Orchard – إطار نمذجة Agentic AI مفتوح المصدر من Microsoft Research خدام

Orchard هو إطار مفتوح المصدر من Microsoft Research لنمذجة Agentic AI، والركيزة الأساسية ديالو هي خدمة البيئة Orchard Env المبنية على Kubernetes، اللي كتدعم إعادة استعمال sandboxes عبر مجالات مختلفة لتقطير البيانات، وعمليات rollout ديال التعلّم بالتعزيز، والتقييم. الإطار كيغطي ثلاثة مجالات رئيسية: هندسة البرمجيات، وتصفّح الويب، والمساعد الشخصي، وكيْفتح كذلك بيانات التدريب وطرق التقييم ديالو.

خدمة بيئة موحّدة عبر المجالات: Orchard Env كيوفّر تدبير دورة حياة sandbox، وتنفيذ الأوامر، وعمليات I/O ديال الملفات، وسياسات الشبكة، وREST API. وبنية تحتية وحدة كتقدر تسند الكود، والويب، وسطح المكتب، والهاتف المحمول، وسير العمل ديال الإنتاجية.
وصفات تدريب فثلاثة مجالات: Orchard-SWE متخصّص فإصلاح الكود، وOrchard-GUI كيتكلف بتصفّح الويب بصرياً، وOrchard-Claw موجّه لمهام الإنتاجية اليومية بحال الإيميلات والتقويم، وكل واحد فيهم كيوفّر مسار تدريب كامل بـ SFT + RL.
التدريب داخل Harnessات حقيقية: كيدعم التدريب والتقييم الشاملين من البداية للنهاية مباشرة داخل harnessات حقيقية منشورة بحال Codex وOpenClaw وZeroClaw، وكيحيد عدم التوافق بين بيئة التدريب وبيئة النشر.
مجموعات بيانات وبروتوكولات تقييم مفتوحة المصدر: كيوفّر 107K من مسارات SWE و3,070 من بيانات rollout متعددة الوسائط ديال GUI، إضافةً إلى معايير التقييم والوصفات القابلة لإعادة الإنتاج.

تابعونا على WeChat وردّوا بكلمة «مفتوح المصدر» باش تنضمّو لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
طبقة بيئة Kubernetes-native: Orchard Env كتخدم كخدمة مستقلة، وكتستعمل تنسيق الحاويات لإنشاء وحذف آلاف الـ sandboxes المعزولة بالتوازي. متوسط التأخير فتنفيذ الأوامر غير 0.28 ثانية، مع دعم التوسّع والتقليص التلقائيين وقفل Redis الموزّع.
Credit-Assignment SFT: فمجال هندسة البرمجيات، النظام ما كيرميش المسارات اللي فيها فشل جزئي، بل كيستخرج إشارات الإشراف من المقاطع الفعّالة، وكيعظّم حجم بيانات التدريب القابلة للاستعمال.
Balanced Adaptive Rollout + مكافآت كثيفة: لمعالجة مشكل التغذية الراجعة المتناثرة فـ RL، كيعتمد rollout متوازن وتكيّفي لالتقاط إشارات النجاح النادرة، وكيضيف التقطير on-policy ونموذج مكافآت مبني على القواعد للمسار، باش يوفّر توجيهاً كثيفاً للخطوات الوسطية.
إعادة ترتيب Value Model: باستعمال مسارات rollout ديال 20 تجربة تاريخية، كيتدرّب نموذج قيمة فيه 4B من المعاملات. فمرحلة الاستدلال، كيقَيّم عدة حلول مرشّحة وكيختار الأفضل، وكيطلع Orchard-SWE من 69.7% حتى لـ 73.0%.
سجلّ Agent محايد تجاه الـ Harness: harness خفيف كيسجّل استدعاءات النماذج ديال الـ harness نفسو وكيعاود يبنيها كعينات تدريب، وبهذا أي مكتبة كود ديال RL تقدر تتصل بأي harness بلا ما تكون بحاجة لتعديل صورة البيئة.

