جودة البيانات التي تغذيها؛ إذ تحتاج كل ذاكرة محفوظة إلى تقييم دقيق للجودة باستخدام النماذج اللغوية الكبيرة كأداة تقييم؛ وبدون ذلك، تتعلم برامج الوكلاء من أخطائها الخاصة، وتُرسخ أنماطًا غير صحيحة. لذلك، ينبغي إنشاء مسار التقييم قبل نشر الذاكرة التشغيلية، وليس بعده.

الخطوة 2: ركّز على المهام متعددة الخطوات وعالية التباين

تحقق الذاكرة التشغيلية والتقييم المتقدم الفائدة الأكبر في الحالات التي تتوفر فيها مساحة حقيقية للتحسين: وهي مسارات العمل التي تقل فيها دقة المسار التنفيذي الأساسية عن 0.70، أو التي تتسم بتباين مرتفع في معلمات الأدوات، أو التي تتضمن مهام طويلة متعددة الخطوات تتراكم فيها الأخطاء المبكرة. أما المهام التي تعتمد على أداة واحدة فقط وتقترب من الحد الأقصى للأداء، فمكاسبها بسيطة.

الخطوة 3: طبّق مراقبة مستمرة للمسار التنفيذي

في بيئات الإنتاج، نادرًا ما تكون لديك النتيجة المرجعية الصحيحة، لكن يمكن مراقبة المؤشرات الدالة على "النجاح بأي وسيلة"، مثل الإفراط في استدعاء الأدوات والمنطق الدائري وحلقات إعادة المحاولة. كذلك تساعد متابعة كفاءة استدعاء الأدوات في ضبط تكاليف واجهات برمجة التطبيقات وزمن الاستجابة، وتكشف تراجع الأداء قبل أن يصل إلى المستخدمين.

الخاتمة: خارطة الطريق نحو ذكاء اصطناعي مؤسسي جدير بالثقة

يعتمد الذكاء الاصطناعي الذاتي الموثوق في المؤسسات على منهجية واضحة تبدأ بوجود برامج وكلاء أساسية قوية تم التحقق من أدائها باستخدام معيار مقارنة عام صارم (تحقيق المركز الأول في τ-bench)، ثم استخدام معيار مقارنة مملوك للمؤسسة يعبر عن مسارات العمل المؤسسية الفعلية (GBA-Bench)، والاعتماد على ذاكرة تشغيلية تُرشَّح وفق معايير الجودة لتحسين التنفيذ بمرور الوقت (محرك تحليل العمليات + الذكاء السياقي).

وتسهم هذه العناصر مجتمعة في سد الفجوة بين النتائج في معايير المقارنة العامة وبين الأنظمة المؤهلة للعمل في بيئات الإنتاج الخاصة بالأتمتة الذاتية للعمليات.

للاطلاع على المنهجية الكاملة والبيانات التجريبية ونتائج لوحة الصدارة التي تشمل أكثر من 30 نموذجًا رائدًا، اقرأ تقريرنا عن معايير مقارنة برامج وكلاء الذكاء الاصطناعي لعام 2026. وللتعرّف على كيفية تطبيق برامج وكلاء الأتمتة لهذه المبادئ في بيئات الإنتاج، فاحجز عرضًا توضيحيًا مباشرًا.

الأسئلة الشائعة حول معايير مقارنة برامج وكلاء الذكاء الاصطناعي

ما أكثر معايير مقارنة برامج وكلاء الذكاء الاصطناعي موثوقية في الوقت الحالي؟

يُعد τ-bench من أكثر معايير المقارنة صرامةً لبرامج الوكلاء التي تستخدم الأدوات، وذلك بفضل اعتماده على مقياس الموثوقية pass^k. وتشمل المجموعة الأساسية AgentBench (للبيئات المتنوعة)، وWebArena (للتنقل عبر الويب)، وSWE-bench (لهندسة البرمجيات). ويقيس كل منها جانبًا مختلفًا من القدرات، لذلك لا يوجد مقياس وحيد يقيس الموثوقية.

