أضافت PyCharm مهارة Agent Environment Coordinator لمساعدة وكلاء الذكاء الاصطناعي على استخدام مفسّر Python وبيئة التشغيل الصحيحة المرتبطة بالمشروع، بدلاً من اللجوء تلقائياً إلى مفسّر النظام أو تثبيت الحزم في المكان الخطأ. وتقول JetBrains إن هذه المشكلة كانت تؤدي إلى إعدادات معطلة وبيئات ملوثة تحتاج إلى إصلاح يدوي من المطور.
اختبرت JetBrains ستة نماذج ذكاء اصطناعي عبر 28 مهمة برمجية مختلفة، فبلغ متوسط معدل النجاح 68% عندما لم يكن الوكلاء قادرين على الوصول إلى البيئة الفعلية للمشروع. وبعد إتاحة هذه المعلومات لهم عبر المهارة داخل PyCharm، ارتفع المتوسط إلى 98%، من دون تعديل Python الخاص بالنظام.
المشكلة التي تعالجها المهارة
غالباً ما يتجاهل وكلاء النماذج اللغوية الكبيرة البيئة الافتراضية المخصصة للمشروع، ويستخدمون مفسّر النظام بدلاً منها. وقد يحتوي جهاز واحد على عدة مفسرات، بينما تستخدم المشاريع أدوات مختلفة لإدارة بيئاتها، مثل uv أو Poetry أو pip مع venv أو conda. ولا يملك الوكيل عادةً طريقة مباشرة لرؤية هذه الإعدادات الموجودة في PyCharm.
في سيناريو نموذجي، قد ينفذ الوكيل الأمر pip install httpx باستخدام مفسّر غير صحيح، فتُثبَّت الحزمة عالمياً، ثم يفشل البرنامج وتُلوَّث البيئة المستخدمة على النظام. وتعرف PyCharm بالفعل المفسّر المرتبط بالمشروع والأداة التي تدير البيئة، لذلك صممت JetBrains وسيلة تتيح للوكيل طلب هذه المعلومات.
كيف تعمل Agent Environment Coordinator
تتيح المهارة للوكيل استدعاء وظيفتين من PyCharm. تعيد get_python_environment المفسّر الصحيح للملف أو الوحدة البرمجية محل العمل، إلى جانب مساره والأداة المسؤولة عن إدارته، سواء كانت uv أو Poetry أو pip مع venv أو conda.
أما إذا لم تكن هناك بيئة معدة بعد، فتستخدم configure_python_interpreter آلية الإعداد الموجودة في PyCharm لإنشاء مفسّر مناسب، بما في ذلك الآلية نفسها التي تقترح إنشاء مجلد .venv. ونتيجة لذلك، يصبح المفسّر الجديد مرئياً أيضاً داخل بيئة التطوير المتكاملة.
وتؤكد JetBrains أن المهارة لا تعترض الأوامر ولا تعيد كتابتها. فهي تعيد المعلومات الخاصة بالبيئة فقط، ثم يقرر الوكيل بنفسه ما إذا كان سيستخدمها وكيفية تضمينها في الأمر. وبهذا يحصل الوكيل على السياق الناقص من خلال آليات PyCharm القائمة، من دون أن تتولى المهارة تنفيذ الأوامر نيابةً عنه.
نتائج الاختبار
شملت مجموعة الاختبار مهام يومية مرتبطة ببيئات Python، مثل تشغيل الاختبارات، وتثبيت مكتبة، واستعراض التبعيات، وحل تعارض في الإصدارات. وكانت كل مهمة تتطلب من الوكيل اختيار المفسّر الصحيح لتنفيذ أمر ما. كما خُفِّضت المكافأة عندما يلوث الوكيل بيئة النظام، لذلك لا يعكس معدل النجاح المرتفع مجرد اجتياز المهمة، بل يشير أيضاً إلى تنفيذ أنظف.
شغّلت JetBrains مجموعة المهام كاملة ثلاث مرات لكل نموذج، مع المهارة ومن دونها، باستخدام Harbor، ثم احتسبت متوسط النتائج. وشملت التحسينات المعلنة النماذج التالية:
- Sonnet 5: من 73% إلى 100%.
- Opus 5: من 94% إلى 100%.
- Codex/GPT-5.6: من 80% إلى 100%.
وترى JetBrains أن النتائج تشير إلى أن المشكلة الأساسية كانت نقص السياق، لا عجز النماذج عن إتمام المهام. فالنماذج لم تتغير، لكنها توقفت عن تخمين المفسّر المطلوب، وهو ما يفسر استفادة النموذج صاحب أضعف نتيجة أولية بأكبر قدر. كما تعني معاقبة الاختبار على تلويث بيئة النظام أن ارتفاع الدرجات ارتبط بتقليل المخلفات الناتجة عن التنفيذ، لا بزيادة عدد المهام الناجحة فقط.
التوفر
يمكن تجربة المهارة في PyCharm 2026.2.1 عبر فتح محادثة الذكاء الاصطناعي وطلب تثبيت حزمة أو تشغيل أمر داخل المشروع. وتعد Agent Environment Coordinator إحدى المهارات المضمنة في PyCharm، ويمكن استعراض المهارات وإدارتها من داخل بيئة التطوير، مع إمكانية توسيع المكتبة عبر سجلات خارجية مثل مستودعات GitHub العامة، أو استيراد مهارات أُعدت مسبقاً لـ Claude Code أو Codex.