docs: add stop endpoint page to api-reference

Address review feedback to create a dedicated stop endpoint page in api-reference, matching the pattern used by kickoff endpoint. Added stop.mdx for all languages (en, ko, pt-BR, ar) and updated docs.json navigation. Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>
docs: document /stop/{kickoff_id} endpoint for cancelling executions
2026-06-17 06:08:22 +00:00 · 2026-04-02 13:12:30 -07:00 · 2026-04-02 13:11:31 -07:00
1081 changed files with 33075 additions and 123522 deletions
--- a/.github/security.md
+++ b/.github/security.md
@@ -5,10 +5,7 @@ CrewAI ecosystem.

 ### How to Report

-Please submit reports through one of the following channels:
-
- **crewai-vdp-ess@submit.bugcrowd.com**
- https://security.crewai.com
+Please submit reports to **crewai-vdp-ess@submit.bugcrowd.com**

 - **Please do not** disclose vulnerabilities via public GitHub issues, pull requests,
  or social media
--- a/.github/workflows/build-uv-cache.yml
+++ b/.github/workflows/build-uv-cache.yml
@@ -23,12 +23,12 @@ jobs:

    steps:
      - name: Checkout repository
-        uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+        uses: actions/checkout@v4

      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
+        uses: astral-sh/setup-uv@v6
        with:
-          version: "0.11.3"
+          version: "0.8.4"
          python-version: ${{ matrix.python-version }}
          enable-cache: false

@@ -39,7 +39,7 @@ jobs:
          echo "Cache populated successfully"

      - name: Save uv caches
-        uses: actions/cache/save@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/save@v4
        with:
          path: |
            ~/.cache/uv
--- a/.github/workflows/codeql.yml
+++ b/.github/workflows/codeql.yml
@@ -59,7 +59,7 @@ jobs:
        # your codebase is analyzed, see https://docs.github.com/en/code-security/code-scanning/creating-an-advanced-setup-for-code-scanning/codeql-code-scanning-for-compiled-languages
    steps:
    - name: Checkout repository
-      uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+      uses: actions/checkout@v4

    # Add any setup steps before running the `github/codeql-action/init` action.
    # This includes steps like installing compilers or runtimes (`actions/setup-node`
@@ -69,7 +69,7 @@ jobs:

    # Initializes the CodeQL tools for scanning.
    - name: Initialize CodeQL
-      uses: github/codeql-action/init@9e0d7b8d25671d64c341c19c0152d693099fb5ba # v4.35.5
+      uses: github/codeql-action/init@v4
      with:
        languages: ${{ matrix.language }}
        build-mode: ${{ matrix.build-mode }}
@@ -98,6 +98,6 @@ jobs:
        exit 1

    - name: Perform CodeQL Analysis
-      uses: github/codeql-action/analyze@9e0d7b8d25671d64c341c19c0152d693099fb5ba # v4.35.5
+      uses: github/codeql-action/analyze@v4
      with:
        category: "/language:${{matrix.language}}"
--- a/.github/workflows/docs-broken-links.yml
+++ b/.github/workflows/docs-broken-links.yml
@@ -18,10 +18,10 @@ jobs:
    name: Check broken links
    runs-on: ubuntu-latest
    steps:
-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+      - uses: actions/checkout@v4

      - name: Set up Node
-        uses: actions/setup-node@49933ea5288caeca8642d1e84afbd3f7d6820020 # v4.4.0
+        uses: actions/setup-node@v4
        with:
          node-version: "22"

--- a/.github/workflows/generate-tool-specs.yml
+++ b/.github/workflows/generate-tool-specs.yml
@@ -14,7 +14,6 @@ permissions:

 jobs:
  generate-specs:
-    if: github.event_name == 'workflow_dispatch' || github.event.pull_request.head.repo.full_name == github.repository
    runs-on: ubuntu-latest
    env:
      PYTHONUNBUFFERED: 1
@@ -22,21 +21,21 @@ jobs:
    steps:
      - name: Generate GitHub App token
        id: app-token
-        uses: actions/create-github-app-token@bcd2ba49218906704ab6c1aa796996da409d3eb1 # v3.2.0
+        uses: tibdex/github-app-token@v2
        with:
-          app-id: ${{ secrets.CREWAI_TOOL_SPECS_APP_ID }}
-          private-key: ${{ secrets.CREWAI_TOOL_SPECS_PRIVATE_KEY }}
+          app_id: ${{ secrets.CREWAI_TOOL_SPECS_APP_ID }}
+          private_key: ${{ secrets.CREWAI_TOOL_SPECS_PRIVATE_KEY }}

      - name: Checkout code
-        uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+        uses: actions/checkout@v4
        with:
          ref: ${{ github.head_ref }}
          token: ${{ steps.app-token.outputs.token }}

      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
+        uses: astral-sh/setup-uv@v6
        with:
-          version: "0.11.3"
+          version: "0.8.4"
          python-version: "3.12"
          enable-cache: true

--- a/.github/workflows/linter.yml
+++ b/.github/workflows/linter.yml
@@ -6,31 +6,14 @@ permissions:
  contents: read

 jobs:
-  changes:
-    name: Detect changes
-    runs-on: ubuntu-latest
-    outputs:
-      code: ${{ steps.filter.outputs.code }}
-    steps:
-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
-      - uses: dorny/paths-filter@d1c1ffe0248fe513906c8e24db8ea791d46f8590 # v3
-        id: filter
-        with:
-          filters: |
-            code:
-              - '!docs/**'
-              - '!**/*.md'
-
-  lint-run:
-    needs: changes
-    if: needs.changes.outputs.code == 'true'
+  lint:
    runs-on: ubuntu-latest
    steps:
-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+      - uses: actions/checkout@v4

      - name: Restore global uv cache
        id: cache-restore
-        uses: actions/cache/restore@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/restore@v4
        with:
          path: |
            ~/.cache/uv
@@ -41,9 +24,9 @@ jobs:
            uv-main-py3.11-

      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
+        uses: astral-sh/setup-uv@v6
        with:
-          version: "0.11.3"
+          version: "0.8.4"
          python-version: "3.11"
          enable-cache: false

@@ -58,30 +41,10 @@ jobs:

      - name: Save uv caches
        if: steps.cache-restore.outputs.cache-hit != 'true'
-        uses: actions/cache/save@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/save@v4
        with:
          path: |
            ~/.cache/uv
            ~/.local/share/uv
            .venv
          key: uv-main-py3.11-${{ hashFiles('uv.lock') }}
-
-  # Summary job to provide single status for branch protection
-  lint:
-    name: lint
-    runs-on: ubuntu-latest
-    needs: [changes, lint-run]
-    if: always()
-    steps:
-      - name: Check results
-        run: |
-          if [ "${{ needs.changes.outputs.code }}" != "true" ]; then
-            echo "Docs-only change, skipping lint"
-            exit 0
-          fi
-          if [ "${{ needs.lint-run.result }}" == "success" ]; then
-            echo "Lint passed"
-          else
-            echo "Lint failed"
-            exit 1
-          fi
--- a/.github/workflows/nightly.yml
+++ b/.github/workflows/nightly.yml
@@ -5,10 +5,6 @@ on:
    - cron: '0 6 * * *' # daily at 6am UTC
  workflow_dispatch:

-concurrency:
-  group: nightly-publish
-  cancel-in-progress: false
-
 jobs:
  check:
    name: Check for new commits
@@ -18,15 +14,14 @@ jobs:
    outputs:
      has_changes: ${{ steps.check.outputs.has_changes }}
    steps:
-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+      - uses: actions/checkout@v4
        with:
          fetch-depth: 0

-      - name: Check for recent commits
+      - name: Check for commits in last 24h
        id: check
        run: |
-          # 25h window absorbs cron-vs-commit timing skew at the boundary.
-          RECENT=$(git log --since="25 hours ago" --oneline | head -1)
+          RECENT=$(git log --since="24 hours ago" --oneline | head -1)
          if [ -n "$RECENT" ]; then
            echo "has_changes=true" >> "$GITHUB_OUTPUT"
          else
@@ -41,44 +36,36 @@ jobs:
    permissions:
      contents: read
    steps:
-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+      - uses: actions/checkout@v4
+
+      - name: Set up Python
+        uses: actions/setup-python@v5
+        with:
+          python-version: "3.12"

      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
-        with:
-          version: "0.11.3"
-          python-version: "3.12"
-          enable-cache: false
+        uses: astral-sh/setup-uv@v4

      - name: Stamp nightly versions
        run: |
          DATE=$(date +%Y%m%d)
-
-          # All workspace packages share the same base version and are released together.
-          BASE=$(python -c "
-          import re
-          print(re.search(r'__version__\s*=\s*\"(.*?)\"', open('lib/crewai/src/crewai/__init__.py').read()).group(1))
-          ")
-          NIGHTLY="${BASE}.dev${DATE}"
-          echo "Nightly version: ${NIGHTLY}"
-
          for init_file in \
            lib/crewai/src/crewai/__init__.py \
-            lib/crewai-core/src/crewai_core/__init__.py \
            lib/crewai-tools/src/crewai_tools/__init__.py \
-            lib/crewai-files/src/crewai_files/__init__.py \
-            lib/cli/src/crewai_cli/__init__.py; do
+            lib/crewai-files/src/crewai_files/__init__.py; do
+            CURRENT=$(python -c "
+          import re
+          text = open('$init_file').read()
+          print(re.search(r'__version__\s*=\s*\"(.*?)\"\s*$', text, re.MULTILINE).group(1))
+          ")
+            NIGHTLY="${CURRENT}.dev${DATE}"
            sed -i "s/__version__ = .*/__version__ = \"${NIGHTLY}\"/" "$init_file"
-            echo "Stamped $init_file -> $NIGHTLY"
+            echo "$init_file: $CURRENT -> $NIGHTLY"
          done

-          # Update all cross-package dependency pins to the nightly version.
-          sed -i "s/\"crewai==[^\"]*\"/\"crewai==${NIGHTLY}\"/" lib/crewai-tools/pyproject.toml
-          sed -i "s/\"crewai-core==[^\"]*\"/\"crewai-core==${NIGHTLY}\"/" lib/crewai/pyproject.toml
-          sed -i "s/\"crewai-cli==[^\"]*\"/\"crewai-cli==${NIGHTLY}\"/" lib/crewai/pyproject.toml
+          # Update cross-package dependency pins to nightly versions
          sed -i "s/\"crewai-tools==[^\"]*\"/\"crewai-tools==${NIGHTLY}\"/" lib/crewai/pyproject.toml
-          sed -i "s/\"crewai-files==[^\"]*\"/\"crewai-files==${NIGHTLY}\"/" lib/crewai/pyproject.toml
-          sed -i "s/\"crewai-core==[^\"]*\"/\"crewai-core==${NIGHTLY}\"/" lib/cli/pyproject.toml
+          sed -i "s/\"crewai==[^\"]*\"/\"crewai==${NIGHTLY}\"/" lib/crewai-tools/pyproject.toml
          echo "Updated cross-package dependency pins to ${NIGHTLY}"

      - name: Build packages
@@ -87,7 +74,7 @@ jobs:
          rm dist/.gitignore

      - name: Upload artifacts
-        uses: actions/upload-artifact@ea165f8d65b6e75b540449e92b4886f43607fa02 # v4.6.2
+        uses: actions/upload-artifact@v4
        with:
          name: dist
          path: dist/
@@ -98,19 +85,22 @@ jobs:
    runs-on: ubuntu-latest
    environment:
      name: pypi
+      url: https://pypi.org/p/crewai
    permissions:
      id-token: write
      contents: read
    steps:
+      - uses: actions/checkout@v4
+
      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
+        uses: astral-sh/setup-uv@v6
        with:
-          version: "0.11.3"
+          version: "0.8.4"
          python-version: "3.12"
          enable-cache: false

      - name: Download artifacts
-        uses: actions/download-artifact@d3f86a106a0bac45b974a628896c90dbdf5c8093 # v4.3.0
+        uses: actions/download-artifact@v4
        with:
          name: dist
          path: dist
@@ -126,8 +116,7 @@ jobs:
              continue
            fi
            echo "Publishing $package"
-            # --check-url skips files already on PyPI so manual re-runs on the same day are idempotent.
-            if ! uv publish --check-url https://pypi.org/simple/ "$package"; then
+            if ! uv publish "$package"; then
              echo "Failed to publish $package"
              failed=1
            fi
--- a/.github/workflows/pr-size.yml
+++ b/.github/workflows/pr-size.yml
@@ -10,7 +10,7 @@ jobs:
    permissions:
      pull-requests: write
    steps:
-      - uses: codelytv/pr-size-labeler@095a41fca88b8764fd9e008ad269bcdb82bb38b9 # v1
+      - uses: codelytv/pr-size-labeler@v1
        with:
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
          xs_label: "size/XS"
--- a/.github/workflows/pr-title.yml
+++ b/.github/workflows/pr-title.yml
@@ -12,7 +12,7 @@ jobs:
  pr-title:
    runs-on: ubuntu-latest
    steps:
-      - uses: amannn/action-semantic-pull-request@e32d7e603df1aa1ba07e981f2a23455dee596825 # v5
+      - uses: amannn/action-semantic-pull-request@v5
        continue-on-error: true
        env:
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}
--- a/.github/workflows/publish.yml
+++ b/.github/workflows/publish.yml
@@ -24,17 +24,17 @@ jobs:
            echo "tag=" >> $GITHUB_OUTPUT
          fi

-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+      - uses: actions/checkout@v4
        with:
          ref: ${{ steps.release.outputs.tag || github.ref }}

      - name: Set up Python
-        uses: actions/setup-python@a26af69be951a213d495a4c3e4e4022e16d87065 # v5.6.0
+        uses: actions/setup-python@v5
        with:
          python-version: "3.12"

      - name: Install uv
-        uses: astral-sh/setup-uv@38f3f104447c67c051c4a08e39b64a148898af3a # v4
+        uses: astral-sh/setup-uv@v4

      - name: Build packages
        run: |
@@ -42,7 +42,7 @@ jobs:
          rm dist/.gitignore

      - name: Upload artifacts
-        uses: actions/upload-artifact@ea165f8d65b6e75b540449e92b4886f43607fa02 # v4.6.2
+        uses: actions/upload-artifact@v4
        with:
          name: dist
          path: dist/
@@ -58,19 +58,19 @@ jobs:
      id-token: write
      contents: read
    steps:
-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+      - uses: actions/checkout@v4
        with:
          ref: ${{ inputs.release_tag || github.ref }}

      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
+        uses: astral-sh/setup-uv@v6
        with:
-          version: "0.11.3"
+          version: "0.8.4"
          python-version: "3.12"
          enable-cache: false

      - name: Download artifacts
-        uses: actions/download-artifact@d3f86a106a0bac45b974a628896c90dbdf5c8093 # v4.3.0
+        uses: actions/download-artifact@v4
        with:
          name: dist
          path: dist
@@ -159,7 +159,7 @@ jobs:

      - name: Notify Slack
        if: success()
-        uses: slackapi/slack-github-action@b0fa283ad8fea605de13dc3f449259339835fc52 # v2.1.0
+        uses: slackapi/slack-github-action@v2.1.0
        with:
          webhook: ${{ secrets.SLACK_WEBHOOK_URL }}
          webhook-type: incoming-webhook
--- a/.github/workflows/stale.yml
+++ b/.github/workflows/stale.yml
@@ -14,7 +14,7 @@ jobs:
  stale:
    runs-on: ubuntu-latest
    steps:
-    - uses: actions/stale@5bef64f19d7facfb25b37b414482c7164d639639 # v9.1.0
+    - uses: actions/stale@v9
      with:
        repo-token: ${{ secrets.GITHUB_TOKEN }}
        stale-issue-label: 'no-issue-activity'
--- a/.github/workflows/tests.yml
+++ b/.github/workflows/tests.yml
@@ -6,25 +6,8 @@ permissions:
  contents: read

 jobs:
-  changes:
-    name: Detect changes
-    runs-on: ubuntu-latest
-    outputs:
-      code: ${{ steps.filter.outputs.code }}
-    steps:
-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
-      - uses: dorny/paths-filter@d1c1ffe0248fe513906c8e24db8ea791d46f8590 # v3
-        id: filter
-        with:
-          filters: |
-            code:
-              - '!docs/**'
-              - '!**/*.md'
-
-  tests-matrix:
+  tests:
    name: tests (${{ matrix.python-version }})
-    needs: changes
-    if: needs.changes.outputs.code == 'true'
    runs-on: ubuntu-latest
    timeout-minutes: 15
    strategy:
@@ -34,13 +17,13 @@ jobs:
        group: [1, 2, 3, 4, 5, 6, 7, 8]
    steps:
      - name: Checkout code
-        uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+        uses: actions/checkout@v4
        with:
          fetch-depth: 0  # Fetch all history for proper diff

      - name: Restore global uv cache
        id: cache-restore
-        uses: actions/cache/restore@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/restore@v4
        with:
          path: |
            ~/.cache/uv
@@ -51,9 +34,9 @@ jobs:
            uv-main-py${{ matrix.python-version }}-

      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
+        uses: astral-sh/setup-uv@v6
        with:
-          version: "0.11.3"
+          version: "0.8.4"
          python-version: ${{ matrix.python-version }}
          enable-cache: false

@@ -61,7 +44,7 @@ jobs:
        run: uv sync --all-groups --all-extras

      - name: Restore test durations
-        uses: actions/cache/restore@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/restore@v4
        with:
          path: .test_durations_py*
          key: test-durations-py${{ matrix.python-version }}
@@ -108,30 +91,10 @@ jobs:

