كيفية استخدام نماذج لغوية محلية كواجهات برمجة تطبيقات؟

يمكن لجهاز الكمبيوتر المحمول الخاص بك تشغيل نموذج بمعلمات 70B خلف نفس نقطة نهاية OpenAI التي تستخدمها في الإنتاج. قم بتبديل عنوان URL الأساسي (base URL) وستظل التعليمات البرمجية الخاصة بك تعمل. يفتح هذا التغيير البسيط الباب أمام التطوير دون اتصال بالإنترنت، وتكلفة صفرية لكل رمز (token)، ومسار خاص للبيانات المنظمة، وهذا هو السبب وراء دفع Hacker News لمقالة "الذكاء الاصطناعي المحلي يجب أن يكون القاعدة" من 633 إلى 1760 نقطة في يوم واحد. تعرض لك المقالة أدناه كيفية اختيار بيئة تشغيل، وكشف نقطة النهاية، وتوجيه عميلك إليها، واختبار التدفق بأكمله باستخدام Apidog قبل ترحيل أي تغيير إلى نموذج مستضاف (hosted model).

خلاصة القول (TL;DR)

يمكنك تشغيل واجهة برمجة تطبيقات لنموذج لغوي كبير (LLM API) محليًا على جهاز الكمبيوتر المحمول الخاص بك باستخدام Ollama أو vLLM أو llama.cpp، وكل منها يكشف نقطة نهاية REST متوافقة مع OpenAI. قم بتغيير base_url إلى http://localhost:11434/v1 في عميل OpenAI الحالي الخاص بك وستعمل نفس التعليمات البرمجية مع Llama 3.3 أو DeepSeek V4 أو Qwen 3.6 بدون إعادة كتابة. قم بإدارة التدفق بأكمله من Apidog بحيث تظل اختبارات السيناريو الخاصة بك متطابقة عبر البيئات المحلية والمستضافة.

مقدمة

انتقلت حزمة واجهة برمجة تطبيقات النماذج اللغوية الكبيرة (LLM API) المحلية من مجرد لعبة بحثية إلى أداة أساسية يومية في غضون ثمانية عشر شهرًا. شحنت Apple ذاكرة موحدة بسعة 128 جيجابايت على M3 Max. حقق Ollama مليون عملية تنزيل أسبوعيًا. تجاوز vLLM حاجز 30,000 نجمة على GitHub. ومع ذلك، كان التحول الأكبر اجتماعيًا. تتحدث جميع بيئات التشغيل الرئيسية الآن شكل /v1/chat/completions الخاص بـ OpenAI. لم تعد بحاجة إلى صيانة مسارين للعميل. نفس استدعاء SDK يصل إلى المضيف المحلي (localhost) أو api.openai.com بناءً على متغير بيئة واحد.

هذا مهم لمطوري واجهات برمجة التطبيقات لأن أدواتك الحالية تظل تعمل. تشير قوالب طلباتك في Apidog إلى https://api.openai.com/v1/chat/completions. قم بتبديل متغير عنوان URL الأساسي، اضغط على إرسال، وستحصل على نفس استجابة JSON من نموذج يعمل على وحدة معالجة الرسوميات الخاصة بك. لا يوجد مخطط جديد. لا يوجد تدفق مصادقة جديد. إذا كنت تتبع بالفعل تكلفة API لكل ميزة، يمكنك إجراء اختبار A/B لنموذج محلي مقابل نموذج مستضاف ومشاهدة انخفاض خط التكلفة بينما يزداد زمن الوصول.

يشرح هذا الدليل اختيار بيئة التشغيل، إعداد الخادم، توصيل العميل، اختبار السيناريوهات، المفاضلات في التكميم (quantization)، وجدول التكلفة مقابل زمن الوصول لأربعة نماذج حالية. تم اختبار عينات التعليمات البرمجية مقابل Ollama 0.6 وvLLM 0.7 على macOS 15.4 وUbuntu 24.04. للحصول على نظرة أوسع للخيارات، راجع أفضل النماذج اللغوية الكبيرة المحلية لعام 2026. توجد المراجع الخارجية لكل ادعاء في الأسفل.

