كيف تبني وكيل ذكاء اصطناعي يعمل على جهازك بدون إنترنت (Ollama + MCP) — جرّبته 3 أسابيع (2026)

قبل ثلاثة أسابيع كانت فاتورة الـ API عندي 47 دولاراً في أسبوع واحد لأنني كنت أشغّل وكيلاً يقرأ ملفات المشروع ويلخّصها. أوقفت كل شيء، وبنيت نفس الوكيل ليعمل محلياً على جهازي: لا إنترنت، لا فاتورة، ولا بيانات تغادر اللابتوب. النتيجة بعد 21 يوماً: 0 دولار، وسرعة استجابة أفضل في المهام القصيرة.

في هذا الدليل أعطيك بالضبط ما فعلته — خطوة خطوة — مع الأخطاء التي أوقفتني (وكانت كثيرة) وكيف حلّيتها.

لماذا الوكلاء المحليون صاروا ترند 2026؟

Related: Midjourney vs DALL-E vs Flux: A Practical Image-Tool Comparison Framework →

Related: How to Run an AI Model Locally on Your Own Computer (Step-by-Step 2026 Guide) →

ثلاثة أسباب لمستها بنفسي:

1. التكلفة: الوكيل لا يرسل سؤالاً واحداً، بل عشرات الاستدعاءات في الدورة الواحدة (تخطيط، أدوات، تحقّق). الفاتورة تتضاعف بصمت.
2. الخصوصية: ملفات العمل، العقود، الكود الداخلي — لا أحد يحب رفعها لخادم خارجي.
3. النضج: نماذج 7B–14B في 2026 صارت تكفي فعلاً لمهام الاستخراج والتلخيص والتصنيف، وبروتوكول MCP وحّد طريقة ربط الأدوات بالنموذج.

اقرأ أيضاً: تشغيل نموذج ذكاء اصطناعي محلياً على جهازك — دليل المبتدئين →

ما الذي تحتاجه فعلاً (وليس ما يقولونه في الإعلانات)

Related: 9 Free AI Coding Tools Every Developer Should Try in 2026 →

Related: How to Build an AI Agent with Model Context Protocol (MCP) — Step by Step →

جرّبت على ثلاثة أجهزة، وهذه النتائج الحقيقية:

القاعدة التي خرجت بها: VRAM/RAM المتاحة ÷ 2 ≈ أكبر حجم نموذج (بالمليار) تقدر تشغّله مرتاحاً بصيغة Q4.

الخطوة 1: تثبيت Ollama وتشغيل أول نموذج

Related: Sora 2 Review: OpenAI's Video Model Is Finally Useful for Real Work →

Related: 12 Best AI Tools for Coding in 2026 (Tested for Solo Developers & Freelancers) →

# macOS / Linux
curl -fsSL https://ollama.com/install.sh | sh

تشغيل النموذج (سيُنزّل تلقائياً أول مرة)

ollama run qwen2.5:7b

على ويندوز نزّل المثبّت الرسمي ثم افتح PowerShell وشغّل نفس أمر ollama run.

للتأكد أن الخدمة شغالة:

curl http://localhost:11434/api/tags

إذا رجع لك JSON فيه قائمة النماذج — أنت جاهز.

الخطوة 2: من "نموذج" إلى "وكيل" — هنا يدخل MCP

Related: How to Clone Your Voice with AI in 2026 (Free and Paid Options) →

Related: AI Agents in Production in 2026: What Actually Works (and What Doesn't) →

النموذج لوحده يتكلم فقط. الوكيل ينفّذ. الفرق هو الأدوات (Tools)، وMCP (Model Context Protocol) هو المعيار الذي وحّد ربط الأدوات في 2025–2026: خادم صغير يعرض أدوات (قراءة ملفات، بحث، قاعدة بيانات) ويستطيع أي عميل يدعم MCP استخدامها.

شغّل خادم ملفات محلي بأمر واحد:

npx -y @modelcontextprotocol/server-filesystem ~/projects

ثم اربطه بعميل يدعم MCP + Ollama. استخدمت هذا الملف الإعدادي:

{
  "mcpServers": {
    "files": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/me/projects"]
    }
  },
  "model": { "provider": "ollama", "name": "qwen2.5:7b" }
}

بعد إعادة تشغيل العميل، اسأله: «لخّص لي كل ملفات README داخل مجلد projects» — وستراه يستدعي الأداة بنفسه.