      - name: Save uv caches
        if: steps.cache-restore.outputs.cache-hit != 'true'
-        uses: actions/cache/save@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/save@v4
        with:
          path: |
            ~/.cache/uv
            ~/.local/share/uv
            .venv
          key: uv-main-py${{ matrix.python-version }}-${{ hashFiles('uv.lock') }}
-
-  # Summary job to provide single status for branch protection
-  tests:
-    name: tests
-    runs-on: ubuntu-latest
-    needs: [changes, tests-matrix]
-    if: always()
-    steps:
-      - name: Check results
-        run: |
-          if [ "${{ needs.changes.outputs.code }}" != "true" ]; then
-            echo "Docs-only change, skipping tests"
-            exit 0
-          fi
-          if [ "${{ needs.tests-matrix.result }}" == "success" ]; then
-            echo "All tests passed"
-          else
-            echo "Tests failed"
-            exit 1
-          fi
--- a/.github/workflows/type-checker.yml
+++ b/.github/workflows/type-checker.yml
@@ -6,25 +6,8 @@ permissions:
  contents: read

 jobs:
-  changes:
-    name: Detect changes
-    runs-on: ubuntu-latest
-    outputs:
-      code: ${{ steps.filter.outputs.code }}
-    steps:
-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
-      - uses: dorny/paths-filter@d1c1ffe0248fe513906c8e24db8ea791d46f8590 # v3
-        id: filter
-        with:
-          filters: |
-            code:
-              - '!docs/**'
-              - '!**/*.md'
-
  type-checker-matrix:
    name: type-checker (${{ matrix.python-version }})
-    needs: changes
-    if: needs.changes.outputs.code == 'true'
    runs-on: ubuntu-latest
    strategy:
      fail-fast: false
@@ -33,11 +16,11 @@ jobs:

    steps:
      - name: Checkout code
-        uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+        uses: actions/checkout@v4

      - name: Restore global uv cache
        id: cache-restore
-        uses: actions/cache/restore@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/restore@v4
        with:
          path: |
            ~/.cache/uv
@@ -48,9 +31,9 @@ jobs:
            uv-main-py${{ matrix.python-version }}-

      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
+        uses: astral-sh/setup-uv@v6
        with:
-          version: "0.11.3"
+          version: "0.8.4"
          python-version: ${{ matrix.python-version }}
          enable-cache: false

@@ -62,7 +45,7 @@ jobs:

      - name: Save uv caches
        if: steps.cache-restore.outputs.cache-hit != 'true'
-        uses: actions/cache/save@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/save@v4
        with:
          path: |
            ~/.cache/uv
@@ -74,18 +57,14 @@ jobs:
  type-checker:
    name: type-checker
    runs-on: ubuntu-latest
-    needs: [changes, type-checker-matrix]
+    needs: type-checker-matrix
    if: always()
    steps:
-      - name: Check results
+      - name: Check matrix results
        run: |
-          if [ "${{ needs.changes.outputs.code }}" != "true" ]; then
-            echo "Docs-only change, skipping type checks"
-            exit 0
-          fi
-          if [ "${{ needs.type-checker-matrix.result }}" == "success" ]; then
-            echo "All type checks passed"
+          if [ "${{ needs.type-checker-matrix.result }}" == "success" ] || [ "${{ needs.type-checker-matrix.result }}" == "skipped" ]; then
+            echo "✅ All type checks passed"
          else
-            echo "Type checks failed"
+            echo "❌ Type checks failed"
            exit 1
          fi
--- a/.github/workflows/update-test-durations.yml
+++ b/.github/workflows/update-test-durations.yml
@@ -23,11 +23,11 @@ jobs:
    
    steps:
      - name: Checkout repository
-        uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
+        uses: actions/checkout@v4

      - name: Restore global uv cache
        id: cache-restore
-        uses: actions/cache/restore@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/restore@v4
        with:
          path: |
            ~/.cache/uv
@@ -38,9 +38,9 @@ jobs:
            uv-main-py${{ matrix.python-version }}-

      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
+        uses: astral-sh/setup-uv@v6
        with:
-          version: "0.11.3"
+          version: "0.8.4"
          python-version: ${{ matrix.python-version }}
          enable-cache: false

@@ -55,14 +55,14 @@ jobs:

      - name: Save durations to cache
        if: always()
-        uses: actions/cache/save@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/save@v4
        with:
          path: .test_durations_py*
          key: test-durations-py${{ matrix.python-version }}

      - name: Save uv caches
        if: steps.cache-restore.outputs.cache-hit != 'true'
-        uses: actions/cache/save@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
+        uses: actions/cache/save@v4
        with:
          path: |
            ~/.cache/uv
--- a/.github/workflows/vulnerability-scan.yml
+++ b/.github/workflows/vulnerability-scan.yml
@@ -1,135 +0,0 @@
-name: Vulnerability Scan
-
-on:
-  pull_request:
-  push:
-    branches: [main]
-  schedule:
-    # Run weekly on Monday at 9:00 UTC
-    - cron: '0 9 * * 1'
-
-permissions:
-  contents: read
-
-jobs:
-  pip-audit:
-    name: pip-audit
-    runs-on: ubuntu-latest
-    steps:
-      - uses: actions/checkout@34e114876b0b11c390a56381ad16ebd13914f8d5 # v4.3.1
-        with:
-          persist-credentials: false
-
-      - name: Restore global uv cache
-        id: cache-restore
-        uses: actions/cache/restore@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
-        with:
-          path: |
-            ~/.cache/uv
-            ~/.local/share/uv
-            .venv
-          key: uv-main-py3.11-${{ hashFiles('uv.lock') }}
-          restore-keys: |
-            uv-main-py3.11-
-
-      - name: Install uv
-        uses: astral-sh/setup-uv@d0cc045d04ccac9d8b7881df0226f9e82c39688e # v6
-        with:
-          version: "0.11.3"
-          python-version: "3.11"
-          enable-cache: false
-
-      - name: Install dependencies
-        run: uv sync --all-groups --all-extras --no-install-project
-
-      - name: Install pip-audit
-        run: uv pip install pip-audit
-
-      - name: Run pip-audit
-        run: |
-          uv run pip-audit --desc --aliases --skip-editable --format json --output pip-audit-report.json \
-            --ignore-vuln PYSEC-2024-277 \
-            --ignore-vuln PYSEC-2026-89 \
-            --ignore-vuln PYSEC-2026-97 \
-            --ignore-vuln PYSEC-2025-148 \
-            --ignore-vuln PYSEC-2025-183 \
-            --ignore-vuln PYSEC-2025-189 \
-            --ignore-vuln PYSEC-2025-190 \
-            --ignore-vuln PYSEC-2025-191 \
-            --ignore-vuln PYSEC-2025-192 \
-            --ignore-vuln PYSEC-2025-193 \
-            --ignore-vuln PYSEC-2025-194 \
-            --ignore-vuln PYSEC-2025-195 \
-            --ignore-vuln PYSEC-2025-196 \
-            --ignore-vuln PYSEC-2025-197 \
-            --ignore-vuln PYSEC-2025-210 \
-            --ignore-vuln PYSEC-2026-139 \
-            --ignore-vuln GHSA-rrmf-rvhw-rf47 \
-            --ignore-vuln PYSEC-2025-211 \
-            --ignore-vuln PYSEC-2025-212 \
-            --ignore-vuln PYSEC-2025-213 \
-            --ignore-vuln PYSEC-2025-214 \
-            --ignore-vuln PYSEC-2025-215 \
-            --ignore-vuln PYSEC-2025-216 \
-            --ignore-vuln PYSEC-2025-217 \
-            --ignore-vuln PYSEC-2025-218 \
-            --ignore-vuln GHSA-f4j7-r4q5-qw2c
-        # Ignored CVEs:
-        #   PYSEC-2024-277      - joblib 1.5.3: disputed; NumpyArrayWrapper only used with trusted caches
-        #   PYSEC-2026-89       - markdown 3.10.2: DoS via malformed HTML; fix 3.8.1 — already past, advisory range is stale
-        #   PYSEC-2026-97       - nltk 3.9.4: arbitrary file read in filestring(); no fix available
-        #   PYSEC-2025-148      - onnx 1.21.0: path traversal in save_external_data; no fix available
-        #   PYSEC-2025-183      - pyjwt 2.12.1: disputed weak-encryption claim; key length is application-chosen
-        #   PYSEC-2025-189..197 - torch 2.11.0: memory-corruption/DoS in functions only reachable via untrusted models; no fix available
-        #   PYSEC-2025-210, PYSEC-2026-139 - torch 2.11.0: profiler/deserialization issues; no fix available
-        #   GHSA-rrmf-rvhw-rf47 - torch 2.11.0 (CVE-2025-3000, alias of PYSEC-2025-194): memory corruption in torch.jit.script, CVSS 1.9, local-only; affected <=2.12.0, no fix available. pip-audit reports it under the GHSA id so the PYSEC ignore above does not catch it.
-        #   PYSEC-2025-211..218 - transformers 5.5.4: deserialization/code injection via malicious model checkpoints; no fix available
-        #   GHSA-f4j7-r4q5-qw2c - chromadb 1.1.1 (CVE-2026-45829): pre-auth RCE via /api/v2/tenants/{tenant}/databases/{db}/collections when trust_remote_code=true.
-        #                         Advisory: vulnerable >=1.0.0,<=1.5.9, firstPatchedVersion=none. We only use chromadb.PersistentClient (lib/crewai/src/crewai/rag/chromadb/factory.py)
-        #                         and chromadb.utils.embedding_functions; the chromadb HTTP server is never started, so the vulnerable route is not exposed.
-        continue-on-error: true
-
-      - name: Display results
-        if: always()
-        run: |
-          if [ -f pip-audit-report.json ]; then
-            echo "## pip-audit Results" >> $GITHUB_STEP_SUMMARY
-            echo '```json' >> $GITHUB_STEP_SUMMARY
-            cat pip-audit-report.json | python3 -m json.tool >> $GITHUB_STEP_SUMMARY
-            echo '```' >> $GITHUB_STEP_SUMMARY
-            # Fail if vulnerabilities found
-            python3 -c "
-          import json, sys
-          with open('pip-audit-report.json') as f:
-              data = json.load(f)
-          vulns = [d for d in data.get('dependencies', []) if d.get('vulns')]
-          if vulns:
-              print(f'::error::Found vulnerabilities in {len(vulns)} package(s)')
-              for v in vulns:
-                  for vuln in v['vulns']:
-                      print(f'  - {v[\"name\"]}=={v[\"version\"]}: {vuln[\"id\"]}')
-              sys.exit(1)
-          print('No known vulnerabilities found')
-          "
-          else
-            echo "::error::pip-audit failed to produce a report. Check the pip-audit step logs."
-            exit 1
-          fi
-
-      - name: Upload pip-audit report
-        if: always()
-        uses: actions/upload-artifact@ea165f8d65b6e75b540449e92b4886f43607fa02 # v4.6.2
-        with:
-          name: pip-audit-report
-          path: pip-audit-report.json
-
-      - name: Save uv caches
-        if: steps.cache-restore.outputs.cache-hit != 'true'
-        uses: actions/cache/save@0057852bfaa89a56745cba8c7296529d2fc39830 # v4.3.0
-        with:
-          path: |
-            ~/.cache/uv
-            ~/.local/share/uv
-            .venv
-          key: uv-main-py3.11-${{ hashFiles('uv.lock') }}
-
--- a/.gitignore
+++ b/.gitignore
@@ -30,6 +30,3 @@ chromadb-*.lock
 .crewai/memory
 blogs/*
 secrets/*
-UNKNOWN.egg-info/
-demos/*
-.crewai/*
--- a/.pre-commit-config.yaml
+++ b/.pre-commit-config.yaml
@@ -19,47 +19,11 @@ repos:
        language: system
        pass_filenames: true
        types: [python]
-        exclude: ^(lib/crewai/src/crewai/cli/templates/|lib/cli/src/crewai_cli/templates/|lib/cli/tests/|lib/crewai/tests/|lib/crewai-tools/tests/|lib/crewai-files/tests/|lib/devtools/tests/)
+        exclude: ^(lib/crewai/src/crewai/cli/templates/|lib/crewai/tests/|lib/crewai-tools/tests/|lib/crewai-files/tests/)
  - repo: https://github.com/astral-sh/uv-pre-commit
-    rev: 0.11.3
+    rev: 0.9.3
    hooks:
      - id: uv-lock
-  - repo: local
-    hooks:
-      - id: pip-audit
-        name: pip-audit
-        # Keep this ignore list in sync with .github/workflows/vulnerability-scan.yml.
-        entry: >-
-          bash -c 'source .venv/bin/activate && uv run pip-audit --skip-editable
-          --ignore-vuln PYSEC-2024-277
-          --ignore-vuln PYSEC-2026-89
-          --ignore-vuln PYSEC-2026-97
-          --ignore-vuln PYSEC-2025-148
-          --ignore-vuln PYSEC-2025-183
-          --ignore-vuln PYSEC-2025-189
-          --ignore-vuln PYSEC-2025-190
-          --ignore-vuln PYSEC-2025-191
-          --ignore-vuln PYSEC-2025-192
-          --ignore-vuln PYSEC-2025-193
-          --ignore-vuln PYSEC-2025-194
-          --ignore-vuln PYSEC-2025-195
-          --ignore-vuln PYSEC-2025-196
-          --ignore-vuln PYSEC-2025-197
-          --ignore-vuln PYSEC-2025-210
-          --ignore-vuln PYSEC-2026-139
-          --ignore-vuln GHSA-rrmf-rvhw-rf47
-          --ignore-vuln PYSEC-2025-211
-          --ignore-vuln PYSEC-2025-212
-          --ignore-vuln PYSEC-2025-213
-          --ignore-vuln PYSEC-2025-214
-          --ignore-vuln PYSEC-2025-215
-          --ignore-vuln PYSEC-2025-216
-          --ignore-vuln PYSEC-2025-217
-          --ignore-vuln PYSEC-2025-218
-          --ignore-vuln GHSA-f4j7-r4q5-qw2c' --
-        language: system
-        pass_filenames: false
-        stages: [pre-push, manual]
  - repo: https://github.com/commitizen-tools/commitizen
    rev: v4.10.1
    hooks:
--- a/README.md
+++ b/README.md
@@ -83,7 +83,6 @@ intelligent automations.

 ## Table of contents

- [Build with AI](#build-with-ai)
 - [Why CrewAI?](#why-crewai)
 - [Getting Started](#getting-started)
 - [Key Features](#key-features)
@@ -102,32 +101,6 @@ intelligent automations.
 - [Telemetry](#telemetry)
 - [License](#license)

-## Build with AI
-
-Using an AI coding agent? Teach it CrewAI best practices in one command:
-
-**Claude Code:**
-```shell
-/plugin marketplace add crewAIInc/skills
-/plugin install crewai-skills@crewai-plugins
-/reload-plugins
-```
-Four skills that activate automatically when you ask relevant CrewAI questions:
-
-| Skill | When it runs |
-|-------|--------------|
-| `getting-started` | Scaffolding new projects, choosing between `LLM.call()` / `Agent` / `Crew` / `Flow`, wiring `crew.py` / `main.py` |
-| `design-agent` | Configuring agents — role, goal, backstory, tools, LLMs, memory, guardrails |
-| `design-task` | Writing task descriptions, dependencies, structured output (`output_pydantic`, `output_json`), human review |
-| `ask-docs` | Querying the live [CrewAI docs MCP server](https://docs.crewai.com/mcp) for up-to-date API details |
-
-**Cursor, Codex, Windsurf, and others ([skills.sh](https://skills.sh/crewaiinc/skills)):**
-```shell
-npx skills add crewaiinc/skills
-```
-
-This installs the official [CrewAI Skills](https://github.com/crewAIInc/skills) — structured instructions that teach coding agents how to scaffold Flows, configure Crews, design agents and tasks, and follow CrewAI patterns.
-
 ## Why CrewAI?