تثبيت SDK: نفّذ pip install -e "orchard_env[dev]" لتثبيت Python SDK، ومن بعد كوّن متغيّرات البيئة SANDBOX_BASE_URL وSANDBOX_API_KEY.
استعمال سريع للـ sandbox: استعمل مدير السياق SandboxClient لإنشاء sandbox وتنفيذ الأوامر، مع دعم النمطين المتزامن وغير المتزامن، وقراءة وكتابة الملفات، وتطبيق git patch، وجلسات PTY.
نشر المنسّق: باستعمال السكريبتات الأربعة اللي كيوفّرها Azure AKS، وهي provision وbuild وdeploy وsmoke-test، تقدر تكمل نشر منسّق متعدد النسخ فحوالي 20 دقيقة، وكيدعم حتى العناقيد اللي ماشي تابعة لـ Azure.
تشغيل وصفات التدريب: تبع المجلد trainer/slime/ فمستودع GitHub، ونفّذ على Orchard Env مسار التدريب الكامل بـ SFT + RL ديال Orchard-SWE أو Orchard-GUI أو Orchard-Claw.

النماذج الصغيرة كتقرّب من أداء النماذج الكبيرة: Orchard-SWE كيستعمل تقريباً 3B من المعاملات النشيطة وكيحقق 73.0% فـ SWE-bench Verified، قريب من أنظمة رائدة عندها أكثر من 10 مرات هاد العدد من المعاملات؛ وOrchard-GUI كيحقق بــ 4B من المعاملات متوسط 68.4% فثلاثة معايير ويب رئيسية، بمستوى قريب من OpenAI CUA وGemini CUA.
انخفاض كبير فالتكلفة: مقارنةً بخدمات الـ sandbox المستضافة بحال E2B وDaytona، التكلفة حسب الطلب ديال Orchard Env كتساوي تقريباً 0.47 مرة، بينما تكلفة مثيلات Spot غير 0.10 مرة، بفارق كيوصل تقريباً لـ 10 مرات.
قدرة قوية على التعميم بين Harnessات: نفس طبقة البيئة كتدعم harnessات مختلفة بحال ReACT وZeroClaw وOpenClaw وCodex، وOrchard-Claw كيطلع pass@3 فـ ZeroClaw من 59.6% حتى لـ 73.9%.
كفاءة فبيانات التدريب: Orchard-GUI وصل لأقوى مستوى مفتوح المصدر فـ Agents ديال الويب باستعمال غير 400 عرض مُقطَّر و2,200 مهمة مفتوحة، وهاد الشي كيبرهن أن كمية صغيرة من البيانات، مع البيئة المناسبة، تقدر تدرّب نموذجاً بقدرات عالية.

الموقع الرسمي للمشروع: https://www.microsoft.com/en-us/research/blog/orchard-an-open-framework-for-scalable-agentic-ai/
مستودع GitHub: https://github.com/microsoft/Orchard
مستودع النماذج على HuggingFace: https://huggingface.co/datasets/microsoft/Orchard
الورقة التقنية على arXiv: https://arxiv.org/pdf/2605.15040

أتمتة هندسة البرمجيات: تشخيص الأخطاء بشكل مستقل داخل مستودعات كود حقيقية، وكتابة الاختبارات، وإنشاء الترقيعات، واجتياز التحقق، وهاد الشي مناسب لصيانة المشاريع مفتوحة المصدر ومراجعة الكود داخل الشركات.
التصفّح الذكي للويب: تشغيل المتصفّح تلقائياً اعتماداً على الفهم البصري لإنجاز مهام مفتوحة المجال بحال حجز التذاكر، والتسوّق، والبحث عن المعلومات، وقد يكون بديلاً لحلول RPA.
مساعد الإنتاجية الشخصي: تنفيذ سير عمل معقّد عبر الإيميلات والتقويم والوثائق وأدوات أخرى، بحال برمجة الاجتماعات تلقائياً، وترتيب صندوق الوارد، وإنشاء التقارير.
بنية تحتية لأبحاث Agents: توفير منصة قابلة لإعادة الإنتاج ومنخفضة التكلفة لتدريب وتقييم Agents لفائدة فرق البحث الأكاديمية والصناعية، وتسريع بناء منظومة Agentic AI مفتوحة المصدر.
نقل قدرات Agent بين المجالات: استعمال طبقة بيئة موحّدة لاستكشاف نقل المهارات والتعلّم التراكمي بين الكود والويب وعمليات سطح المكتب.