كيف تُقيَّم قدرات برنامج وكيل للذكاء الاصطناعي مخصص للمؤسسات؟

ينبغي ألا يقتصر التقييم على إنجاز المهمة. بل يجب تقييم الصحة الوظيفية (تحقيق الأهداف)، واستخدام الأدوات والتنقل بينها (مثل قواعد البيانات والمتصفحات وواجهات برمجة التطبيقات)، والسلامة والجدارة بالثقة (وجود حواجز حماية تمنع الإجراءات الضارة)، والقدرة على التعامل مع مسارات العمل المعقدة في بيئات العمل الحقيقية، وليس مع مهام البرمجة فقط. وتجمع دقة المسار التنفيذي بين هذه الجوانب معًا.

ما المقاييس القياسية المستخدمة لقياس أداء برامج وكلاء الذكاء الاصطناعي؟

تشمل المقاييس الأساسية معدل النجاح (نسبة المهام التي أُنجزت بالكامل)، ومعدل حل النوايا (مدى قدرة برنامج الوكيل على تحديد هدف المستخدم بصورة صحيحة)، ومعدل إنجاز المهام متعددة الخطوات، والاحتفاظ بالسياق خلال التفاعلات الطويلة. وفي عام 2026، أصبحت هذه المقاييس المعتمدة على النتائج بحاجة متزايدة إلى أن تُستكمَل بقياس دقة المسار التنفيذي.

لماذا تتصدر برامج الوكلاء لدى Automation Anywhere لوحة صدارة τ-bench؟

جاء تحقيق المركز الأول في نتائج مايو 2026 بفضل البنية الأساسية لبرنامج الوكيل (aa-agent-v1) المدعومة ببنية خفيفة لتعزيز السياق، والتي تتفوق أيضًا في المهام متعددة عمليات التشغيل والاستخدام المتسق للأدوات. وترجع هذه النتيجة إلى قوة البنية المعمارية، وليس إلى قوة النموذج فحسب.

في أي مقاييس ضمن معايير المقارنة تتفوق برامج الوكلاء لدى Automation Anywhere؟

عند تقديم النتائج في مايو 2026، حققت برامج الوكلاء الأساسية نسبة 74.5% عند مستوى pass^1، متقدمةً بفارق 4.3 نقطة، وحافظت على هذا التفوق حتى مستوى pass^4 الأكثر تطلبًا (المصدر: تقرير معايير مقارنة وكلاء الذكاء الاصطناعي من Automation Anywhere لعام 2026). كذلك تفوقت في سرعة التنفيذ على النظام المقارن في لوحة الصدارة على مستوى ثلاثة من أصل أربعة قطاعات، وكانت أسرع بما يصل إلى 3.2 ضعفًا في قطاع التجزئة.

ما المقصود بدقة المسار التنفيذي في تقييم برامج وكلاء الذكاء الاصطناعي؟

تقيس دقة المسار التنفيذي ما إذا كان برنامج الوكيل قد اتبع مسار تحليل صحيحًا وقابلًا للتدقيق، وليس مجرد وصوله إلى الإجابة الصحيحة. وهي تكشف مشكلة "النجاح بأي وسيلة" التي تُحقق فيها النتيجة الصحيحة من خلال خطوات هشة أو غير فعالة أو تنطوي على مخاطر تجعلها غير قابلة للاعتماد عند التوسع.

كيف تُحسّن ذاكرة السياق موثوقية برامج وكلاء الذكاء الاصطناعي؟

تُمكّن الذاكرة التشغيلية المنظمة برامج الوكلاء من استخلاص الدروس من عمليات التشغيل السابقة وتطبيقها في العمليات اللاحقة، ما يمنع تكرار أخطاء المعلمات واستدعاءات الأدوات غير الصحيحة. وفي مسارات العمل المؤسسية المعقدة، يؤدي ذلك إلى تحسُّن ملحوظ في معدل إنجاز الأهداف ودقة المسار التنفيذي، مع تقليل استدعاءات الأدوات الزائدة عن الحاجة.