 <div align="center" style="margin-bottom: 30px;">
--- a/conftest.py
+++ b/conftest.py
@@ -5,105 +5,12 @@ from collections.abc import Generator
 import gzip
 import os
 from pathlib import Path
-import re
 import tempfile
 from typing import Any

 from dotenv import load_dotenv
 import pytest
-
-
-def _patch_vcrpy_aiohttp_compat() -> None:
-    """Keep vcrpy's aiohttp stub working under aiohttp 3.14.0.
-
-    aiohttp 3.14.0 (pulled in to fix GHSA-jg22-mg44-37j8 and GHSA-hg6j-4rv6-33pg):
-      * removed ``aiohttp.streams.AsyncStreamReaderMixin`` (folded into ``StreamReader``),
-        which vcrpy's ``MockStream`` still subclasses -- vcr's patch machinery then raises
-        ``AttributeError`` at collection time; and
-      * added a required ``stream_writer`` keyword-only arg to ``ClientResponse.__init__``,
-        which vcrpy's ``MockClientResponse`` does not pass -- raising ``TypeError`` at
-        cassette playback.
-
-    Restore the mixin, then rebuild ``MockClientResponse``'s ``super().__init__`` call from
-    the live ``ClientResponse`` signature (defaulting every required keyword-only arg to
-    ``None``, mirroring vcrpy's original call) so it also survives future aiohttp additions.
-    """
-    import asyncio
-    import inspect
-
-    from aiohttp import streams
-    from aiohttp.client_reqrep import ClientResponse
-
-    if not hasattr(streams, "AsyncStreamReaderMixin"):
-
-        class AsyncStreamReaderMixin:
-            __slots__ = ()
-
-            def __aiter__(self) -> streams.AsyncStreamIterator[bytes]:
-                return streams.AsyncStreamIterator(self.readline)  # type: ignore[attr-defined]
-
-            def iter_chunked(self, n: int) -> streams.AsyncStreamIterator[bytes]:
-                return streams.AsyncStreamIterator(lambda: self.read(n))  # type: ignore[attr-defined]
-
-            def iter_any(self) -> streams.AsyncStreamIterator[bytes]:
-                return streams.AsyncStreamIterator(self.readany)  # type: ignore[attr-defined]
-
-            def iter_chunks(self) -> streams.ChunkTupleAsyncStreamIterator:
-                return streams.ChunkTupleAsyncStreamIterator(self)  # type: ignore[arg-type]
-
-        streams.AsyncStreamReaderMixin = AsyncStreamReaderMixin  # type: ignore[attr-defined]
-
-    # Importing the stub builds MockStream/MockClientResponse, so it must run after the
-    # mixin is restored above.
-    import vcr.stubs.aiohttp_stubs as aiohttp_stubs  # type: ignore[import-untyped]
-
-    if getattr(aiohttp_stubs.MockClientResponse, "_crewai_aiohttp_patched", False):
-        return
-
-    keyword_only = [
-        name
-        for name, param in inspect.signature(ClientResponse.__init__).parameters.items()
-        if param.kind is inspect.Parameter.KEYWORD_ONLY
-    ]
-
-    class _NullStreamWriter:
-        # aiohttp 3.14.0 reads stream_writer.output_size in the "request already
-        # sent" branch (writer is None), so None is not enough -- supply a stub.
-        output_size = 0
-
-    fallback_loop: list[asyncio.AbstractEventLoop] = []
-
-    def _resolve_loop() -> asyncio.AbstractEventLoop:
-        # MockClientResponse is normally built inside aiohttp's running loop, so
-        # prefer that. In a sync context there is no running loop; avoid
-        # asyncio.get_event_loop(), which on 3.12+ emits a DeprecationWarning
-        # (and can RuntimeError) when no current loop is set. Use one cached
-        # loop instead -- the mock only stores it and calls loop.get_debug().
-        try:
-            return asyncio.get_running_loop()
-        except RuntimeError:
-            if not fallback_loop:
-                fallback_loop.append(asyncio.new_event_loop())
-            return fallback_loop[0]
-
-    def _mock_client_response_init(
-        self: Any, method: str, url: Any, request_info: Any = None
-    ) -> None:
-        kwargs: dict[str, Any] = dict.fromkeys(keyword_only)
-        kwargs["request_info"] = request_info
-        if "loop" in kwargs:
-            kwargs["loop"] = _resolve_loop()
-        if "stream_writer" in kwargs:
-            kwargs["stream_writer"] = _NullStreamWriter()
-        ClientResponse.__init__(self, method, url, **kwargs)
-
-    aiohttp_stubs.MockClientResponse.__init__ = _mock_client_response_init
-    aiohttp_stubs.MockClientResponse._crewai_aiohttp_patched = True
-
-
-_patch_vcrpy_aiohttp_compat()
-
-from vcr.request import Request  # type: ignore[import-untyped]  # noqa: E402
+from vcr.request import Request  # type: ignore[import-untyped]


 try:
@@ -113,25 +20,8 @@ except ModuleNotFoundError:


 env_test_path = Path(__file__).parent / ".env.test"
-
-load_dotenv(env_test_path, override=False)
-load_dotenv(override=False)
-
-BEDROCK_HOST_PLACEHOLDER = "bedrock-runtime.vcr.amazonaws.com"
-_BEDROCK_HOST_RE = re.compile(r"^bedrock-runtime\.[a-z0-9-]+\.amazonaws\.com$")
-
-
-def _normalize_bedrock_host(host: str) -> str:
-    if _BEDROCK_HOST_RE.match(host):
-        return BEDROCK_HOST_PLACEHOLDER
-    return host
-
-
-def bedrock_host_matcher(r1: Request, r2: Request) -> bool:  # type: ignore[no-any-unimported]
-    """Match Bedrock requests across AWS regions (CI uses us-east-1, local may use us-west-2)."""
-    return _normalize_bedrock_host(r1.host or "") == _normalize_bedrock_host(
-        r2.host or ""
-    )
+load_dotenv(env_test_path, override=True)
+load_dotenv(override=True)


 def _patched_make_vcr_request(httpx_request: Any, **kwargs: Any) -> Any:
@@ -164,13 +54,12 @@ _original_from_serialized_response = getattr(
 )

 if _original_from_serialized_response is not None:
-    _from_serialized: Any = _original_from_serialized_response

    def _patched_from_serialized_response(
        request: Any, serialized_response: Any, history: Any = None
    ) -> Any:
        """Patched version that ensures response._content is properly set."""
-        response = _from_serialized(request, serialized_response, history)
+        response = _original_from_serialized_response(request, serialized_response, history)
        # Explicitly set _content to avoid ResponseNotRead errors
        # The content was passed to the constructor but the mocked read() prevents
        # proper initialization of the internal state
@@ -298,7 +187,6 @@ HEADERS_TO_FILTER = {
    "anthropic-ratelimit-tokens-remaining": "ANTHROPIC-RATELIMIT-TOKENS-REMAINING-XXX",
    "anthropic-ratelimit-tokens-reset": "ANTHROPIC-RATELIMIT-TOKENS-RESET-XXX",
    "x-amz-date": "X-AMZ-DATE-XXX",
-    "x-amz-security-token": "X-AMZ-SECURITY-TOKEN-XXX",
    "amz-sdk-invocation-id": "AMZ-SDK-INVOCATION-ID-XXX",
    "accept-encoding": "ACCEPT-ENCODING-XXX",
    "x-amzn-requestid": "X-AMZN-REQUESTID-XXX",
@@ -323,10 +211,6 @@ def _filter_request_headers(request: Request) -> Request:  # type: ignore[no-any
        placeholder_host = "fake-azure-endpoint.openai.azure.com"
        request.uri = request.uri.replace(original_host, placeholder_host)

-    # Normalize Bedrock regional endpoints so cassettes work in any AWS region.
-    if request.host and _BEDROCK_HOST_RE.match(request.host):
-        request.uri = request.uri.replace(request.host, BEDROCK_HOST_PLACEHOLDER)
-
    return request


@@ -344,11 +228,6 @@ def _filter_response_headers(response: dict[str, Any]) -> dict[str, Any] | None:
    if body == "" or body == b"" or content_length == ["0"]:
        return None

-    status_code = response.get("status", {}).get("code")
-    if isinstance(status_code, int) and status_code >= 400:
-        # Avoid persisting auth/model errors when re-recording without valid AWS creds.
-        return None
-
    for encoding_header in ["Content-Encoding", "content-encoding"]:
        if encoding_header in headers:
            encoding = headers.pop(encoding_header)
@@ -376,8 +255,7 @@ def vcr_cassette_dir(request: Any) -> str:

    for parent in test_file.parents:
        if (
-            parent.name
-            in ("crewai", "crewai-tools", "crewai-files", "cli", "crewai-core")
+            parent.name in ("crewai", "crewai-tools", "crewai-files")
            and parent.parent.name == "lib"
        ):
            package_root = parent
@@ -399,11 +277,6 @@ def vcr_cassette_dir(request: Any) -> str:
    return str(cassette_dir)


-def pytest_recording_configure(vcr: Any, config: Any) -> None:
-    """Register custom VCR matchers for each test cassette session."""
-    vcr.register_matcher("bedrock_host", bedrock_host_matcher)
-
-
@pytest.fixture(scope="module")
 def vcr_config(vcr_cassette_dir: str) -> dict[str, Any]:
    """Configure VCR with organized cassette storage."""
--- a/docs/ar/api-reference/introduction.mdx
+++ b/docs/ar/api-reference/introduction.mdx
@@ -26,7 +26,7 @@ mode: "wide"
 </Step>

  <Step title="مراقبة التقدم">
-    استخدم `GET /status/{kickoff_id}` للتحقق من حالة التنفيذ واسترجاع النتائج.
+    استخدم `GET /{kickoff_id}/status` للتحقق من حالة التنفيذ واسترجاع النتائج.
  </Step>
 </Steps>

@@ -65,7 +65,7 @@ https://your-crew-name.crewai.com

 1. **الاكتشاف**: استدعِ `GET /inputs` لفهم ما يحتاجه طاقمك
 2. **التنفيذ**: أرسل المدخلات عبر `POST /kickoff` لبدء المعالجة
-3. **المراقبة**: استعلم عن `GET /status/{kickoff_id}` حتى الاكتمال
+3. **المراقبة**: استعلم عن `GET /{kickoff_id}/status` حتى الاكتمال
 4. **النتائج**: استخرج المخرجات النهائية من الاستجابة المكتملة

 ## معالجة الأخطاء
--- a/docs/ar/api-reference/status.mdx
+++ b/docs/ar/api-reference/status.mdx
@@ -1,6 +1,6 @@
 ---
-title: "GET /status/{kickoff_id}"
+title: "GET /{kickoff_id}/status"
 description: "الحصول على حالة التنفيذ"
-openapi: "/enterprise-api.en.yaml GET /status/{kickoff_id}"
+openapi: "/enterprise-api.en.yaml GET /{kickoff_id}/status"
 mode: "wide"
 ---
--- a/docs/ar/api-reference/stop.mdx
+++ b/docs/ar/api-reference/stop.mdx
@@ -0,0 +1,8 @@
+---
+title: "POST /stop/{kickoff_id}"
+description: "إيقاف تنفيذ الطاقم الجاري"
+openapi: "/enterprise-api.en.yaml POST /stop/{kickoff_id}"
+mode: "wide"
+---
+
+
--- a/docs/ar/changelog.mdx
+++ b/docs/ar/changelog.mdx
--- a/docs/ar/concepts/agents.mdx
+++ b/docs/ar/concepts/agents.mdx
@@ -70,39 +70,13 @@ mode: "wide"

 ## إنشاء الوكلاء

-هناك طريقتان شائعتان لإنشاء الوكلاء في CrewAI: باستخدام **تهيئة JSONC (الموصى بها للـ crews الجديدة)** أو تعريفهم **مباشرة في الكود**.
+هناك طريقتان لإنشاء الوكلاء في CrewAI: باستخدام **تهيئة YAML (موصى بها)** أو تعريفهم **مباشرة في الكود**.

-### تهيئة JSONC (موصى بها)
+### تهيئة YAML (موصى بها)

-المشاريع الجديدة التي تُنشأ عبر `crewai create crew <name>` تستخدم تهيئة JSON-first. يُعرّف كل Agent في `agents/<agent_name>.jsonc`، ويحدد `crew.jsonc` أي Agents تدخل في الـ crew.
+توفر تهيئة YAML طريقة أنظف وأكثر قابلية للصيانة لتعريف الوكلاء. نوصي بشدة باستخدام هذا النهج في مشاريع CrewAI.

-```jsonc agents/researcher.jsonc
-{
-  "role": "{topic} Senior Data Researcher",
-  "goal": "Uncover cutting-edge developments in {topic}",
-  "backstory": "You find the most relevant information and present it clearly.",
-  "llm": "openai/gpt-4o",
-  "tools": ["SerperDevTool"],
-  "settings": {
-    "verbose": true,
-    "allow_delegation": false
-  }
-}
-```
-
-استخدم `{placeholder}` داخل `role` أو `goal` أو `backstory`. ضع القيم الافتراضية في `inputs` داخل `crew.jsonc`؛ وسيطلب `crewai run` أي قيم ناقصة. يمكن وضع حقول السلوك مثل `verbose` و `allow_delegation` و `max_iter` و `memory` و `cache` و `planning_config` في المستوى الأعلى أو داخل `settings`.
-
-<Note>
-يدعم JSONC التعليقات والفواصل النهائية. إذا وُجد `agents/<name>.jsonc` و `agents/<name>.json` معًا، يستخدم CrewAI ملف JSONC.
-</Note>
-
-### تهيئة YAML الكلاسيكية
-
-المشاريع الكلاسيكية التي تُنشأ عبر `crewai create crew <name> --classic` تستخدم `config/agents.yaml` وفئة `@CrewBase` في `crew.py`.
-
-تظل تهيئة YAML مدعومة للمشاريع الحالية المبنية بـ Python/YAML وللفِرق التي تفضل تعريف الوكلاء من خلال فئة `@CrewBase`.
-
-بعد إنشاء مشروع كلاسيكي، انتقل إلى ملف `src/<project_name>/config/agents.yaml` وعدّل القالب ليتوافق مع متطلباتك.
+بعد إنشاء مشروع CrewAI كما هو موضح في قسم [التثبيت](/ar/installation)، انتقل إلى ملف `src/latest_ai_development/config/agents.yaml` وعدّل القالب ليتوافق مع متطلباتك.

 <Note>
 ستُستبدل المتغيرات في ملفات YAML (مثل `{topic}`) بقيم من مدخلاتك عند تشغيل الطاقم:
@@ -114,7 +88,7 @@ crew.kickoff(inputs={'topic': 'AI Agents'})
 إليك مثالًا على كيفية تهيئة الوكلاء باستخدام YAML:

 ```yaml agents.yaml
-# src/<project_name>/config/agents.yaml
+# src/latest_ai_development/config/agents.yaml
 researcher:
  role: >
    {topic} Senior Data Researcher
@@ -139,7 +113,7 @@ reporting_analyst:
 لاستخدام تهيئة YAML في الكود، أنشئ فئة طاقم ترث من `CrewBase`:

 ```python Code
-# src/<project_name>/crew.py
+# src/latest_ai_development/crew.py
 from crewai import Agent, Crew, Process
 from crewai.project import CrewBase, agent, crew
 from crewai_tools import SerperDevTool
@@ -276,12 +250,16 @@ analysis_agent = Agent(

 #### تنفيذ الكود

-<Warning>
-  `allow_code_execution` و`code_execution_mode` مهجوران. تمت إزالة `CodeInterpreterTool` من `crewai-tools`. استخدم خدمة بيئة معزولة مخصصة مثل [E2B](https://e2b.dev) أو [Modal](https://modal.com) لتنفيذ الكود بأمان.
-</Warning>
+- `allow_code_execution`: يجب أن يكون True لتشغيل الكود
+- `code_execution_mode`:
+  - `"safe"`: يستخدم Docker (موصى به للإنتاج)
+  - `"unsafe"`: تنفيذ مباشر (استخدم فقط في بيئات موثوقة)

- `allow_code_execution` _(مهجور)_: كان يُمكّن تنفيذ الكود المدمج عبر `CodeInterpreterTool`.
- `code_execution_mode` _(مهجور)_: كان يتحكم في وضع التنفيذ (`"safe"` لـ Docker، `"unsafe"` للتنفيذ المباشر).
+<Note>
+  يشغّل هذا صورة Docker افتراضية. إذا أردت تهيئة صورة Docker،
+  راجع أداة Code Interpreter في قسم الأدوات. أضف أداة
+  مفسر الكود كأداة في معامل أداة الوكيل.
+</Note>

 #### الميزات المتقدمة

@@ -354,9 +332,9 @@ print(result.raw)

 ### الأمان وتنفيذ الكود

-<Warning>
-  `allow_code_execution` و`code_execution_mode` مهجوران وتمت إزالة `CodeInterpreterTool`. استخدم خدمة بيئة معزولة مخصصة مثل [E2B](https://e2b.dev) أو [Modal](https://modal.com) لتنفيذ الكود بأمان.
-</Warning>
+- عند استخدام `allow_code_execution`، كن حذرًا مع مدخلات المستخدم وتحقق منها دائمًا
+- استخدم `code_execution_mode: "safe"` (Docker) في بيئات الإنتاج
+- فكّر في تعيين حدود `max_execution_time` مناسبة لمنع الحلقات اللانهائية