لماذا النماذج اللغوية الكبيرة المحلية (LLMs) منطقية لمطوري واجهات برمجة التطبيقات

أنت تقوم بشحن كود يستدعي نموذج لغوي كبير (LLM). كما تقوم بتصحيح الأخطاء في هذا الكود على متن الطائرة، وفي المؤتمرات ذات شبكة Wi-Fi سيئة، وداخل شبكات العملاء التي تحظر الاتصال الخارجي بـ *.openai.com. تمنحك واجهة برمجة تطبيقات LLM محلية بيئة تطوير تحاكي الإنتاج دون الاعتماد على الشبكة.

تُعد قصة الخصوصية هي الأبرز. تتعامل قوانين HIPAA وGDPR وقانون الاتحاد الأوروبي للذكاء الاصطناعي مع الأوامر (prompts) كبيانات مستخدم بمجرد أن تتضمن ملاحظات المرضى أو العقود أو المعرفات البيومترية. يتطلب إرسال هذه الحمولة إلى نقطة نهاية مستضافة إنشاء علاقة معالج بيانات يجب عليك توثيقها ومراجعتها وتجديدها. النموذج الذي لا يغادر جهازك يتجنب هذه الأوراق تمامًا. تشير إرشادات المجلس الأوروبي لحماية البيانات لعام 2024 بشأن معالجة الذكاء الاصطناعي إلى أن الاستدلال على الجهاز يزيل معظم التزامات النقل عبر الحدود بموجب المادة 44.

تتضاعف التكلفة في الاتجاه الآخر. يدفع فريق يستخدم 50 مليون رمز إرشاد (prompt tokens) يوميًا عبر GPT-5.5 Instant حوالي 250 دولارًا يوميًا بسعر 5 دولارات لكل مليون رمز. نفس الحجم على جهاز M3 Max Studio بقيمة 4500 دولار يتم إهلاكه إلى الصفر بعد ثمانية عشر يومًا من الاستخدام الكامل، مع تجاهل الكهرباء. يمكنك قراءة تفصيل لهذه الأرقام في كيفية استخدام GPT-5.5 Instant وتطبيق نفس الحسابات على عبء العمل الخاص بك.

السبب الثالث هو الحتمية. النماذج المستضافة تغير الأوزان من وراء ظهرك. تسرد صفحة إهمال نماذج OpenAI إحدى عشرة عملية إيقاف لقطات (snapshot retirements) في الاثني عشر شهرًا الماضية. النموذج المحلي هو ملف على القرص. ينتج نفس المخرجات (logits) اليوم وبعد ثلاث سنوات. هذه الاستقرارية مهمة عندما تعتمد مجموعة اختبارات الانحدار الخاصة بك على مخرجات النموذج اللغوي الكبير. غيرت نقطة النهاية المتوافقة مع OpenAI قواعد اللعبة لأنك لم تعد تدفع ضريبة تكامل لهذا الاستقرار. يعمل SDK الذي تستخدمه بالفعل.

ثلاث بيئات تشغيل توفر نقاط نهاية متوافقة مع OpenAI

تهيمن أربع بيئات تشغيل على مساحة واجهة برمجة تطبيقات LLM المحلية في عام 2026. ثلاث منها توفر خادم REST متوافقًا مع OpenAI بشكل مباشر. والرابعة، llama.cpp، توفر واحدًا كجزء من ملفها الثنائي llama-server. اختر بناءً على عبء العمل، وليس الشعبية.

Ollama

Ollama هو الأسهل للبدء. ملف تنفيذي واحد (binary)، واجهة سطر أوامر واحدة (CLI)، وخادم HTTP واحد على المنفذ 11434. يستهدف المطورين الذين يقومون بتشغيل نموذج واحد على جهاز واحد ويتعامل مع تنزيلات النماذج، تكميم GGUF (GGUF quantization)، وقوالب الأوامر (prompt templating) نيابة عنك.

