إضافة AI إلى Laravel أو Go بدون تكاليف تخرج عن السيطرة

إضافة LLM لمنتج موجود ممكن تبدو سهلة جدًا.

Install SDK. ضيف API Key. ابعت Prompt. رجع Response.

ده كفاية لـDemo.

Production تسأل أسئلة مختلفة: لما Requests تزيد يحصل إيه؟ بنرسل Context قد إيه كل مرة؟ أنهي Model لكل Task؟ Provider Timeout؟ نقدر نغير Provider بدون Rewrite للBusiness Logic؟ إزاي نعرف إن Model أرخص ما زالت كفاية؟ أنهي Tenant استهلك Cost؟ وإزاي نمنع Retry Loop بلا حدود؟

سواء Application Laravel أوGo، Architecture حول Model غالبًا أهم من SDK Call نفسها.

عامل AI كExternal Capability لها Budget وContract، مش Magic موزعة في كل Application.

ما تستدعيش Model من كل مكان

Fast Implementation غالبًا:

Controller → OpenAI SDK → Response

وبعدين Feature ثانية تعمل نفس الشيء، ثم Queue Job، ثم Command.

بعد فترة Provider-specific Prompts وModel Names وTimeout/Parsing Logic موزعين في Codebase.

النتيجة: Cost صعبة الملاحظة، وتغيير Provider مكلف.

الأفضل Application-level AI Boundary:

Product Feature
    ↓
AI Use-case/Service
    ↓
Provider Interface/Router
    ↓
OpenAI / Claude / Gemini / Local Model

Business Code تطلب Capability، مش تعرف تفاصيل Provider كلها.

عرف Use Cases، مش Giant AI Service

Method عامة مثل askAI($prompt) صعبة في Governance.

Classification وStructured Extraction وSummarization وTranslation وCustomer Replies وRAG وAgent Planning وCode Analysis عندهم Requirements مختلفة.

عرف كل واحدة Explicit Use Case لها Input/Output Contract.

Classifier ممكن تحتاج Small Structured Response وModel صغيرة. Complex Reasoning ممكن تحتاج Stronger Model.

لو كل Task تستخدم نفس Model ونفس Maximum Context، أنت تدفع أعلى Architecture Cost لأبسط Work.

Provider Abstraction مفيدة — لكن ما تخبيش الواقع

Interface ممكن تكون:

generate(request)
embed(input)
rerank(query, documents)

لكن OpenAI وAnthropic وGemini وLocal Models مش Databases متطابقة خلف Drivers.

يختلفوا في Tool Calling وStructured Output وContext Limits وLatency وPricing وMultimodal Capabilities.

Abstraction تغطي احتياج Application الحقيقي وتسمح Provider-specific Capability لما تكون Intentional.

الهدف منع Provider Details من التسرب لـUnrelated Business Code، مش ادعاء إن Models متطابقة.

Route حسب Workload مش Brand

Cost Mistake شائعة: Powerful Model واحدة Default لكل شيء.

الأفضل Model Tiers:

Tier A — Deterministic Software: مفيش Model لما Rules تكفي.

Tier B — Small/Cheap Model: Classification، Extraction، Normalization لما Evaluation تقول إنها كفاية.

Tier C — Stronger Model: Deep Reasoning أوComplex Instruction Following.

Tier D — Local/Private Model: لما Privacy أوVolume أوInfrastructure Economics تبرر Local Inference.

Providers تتغير. Workload Categories أكثر دوامًا.

أرخص AI Call هي اللي ما تعملهاش

قبل Token Optimization، شيل Unnecessary Inference.

هل Answer ممكن تأتي من Database Query، Cached Deterministic Result، Rule، Template، Structured Data، Existing Embedding أوNormal Search؟

لو Software تعرف Answer، ما تطلبش من LLM تعيد اكتشافها.

وده مهم في High-volume Laravel/Go APIs لأن Small AI Call داخل Hot Path ممكن تكبر جدًا مع Traffic.

ابعد AI عن Synchronous Path لما تقدر

بعض Features تحتاج Interactive Streaming فعلًا.

لكن Document Processing وEnrichment وEmbeddings وClassification وBatch Summarization غالبًا أفضل Async.

في Laravel: Queues/Workers. في Go: Worker Pools أوQueues أوBackground Services.

Pattern:

Request → Validate/Store Job → Queue → AI Worker → Persist Result → Notify/Update

ده يحمي User-facing Request من Model Latency ويسهل Concurrency وRetries وBackpressure.

Concurrency هي Cost Control

لو عندك 50,000 Record للEnrichment وكل Worker تطلق Model Calls بلا Shared Limit، Scaling للWorkers ممكن يعمل Scaling للBill أسرع من Throughput.

حط Explicit Concurrency/Rate Limits لكل Provider/Model/Tenant/Workload.

Queue لازم تعرف كام Job تستخدم Model في نفس الوقت، Maximum Throughput اللي مستعد تدفعه، ماذا يحدث لو Provider Degraded، وأنهي Workload لها Priority.

بدون ده Autoscaling ممكن تتحول Auto-spending.