 ### تحسين الأداء

--- a/docs/ar/concepts/checkpointing.mdx
+++ b/docs/ar/concepts/checkpointing.mdx
@@ -1,423 +0,0 @@
---
-title: Checkpointing
-description: حفظ حالة التنفيذ تلقائيا حتى تتمكن الطواقم والتدفقات والوكلاء من الاستئناف بعد الفشل.
-icon: floppy-disk
-mode: "wide"
---
-
-الـ Checkpointing يحفظ لقطة من حالة التنفيذ أثناء التشغيل بحيث يمكن لطاقم أو تدفق أو وكيل الاستئناف بعد الفشل أو التفرع إلى فرع بديل.
-
-<CardGroup cols={2}>
-  <Card title="الشرح" icon="lightbulb" href="#الشرح">
-    كيف يعمل الـ Checkpointing: الأحداث والتخزين والوراثة.
-  </Card>
-  <Card title="درس تطبيقي" icon="graduation-cap" href="#درس-تطبيقي-استئناف-طاقم-فاشل">
-    دليل 5 دقائق: تشغيل، إيقاف، استئناف.
-  </Card>
-  <Card title="ادلة عملية" icon="screwdriver-wrench" href="#ادلة-عملية">
-    وصفات مركزة على المهام لسير العمل الشائع.
-  </Card>
-  <Card title="المرجع" icon="book" href="#المرجع">
-    `CheckpointConfig` والأحداث والمزودات وسطر الأوامر.
-  </Card>
-</CardGroup>
-
-## الشرح
-
-### ما هي نقطة الحفظ
-
-تلتقط نقطة الحفظ كل ما يحتاجه CrewAI لإعادة إنشاء تشغيل أثناء سيره: الحالة الكاملة للطاقم أو التدفق أو الوكيل — التكوين، وذاكرة الوكلاء ومصادر المعرفة، وتقدم المهام، والمخرجات الوسيطة، والحالة الداخلية والسمات — إلى جانب مدخلات الـ kickoff، وسجل الأحداث حتى تلك النقطة، ومعرف نسب يربط نقطة الحفظ بالتشغيل الذي جاءت منه.
-
-الاستعادة تعيد بناء تلك الحالة وتستمر. تتخطى المهام المكتملة، وتعاد ترطيب الذاكرة والمعرفة، ويعمل العمل التابع على نفس المخرجات التي أنتجها التشغيل الأصلي. التفرع يجري نفس الاستعادة تحت نسب جديد، بحيث يكتب الفرع الجديد والتشغيل الأصلي نقاط الحفظ جنبا إلى جنب دون أن يطمس أحدهما الآخر.
-
-### متى تكتب نقاط الحفظ
-
-الـ Checkpointing مدفوع بالأحداث. يشترك وقت التشغيل في الأحداث التي تحددها عبر `on_events` ويكتب نقطة حفظ عند إطلاق أحدها. الافتراضي `task_completed` ينتج نقطة حفظ لكل مهمة منتهية — توازن معقول بين الدقة واستخدام القرص. الأحداث عالية التردد مثل `llm_call_completed` متاحة للاستعادة الدقيقة لكنها تكتب ملفات أكثر بكثير.
-
-### التخزين
-
-يتضمن CrewAI مزودين:
-
- `JsonProvider` يكتب ملفا لكل نقطة حفظ. قابل للقراءة وسهل التفقد.
- `SqliteProvider` يكتب إلى قاعدة بيانات SQLite واحدة. أفضل لنقاط الحفظ عالية التردد.
-
-كلاهما يحذف أقدم نقاط الحفظ عند تحديد `max_checkpoints`.
-
-<Note>
-كتابة نقاط الحفظ بأفضل جهد. فشل نقطة حفظ يسجل لكنه لا يقاطع التشغيل.
-</Note>
-
-### نموذج الوراثة
-
-`Crew` و`Flow` و`Agent` كلها تقبل وسيط `checkpoint`. يرث الأبناء من الأب ما لم يحددوا قيمتهم الخاصة أو يمرروا `False` للانسحاب. فعل الـ Checkpointing مرة واحدة على الطاقم وتشارك كل الوكلاء، أو استبعد وكيلا واحدا بشكل انتقائي.
-
-## درس تطبيقي: استئناف طاقم فاشل
-
-هذا الدليل يستغرق حوالي 5 دقائق. ستشغل طاقما بمهمتين، توقفه في المنتصف، ثم تستأنف من نقطة الحفظ المحفوظة.
-
-<Steps>
-  <Step title="أنشئ الطاقم مع تفعيل الـ Checkpointing">
-    ```python
-    from crewai import Agent, Crew, Task
-
-    researcher = Agent(role="Researcher", goal="Research", backstory="Expert")
-    writer = Agent(role="Writer", goal="Write", backstory="Expert")
-
-    crew = Crew(
-        agents=[researcher, writer],
-        tasks=[
-            Task(description="Research AI trends", agent=researcher, expected_output="bullets"),
-            Task(description="Write a summary", agent=writer, expected_output="paragraph"),
-        ],
-        checkpoint=True,
-    )
-    ```
-  </Step>
-  <Step title="شغله وأوقفه بعد المهمة الأولى">
-    ```python
-    result = crew.kickoff()
-    ```
-
-    اضغط `Ctrl+C` بعد انتهاء المهمة الأولى. في `./.checkpoints/`، الملف بصيغة `<timestamp>_<uuid>.json` هو نقطة الحفظ.
-  </Step>
-  <Step title="استأنف من نقطة الحفظ">
-    ```python
-    from crewai import CheckpointConfig
-
-    result = crew.kickoff(
-        from_checkpoint=CheckpointConfig(
-            restore_from="./.checkpoints/<timestamp>_<uuid>.json",
-        ),
-    )
-    ```
-
-    يتم تخطي مهمة البحث، ويعمل الكاتب على مخرجات البحث المحفوظة، وينتهي الطاقم.
-  </Step>
-</Steps>
-
-## ادلة عملية
-
-<AccordionGroup>
-  <Accordion title="تفعيل الـ Checkpointing بالإعدادات الافتراضية" icon="play">
-    ```python
-    crew = Crew(agents=[...], tasks=[...], checkpoint=True)
-    ```
-
-    يكتب إلى `./.checkpoints/` عند كل `task_completed`.
-  </Accordion>
-
-  <Accordion title="تخصيص التخزين والتردد" icon="sliders">
-    ```python
-    from crewai import Crew, CheckpointConfig
-
-    crew = Crew(
-        agents=[...],
-        tasks=[...],
-        checkpoint=CheckpointConfig(
-            location="./my_checkpoints",
-            on_events=["task_completed", "crew_kickoff_completed"],
-            max_checkpoints=5,
-        ),
-    )
-    ```
-  </Accordion>
-
-  <Accordion title="اختيار مزود التخزين" icon="database">
-    <CodeGroup>
-    ```python JsonProvider
-    from crewai import Crew, CheckpointConfig
-    from crewai.state import JsonProvider
-
-    crew = Crew(
-        agents=[...],
-        tasks=[...],
-        checkpoint=CheckpointConfig(
-            location="./my_checkpoints",
-            provider=JsonProvider(),
-            max_checkpoints=5,
-        ),
-    )
-    ```
-    ```python SqliteProvider
-    from crewai import Crew, CheckpointConfig
-    from crewai.state import SqliteProvider
-
-    crew = Crew(
-        agents=[...],
-        tasks=[...],
-        checkpoint=CheckpointConfig(
-            location="./.checkpoints.db",
-            provider=SqliteProvider(),
-            max_checkpoints=50,
-        ),
-    )
-    ```
-    </CodeGroup>
-
-    <Tip>
-    SQLite يفعل وضع journal WAL للقراءات المتزامنة. يفضل لنقاط الحفظ عالية التردد.
-    </Tip>
-  </Accordion>
-
-  <Accordion title="استبعاد وكيل واحد" icon="user-slash">
-    ```python
-    crew = Crew(
-        agents=[
-            Agent(role="Researcher", ...),
-            Agent(role="Writer", ..., checkpoint=False),
-        ],
-        tasks=[...],
-        checkpoint=True,
-    )
-    ```
-  </Accordion>
-
-  <Accordion title="التفرع إلى فرع جديد" icon="code-branch">
-    `fork()` يستعيد نقطة حفظ تحت نسب جديد بحيث لا يتصادم التشغيل الجديد مع الأصلي.
-
-    ```python
-    config = CheckpointConfig(restore_from="./my_checkpoints/<file>.json")
-    crew = Crew.fork(config, branch="experiment-a")
-    result = crew.kickoff(inputs={"strategy": "aggressive"})
-    ```
-
-    تسمية `branch` اختيارية؛ يتم إنشاء واحدة إذا أغفلت.
-  </Accordion>
-
-  <Accordion title="Checkpointing لـ Crew أو Flow أو Agent" icon="cubes">
-    <Tabs>
-      <Tab title="Crew">
-        ```python
-        crew = Crew(
-            agents=[researcher, writer],
-            tasks=[research_task, write_task, review_task],
-            checkpoint=CheckpointConfig(location="./crew_cp"),
-        )
-        ```
-
-        المشغل الافتراضي: `task_completed`.
-      </Tab>
-      <Tab title="Flow">
-        ```python
-        from crewai.flow.flow import Flow, start, listen
-        from crewai import CheckpointConfig
-
-        class MyFlow(Flow):
-            @start()
-            def step_one(self):
-                return "data"
-
-            @listen(step_one)
-            def step_two(self, data):
-                return process(data)
-
-        flow = MyFlow(
-            checkpoint=CheckpointConfig(
-                location="./flow_cp",
-                on_events=["method_execution_finished"],
-            ),
-        )
-        result = flow.kickoff()
-        ```
-      </Tab>
-      <Tab title="Agent">
-        ```python
-        agent = Agent(
-            role="Researcher",
-            goal="Research topics",
-            backstory="Expert researcher",
-            checkpoint=CheckpointConfig(
-                location="./agent_cp",
-                on_events=["lite_agent_execution_completed"],
-            ),
-        )
-        result = agent.kickoff(messages=[{"role": "user", "content": "Research AI trends"}])
-        ```
-      </Tab>
-    </Tabs>
-  </Accordion>
-
-  <Accordion title="كتابة نقطة حفظ يدويا" icon="code">
-    سجل معالجا على أي حدث واستدع `state.checkpoint()`.
-
-    <CodeGroup>
-    ```python Sync
-    from __future__ import annotations
-
-    from typing import TYPE_CHECKING, Any
-
-    from crewai.events.event_bus import crewai_event_bus
-    from crewai.events.types.llm_events import LLMCallCompletedEvent
-
-    if TYPE_CHECKING:
-        from crewai.state.runtime import RuntimeState
-
-
-    @crewai_event_bus.on(LLMCallCompletedEvent)
-    def on_llm_done(source: Any, event: LLMCallCompletedEvent, state: RuntimeState) -> None:
-        path = state.checkpoint("./my_checkpoints")
-        print(f"تم حفظ نقطة الحفظ: {path}")
-    ```
-    ```python Async
-    from __future__ import annotations
-
-    from typing import TYPE_CHECKING, Any
-
-    from crewai.events.event_bus import crewai_event_bus
-    from crewai.events.types.llm_events import LLMCallCompletedEvent
-
-    if TYPE_CHECKING:
-        from crewai.state.runtime import RuntimeState
-
-
-    @crewai_event_bus.on(LLMCallCompletedEvent)
-    async def on_llm_done_async(source: Any, event: LLMCallCompletedEvent, state: RuntimeState) -> None:
-        path = await state.acheckpoint("./my_checkpoints")
-        print(f"تم حفظ نقطة الحفظ: {path}")
-    ```
-    </CodeGroup>
-
-    يتم تمرير وسيط `state` تلقائيا عندما يقبل المعالج ثلاثة معاملات. راجع [Event Listeners](/ar/concepts/event-listener) لقائمة الأحداث الكاملة.
-  </Accordion>
-
-  <Accordion title="التصفح والاستئناف والتفرع من سطر الأوامر" icon="terminal">
-    ```bash
-    crewai checkpoint
-    crewai checkpoint --location ./my_checkpoints
-    crewai checkpoint --location ./.checkpoints.db
-    ```
-
-    <Frame caption="شجرة نقاط الحفظ — الفروع والتفرعات تتداخل تحت أبيها.">
-      <img src="/images/checkpoint-tui-tree.png" alt="Checkpoint TUI tree view" />
-    </Frame>
-
-    اللوحة اليسرى تجمع نقاط الحفظ حسب الفرع؛ التفرعات تتداخل تحت أبيها. اختيار نقطة حفظ يفتح لوحة التفاصيل مع بياناتها الوصفية وحالة الكيان وتقدم المهام. **Resume** يكمل التشغيل؛ **Fork** يبدأ فرعا جديدا.
-
-    <Frame caption="تبويب النظرة العامة — البيانات الوصفية وحالة الكيان وملخص التشغيل.">
-      <img src="/images/checkpoint-tui-detail-overview.png" alt="Checkpoint detail overview tab" />
-    </Frame>
-
-    لوحة التفاصيل تعرض منطقتين قابلتين للتحرير:
-
-    - **Inputs** — مدخلات الـ kickoff الأصلية، معبأة مسبقا وقابلة للتحرير.
-
-      <Frame>
-        <img src="/images/checkpoint-tui-detail-inputs.png" alt="Editable kickoff inputs" />
-      </Frame>
-
-    - **مخرجات المهام** — مخرجات المهام المكتملة. تحرير مخرج والضغط على **Fork** يبطل المهام التابعة لتعاد بالسياق المعدل.
-
-      <Frame>
-        <img src="/images/checkpoint-tui-detail-tasks.png" alt="Editable task outputs" />
-      </Frame>
-
-    <Frame caption="عرض التفرع — تأكيد فرع جديد من نقطة الحفظ المختارة.">
-      <img src="/images/checkpoint-tui-details-fork.png" alt="Fork confirmation panel" />
-    </Frame>
-
-    <Tip>
-    مفيد لاستكشاف "ماذا لو": تفرع، عدل، راقب.
-    </Tip>
-  </Accordion>
-
-  <Accordion title="تفقد نقاط الحفظ بدون TUI" icon="magnifying-glass">
-    ```bash
-    crewai checkpoint list ./my_checkpoints
-    crewai checkpoint info ./my_checkpoints/<file>.json
-    crewai checkpoint info ./.checkpoints.db
-    ```
-  </Accordion>
-</AccordionGroup>
-
-## المرجع
-
-### `CheckpointConfig`
-
-<ParamField path="location" type="str" default='"./.checkpoints"'>
-  وجهة التخزين. مجلد لـ `JsonProvider`، مسار ملف قاعدة بيانات لـ `SqliteProvider`.
-</ParamField>
-
-<ParamField path="on_events" type='list[CheckpointEventType | Literal["*"]]' default='["task_completed"]'>
-  أنواع الأحداث التي تطلق نقطة حفظ. `CheckpointEventType` هو `Literal` — مدقق الأنواع يكمل تلقائيا ويرفض القيم غير المدعومة. راجع [أنواع الأحداث](#أنواع-الأحداث) للقائمة الكاملة.
-</ParamField>
-
-<ParamField path="provider" type="BaseProvider" default="JsonProvider()">
-  واجهة التخزين. `JsonProvider` أو `SqliteProvider`.
-</ParamField>
-
-<ParamField path="max_checkpoints" type="int | None" default="None">
-  الحد الاقصى لنقاط الحفظ المحتفظ بها. الأقدم تحذف بعد كل كتابة.
-</ParamField>
-
-<ParamField path="restore_from" type="Path | str | None" default="None">
-  نقطة الحفظ المراد استعادتها عند تمريرها عبر `from_checkpoint`.
-</ParamField>
-
-### قيم حقل `checkpoint`
-
-مقبولة في `Crew` و`Flow` و`Agent`.
-
-<ParamField path="None" type="افتراضي">
-  يرث من الأب.
-</ParamField>
-
-<ParamField path="True" type="bool">
-  تفعيل بالإعدادات الافتراضية.
-</ParamField>
-
-<ParamField path="False" type="bool">
-  انسحاب صريح. يوقف الوراثة.
-</ParamField>
-
-<ParamField path="CheckpointConfig(...)" type="CheckpointConfig">
-  إعدادات مخصصة.
-</ParamField>
-
-### أنواع الأحداث
-
-يقبل `on_events` أي مجموعة من قيم `CheckpointEventType`. الافتراضي `["task_completed"]` يكتب نقطة حفظ لكل مهمة منتهية، و`["*"]` يطابق جميع الأحداث.
-
-<Warning>
-`["*"]` والأحداث عالية التردد مثل `llm_call_completed` تكتب نقاط حفظ كثيرة وقد تضر بالاداء. استخدمها مع `max_checkpoints`.
-</Warning>
-
-<Expandable title="جميع الأحداث المدعومة">
-
- **Task** — `task_started`, `task_completed`, `task_failed`, `task_evaluation`
- **Crew** — `crew_kickoff_started`, `crew_kickoff_completed`, `crew_kickoff_failed`, `crew_train_started`, `crew_train_completed`, `crew_train_failed`, `crew_test_started`, `crew_test_completed`, `crew_test_failed`, `crew_test_result`
- **Agent** — `agent_execution_started`, `agent_execution_completed`, `agent_execution_error`, `lite_agent_execution_started`, `lite_agent_execution_completed`, `lite_agent_execution_error`, `agent_evaluation_started`, `agent_evaluation_completed`, `agent_evaluation_failed`
- **Flow** — `flow_created`, `flow_started`, `flow_finished`, `flow_paused`, `method_execution_started`, `method_execution_finished`, `method_execution_failed`, `method_execution_paused`, `human_feedback_requested`, `human_feedback_received`, `flow_input_requested`, `flow_input_received`
- **LLM** — `llm_call_started`, `llm_call_completed`, `llm_call_failed`, `llm_stream_chunk`, `llm_thinking_chunk`
- **LLM Guardrail** — `llm_guardrail_started`, `llm_guardrail_completed`, `llm_guardrail_failed`
- **Tool** — `tool_usage_started`, `tool_usage_finished`, `tool_usage_error`, `tool_validate_input_error`, `tool_selection_error`, `tool_execution_error`
- **Memory** — `memory_save_started`, `memory_save_completed`, `memory_save_failed`, `memory_query_started`, `memory_query_completed`, `memory_query_failed`, `memory_retrieval_started`, `memory_retrieval_completed`, `memory_retrieval_failed`
- **Knowledge** — `knowledge_search_query_started`, `knowledge_search_query_completed`, `knowledge_query_started`, `knowledge_query_completed`, `knowledge_query_failed`, `knowledge_search_query_failed`
- **Reasoning** — `agent_reasoning_started`, `agent_reasoning_completed`, `agent_reasoning_failed`
- **MCP** — `mcp_connection_started`, `mcp_connection_completed`, `mcp_connection_failed`, `mcp_tool_execution_started`, `mcp_tool_execution_completed`, `mcp_tool_execution_failed`, `mcp_config_fetch_failed`
- **Observation** — `step_observation_started`, `step_observation_completed`, `step_observation_failed`, `plan_refinement`, `plan_replan_triggered`, `goal_achieved_early`
- **Skill** — `skill_discovery_started`, `skill_discovery_completed`, `skill_loaded`, `skill_activated`, `skill_load_failed`
- **Logging** — `agent_logs_started`, `agent_logs_execution`
- **A2A** — `a2a_delegation_started`, `a2a_delegation_completed`, `a2a_conversation_started`, `a2a_conversation_completed`, `a2a_message_sent`, `a2a_response_received`, `a2a_polling_started`, `a2a_polling_status`, `a2a_push_notification_registered`, `a2a_push_notification_received`, `a2a_push_notification_sent`, `a2a_push_notification_timeout`, `a2a_streaming_started`, `a2a_streaming_chunk`, `a2a_agent_card_fetched`, `a2a_authentication_failed`, `a2a_artifact_received`, `a2a_connection_error`, `a2a_server_task_started`, `a2a_server_task_completed`, `a2a_server_task_canceled`, `a2a_server_task_failed`, `a2a_parallel_delegation_started`, `a2a_parallel_delegation_completed`, `a2a_transport_negotiated`, `a2a_content_type_negotiated`, `a2a_context_created`, `a2a_context_expired`, `a2a_context_idle`, `a2a_context_completed`, `a2a_context_pruned`
- **إشارات النظام** — `SIGTERM`, `SIGINT`, `SIGHUP`, `SIGTSTP`, `SIGCONT`
- **حرف بدل** — `"*"` يطابق جميع الأحداث.
-
-</Expandable>
-
-### مزودات التخزين
-
-<ParamField path="JsonProvider" type="provider">
-  ملف واحد لكل نقطة حفظ بصيغة `<timestamp>_<uuid>.json` داخل `location`.
-</ParamField>
-
-<ParamField path="SqliteProvider" type="provider">
-  ملف قاعدة بيانات واحد في `location` مع journaling WAL.
-</ParamField>
-
-### سطر الأوامر
-
-| الامر | الغرض |
-|:------|:------|
-| `crewai checkpoint` | تشغيل TUI؛ كشف التخزين تلقائيا. |
-| `crewai checkpoint --location <path>` | تشغيل TUI على موقع محدد. |
-| `crewai checkpoint list <path>` | سرد نقاط الحفظ. |
-| `crewai checkpoint info <path>` | تفقد ملف نقطة حفظ أو آخر مدخل في قاعدة بيانات SQLite. |
--- a/docs/ar/concepts/cli.mdx
+++ b/docs/ar/concepts/cli.mdx
@@ -52,8 +52,6 @@ crewai create crew my_new_crew
 crewai create flow my_new_flow
 ```

-افتراضيًا، ينشئ `crewai create crew` مشروعًا JSON-first يحتوي على `crew.jsonc` و `agents/*.jsonc`. استخدم `crewai create crew my_new_crew --classic` فقط إذا أردت البنية القديمة Python/YAML مع `crew.py` و `config/agents.yaml` و `config/tasks.yaml`.
-
 ### 2. الإصدار

 عرض الإصدار المثبت من CrewAI.
@@ -144,20 +142,7 @@ crewai chat
 ```