## install on macOS
brew install ollama
ollama serve &
ollama pull llama3.3:70b-instruct-q4_K_M
ollama run llama3.3:70b-instruct-q4_K_M

بمجرد تشغيل ollama serve، تكون نقطة النهاية المتوافقة مع OpenAI موجودة على http://localhost:11434/v1. وهي تدعم الدردشة، التضمينات (embeddings)، والبث المباشر. يبلغ سقف الإنتاجية على جهاز M3 Max مع نموذج 70B Q4_K_M حوالي 12 رمزًا في الثانية. تصل النماذج الأصغر إلى 80 إلى 120 رمزًا في الثانية. Ollama هو الخيار الصحيح للتطوير للمستخدم الواحد، والعروض التوضيحية، ومنفذين CI.

vLLM

vLLM هو الخيار المخصص للإنتاج. يستخدم PagedAttention وBatching المستمر لزيادة الإنتاجية بمقدار ضعفين إلى أربعة أضعاف مقارنة بالمنفذين التقليديين. يعمل على المنفذ 8000 افتراضيًا ويكشف واجهة برمجة تطبيقات متوافقة مع OpenAI على المسار /v1. يمكنك قراءة تفاصيل البنية في ورقة vLLM في مرجع Kwon et al. SOSP 2023 أدناه.

pip install vllm
vllm serve meta-llama/Llama-3.3-70B-Instruct \
  --port 8000 \
  --gpu-memory-utilization 0.9 \
  --max-model-len 8192

على وحدة H100 واحدة، يقدم vLLM نموذج Llama 3.3 70B بمعدل حوالي 2400 رمز في الثانية عبر الطلبات المتزامنة. يتطلب وحدة معالجة رسوميات (GPU) تدعم CUDA أو بطاقة AMD ROCm حديثة ولا يعمل على Apple Silicon، مما يجعله الخيار الخاطئ لأجهزة الكمبيوتر المحمولة والخيار الصحيح لمجموعات التطوير المشتركة.

llama.cpp

llama.cpp هي بيئة التشغيل المكتوبة بلغة C++ التي بدأت نظام GGUF البيئي. تعمل في كل مكان من Raspberry Pi 5 إلى أنظمة RTX-5090 المزدوجة. يتحدث ملفها الثنائي llama-server شكل OpenAI على المسار /v1/chat/completions.

git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp && make -j LLAMA_METAL=1
./llama-server -m models/llama-3.3-70b-q4_k_m.gguf \
  --port 8080 --host 0.0.0.0 -c 8192 -ngl 99

علامة -ngl 99 تقوم بتحميل جميع الطبقات إلى وحدة معالجة الرسوميات (GPU). يمنحك llama.cpp أقصى قدر من التحكم في التكميم (quantization)، التجميع (batching)، وتعيين الذاكرة (memory mapping). إنه الخيار الصحيح عندما تحتاج إلى ضغط نموذج في 16 جيجابايت من VRAM أو اختبار أجهزة غير تقليدية.

يقوم LM Studio و Jan بتغليف llama.cpp في واجهة رسومية (GUI) ويكشفان أيضًا عن نقطة نهاية OpenAI على منفذ قابل للتكوين. وهي مفيدة للمستخدمين غير التقنيين في فريقك الذين يحتاجون إلى اختبار الأوامر (prompts) دون الحاجة إلى التعامل مع الطرفية.

فحص بسيط بلغة Python للتأكد من أن نقطة النهاية تعمل:

from openai import OpenAI
client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")
resp = client.chat.completions.create(
    model="llama3.3:70b-instruct-q4_K_M",
    messages=[{"role": "user", "content": "Reply with the word OK only."}],
)
print(resp.choices[0].message.content)

إذا رأيت OK، فإن بيئة التشغيل والمنفذ وعقدة SDK كلها متطابقة. أنت جاهز لتوصيل نقطة النهاية بأدواتك.

اختبر نموذجك اللغوي الكبير المحلي (LLM) باستخدام Apidog

يتضمن التدفق خمس خطوات:

1. افتح مشروع Apidog الخاص بك وأنشئ بيئة جديدة تسمى Local. أضف متغيرًا BASE_URL بقيمة http://localhost:11434/v1. أضف API_KEY بقيمة ollama. احفظ التغييرات.
2. استنسخ بيئة OpenAI الحالية الخاصة بك، أعد تسميتها إلى Production، حافظ على BASE_URL كما هي https://api.openai.com/v1 و API_KEY كمفتاحك المستضاف.
3. في أي طلب يستدعي نقطة نهاية الدردشة، استبدل المضيف المبرمج (hardcoded host) بـ {{BASE_URL}} ورأس المصادقة (auth header) بـ Bearer {{API_KEY}}. يصبح عنوان URL للطلب {{BASE_URL}}/chat/completions.
4. أنشئ اختبار سيناريو يقوم بإطلاق الطلب، ويؤكد أن choices[0].message.role == "assistant"، ويؤكد أن choices[0].message.content غير فارغ، ويؤكد أن usage.total_tokens > 0. احفظ السيناريو.
5. قم بتشغيل السيناريو مقابل بيئة Local. قم بتبديل قائمة البيئات المنسدلة إلى Production. أعد التشغيل. يجب أن تمر التأكيدات لكليهما.