Retries لها Budget

HTTP Retry Logic العادية خطيرة حول Paid Inference.

Timeout لا يعني دائمًا Provider ما عملتش Work، وAgent Workflow ممكن تكون نفذت Calls قبل Failure.

اعمل Bounded Retry Policies: Retry محدود للTransient Errors، ما تعملش Infinite Retry لـInvalid Prompt/Schema، Exponential Backoff عند الحاجة، Track Attempts، وStop عند Budget Exhaustion.

Retry Cost Event جديدة.

حط Budget للWorkflow كاملة

Token Limit وحدها مش كفاية للAgentic Workflows.

حدد Maximum Model Calls، Tool Steps، Input/Output Tokens، Wall-clock Duration، Retries وEstimated Spend لما يكون عملي.

Workflow لازم لها Deterministic Stop Condition.

“كمل لحد ما Model تحس إنها خلصت” مش Cost Governance.

Context من أكبر Hidden Multipliers

Chat Feature ممكن تعيد إرسال History طويلة كل Turn. RAG ترجع Chunks زيادة. Agent تحمل Tool Outputs للأبد.

تحكم في Context: Retrieve Relevant Knowledge فقط، Summarize Older State عند الحاجة، خزن Operational State Structured بدل Prose متكرر، ما ترسلش Data Model لا تحتاجها، واختصر Verbose Tool Outputs.

Context Engineering هي Cost Engineering.

خزن Operational State خارج Prompt

لو Laravel Application تعرف User ID وPlan وPermissions وWorkflow Status وSelected Product، ما تحولش كل State إلى Natural Language كل مرة لو Model تحتاج Fieldين فقط.

خلي Authoritative State في Database، وابعت Minimum Context.

وبعد Model تطلب Action، Validate مرة ثانية ضد Application State.

Model Consumer للState، مش Source of Truth.

Structured Output تقلل Chaos

لو Application محتاجة Data، اطلب Data.

{
  "category": "billing",
  "confidence": 0.91
}

أفضل من Paragraph يشرح Classification.

استخدم Structured Output المناسبة واعمل Validation.

في Laravel حولها DTO/Value Object قبل Business Logic. في Go Decode إلى Typed Struct وارفض Invalid Output.

Strong Types حول Probabilistic Output تعمل Boundary مفيدة.

ما تثقش في Tool Call لمجرد Model طلبتها

في Agentic Features، Model تقترح Tool.

Application ما زالت تملك Authorization.

Authenticate Actor، Check Tenant، Validate Arguments، Check Permissions، Enforce Business Rules، وHuman Approval للConsequential Actions عند الحاجة.

LLM تقترح Intent. Application تقرر Action قانونية ولا لأ.

Cache الصح

Good Candidates: Embeddings لـUnchanged Content، Deterministic Preprocessing، Stable Classification/Enrichment لو Input identical وFreshness تسمح، Provider/Model Metadata.

خلي بالك من Personalized أوPermission-sensitive أوFast-changing Responses.

Cheap Stale Answer ممكن تكلف Business أكثر من Fresh Call.

Cache حسب Semantic Validity مش Convenience.

Deduplicate قبل Inference

لو نفس Document اتعمل Import مرتين، ما تدفعش Embed/Summarize مرتين تلقائيًا.

Content Hashes وIdempotency Keys وUnique Job Identities تمنع Repeated Work قبل Model.

مهمة جدًا في Crawlers وIngestion Pipelines وWebhooks.

Observability تحتاج Cost Attribution

Provider Invoice تقول Total Bill، مش Value.

Log Use-case، Provider/Model، Tenant، Actor، Token Counts، Latency، Retries، Success/Failure، Estimated Cost وEvaluation/Outcome Status.

ساعتها تقدر تسأل: أنهي Feature تستهلك Spend؟ أنهي Tenant؟ أنهي Workflow تعمل Retries زيادة؟ وهل Cheaper Model قللت Cost بدون تدمير Success؟

بدون Attribution، Optimization تخمين.

Cost per Request مش كفاية

Cheap Call تفشل وتحتاج Human Correction ممكن تكون أغلى من Stronger Call تنجح.

Track Cost per Successful Outcome لما ممكن.

للExtraction: Valid Structured Data. للSupport: Correct Resolution. للAgent: Completion بدون Manual Repair.

Useful Denominator Business Success، مش API Calls.

Evaluation هي اللي تخلي Model Routing آمنة

ما تقدرش تبدل Expensive Model بأرخص لأن Manual Tests شكلها كويس.

اعمل Evaluation Cases لكل Use Case وقارن Accuracy/Quality، Schema Validity، Latency، Cost وFailure Modes.

كده Model Selection تبقى Engineering Decision.

اعمل Shadow Evaluation قبل Critical Switch

شغل Candidate Model على Representative Inputs بدون استخدام Output في Production Decision.

قارنها مع Current Path.

خلي Sample bounded علشان Privacy وDuplicated Provider Cost.

Provider Switching لازم تتختبر مش تتكتب في Marketing

سهل تقول “Provider Agnostic”.