 <Note>
-مهم: عيّن خاصية `chat_llm` في تعريف الـ crew لتفعيل هذا الأمر.
-
-للـ crews بنمط JSON-first، أضفها إلى `crew.jsonc`:
-
-```jsonc
-{
-  "name": "My Crew",
-  "agents": ["researcher"],
-  "tasks": [],
-  "chat_llm": "openai/gpt-4o"
-}
-```
-
-للـ crews الكلاسيكية Python/YAML، عيّنها في `crew.py`:
+مهم: عيّن خاصية `chat_llm` في ملف `crew.py` لتفعيل هذا الأمر.

 ```python
@crew
--- a/docs/ar/concepts/crews.mdx
+++ b/docs/ar/concepts/crews.mdx
@@ -40,52 +40,11 @@ mode: "wide"

 ## إنشاء الأطقم

-هناك طريقتان رئيسيتان لإنشاء الأطقم في CrewAI: باستخدام **تهيئة JSONC (الموصى بها للـ crews الجديدة)** أو تعريفها **مباشرة في الكود** للمشاريع الكلاسيكية والحالات المتقدمة.
+هناك طريقتان لإنشاء الأطقم في CrewAI: باستخدام **تهيئة YAML (موصى بها)** أو تعريفها **مباشرة في الكود**.

-### تهيئة JSONC (موصى بها)
+### تهيئة YAML (موصى بها)

-المشاريع الجديدة التي تُنشأ عبر `crewai create crew <name>` تستخدم `crew.jsonc` لإعدادات الـ crew والمهام، وملفًا منفصلًا لكل Agent داخل `agents/`. يكتشف `crewai run` ملف `crew.jsonc` أو `crew.json`، ويحمّل الـ Agents المشار إليها، ويطلب قيم placeholders الناقصة، ثم يبدأ الـ crew.
-
-```jsonc crew.jsonc
-{
-  "name": "Market Research Crew",
-  "agents": ["researcher", "analyst"],
-  "tasks": [
-    {
-      "name": "research",
-      "description": "Research {topic} and collect the most relevant facts.",
-      "expected_output": "Structured research notes about {topic}.",
-      "agent": "researcher"
-    },
-    {
-      "name": "analysis",
-      "description": "Analyze the research and write a concise report.",
-      "expected_output": "A markdown report with findings and recommendations.",
-      "agent": "analyst",
-      "context": ["research"],
-      "output_file": "output/report.md"
-    }
-  ],
-  "process": "sequential",
-  "verbose": true,
-  "memory": true,
-  "inputs": {
-    "topic": "AI Agents"
-  }
-}
-```
-
-كل عنصر في `agents` يُحل أولًا إلى `agents/<name>.jsonc` ثم إلى `agents/<name>.json`. للـ crews الهرمية، استخدم `"process": "hierarchical"` مع `manager_llm` أو `manager_agent`.
-
-<Warning>
-شغّل مشاريع JSON crew من مصادر تثق بها فقط. أدوات `custom:<name>` ومراجع `{"python": "module.attribute"}` تنفذ كود Python محليًا عند تحميل الـ crew.
-</Warning>
-
-### تهيئة YAML الكلاسيكية
-
-المشاريع الكلاسيكية التي تُنشأ عبر `crewai create crew <name> --classic` تستخدم `crew.py` و `config/agents.yaml` و `config/tasks.yaml` والمزيّنات `@CrewBase` و `@agent` و `@task` و `@crew`.
-
-تظل هذه الطريقة مدعومة للمشاريع الحالية المبنية بـ Python/YAML وللفِرق التي تحتاج تحكمًا صريحًا عبر decorators.
+توفر تهيئة YAML طريقة أنظف وأكثر قابلية للصيانة لتعريف الأطقم وتتسق مع كيفية تعريف الوكلاء والمهام في مشاريع CrewAI.

 ```python code
 from crewai import Agent, Crew, Task, Process
--- a/docs/ar/concepts/flows.mdx
+++ b/docs/ar/concepts/flows.mdx
@@ -29,7 +29,6 @@ from crewai.flow.flow import Flow, listen, start
 from dotenv import load_dotenv
 from litellm import completion

-load_dotenv()

 class ExampleFlow(Flow):
    model = "gpt-4o-mini"
@@ -226,48 +225,6 @@ counter=2 message='Hello from first_method - updated by second_method'
 من خلال ضمان إعادة مخرجات الدالة الأخيرة وتوفير الوصول إلى الحالة، تجعل تدفقات CrewAI من السهل دمج نتائج سير عمل الذكاء الاصطناعي في التطبيقات أو الأنظمة الأكبر،
 مع الحفاظ على الوصول إلى الحالة طوال تنفيذ التدفق.

-## مقاييس استخدام التدفق
-
-بعد اكتمال تنفيذ التدفق، يمكنك الوصول إلى الخاصية `usage_metrics` لعرض إجمالي استخدام التوكنات عبر **كل استدعاء لنموذج اللغة** يتم خلال التشغيل — بما في ذلك الاستدعاءات من كل فريق (Crew) ينظمه التدفق، والاستدعاءات داخل أدوات الـ Agents، والاستدعاءات المباشرة لـ `LLM.call(...)` من دوال التدفق. هذا هو المكافئ على جانب الـ SDK للإجماليات المعروضة في واجهة CrewAI Enterprise.
-
-```python Code
-from crewai import LLM
-from crewai.flow.flow import Flow, listen, start
-
-class UsageMetricsFlow(Flow):
-    @start()
-    def run_first_crew(self):
-        self.state.first_result = FirstCrew().crew().kickoff()
-
-    @listen(run_first_crew)
-    def call_llm_directly(self):
-        # استدعاء مباشر لنموذج اللغة — يُحسب أيضًا ضمن flow.usage_metrics
-        llm = LLM(model="openai/gpt-4o-mini")
-        self.state.summary = llm.call("لخّص النقاط الرئيسية.")
-
-    @listen(call_llm_directly)
-    def run_second_crew(self):
-        self.state.second_result = SecondCrew().crew().kickoff()
-
-flow = UsageMetricsFlow()
-flow.kickoff()
-
-print(flow.usage_metrics)
-# UsageMetrics(total_tokens=8579, prompt_tokens=6210, completion_tokens=2369,
-#              cached_prompt_tokens=0, reasoning_tokens=0,
-#              cache_creation_tokens=0, successful_requests=5)
-```
-
-<Note>
-  `flow.usage_metrics` **ليست** نفس `flow.kickoff().token_usage`. هذه الأخيرة
-  ترجع فقط `CrewOutput.token_usage` لـ **آخر** دالة `@listen` أعادت
-  `CrewOutput`، مما يعني أنها تعكس فقط الفريق الأخير وتتجاهل الفرق السابقة
-  وكذلك أي استدعاءات مباشرة لـ `LLM.call(...)`. استخدم `flow.usage_metrics`
-  كلما احتجت إلى الإجمالي **الكامل** للتوكنات لتنفيذ التدفق.
-</Note>
-
-كل حقل في [`UsageMetrics`](https://github.com/crewAIInc/crewAI/blob/main/lib/crewai/src/crewai/types/usage_metrics.py) المُعاد هو مجموع جميع استدعاءات نموذج اللغة التي حدثت خلال استدعاء واحد لـ `flow.kickoff()`. تتم إعادة تعيين العدادات عند الاستدعاء التالي لـ `kickoff()` (وفي كل تكرار من `kickoff_for_each`)، لذلك لن تتكرر العدّات عبر التشغيلات المتتالية. يمكن قراءة هذه الخاصية بأمان في أي وقت بعد اكتمال `kickoff()`؛ قراءتها أثناء التنفيذ تُرجع المجموع الجزئي المتراكم حتى تلك اللحظة.
-
 ## إدارة حالة التدفق

 إدارة الحالة بفعالية أمر بالغ الأهمية لبناء سير عمل ذكاء اصطناعي موثوق وقابل للصيانة. توفر تدفقات CrewAI آليات قوية لإدارة الحالة غير المهيكلة والمهيكلة،
@@ -423,42 +380,6 @@ class AnotherFlow(Flow[dict]):
        print("Method-level persisted runs:", self.state["runs"])
 ```

-### تفرع الحالة المستمرة
-
-يدعم `@persist` نمطين متميزين للترطيب في `kickoff` / `kickoff_async`:
-
- `kickoff(inputs={"id": <uuid>})` — **استئناف**: يحمّل أحدث لقطة لـ UUID المقدم ويستمر في الكتابة تحت نفس `flow_uuid`. يمتد التاريخ.
- `kickoff(restore_from_state_id=<uuid>)` — **تفرع**: يحمّل أحدث لقطة لـ UUID المقدم، يرطّب حالة التشغيل الجديد منها، ثم يعيّن `state.id` جديدًا (مولّدًا تلقائيًا، أو `inputs["id"]` إذا تم تثبيته). تذهب كتابات `@persist` للتشغيل الجديد تحت `state.id` الجديد؛ يتم الحفاظ على تاريخ تدفق المصدر.
-
-```python
-from crewai.flow.flow import Flow, start
-from crewai.flow.persistence import persist
-from pydantic import BaseModel
-
-class CounterState(BaseModel):
-    id: str = ""
-    counter: int = 0
-
-@persist
-class CounterFlow(Flow[CounterState]):
-    @start()
-    def step(self):
-        self.state.counter += 1
-        print(f"[id={self.state.id}] counter={self.state.counter}")
-
-# التشغيل 1: حالة جديدة، العداد 0 -> 1، محفوظ تحت flow_1.state.id
-flow_1 = CounterFlow()
-flow_1.kickoff()
-
-# التفرع: ترطيب من أحدث لقطة لـ flow_1، لكن باستخدام state.id جديد
-flow_2 = CounterFlow()
-flow_2.kickoff(restore_from_state_id=flow_1.state.id)
-# يبدأ flow_2.state.counter بـ 1 (مرطّب)، ثم تزيده step() إلى 2.
-# flow_2.state.id != flow_1.state.id؛ تاريخ flow_1 لم يتغيّر.
-```
-
-إذا لم يطابق `restore_from_state_id` المقدم أي حالة مستمرة، يعود kickoff بصمت إلى السلوك الافتراضي — نفس سلوك `inputs["id"]` عند عدم العثور عليه. الجمع بين `restore_from_state_id` و `from_checkpoint` يطلق `ValueError`؛ اختر مصدر ترطيب واحدًا. تثبيت `inputs["id"]` أثناء التفرع يشارك مفتاح الاستمرارية مع تدفق آخر — عادةً ما تريد استخدام `restore_from_state_id` فقط.
-
 ### كيف تعمل

 1. **تعريف الحالة الفريد**
@@ -830,7 +751,7 @@ if __name__ == "__main__":
 crewai create flow name_of_flow
 ```

-سيولّد هذا الأمر مشروع CrewAI جديد مع هيكل المجلدات اللازم. يتضمن المشروع المولّد فريق Crew مُعد مسبقًا يُسمى `poem_crew` ويعمل بالفعل. يستخدم الـ embedded crew الابتدائي بنية Python/YAML الكلاسيكية؛ أما crews المستقلة الجديدة التي تُنشأ عبر `crewai create crew` فتستخدم بنية JSON-first.
+سيولّد هذا الأمر مشروع CrewAI جديد مع هيكل المجلدات اللازم. يتضمن المشروع المولّد فريق Crew مُعد مسبقًا يُسمى `poem_crew` ويعمل بالفعل. يمكنك استخدام هذا الفريق كقالب بنسخه ولصقه وتعديله لإنشاء فرق أخرى.

 ### هيكل المجلدات

@@ -860,29 +781,7 @@ crewai create flow name_of_flow
 - `config/tasks.yaml`: يحدد المهام للفريق.
 - `poem_crew.py`: يحتوي على تعريف الفريق، بما في ذلك الـ Agents والمهام والفريق نفسه.

-يمكنك نسخ ولصق وتعديل `poem_crew` لإنشاء crews كلاسيكية مضمّنة أخرى.
-
-للـ crews المضمّنة بنمط JSON-first، استخدم مجلدًا يحتوي على `crew.jsonc` و `agents/*.jsonc`:
-
-```text
-crews/
-└── research_crew/
-    ├── agents/
-    │   └── researcher.jsonc
-    └── crew.jsonc
-```
-
-ثم حمّلها من خطوة في Flow:
-
-```python
-from pathlib import Path
-from crewai.project import load_crew
-
-crew, default_inputs = load_crew(
-    Path(__file__).parent / "crews" / "research_crew" / "crew.jsonc"
-)
-result = crew.kickoff(inputs={**default_inputs, "topic": "AI Agents"})
-```
+يمكنك نسخ ولصق وتعديل `poem_crew` لإنشاء فرق أخرى.

 ### ربط فرق Crew في `main.py`

--- a/docs/ar/concepts/llms.mdx
+++ b/docs/ar/concepts/llms.mdx
@@ -107,7 +107,7 @@ mode: "wide"
 </Tabs>

 <Info>
-  يوفر CrewAI تكاملات SDK أصلية لـ OpenAI و Anthropic و Google (Gemini API) و Azure و AWS Bedrock و Snowflake Cortex -- لا حاجة لتثبيت إضافي بخلاف الملحقات الخاصة بالمزود (مثل `uv add "crewai[openai]"`).
+  يوفر CrewAI تكاملات SDK أصلية لـ OpenAI و Anthropic و Google (Gemini API) و Azure و AWS Bedrock -- لا حاجة لتثبيت إضافي بخلاف الملحقات الخاصة بالمزود (مثل `uv add "crewai[openai]"`).