يصلح السيناريو نفسه كاختبار دخان (smoke test) لترقيات بيئة التشغيل. بعد ollama pull على علامة جديدة، أعد تشغيل سيناريو Local. إذا تغير شكل الاستجابة، يمكنك اكتشاف ذلك قبل أن يتعامل أي كود للتطبيق مع الأوزان الجديدة. يمتد هذا النمط ليشمل اختبار وكلاء الذكاء الاصطناعي الذين يستدعون واجهات برمجة تطبيقات متعددة الخطوات.

للاستخدام البرمجي، يقوم OpenAI Python SDK بتبديل الأهداف باستخدام وسيطة كلمة مفتاحية واحدة:

import os
from openai import OpenAI

def get_client():
    if os.getenv("ENV") == "local":
        return OpenAI(
            base_url="http://localhost:11434/v1",
            api_key="ollama",
        )
    return OpenAI(api_key=os.environ["OPENAI_API_KEY"])

client = get_client()
response = client.chat.completions.create(
    model=os.getenv("MODEL", "llama3.3:70b-instruct-q4_K_M"),
    messages=[
        {"role": "system", "content": "You are a JSON-only assistant."},
        {"role": "user", "content": "Return {\"status\": \"ok\"}."},
    ],
    response_format={"type": "json_object"},
)
print(response.choices[0].message.content)

شكل JavaScript يعكس هذا:

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: process.env.ENV === "local"
    ? "http://localhost:11434/v1"
    : "https://api.openai.com/v1",
  apiKey: process.env.ENV === "local" ? "ollama" : process.env.OPENAI_API_KEY,
});

const resp = await client.chat.completions.create({
  model: process.env.MODEL || "llama3.3:70b-instruct-q4_K_M",
  messages: [{ role: "user", content: "Say hi." }],
});
console.log(resp.choices[0].message.content);

قم بربط مشغل السيناريوهات في Apidog بنظام التكامل المستمر (CI) الخاص بك عن طريق تصدير المشروع كمجموعة apidog-cli واستدعاء apidog run في GitHub Actions. يقوم المشغل بإرجاع رمز خروج غير صفري عند فشل التأكيد، مما يؤدي إلى فشل البناء في اللحظة التي يطرأ فيها اختلاف على العقد المحلي أو المستضاف. يمكن لمهندسي ضمان الجودة ربط نفس التدفق بخطوط أنابيب اختبار API الحالية.

تقنيات متقدمة ونصائح احترافية

التكميم (Quantization) هو المفتاح الذي يحدد ما إذا كان نموذج 70B يتسع على جهاز الكمبيوتر المحمول الخاص بك. يخزن تنسيق GGUF الأوزان بـ 8 أو 6 أو 5 أو 4 أو 3 أو 2 بت لكل معلمة. Q4_K_M هو الافتراضي لسبب وجيه. يفقد 0.6 نقطة مئوية على معيار MMLU مقارنة بـ FP16 ويقلص حجم نموذج 70B من 140 جيجابايت إلى 40 جيجابايت. Q8 يبقيك ضمن 0.1 نقطة من FP16 ولكنه يضاعف حجم القرص وذاكرة الوصول العشوائي (RAM). Q2_K يوفر المساحة ولكن تأثير التشويش (perplexity hit) يكون واضحًا في أي مهمة ذات سياق طويل. اختر Q4_K_M للدردشة، وQ8 لتوليد الكود، وQ5_K_M عندما يكون لديك ذاكرة وصول عشوائي كافية وتريد هامش أمان.