الاختبار الحقيقي: Provider ثانية تقدر تحقق نفس Use-case Contract؟

شغل نفس Evaluation Suite على Adapters مختلفة.

لو Feature تعتمد على Provider-specific Tool Calling، اعترف Dependency بدل إخفائها خلف Interface.

Portability Property تتVerify.

Fallbacks تحسن Reliability — وقد تزود Cost

Pattern:

Small Model → Validation/Confidence fails → Stronger Model

ممكن تكون ممتازة، لكن بعض Requests تدفع Calls الاثنين.

Measure Fallback Rate.

لو أغلب Requests Escalate، Cheap-first Architecture ممكن تكون أغلى وأبطأ.

قيم Routing Policy كSystem كاملة.

Local Models تغير شكل Cost

Local LLM مش Free.

هي تنقل Cost من Per-request API Pricing إلى Infrastructure وUtilization وOperations وCapacity Planning.

Local مناسبة أحيانًا للPrivacy أوPredictable Volume أوControl. Hosted مناسبة للBursty Demand أوManaged Capability.

Provider Layer تخلي الاختيار حسب Workload بدل Rewrite للFeature.

Laravel Architecture مثال

Controller / Command / Job
        ↓
Use-case Service
        ↓
AI Contract/Router
        ↓
Provider Adapter
        ↓
External or Local Model

استخدم Queues للAsync، Laravel Authorization للActions، Cache لما Semantic Safety تسمح، وTelemetry للAttribution.

AI Layer تدخل في Framework بدل ما تتجاوزه.

لو Model تقترح Action، رجع Action للDomain Services/Policies العادية.

ما تخليش AI تبني Application Architecture ثانية داخل Laravel.

Go Architecture مثال

HTTP / Worker
    ↓
Use Case
    ↓
AI Interface/Router
    ↓
Provider Implementation

خلي Contexts/Timeouts Explicit، Worker Concurrency bounded، Structured Outputs إلى Typed Structs، Correlation IDs خلال Model/Tool Calls، وAuthorization قبل Side Effects.

Explicitness في Go مفيدة: AI Uncertainty تعيش خلف Strongly Typed Boundary.

ما تعملش Microservice لمجرد إن فيها AI

لو Laravel Monolith تملك Workflow وFeature واحدة تحتاج LLM، مش لازم “AI Microservice”.

Service Boundary تصبح مفيدة بسبب Constraint حقيقية: Different Scaling، GPU/Local Inference، Runtime Requirement، Independent Ownership أوReuse بين Products.

AI SDK نفسها مش Constraint.

Version الـPrompts والModel Config

Prompts Production Behavior.

خزنها بشكل Versioned ومرتبط بـEvaluation Results.

لما Prompt/Model تتغير لازم تعرف What Changed، Which Version Produced Output، Evaluation اتحسنت؟ ونقدر Rollback؟

ما تخليش Prompts Random Strings في Controllers.

احمِ Tenant Economics

في SaaS، Customer واحدة ممكن تستهلك AI Resources أكثر جدًا من غيرها.

قد تحتاج Quotas أوCredits أوFair-use Limits أوFeature Tiers أوInternal Budgets حسب Product Model.

على الأقل Measure Usage per Tenant قبل ما تكتشف بعد Launch إن Account واحدة جعلت Feature غير مستدامة اقتصاديًا.

Product Pricing وAI Architecture مرتبطين.

Production Flow عملية

لكل AI Feature اسأل بالترتيب:

1. هل Normal Software تحلها؟
2. أنهي Explicit AI Use Case؟
3. Model تحتاج أنهي Input فعلًا؟
4. أنهي Model Tier تحقق Quality؟
5. Request/Workflow Budget إيه؟
6. تقدر Async؟
7. Output تتValidate إزاي؟
8. Failure Path إيه؟
9. Side Effects تحتاج أنهي Authorization؟
10. Success وCost هيتقاسوا مع بعض إزاي؟

لو الإجابات واضحة، Provider API هي الجزء السهل.

Architecture لازم تعيش بعد Model Release القادمة

Models وPricing تتغير بسرعة.

Product ما ينفعش تحتاج Redesign كل مرة Model جديدة تظهر.

خلي Durable Business Logic في Laravel أوGo.

Authoritative Data في Systems بتاعتك.

AI خلف Explicit Use-case Contracts.

Route Workloads بقصد.

Measure Quality وCost.

وخلي Providers تتنافس داخل Architecture بدل ما تعرفها.

Production AI Integration ناجحة لما تقدر تغير Model بدون Business Workflow تقع.

ده الفرق بين إضافة AI API وبين Engineering لـAI Capability داخل Product.

بتضيف AI لمنتج Laravel أوGo موجود وعايز Integration تفضل Maintainable مع نمو الاستخدام؟

أصمم AI Integrations حول Provider Boundaries وQueues وCost Controls وEvaluation وPermissions وProduction Observability، بحيث Feature تتطور بدون ما بقية Product تتحول Model-specific Code.

---

مرتبط: AI Integration، AI Automation Operating Cost، Local LLM vs Hosted AI، Buy vs Build AI وWhen Your Business Should Not Use AI.