  جميع المزودين الآخرين مدعومون بواسطة **LiteLLM**. إذا كنت تخطط لاستخدام أي منهم، أضفه كتبعية لمشروعك:
  ```bash
@@ -291,55 +291,6 @@ mode: "wide"
    ```
  </Accordion>

-  <Accordion title="Snowflake Cortex">
-    يوفر CrewAI تكاملًا أصليًا مع Snowflake Cortex REST API عبر endpoint Chat Completions المتوافق مع OpenAI. تستخدم نماذج `snowflake/...` هذا المسار بدون fallback إلى LiteLLM. يدعم Snowflake Cortex في CrewAI حاليًا Chat Completions فقط، لذلك استخدم وضع `api` الافتراضي ولا تضبط `api="responses"`.
-
-    ```toml Code
-    # Required
-    SNOWFLAKE_PAT=<your-programmatic-access-token>
-    SNOWFLAKE_ACCOUNT_URL=https://<account-identifier>.snowflakecomputing.com
-
-    # Alternative account configuration
-    SNOWFLAKE_ACCOUNT=<account-identifier>
-    ```
-
-    **الاستخدام الأساسي:**
-    ```python Code
-    from crewai import LLM
-
-    llm = LLM(
-        model="snowflake/openai-gpt-4.1",
-        temperature=0.7,
-        max_completion_tokens=1024,
-    )
-    ```
-
-    **نماذج Claude على Cortex:**
-    ```python Code
-    from crewai import LLM
-
-    llm = LLM(
-        model="snowflake/claude-sonnet-4-5",
-        max_completion_tokens=1024,
-        stream=True,
-    )
-    ```
-
-    **متغيرات البيئة المدعومة:**
-    - `SNOWFLAKE_PAT` أو `SNOWFLAKE_TOKEN` أو `SNOWFLAKE_JWT`: الرمز المستخدم كاعتماد Bearer
-    - `SNOWFLAKE_ACCOUNT_URL`: عنوان URL الكامل لحساب Snowflake
-    - `SNOWFLAKE_ACCOUNT` أو `SNOWFLAKE_ACCOUNT_ID` أو `SNOWFLAKE_ACCOUNT_IDENTIFIER`: معرف الحساب المستخدم لبناء URL
-
-    تستخدم طلبات Snowflake REST الدور الافتراضي للمستخدم. تأكد من أن هذا الدور لديه `SNOWFLAKE.CORTEX_USER` أو `SNOWFLAKE.CORTEX_REST_API_USER`. لا يتطلب endpoint Cortex REST Chat Completions معاملات database أو schema أو warehouse أو role صريح.
-
-    **الميزات:**
-    - اختيار provider أصلي باستخدام `model="snowflake/<model-name>"`
-    - Chat Completions مع streaming وبدونه فقط؛ `api="responses"` غير مدعوم
-    - تتبع استخدام الرموز
-    - استدعاء الدوال لنماذج OpenAI و Claude المستضافة في Snowflake
-    - إزالة assistant prefill النهائي غير الصالح تلقائيًا لنماذج Claude في Snowflake
-  </Accordion>
-
  <Accordion title="Anthropic">
    يوفر CrewAI تكاملًا أصليًا مع Anthropic من خلال Anthropic Python SDK.

--- a/docs/ar/concepts/processes.mdx
+++ b/docs/ar/concepts/processes.mdx
@@ -16,6 +16,7 @@ mode: "wide"

 - **تسلسلي**: ينفذ المهام بالتتابع، مما يضمن إكمال المهام بتقدم منظم.
 - **هرمي**: ينظم المهام في تسلسل إداري هرمي، حيث يتم تفويض المهام وتنفيذها بناءً على سلسلة أوامر منظمة. يجب تحديد نموذج لغة المدير (`manager_llm`) أو وكيل مدير مخصص (`manager_agent`) في الطاقم لتفعيل العملية الهرمية، مما يسهّل إنشاء وإدارة المهام من قبل المدير.
+- **العملية التوافقية (مخطط لها)**: تهدف إلى اتخاذ القرارات بشكل تعاوني بين الوكلاء حول تنفيذ المهام، وتقدم هذه العملية نهجًا ديمقراطيًا لإدارة المهام داخل CrewAI. وهي مخطط لها للتطوير المستقبلي وغير مطبقة حاليًا في قاعدة الكود.

 ## دور العمليات في العمل الجماعي
 تُمكّن العمليات الوكلاء الأفراد من العمل كوحدة متماسكة، مما يبسّط جهودهم لتحقيق أهداف مشتركة بكفاءة وتناسق.
@@ -58,9 +59,9 @@ crew = Crew(

 ## فئة Process: نظرة عامة مفصلة

-تم تنفيذ فئة `Process` كتعداد (`Enum`)، مما يضمن أمان الأنواع ويقيّد قيم العملية على الأنواع المحددة (`sequential`، `hierarchical`).
+تم تنفيذ فئة `Process` كتعداد (`Enum`)، مما يضمن أمان الأنواع ويقيّد قيم العملية على الأنواع المحددة (`sequential`، `hierarchical`). العملية التوافقية مخطط لإدراجها مستقبلاً، مما يؤكد التزامنا بالتطوير والابتكار المستمر.

 ## الخلاصة

 التعاون المنظم الذي تسهّله العمليات داخل CrewAI ضروري لتمكين العمل الجماعي المنهجي بين الوكلاء.
-تم تحديث هذه الوثائق لتعكس أحدث الميزات والتحسينات، مما يضمن وصول المستخدمين إلى أحدث المعلومات وأكثرها شمولاً.
+تم تحديث هذه الوثائق لتعكس أحدث الميزات والتحسينات والتكامل المخطط للعملية التوافقية، مما يضمن وصول المستخدمين إلى أحدث المعلومات وأكثرها شمولاً.
--- a/docs/ar/concepts/production-architecture.mdx
+++ b/docs/ar/concepts/production-architecture.mdx
@@ -146,14 +146,6 @@ class ProductionFlow(Flow[AppState]):
    # ...
 ```

-افتراضيًا، يستأنف `@persist` تدفقًا عند توفير `kickoff(inputs={"id": <uuid>})`، مما يمدّ نفس تاريخ `flow_uuid`. لـ **تفرع** تدفق مستمر إلى نسبٍ جديد — ترطيب الحالة من تشغيل سابق ولكن الكتابة تحت `state.id` جديد — مرّر `restore_from_state_id`:
-
-```python
-flow.kickoff(restore_from_state_id="<previous-run-state-id>")
-```
-
-يحصل التشغيل الجديد على `state.id` جديد (مولّد تلقائيًا، أو `inputs["id"]` إذا تم تثبيته) لذا لا تمتد كتابات `@persist` الخاصة به إلى تاريخ المصدر. الجمع مع `from_checkpoint` يطلق `ValueError`؛ اختر مصدر ترطيب واحدًا.
-
 ## الخلاصة

 - **ابدأ بتدفق.**
--- a/docs/ar/concepts/tasks.mdx
+++ b/docs/ar/concepts/tasks.mdx
@@ -73,48 +73,13 @@ crew = Crew(

 ## إنشاء المهام

-هناك طريقتان شائعتان لإنشاء المهام في CrewAI: باستخدام **تهيئة JSONC (الموصى بها للـ crews الجديدة)** أو تعريفها **مباشرة في الكود**.
+هناك طريقتان لإنشاء المهام في CrewAI: باستخدام **إعداد YAML (موصى به)** أو تعريفها **مباشرة في الكود**.

-### تهيئة JSONC (موصى بها)
+### إعداد YAML (موصى به)

-المشاريع الجديدة التي تُنشأ عبر `crewai create crew <name>` تعرّف المهام في `crew.jsonc`.
+يوفر استخدام إعداد YAML طريقة أنظف وأكثر قابلية للصيانة لتعريف المهام. نوصي بشدة باستخدام هذا النهج لتعريف المهام في مشاريع CrewAI.

-````jsonc crew.jsonc
-{
-  "name": "Research Crew",
-  "agents": ["researcher", "reporting_analyst"],
-  "tasks": [
-    {
-      "name": "research_task",
-      "description": "Conduct thorough research about {topic}.",
-      "expected_output": "A list of the most relevant information about {topic}.",
-      "agent": "researcher"
-    },
-    {
-      "name": "reporting_task",
-      "description": "Review the research and expand it into a detailed report.",
-      "expected_output": "A polished markdown report.",
-      "agent": "reporting_analyst",
-      "context": ["research_task"],
-      "markdown": true,
-      "output_file": "report.md"
-    }
-  ],
-  "inputs": {
-    "topic": "AI Agents"
-  }
-}
-````
-
-كل مهمة تحتاج إلى `description` و `expected_output`. يجب أن يطابق `agent` اسم Agent مذكورًا في `agents`. يشير `context` إلى أسماء مهام سابقة فقط؛ وترفض الإشارات إلى مهام لاحقة.
-
-### إعداد YAML الكلاسيكي
-
-المشاريع الكلاسيكية التي تُنشأ عبر `crewai create crew <name> --classic` تستخدم `config/tasks.yaml` وفئة `@CrewBase` في `crew.py`.
-
-يظل إعداد YAML مدعومًا للمشاريع الحالية المبنية بـ Python/YAML وللفِرق التي تفضل تعريف المهام من خلال فئة `@CrewBase`.
-
-بعد إنشاء مشروع كلاسيكي، انتقل إلى ملف `src/<project_name>/config/tasks.yaml` وعدّل القالب ليتوافق مع متطلبات مهامك المحددة.
+بعد إنشاء مشروع CrewAI كما هو موضح في قسم [التثبيت](/ar/installation)، انتقل إلى ملف `src/latest_ai_development/config/tasks.yaml` وعدّل القالب ليتوافق مع متطلبات مهامك المحددة.