يتحكم تفريغ وحدة معالجة الرسوميات (GPU offload) عبر علامة -ngl في llama.cpp أو خيار num_gpu في Ollama في عدد طبقات المحولات التي تعمل على وحدة معالجة الرسوميات. قم بتعيينها بأعلى قيمة تسمح بها VRAM لديك. كل طبقة تعود للعمل على وحدة المعالجة المركزية (CPU) تقلل الإنتاجية بنسبة 30 بالمائة تقريبًا. على بطاقة 24 جيجابايت، يتسع نموذج 70B Q4 لـ 40 طبقة من أصل 80 طبقة. على بطاقة 48 جيجابايت، يمكنك احتواء الحزمة بأكملها.

تعيين الذاكرة (mmap) مفعل افتراضيًا في llama.cpp و Ollama. يسمح لنظام التشغيل بتحميل الأوزان عند الطلب بدلاً من تخصيص النموذج بالكامل عند بدء التشغيل. احتفظ به مفعلًا ما لم تكن تعمل في حاوية ذات قيود صارمة على الذاكرة. مع إيقاف mmap، ينخفض زمن الوصول للرمز الأول بحوالي 200 مللي ثانية ولكن استخدام ذاكرة الوصول العشوائي يتضاعف.

التجميع (Batching) هو قوة vLLM الخارقة. أرسل 32 طلبًا متزامنًا ويقوم vLLM بتجميعها في تمريرة واحدة لوحدة معالجة الرسوميات. تتوسع الإنتاجية بشكل شبه خطي لتصل إلى الحد الأقصى لقدرة وحدة معالجة الرسوميات الحسابية. اضبط --max-num-seqs 64 لأجهزة الكمبيوتر المحمولة ذات الذاكرة المشتركة مع وحدة المعالجة المركزية و --max-num-seqs 256 للأجهزة من فئة H100.

تقلل الاستجابات المتدفقة (Streaming responses) زمن الوصول المدرك إلى النصف. اضبط stream=True في OpenAI SDK ويقوم الخادم بتفريغ الرموز عند إنشائها. تصل البايت الأول في غضون 200 إلى 500 مللي ثانية بدلاً من انتظار الاكتمال الكامل. تدعم جميع بيئات التشغيل في هذا الدليل ذلك.

يتيح لك Modelfile الخاص بـ Ollama تضمين أمر نظام (system prompt)، درجة حرارة (temperature)، وتسلسلات إيقاف (stop sequences) في نموذج مسمى بحيث يظل كود التطبيق الخاص بك نظيفًا. قم بتشغيل ollama create my-assistant -f Modelfile مرة واحدة ويشير عميلك إلى my-assistant بدلاً من تكرار أمر النظام في كل طلب.

أخطاء شائعة

• تشفير http://localhost:11434 في كود الإنتاج. استخدم متغير بيئة.
• نسيان أن النماذج المحلية لا تفرض max_tokens. ستولد بسعادة 4,096 رمزًا زائدًا. قم بتعيين تسلسل إيقاف.
• تشغيل Ollama وبيئة تشغيل أخرى على نفس المنفذ. كلاهما افتراضيًا يستخدم منافذ نظيفة، ولكن المنافذ المخصصة تتصادم بصمت.
• تخطي رأس Authorization. يتجاهله Ollama، لكن vLLM مع --api-key سيرفض الطلبات غير المصادق عليها برمز 401.
• تحميل نموذج Q4 وتوقع جودة GPT-5.5 في الرياضيات. التكميم يقلل من جودة الاستنتاج بسرعة.

مقارنة المحلي مقابل المستضاف: حسابات التكلفة وزمن الوصول

تفترض الأرقام أدناه جهاز M3 Max بذاكرة موحدة 128 جيجابايت للتشغيل المحلي، والأسعار العامة الحالية لنقاط النهاية المستضافة. يتم قياس زمن الوصول للرمز الأول (TTFT) في حالة باردة (cold)، بدون تجميع (batching)، على أمر (prompt) مكون من 1024 رمزًا.

يتفوق العمود المستضاف في زمن الوصول في كل مرة. ويتفوق العمود المحلي في التكلفة بمجرد تجاوزك حوالي 10 ملايين رمز يوميًا، ويتفوق في الخصوصية من الطلب الأول. للتطوير، غالبًا ما ترغب في استخدام المحلي. أما للإنتاج المواجه للمستخدم، فغالبًا ما ترغب في استخدام المستضاف، ما لم يحظر تصنيف بياناتك ذلك.