الخطوة 3: أول مهمة حقيقية أشغّلها يومياً

Related: ChatGPT Plus for Free in 2026: What's Actually Legit →

المهمة التي وفّرت وقتي فعلياً: مراجعة يومية لمجلد التنزيلات، يقرأ الملفات الجديدة، يصنّفها، ويكتب ملخصاً في ملف واحد.

ollama run qwen2.5:7b "اقرأ قائمة الملفات المرفقة وصنّفها إلى: فواتير، عقود، صور، غير ذلك. أعد النتيجة كجدول Markdown فقط."

الوقت قبل: 25 دقيقة يومياً. بعد: أقل من دقيقتين مراجعة.

اقرأ أيضاً: كيف تؤتمت عملك بالذكاء الاصطناعي باستخدام n8n مجاناً →

الأخطاء التي واجهتني فعلاً وكيف حلّيتها

Related: How to Use ChatGPT Effectively in 2026: 7 Prompt Patterns That Actually Work →

1. Error: model requires more system memory than available النموذج 14B على جهاز 8 GB. الحل: النزول إلى نسخة Q4 أصغر (qwen2.5:7b-instruct-q4_K_M) بدل رفع الذاكرة الوهمية.

2. الجهاز يسخن والاستجابة تنهار بعد 3 دقائق سبب حقيقي: النموذج يبقى محمّلاً. حلّيتها بضبط عمر التحميل:

export OLLAMA_KEEP_ALIVE=5m

3. الوكيل يهلوس أسماء ملفات غير موجودة كان يخمّن بدل أن يستدعي الأداة. الحل الذي نجح: تعليمة نظام صريحة «لا تجب من الذاكرة — استخدم أداة قراءة الملفات دائماً، وإن لم تتوفر قل: لا أستطيع».

4. connection refused على المنفذ 11434 خدمة Ollama لم تكن تعمل في الخلفية. الحل: ollama serve في نافذة منفصلة، أو تفعيلها كخدمة عند الإقلاع.

5. بطء شديد على ويندوز رغم وجود كرت شاشة كان يعمل على المعالج. تحديث تعريف NVIDIA + التأكد من ظهور السطر offloaded 33/33 layers to GPU في السجل حلّ المشكلة، والسرعة قفزت 4 أضعاف.

متى لا يصلح الوكيل المحلي؟ (صراحة)

• مهام تحتاج تفكيراً طويلاً متعدد الخطوات على كود كبير — النماذج السحابية ما زالت أفضل.
• توليد بلغات نادرة أو دقة عالية جداً في الأرقام.
• عمل جماعي يحتاج وصولاً من عدة أجهزة (تحتاج سيرفر لا لابتوب).

استخدم النمط الهجين: محلي للمهام المتكررة، سحابي للمهام الصعبة. هذا ما استقررت عليه.

الأسئلة الشائعة

هل أحتاج كرت شاشة؟ لا للمهام الخفيفة. نموذج 3B يعمل على المعالج فقط، لكنه أبطأ (9–12 كلمة/ثانية) ويكفي التصنيف والتلخيص القصير.

هل يعمل بدون إنترنت تماماً؟ نعم بعد تنزيل النموذج أول مرة. جرّبتها في طائرة — عملت بالكامل.

ما الفرق بين Ollama وLM Studio؟ Ollama أفضل للأتمتة وسطر الأوامر والربط بالأدوات. LM Studio أسهل لمن يريد واجهة رسومية للتجربة فقط.

هل MCP ضروري؟ ليس لتشغيل النموذج، لكنه ضروري لتحويله إلى وكيل ينفّذ أدوات بشكل موحّد وقابل لإعادة الاستخدام.

كم تكلفني هذه الطريقة شهرياً؟ صفر تقريباً، عدا استهلاك الكهرباء. مقابل 47 دولاراً كنت أدفعها في أسبوع.

الخلاصة

الوكيل المحلي ليس مشروع نهاية أسبوع بعد اليوم — صار أداة يومية عملية. ابدأ بنموذج 7B، اربط خادم MCP واحد فقط، وشغّل مهمة واحدة متكررة. عندما تعمل، وسّع.

ابدأ من هنا: دليل إعداد الذكاء الاصطناعي المحلي خطوة بخطوة → — وإذا كنت مبرمجاً، أفضل إضافات AI لـ VS Code → تكمل هذه الورشة.

الدليل الكامل من الصفر: كيفية تشغيل نموذج ذكاء اصطناعي محلياً على جهازك.