 <Note>
 المتغيرات في ملفات YAML (مثل `{topic}`) سيتم استبدالها بالقيم من مدخلاتك عند تشغيل الفريق:
@@ -150,7 +115,7 @@ reporting_task:
 لاستخدام إعداد YAML هذا في كودك، أنشئ فئة فريق ترث من `CrewBase`:

 ```python crew.py
-# src/<project_name>/crew.py
+# src/latest_ai_development/crew.py

 from crewai import Agent, Crew, Process, Task
 from crewai.project import CrewBase, agent, crew, task
--- a/docs/ar/concepts/tools.mdx
+++ b/docs/ar/concepts/tools.mdx
@@ -133,7 +133,7 @@ crew.kickoff()
 | **DirectorySearchTool**          | أداة RAG للبحث في المجلدات، مفيدة للتنقل في أنظمة الملفات.       |
 | **DOCXSearchTool**               | أداة RAG للبحث في مستندات DOCX، مثالية لمعالجة ملفات Word.          |
 | **DirectoryReadTool**            | تسهّل قراءة ومعالجة هياكل المجلدات ومحتوياتها.                 |
-| **ExaSearchTool**                | أداة مصممة لإجراء عمليات بحث شاملة عبر مصادر بيانات متنوعة.                |
+| **EXASearchTool**                | أداة مصممة لإجراء عمليات بحث شاملة عبر مصادر بيانات متنوعة.                |
 | **FileReadTool**                 | تُمكّن قراءة واستخراج البيانات من الملفات، مع دعم تنسيقات ملفات متنوعة.               |
 | **FirecrawlSearchTool**          | أداة للبحث في صفحات الويب باستخدام Firecrawl وإرجاع النتائج.                              |
 | **FirecrawlCrawlWebsiteTool**    | أداة لزحف صفحات الويب باستخدام Firecrawl.                                                  |
--- a/docs/ar/enterprise/features/agent-control-plane/monitoring.mdx
+++ b/docs/ar/enterprise/features/agent-control-plane/monitoring.mdx
@@ -1,112 +0,0 @@
---
-title: "راقب أتمتاتك"
-description: "راقب صحة الأسطول واستهلاك LLM وسلوك كل أتمتة من تبويب Automations."
-sidebarTitle: "المراقبة"
-icon: "gauge"
-mode: "wide"
---
-
-<Info>
-  **تنقل وثائق ACP (إصدار تجريبي)**
-
-  - [نظرة عامة](/ar/enterprise/features/agent-control-plane/overview)
-  - **المراقبة** *(أنت هنا)*
-  - [القواعد](/ar/enterprise/features/agent-control-plane/rules)
-</Info>
-
-## نظرة عامة
-
-تبويب **Automations** هو عرض العمليات للقراءة فقط في [Agent Control Plane](/ar/enterprise/features/agent-control-plane/overview). يجمع بين بطاقتَي مقاييس و sankey تفاعلي وجدولين فرعيين — **Automations** و **Consumption** — يمكنك البحث والتصفية والفرز فيهما.
-
-<Frame>
-  ![نظرة عامة على Agent Control Plane](/images/enterprise/acp-overview-automations-sankey.png)
-</Frame>
-
-تحترم جميع المخططات والجداول مُحدّد **آخر 24 ساعة / الأسبوع الماضي / آخر 30 يوماً** في أعلى اليمين. تقارن قيم الفرق النافذة المختارة بالنافذة السابقة بنفس الطول.
-
-<Note>
-  تعرض الصفوف بيانات فقط لعمليات النشر على **crewAI v1.13 أو أحدث** — تظهر عمليات النشر الأقدم في لافتة *"We've detected N other automations that we can't display"* أسفل sankey ولا تساهم بأي مقاييس حتى يتم تحديثها وإعادة نشرها. راجع [نظرة عامة — المتطلبات](/ar/enterprise/features/agent-control-plane/overview#المتطلبات).
-</Note>
-
-## لوحة المعلومات
-
-يحتوي رأس الصفحة على بطاقتَي مقاييس و sankey تفاعلي. النقر على أي من البطاقتين يبدّل sankey بين وضعَين:
-
- **وضع الصحة** — `إجمالي الأتمتات → حِزم الحالة (Critical / Warning / Healthy)`. انقر على حِزمة لتصفية جدول Automations إلى عمليات النشر تلك فقط.
- **وضع الاستهلاك** — `مزودو النماذج → الأتمتات → التكلفة الإجمالية`. انقر على مزود لتصفية جدول Consumption إلى ذلك المزود.
-
-| البطاقة | ما تعرضه |
-|------|---------------|
-| **Automations** | الأتمتات `active` (والعدد الإجمالي)، إجمالي `errors` في النافذة، `active executions` الحالية (والإجمالي في النافذة)، مع الفرق مقابل الفترة السابقة. |
-| **Consumption** | إجمالي `cost` و `tokens used`، مع فرق التكلفة مقابل الفترة السابقة. |
-
-<Frame>
-  ![نظرة عامة مع sankey الاستهلاك](/images/enterprise/acp-overview-consumption-sankey.png)
-</Frame>
-
-## جدول Automations
-
-التبويب الفرعي **Automations** هو تفصيل صحة الأسطول لكل deployment. كل صف هو crew أو flow منشور.
-
-<Frame>
-  ![جدول الأتمتات مع تفصيل حالة الصحة](/images/enterprise/acp-automations-table.png)
-</Frame>
-
-| العمود | ما يعرضه |
-|--------|---------------|
-| **Automation** | اسم الـ deployment وأي وسوم مُسنَدة إليه (مثل `production`، `financial`). |
-| **Last execution** | الوقت المنقضي منذ آخر تنفيذ. |
-| **Health Status Breakdown** | شريط مكدّس بنسب `Critical` / `Warning` / `Healthy` لعمليات التنفيذ في النافذة. |
-| **Executions with Errors** | إجمالي عمليات التنفيذ الفاشلة في النافذة. |
-| **PII detection applied** | `Yes` إذا كان هناك تكوين PII لكل deployment أو [قاعدة PII](/ar/enterprise/features/agent-control-plane/rules) مطابِقة نشطة. |
-| **Executions** | إجمالي عمليات التنفيذ في النافذة. |
-| **Last updated** | متى أُعيد نشر الـ deployment آخر مرة. |
-| **Crew Version** | إصدار `crewai` الذي يُبلِّغ عنه الـ deployment. يشير أيقونة المعلومات بجانب الإصدارات الأقل من `1.13` إلى صفوف لا يمكنها المساهمة بالمقاييس. |
-
-ابحث بالاسم، صفِّ حسب `Status` (`Healthy` / `Warning` / `Critical`)، وافرز بأي رأس عمود. انقر على اسم الـ deployment لفتح **لوحة الأتمتة**.
-
-## جدول Consumption
-
-التبويب الفرعي **Consumption** هو تفصيل إنفاق LLM واستخدام الرموز لكل deployment.
-
-<Frame>
-  ![جدول الاستهلاك مُفصَّل حسب مزود LLM](/images/enterprise/acp-consumption-table.png)
-</Frame>
-
-| العمود | ما يعرضه |
-|--------|---------------|
-| **Automation** | اسم الـ deployment. |
-| **Last execution** | الوقت المنقضي منذ آخر تنفيذ. |
-| **Tokens used** | صف واحد لكل مزود LLM تستخدمه هذه الأتمتة، مع الفرق مقابل الفترة السابقة. |
-| **Cost** | التكلفة لكل مزود LLM، مع الفرق مقابل الفترة السابقة. |
-| **Total cost** | المجموع عبر جميع المزودين، مع الفرق. |
-| **Executions** | إجمالي عمليات التنفيذ في النافذة. |
-| **Last updated** | متى أُعيد نشر الـ deployment آخر مرة. |
-| **Crew Version** | إصدار `crewai` الذي يُبلِّغ عنه الـ deployment. |
-
-صفِّ حسب **LLM provider** وافرز حسب `Cost` أو `Executions` أو `Last run`.
-
-<Info>
-  **عادة ما تعني الخلايا الفارغة (`—` أو `$0.00`) أن الـ deployment أدنى من crewAI v1.13.** في اللقطة أعلاه، تظهر *Automation F* (`1.7.0`) و *Automation I* (`1.12.2`) فارغة في الرموز والتكلفة — لا تزال عمليات التنفيذ تعمل، لكنها لا تُصدِر التليمتري على مستوى المزود الذي يُغذِّي هذا الجدول. حدّث هذه الـ crews وأعد نشرها لبدء جمع بيانات الاستهلاك.
-</Info>
-
-## ذو صلة
-
-<CardGroup cols={2}>
-  <Card title="Agent Control Plane — نظرة عامة" icon="book-open" href="/ar/enterprise/features/agent-control-plane/overview">
-    ما هو ACP، المتطلبات، مستويات الخطط، و RBAC.
-  </Card>
-  <Card title="Agent Control Plane — القواعد" icon="shield-check" href="/ar/enterprise/features/agent-control-plane/rules">
-    طبّق قواعد PII Redaction على مستوى المؤسسة عبر العديد من الأتمتات.
-  </Card>
-  <Card title="Traces" icon="timeline" href="/ar/enterprise/features/traces">
-    تعمّق في تنفيذ واحد لرؤية تفكير الوكيل واستدعاءات الأدوات واستخدام الرموز.
-  </Card>
-  <Card title="النشر إلى AMP" icon="rocket" href="/ar/enterprise/guides/deploy-to-amp">
-    انشر crew على إصدار crewAI يدعم Agent Control Plane.
-  </Card>
-</CardGroup>
-
-<Card title="تحتاج مساعدة؟" icon="headset" href="mailto:support@crewai.com">
-  تواصل مع فريق الدعم للمساعدة في تفسير المقاييس داخل Agent Control Plane.
-</Card>
--- a/docs/ar/enterprise/features/agent-control-plane/overview.mdx
+++ b/docs/ar/enterprise/features/agent-control-plane/overview.mdx
@@ -1,82 +0,0 @@
---
-title: نظرة عامة على Agent Control Plane
-description: "مركز عمليات موحّد للأتمتات الجارية — صحة الأسطول واستهلاك LLM والسياسات على مستوى المؤسسة في مكان واحد."
-sidebarTitle: نظرة عامة
-icon: "book-open"
---
-
-<Info>
-  **تنقل وثائق ACP (إصدار تجريبي)**
-
-  - **نظرة عامة** *(أنت هنا)*
-  - [المراقبة](/ar/enterprise/features/agent-control-plane/monitoring)
-  - [القواعد](/ar/enterprise/features/agent-control-plane/rules)
-</Info>
-
-## نظرة عامة
-
-**Agent Control Plane** (ACP) هو مركز العمليات لكل ما يعمل لديك على CrewAI AMP. إنها شاشة واحدة — مقسّمة إلى تبويبَي **Automations** و **Rules** — تمنح فريقك القدرة على:
-
- مراقبة **حالة (الصحة)** كل أتمتة حيّة (crew أو flow) بتفصيل `Critical` / `Warning` / `Healthy` وعدد عمليات التنفيذ.
- تتبع **استهلاك LLM** — الرموز (tokens) والتكلفة — لكل أتمتة ولكل مزود ولكل نموذج، مع الفرق مقابل الفترة السابقة.
- التعمّق في أي أتمتة منفردة أو مزود نماذج لرؤية المخططات الزمنية وتفصيل البيانات لكل مزود.
- تطبيق **قواعد (Rules)** على مستوى المؤسسة (اليوم: PII Redaction) عبر العديد من الأتمتات دفعة واحدة بدلاً من تعديل كل deployment على حدة.
-
-<Frame>
-  ![نظرة عامة على Agent Control Plane](/images/enterprise/acp-overview-automations-sankey.png)
-</Frame>
-
-<Note>
-  Agent Control Plane مُوسوم حالياً بـ **Beta** في CrewAI Platform.
-</Note>
-
-يجيب التبويبان عن سؤالَين مختلفَين:
-
- **Automations** — *"كيف يتصرف أسطولي الآن، وكم يكلّفني؟"* راجع [المراقبة](/ar/enterprise/features/agent-control-plane/monitoring).
- **Rules** — *"كيف أفرض سياسة (مثل PII redaction) عبر العديد من عمليات النشر دون إعادة نشر كل واحدة؟"* راجع [القواعد](/ar/enterprise/features/agent-control-plane/rules).
-
-## المتطلبات
-
-<Warning>
-  يُشترط **crewAI v1.13 أو أحدث** ليتمكن أي أتمتة من تعبئة أي بيانات على هذه الصفحة — تمر بيانات الصحة وعمليات التنفيذ والأخطاء والرموز والتكلفة عبر التليمتري الذي تم تفعيله في `crewai==1.13`. تظهر عمليات النشر الأقدم في لافتة *"We've detected N other automations that we can't display"* ولا تساهم بأي صفوف حتى يتم تحديثها وإعادة نشرها.
-</Warning>
-
-<Warning>
-  يُشترط **خطة Enterprise أو Ultra** لإنشاء أو تعديل [القواعد](/ar/enterprise/features/agent-control-plane/rules). يمكن للمؤسسات على الخطط الأدنى فتح تبويب Rules وعرض القواعد الموجودة، ولكن يُعرض المحرر للقراءة فقط مع شارة قفل "Enterprise" والتنبيه *"PII Redaction rules require an Enterprise plan."*. المراقبة (تبويب Automations) متاحة في جميع الخطط حيث يكون هذا الميزة مفعّلة.
-</Warning>
-
- يجب أن تكون ميزة **Agent Control Plane** مفعّلة لمؤسستك. إن لم ترها في الشريط الجانبي، اطلب من مالك الحساب تفعيلها.
- داخل ACP، يحكم [RBAC](/ar/enterprise/features/rbac) الوصول: `read` للعرض في لوحة المعلومات والقواعد، و`manage` لإنشاء وتعديل وتشغيل/إيقاف وحذف القواعد.
- يمكن ضبط نطاق جميع المخططات والجداول إلى **آخر 24 ساعة** أو **الأسبوع الماضي** أو **آخر 30 يوماً** عبر مُحدّد الوقت في أعلى اليمين. تقارن قيم الفرق (`↑ 8 vs yesterday`, `↓ $20.57 vs yesterday` وغيرها) النافذة المختارة بالنافذة السابقة بنفس الطول.
-
-## ما يمكنك فعله هنا
-
-<CardGroup cols={2}>
-  <Card title="المراقبة" icon="gauge" href="/ar/enterprise/features/agent-control-plane/monitoring">
-    راقب صحة الأسطول وإنفاق LLM عبر بطاقات المقاييس و sankey التفاعلي وجداول لكل أتمتة ولوحات جانبية للتعمق في أي أتمتة أو مزود.
-  </Card>
-  <Card title="القواعد" icon="shield-check" href="/ar/enterprise/features/agent-control-plane/rules">
-    طبّق سياسات PII Redaction على مستوى المؤسسة بنطاق محدد بالأدوات والوسوم. تسري التغييرات في التنفيذ التالي — دون الحاجة لإعادة نشر.
-  </Card>
-</CardGroup>
-
-## ذو صلة
-
-<CardGroup cols={2}>
-  <Card title="Traces" icon="timeline" href="/ar/enterprise/features/traces">
-    تعمّق في تنفيذ واحد لرؤية تفكير الوكيل واستدعاءات الأدوات واستخدام الرموز.
-  </Card>
-  <Card title="RBAC" icon="users" href="/ar/enterprise/features/rbac">
-    أدِر من يمكنه قراءة Agent Control Plane ومن يمكنه تعديل القواعد.
-  </Card>
-  <Card title="PII Redaction للـ Traces" icon="lock" href="/ar/enterprise/features/pii-trace-redactions">
-    كتالوج الكيانات وضبط PII لكل deployment التي تستند إليها القواعد.
-  </Card>
-  <Card title="النشر إلى AMP" icon="rocket" href="/ar/enterprise/guides/deploy-to-amp">
-    انشر crew على إصدار crewAI يدعم Agent Control Plane.
-  </Card>
-</CardGroup>
-
-<Card title="تحتاج مساعدة؟" icon="headset" href="mailto:support@crewai.com">
-  تواصل مع فريق الدعم للمساعدة في تفسير المقاييس أو تصميم القواعد.
-</Card>
--- a/docs/ar/enterprise/features/agent-control-plane/rules.mdx
+++ b/docs/ar/enterprise/features/agent-control-plane/rules.mdx
@@ -1,122 +0,0 @@
---
-title: "إعداد القواعد"
-description: "طبّق سياسات على مستوى المؤسسة عبر العديد من الأتمتات من مكان واحد."
-sidebarTitle: "القواعد"
-icon: "shield-check"
-mode: "wide"
---
-
-<Info>
-  **تنقل وثائق ACP (إصدار تجريبي)**
-
-  - [نظرة عامة](/ar/enterprise/features/agent-control-plane/overview)
-  - [المراقبة](/ar/enterprise/features/agent-control-plane/monitoring)
-  - **القواعد** *(أنت هنا)*
-</Info>
-
-## نظرة عامة
-
-تتيح لك القواعد تطبيق سياسات — اليوم: **PII Redaction** — عبر العديد من الأتمتات دفعة واحدة، بدلاً من ضبط كل deployment على حدة. افتح تبويب **Rules** في [Agent Control Plane](/ar/enterprise/features/agent-control-plane/overview) لإدارتها.
-
-<Frame>
-  ![قائمة القواعد](/images/enterprise/acp-rules-list.png)
-</Frame>
-
-تعرض كل بطاقة قاعدة الاسم والوصف و**النطاق (scope)** الذي تنطبق عليه القاعدة (الأدوات والوسوم المختارة) وعدد **الأتمتات المُفعَّلة** — عمليات النشر التي تطابق النطاق حالياً. يقوم المُفتاح على اليمين بتشغيل القاعدة أو إيقافها دون حذفها.
-
-## المتطلبات
-
-<Warning>
-  يُشترط **خطة Enterprise أو Ultra** لإنشاء أو تعديل قواعد PII Redaction. يمكن للمؤسسات على الخطط الأدنى فتح تبويب Rules وعرض القواعد الموجودة، ولكن يُعرض المحرر للقراءة فقط مع شارة قفل "Enterprise" والتنبيه *"PII Redaction rules require an Enterprise plan."* — تواصل مع مالك حسابك أو المبيعات للترقية.
-</Warning>
-
- يجب أن تكون ميزة **Agent Control Plane** مفعّلة لمؤسستك. راجع [نظرة عامة — المتطلبات](/ar/enterprise/features/agent-control-plane/overview#المتطلبات).
- تحتاج إلى صلاحية `manage` ضمن [RBAC](/ar/enterprise/features/rbac) على Agent Control Plane لإنشاء وتعديل وتشغيل/إيقاف وحذف القواعد. صلاحية `read` كافية لعرضها.
- تُسجَّل جميع تغييرات القواعد بإصدارات للتدقيق.
-
-## أنواع القواعد المتاحة
-
-| النوع | ما تفعله |
-|------|---------------|
-| **PII Redaction** | تطبّق PII redaction على عمليات التنفيذ لكل أتمتة مطابِقة، باستخدام نفس كتالوج الكيانات و recognizers المخصصة الموثَّقة في [PII Redaction للـ Traces](/ar/enterprise/features/pii-trace-redactions). |
-
-سيتم إضافة أنواع قواعد أخرى مع الوقت.
-
-## إنشاء قاعدة
-
-<Frame>
-  <img src="/images/enterprise/acp-rules-edit-side-panel.png" alt="لوحة تعديل قاعدة جانبية بالشروط ونوع قناع PII" width="450" />
-</Frame>
-
-<Steps>
-  <Step title="افتح المحرر">
-    انقر على **+ Create new** في أعلى يمين تبويب Rules، أو على **View Details** في بطاقة قاعدة موجودة.
-  </Step>
-
-  <Step title="سَمِّ القاعدة وصِفها">
-    أعطِ القاعدة اسماً واضحاً (مثل *Mask PII (CC)*) ووصفاً يشرح متى تنطبق. يظهر كلاهما على بطاقة القاعدة وفي مودال Engaged Automations.
-  </Step>
-
-  <Step title="اختر النوع">
-    اليوم **PII Redaction** فقط متاحة.
-  </Step>
-
-  <Step title="حدّد الشروط">
-    تحدد الشروط الأتمتات التي تنخرط معها القاعدة. كلاهما اختياري ويستخدم دلالات **مساواة المجموعات (set-equality)**:
-
-    - **Tools** — تنخرط فقط الأتمتات التي تتطابق مجموعة أدواتها **تطابقاً تامّاً** مع الأدوات المختارة. اختر من تطبيقات Studio و MCPs والأدوات مفتوحة المصدر وأدوات سجل Tool Repository.
-    - **Automations** — تنخرط فقط الأتمتات التي تتطابق مجموعة وسومها **تطابقاً تامّاً** مع الوسوم المختارة.
-
-    ترك مُحدِّد فارغ يعني "بدون تصفية على هذا البعد". ترك كليهما فارغَين يعني أن القاعدة تنطبق على **كل** أتمتة في المؤسسة.
-  </Step>
-
-  <Step title="اضبط جدول PII Mask Type">
-    حدّد كل نوع كيان تريد تغطيته واختر **Mask** (يستبدل بتسمية الكيان مثل `<CREDIT_CARD>`) أو **Redact** (يحذف النص المطابِق بالكامل). راجع [PII Redaction للـ Traces](/ar/enterprise/features/pii-trace-redactions) للاطلاع على كتالوج الكيانات الكامل وكيفية إضافة recognizers مخصصة على مستوى المؤسسة.
-  </Step>
-
-  <Step title="احفظ">