نمط عملي: قم بالتشغيل محليًا أثناء حلقة التطوير الداخلية، ثم انتقل إلى المستضاف في بيئة الاختبار (staging)، واجعل كلا الهدفين يعملان بشكل صحيح في CI. تدعم اختبارات سيناريو Apidog من القسم أعلاه هذا النمط بتبديل بيئة واحدة. للحصول على معايير أعمق للنماذج الفردية، راجع كيفية تشغيل DeepSeek V4 محليًا ودليل الاستخدام الأصلي DeepSeek V4.

حالات استخدام واقعية

يستخدم فريق الامتثال المالي (fintech compliance team) في سنغافورة Ollama على أجهزة الكمبيوتر المحمولة للمهندسين لصياغة تقارير الأنشطة المشبوهة. تحتوي الأوامر (prompts) على أرقام حسابات وأنماط معاملات لا يمكن أن تغادر البلاد بموجب قواعد MAS. تحصل نقطة النهاية المستضافة التي يستخدمونها في الإنتاج على نسخة منقحة من نفس الأمر. تؤكد سيناريوهات Apidog أن أداة التنقيح تعمل على كل طلب قبل مغادرته للمضيف المحلي (localhost).

يقوم استوديو ألعاب في ستوكهولم بتدريب المتدربين في التصميم على هندسة الأوامر (prompt engineering) باستخدام نسخة Qwen 3.6 محلية. مجانية، غير متصلة بالإنترنت، ومن المستحيل تسريب قصة اللعبة التالية إلى طرف ثالث. يتم شحن نفس المشروع مقابل Gemini 3 Flash في الإنتاج بتغيير متغير بيئة واحد. يعيدون استخدام دليل Gemini 3 Flash API للتوصيل في الإنتاج.

تشغل شركة ناشئة في مجال الرعاية الصحية vLLM على جهاز A100 مؤجر داخل شبكة مستشفى العميل. لا ترى نقطة النهاية أبدًا DNS العام. يتم تشغيل اختبارات التكامل الخاصة بهم من وكيل Jenkins في نفس شبكة VLAN مقابل نفس OpenAI SDK الذي يستخدمونه محليًا. نفس الكود، ثلاثة أهداف للنشر، مجموعة سيناريوهات واحدة.

الخاتمة

نضجت حزمة واجهة برمجة تطبيقات النماذج اللغوية الكبيرة (LLM API) المحلية بسرعة. يمكنك نقل أوامرك (prompts) من نقطة نهاية مستضافة دون إعادة كتابة عميلك أو اختباراتك أو نظام التكامل المستمر (CI) الخاص بك. الخطوات الخمس التي تجعل ذلك حقيقة:

• اختر Ollama لأجهزة الكمبيوتر المحمولة، vLLM لمجموعات التطوير المشتركة، وllama.cpp لميزانيات الذاكرة الضيقة.
• اكشف نقطة النهاية المتوافقة مع OpenAI وتحقق منها باستخدام أمر curl من سطر واحد.
• انقل base_url و api_key إلى متغيرات البيئة بحيث يصل نفس الكود إلى المحلي والمستضاف.
• أنشئ اختبارات سيناريو في Apidog تعمل بشكل متطابق ضد كلتا البيئتين.
• راقب جدول التكلفة مقابل زمن الوصول واختر الهدف الصحيح لكل عبء عمل.

إشارة Hacker News التي دفعت مقالة "الذكاء الاصطناعي المحلي يجب أن يكون القاعدة" لتتجاوز 1700 نقطة هي نتيجة لهذا النضج. بمجرد استقرار سطح API، تكيفت كل أداة تطوير معه. قم بتنزيل Apidog ووجه بيئة واحدة إلى http://localhost:11434/v1 لترى مدى سرعة إغلاق الحلقة. إذا لم تكن قد اخترت نموذجًا بعد، فابدأ بـ أفضل النماذج اللغوية الكبيرة المحلية لعام 2026، وإذا كنت تريد تعمقًا أكبر في اختبار التدفقات الوكيلة (agentic flows) فوق أي من نقاط النهاية هذه، فاقرأ كيفية اختبار واجهة برمجة تطبيقات وكلاء الذكاء الاصطناعي.