-    تنطبق القاعدة على عمليات التنفيذ **المستقبلية** لكل أتمتة مُفعَّلة بمجرد الحفظ. لا حاجة لإعادة النشر.
-  </Step>
-</Steps>
-
-## الأتمتات المُفعَّلة
-
-انقر على **Engaged N automations** في أي بطاقة قاعدة لرؤية أي عمليات النشر تطابقها القاعدة حالياً بالضبط، إلى جانب آخر تنفيذ لكل منها.
-
-<Frame>
-  ![مودال الأتمتات المُفعَّلة](/images/enterprise/acp-rules-engaged-modal.png)
-</Frame>
-
-هذه هي أسرع طريقة للتحقق من نطاق قاعدة قبل تمكينها — على سبيل المثال، للتأكد من أن قاعدة محدَّدة بنطاق وسم `production` لا تطابق عن طريق الخطأ deployment تجريبي.
-
-## قواعد على مستوى المؤسسة مقابل إعدادات لكل deployment
-
-يمكن ضبط PII Redaction في مكانين:
-
- **لكل deployment** — ضمن **Settings → PII Protection** على كل deployment على حدة ([الدليل](/ar/enterprise/features/pii-trace-redactions))
- **على مستوى المؤسسة** — كقاعدة في هذه الصفحة
-
-عندما يتطابق نطاق قاعدة مُفعَّلة على مستوى المؤسسة مع deployment، يُجاوز تكوين الكيانات الخاص بالقاعدة **إعدادات PII المملوكة من قبل الـ deployment** لعمليات تنفيذ ذلك الـ deployment — تصبح القاعدة المصدر الوحيد للحقيقة طالما هي مرتبطة. عطّل القاعدة أو فُكَّ ارتباطها (أو غيِّر نطاقها بحيث لا تتطابق بعد الآن) ويعود الـ deployment إلى إعدادات PII Protection الخاصة به.
-
-فضّل القواعد على مستوى المؤسسة عندما تريد فرض سياسة متسقة عبر العديد من عمليات النشر؛ احتفظ بالضبط لكل deployment للاستثناءات الفردية.
-
-## ذو صلة
-
-<CardGroup cols={2}>
-  <Card title="Agent Control Plane — نظرة عامة" icon="book-open" href="/ar/enterprise/features/agent-control-plane/overview">
-    ما هو ACP، المتطلبات، مستويات الخطط، و RBAC.
-  </Card>
-  <Card title="Agent Control Plane — المراقبة" icon="gauge" href="/ar/enterprise/features/agent-control-plane/monitoring">
-    راقب الأتمتات واستهلاك LLM عبر أسطولك.
-  </Card>
-  <Card title="PII Redaction للـ Traces" icon="lock" href="/ar/enterprise/features/pii-trace-redactions">
-    كتالوج الكيانات، recognizers المخصصة، والضبط لكل deployment.
-  </Card>
-  <Card title="RBAC" icon="users" href="/ar/enterprise/features/rbac">
-    أدِر من يمكنه إنشاء أو تعديل القواعد.
-  </Card>
-</CardGroup>
-
-<Card title="تحتاج مساعدة؟" icon="headset" href="mailto:support@crewai.com">
-  تواصل مع فريق الدعم للمساعدة في تصميم قواعد لمؤسستك.
-</Card>
--- a/docs/ar/enterprise/features/secrets-manager/aws-workload-identity.mdx
+++ b/docs/ar/enterprise/features/secrets-manager/aws-workload-identity.mdx
@@ -1,321 +0,0 @@
---
-title: AWS Workload Identity (اتحاد OIDC)
-description: تكوين AWS Secrets Manager عبر Workload Identity للوصول إلى الأسرار بشكل مراعٍ للتدوير وبدون بيانات اعتماد
-sidebarTitle: بـ Workload Identity
-icon: "id-badge"
---
-
-## نظرة عامة
-
-يُكوِّن هذا الدليل AWS Secrets Manager كمزود أسرار باستخدام **Workload Identity Federation**: تُصدر CrewAI Platform رموز OIDC قصيرة الأمد، وتُبادلها للحصول على بيانات اعتماد AWS عبر STS، وتقرأ أسرارك — دون تخزين أي مفتاح وصول AWS طويل الأمد في أي مكان.
-
-<Note>
-**لماذا هذا المسار:** تُحَلّ الأسرار وقت تنفيذ الأتمتة، لذا **تنتشر القيم المُدوَّرة إلى الإطلاق التالي بدون إعادة نشر**. إن كنت تحتاج فقط بيانات اعتماد ثابتة ولا تهتم بانتشار التدوير، راجع الدليل الأبسط [AWS — المفاتيح الثابتة / AssumeRole](/ar/enterprise/features/secrets-manager/aws).
-</Note>
-
-### كيف يعمل وقت التشغيل
-
-1. يطلب عامل النشر JWT OIDC طازج من CrewAI Platform.
-2. يستدعي العامل `sts:AssumeRoleWithWebIdentity` على دور IAM الذي ستُعدّه أدناه، مُقدِّماً الـ JWT.
-3. تتحقق AWS STS من الـ JWT مقابل مُصدر OIDC العام لـ CrewAI Platform (لذا يجب أن يكون تنصيب منصتك قابلاً للوصول من AWS)، ثم تُعيد بيانات اعتماد AWS قصيرة الأمد.
-4. يستخدم العامل تلك البيانات لاستدعاء `secretsmanager:GetSecretValue`.
-5. تُحقن القيمة المجلوبة كقيمة لمتغير البيئة لإطلاق الأتمتة ذاك.
-
-تُخزَّن رموز موضوع OIDC مؤقتاً لنحو ساعة لتفادي إعادة الإصدار في كل إطلاق. تُجلب قيم الأسرار طازجة في كل إطلاق بغض النظر عن حالة ذاكرة OIDC المؤقتة، وهذا ما يجعل هذا المسار مراعياً للتدوير.
-
-## المتطلبات المسبقة
-
-<Note>
-قبل البدء، تأكد من امتلاكك:
-
- يجب أن تتضمن صورة حاوية الأتمتة إصدار CrewAI runtime رقم `1.14.5` أو أحدث.
- حساب AWS لديه إذن إنشاء مزوّدي OIDC وأدوار وسياسات IAM.
- منطقة AWS التي تعيش (أو ستعيش) فيها أسرارك، مثلاً `us-east-1`.
- مؤسسة على CrewAI Platform يمتلك مستخدمك فيها إذني `workload_identity_configs: manage` و `secret_providers: manage`. راجع [الأذونات (RBAC)](/ar/enterprise/features/secrets-manager/usage#permissions-rbac).
- **UUID مؤسسة CrewAI الخاصة بك.** يمكنك العثور عليه في صفحة إعدادات المؤسسة في CrewAI Platform — تُربط سياسة الثقة في الخطوة 3 دور IAM بهذه المؤسسة تحديداً.
- **يجب أن يكون تنصيب CrewAI Platform قابلاً للوصول من AWS عبر HTTPS** ليتمكّن AWS STS من جلب وثيقة اكتشاف OIDC و JWKS أثناء التحقق من الرمز. تأكد مع مسؤول المنصة من أن المضيف متاح عبر الإنترنت (أو أن AWS يمكنه الوصول إليه شبكياً عبر VPC peering أو ما يعادله).
-</Note>
-
-## الخطوة 1 — العثور على عنوان مُصدر OIDC لـ CrewAI Platform
-
-ينشر تنصيب CrewAI Platform وثيقة اكتشاف OpenID Connect على `https://<your-platform-host>/.well-known/openid-configuration`. الحقل `issuer` في تلك الوثيقة هو الرابط الذي ستُسجِّله AWS كمزود OIDC موثوق.
-
-افتح الرابط في المتصفح (مع استبدال `<your-platform-host>` بمضيفك الفعلي، مثلاً `app.crewai.com`):
-
-```
-https://<your-platform-host>/.well-known/openid-configuration
-```
-
-ينبغي أن ترى JSON يحتوي على:
-
-```json
-{
-  "issuer": "https://<your-platform-host>",
-  "jwks_uri": "https://<your-platform-host>/oauth2/jwks",
-  ...
-}
-```
-
-سجّل القيمة الدقيقة لـ `issuer` — ستستخدمها في الخطوة 3.
-
-<Tip>
-إذا أعاد الرابط 404 أو 503، اتصل بمسؤول المنصة. يتطلب مُصدر OIDC تكوين مفتاح توقيع خاص وقت التنصيب. راجع دليل تنصيب المنصة لتكوين `OIDC_PRIVATE_KEY` و `OIDC_ISSUER`.
-</Tip>
-
-## الخطوة 2 — تسجيل CrewAI Platform كمزود هوية OIDC في IAM
-
-افتح [وحدة تحكم IAM ← Identity providers](https://console.aws.amazon.com/iam/home#/identity_providers) وانقر على **Add provider**.
-
- **Provider type:** OpenID Connect.
- **Provider URL:** قيمة `issuer` من الخطوة 1 (مثلاً `https://app.crewai.com`).
- **Audience:** `sts.amazonaws.com`
-
-انقر على **Add provider**.
-
-أو عبر CLI:
-
-```bash
-aws iam create-open-id-connect-provider \
-  --url "https://<your-platform-host>" \
-  --client-id-list "sts.amazonaws.com" \
-  --thumbprint-list "$(echo | openssl s_client -servername <your-platform-host> -connect <your-platform-host>:443 2>/dev/null | openssl x509 -fingerprint -noout -sha1 | cut -d= -f2 | tr -d ':')"
-```
-
-انسخ **OpenIDConnectProviderArn** من المخرجات (أو ARN المزود من الوحدة). ستستخدمه في الخطوة 3.
-
-<Note>
-لا تتحقق AWS فعلياً من بصمة الإبهام لاستدعاءات STS WebIdentity — فهي دائماً تُعيد جلب JWKS وقت التحقق — لكن واجهة الـ API تتطلب وجود الحقل.
-</Note>
-
-{/* SCREENSHOT: AWS IAM "Add identity provider" form filled with the Platform issuer URL and audience sts.amazonaws.com → /images/secrets-manager/aws-wi/01-add-oidc-provider.png */}
-{/* SCREENSHOT: Provider detail page showing the provider's ARN → /images/secrets-manager/aws-wi/02-oidc-provider-arn.png */}
-
-## الخطوة 3 — إنشاء دور IAM
-
-احفظ كـ `trust-policy.json`، مع استبدال `<YOUR_ACCOUNT_ID>` و `<your-platform-host>` (مضيف المُصدر **بدون** `https://` أو `http://`، مثلاً `app.crewai.com`) و `<YOUR_CREWAI_ORG_UUID>` (من المتطلبات المسبقة):
-
-```json
-{
-  "Version": "2012-10-17",
-  "Statement": [
-    {
-      "Effect": "Allow",
-      "Principal": {
-        "Federated": "arn:aws:iam::<YOUR_ACCOUNT_ID>:oidc-provider/<your-platform-host>"
-      },
-      "Action": "sts:AssumeRoleWithWebIdentity",
-      "Condition": {
-        "StringEquals": {
-          "<your-platform-host>:aud": "sts.amazonaws.com",
-          "<your-platform-host>:sub": "organization:<YOUR_CREWAI_ORG_UUID>"
-        }
-      }
-    }
-  ]
-}
-```
-
-أنشئ الدور:
-
-```bash
-aws iam create-role \
-  --role-name crewai-secrets-reader \
-  --assume-role-policy-document file://trust-policy.json
-```
-
-انسخ **Role Arn** من المخرجات — هذا هو `aws_role_arn` الخاص بك. ستلصقه في CrewAI Platform في الخطوة 6.
-
-<Tip>
-يحدّد الشرطان نطاق الثقة بدقة: يقيّد `aud` افتراض الدور إلى الرموز ذات جمهور AWS STS، ويقصر `sub` الاتحاد على مؤسسة CrewAI محددة — تُقبل فقط الرموز المُصدَرة لأتمتات تلك المؤسسة. تُعيّن CrewAI Platform كلا الادّعاءين دائماً على رموز AWS workload identity.
-</Tip>
-
-{/* SCREENSHOT: IAM "Create role" with Web Identity trust type, federated provider selector pointing at the CrewAI Platform OIDC provider → /images/secrets-manager/aws-wi/03-create-role-trust.png */}
-
-## الخطوة 4 — إنشاء وإرفاق سياسة IAM لوصول Secrets Manager + KMS
-
-احفظ كـ `secrets-policy.json`، مع استبدال العناصر النائبة بمعرّف حسابك ومنطقتك وبادئة اسم السر و ARN(s) مفاتيح KMS التي تُشفّر تلك الأسرار:
-
-```json
-{
-  "Version": "2012-10-17",
-  "Statement": [
-    {
-      "Sid": "SecretsManagerListForUI",
-      "Effect": "Allow",
-      "Action": "secretsmanager:ListSecrets",
-      "Resource": "*"
-    },
-    {
-      "Sid": "SecretsManagerRead",
-      "Effect": "Allow",
-      "Action": [
-        "secretsmanager:GetSecretValue"
-      ],
-      "Resource": "arn:aws:secretsmanager:<REGION>:<YOUR_ACCOUNT_ID>:secret:<SECRET_NAME_PREFIX>-*"
-    },
-    {
-      "Sid": "KMSDecrypt",
-      "Effect": "Allow",
-      "Action": [
-        "kms:Decrypt"
-      ],
-      "Resource": "arn:aws:kms:<REGION>:<YOUR_ACCOUNT_ID>:key/<KMS_KEY_ID>"
-    }
-  ]
-}
-```
-
-تُشغّل `SecretsManagerListForUI` ميزة **الاقتراح التلقائي لاسم السر** في نموذج متغيرات البيئة وزر **Test Connection** على بيانات الاعتماد. يقبل `secretsmanager:ListSecrets` فقط `Resource: "*"` — فهو محصور على مستوى الحساب في طبقة IAM.
-
-أرفق السياسة بالدور إما عبر CLI (سياسة مضمنة، أبسط) أو واجهة الوحدة؛ للبيئات التي تعيد استخدام نفس الأذونات عبر أدوار متعددة، استخدم علامة التبويب **Managed policy** لسياسة مُسمّاة قابلة لإعادة الاستخدام.
-
-<Tabs>
-  <Tab title="سياسة مضمنة (CLI)">
-    ```bash
-    aws iam put-role-policy \
-      --role-name crewai-secrets-reader \
-      --policy-name SecretsManagerRead \
-      --policy-document file://secrets-policy.json
-    ```
-
-    يُرفق هذا السياسة **مضمنةً** بالدور. السياسات المضمنة مرتبطة بالدور ولا يمكن إعادة استخدامها على أدوار أخرى.
-  </Tab>
-
-  <Tab title="سياسة مُدارة (CLI، قابلة لإعادة الاستخدام)">
-    ```bash
-    POLICY_ARN=$(aws iam create-policy \
-      --policy-name CrewAISecretsReader \
-      --policy-document file://secrets-policy.json \
-      --query 'Policy.Arn' --output text)
-
-    aws iam attach-role-policy \
-      --role-name crewai-secrets-reader \
-      --policy-arn "$POLICY_ARN"
-    ```
-
-    السياسة المُدارة هي مورد IAM مستقل يمكنك إرفاقه بأدوار متعددة.
-  </Tab>
-
-  <Tab title="وحدة التحكم (UI)">
-    1. افتح [وحدة تحكم IAM ← Roles](https://console.aws.amazon.com/iam/home#/roles) واختر **crewai-secrets-reader**.
-    2. في علامة التبويب **Permissions**، انقر على **Add permissions** ← **Create inline policy**.
-    3. بدّل إلى محرر **JSON** والصق محتوى `secrets-policy.json`.
-    4. انقر على **Next**، أعطِ السياسة اسماً (مثلاً `SecretsManagerRead`)، وانقر على **Create policy**.
-
-    لإنشاء سياسة مُدارة قابلة لإعادة الاستخدام بدلاً من ذلك، استخدم **IAM ← Policies ← Create policy** ثم أرفقها بالدور من علامة التبويب **Permissions** الخاصة بالدور.
-
-    {/* SCREENSHOT: IAM Role detail → Permissions → Create inline policy with JSON editor → /images/secrets-manager/aws-wi/03b-attach-inline-policy.png */}
-  </Tab>
-</Tabs>
-
-## الخطوة 5 — إنشاء سر واحد على الأقل في AWS
-
-إذا لم يكن لديك سر للاختبار، أنشئ واحداً الآن:
-
-```bash
-aws secretsmanager create-secret \
-  --region <REGION> \
-  --name crewai-test-keyword \
-  --secret-string "hello from aws"
-```
-
-أو عبر [وحدة تحكم AWS Secrets Manager](https://console.aws.amazon.com/secretsmanager/) ← **Store a new secret**.
-
-{/* SCREENSHOT: AWS Secrets Manager "Store a new secret" page with a sample value → /images/secrets-manager/aws-wi/04-create-secret.png */}
-
-## الخطوة 6 — إضافة تكوين Workload Identity في CrewAI Platform
-
-في CrewAI Platform، انتقل إلى **Settings** ← **Workload Identity** وانقر على **Add Workload Identity Config**.
-
-{/* SCREENSHOT: Sidebar highlighting Settings → Workload Identity → /images/secrets-manager/aws-wi/05-amp-settings-wi-nav.png */}
-{/* SCREENSHOT: Empty state of Workload Identity page with "Add Workload Identity Config" button → /images/secrets-manager/aws-wi/06-amp-wi-empty-state.png */}
-
-املأ النموذج:
-
- **Name:** اسم وصفي، مثلاً `aws-prod`.
- **Cloud Provider:** `AWS`.
- **AWS Role ARN:** **Role Arn** من الخطوة 3.
- **AWS Region:** المنطقة التي تعيش فيها أسرارك، مثلاً `us-east-1`.
- (اختياري) حدّد **Set as default for AWS** إذا كنت ترغب في أن يكون تكوين WI هذا هو الافتراضي المُحدَّد عند إنشاء بيانات اعتماد سر مدعومة بـ AWS.
-
-انقر على **Create**.
-
-{/* SCREENSHOT: "Add Workload Identity Config" form with AWS, role ARN, and region filled in → /images/secrets-manager/aws-wi/07-amp-add-wi-config-aws.png */}
-{/* SCREENSHOT: Workload Identity list showing the new AWS row with "(default)" badge if applicable → /images/secrets-manager/aws-wi/08-amp-wi-list-with-aws.png */}
-
-## الخطوة 7 — إضافة بيانات اعتماد مزود أسرار مرتبطة بتكوين WI
-
-انتقل إلى **Settings** ← **Secret Provider Credentials** وانقر على **Add Credential**.
-
-املأ النموذج:
-
- **Name:** اسم وصفي، مثلاً `aws-prod-wi`.
- **Provider:** `AWS Secrets Manager`.
- **Authentication Method:** `Workload Identity` (بدلاً من المفاتيح الثابتة / AssumeRole).
- **Workload Identity Configuration:** اختر التكوين الذي أنشأته في الخطوة 6 (مثلاً `aws-prod`).
- (اختياري) حدّد **Set as default credential for this provider**.
-
-سيطلب النموذج فقط **AWS Region** ضمن Workload Identity — حقول بيانات الاعتماد الثابتة (Access Key ID و Secret Access Key و Role ARN و External ID) مخفية عمداً لأنها لا تنطبق على هذا المسار؛ يأتي ARN الدور من تكوين WI المرتبط.
-
-انقر على **Create**.
-
-{/* SCREENSHOT: "Add Secret Provider Credential" form with AWS + Workload Identity + WI config dropdown selected → /images/secrets-manager/aws-wi/09-amp-add-credential-aws-wi.png */}
-
-## الخطوة 8 — اختبار الاتصال
-
-بعد حفظ بيانات الاعتماد، انقر على **Test Connection**. لبيانات اعتماد workload-identity، يتحقق هذا من مصافحة OIDC: تُصدر CrewAI Platform JWT، وتبادله مع AWS STS عبر `sts:AssumeRoleWithWebIdentity`، وتؤكد أن بيانات الاعتماد الناتجة يمكنها استدعاء `sts:GetCallerIdentity` مقابل الدور المُفترَض. نتيجة خضراء تعني أن ارتباط الاتحاد سليم.
-
-نجاح Test Connection يُثبت أن سياسة الثقة وتسجيل مزود OIDC وشرط الجمهور موصولة جميعها بشكل صحيح. لا يُثبت ذلك أن IAM لكل سر صحيح — يُمارَس `secretsmanager:GetSecretValue` على ARN سر محدد بشكل منفصل عندما يُحَلّ متغير بيئة عند الإطلاق. راجع [استكشاف الأخطاء](#troubleshooting) لأنماط فشل المصافحة.
-
-## الخطوة 9 — الإشارة إلى السر في متغير بيئة
-
-الآن أَشِر إلى السر على أتمتة، تماماً كما تفعل مع أي متغير بيئة مدعوم بمدير أسرار. راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage#referencing-secrets-in-environment-variables) لحقول النموذج والسلوك.
-
-الفرق الوحيد بين متغيرات البيئة المدعومة بـ WI والمدعومة بمفاتيح ثابتة هو **متى** يُقرأ السر:
-
- **مدعوم بـ WI:** تُقرأ قيمة السر طازجة في كل إطلاق أتمتة.
- **مدعوم بمفاتيح ثابتة:** تُقرأ قيمة السر وقت النشر وتُدمج في صورة النشر.
-
-## الخطوة 10 — التحقق من التدوير
-
-بعد تشغيل عملية النشر، دوّر السر في AWS:
-
-```bash
-aws secretsmanager update-secret \
-  --region <REGION> \
-  --secret-id crewai-test-keyword \
-  --secret-string "rotated value"
-```
-
-أطلق إطلاق أتمتة جديداً. ستكون بيئة الإطلاق ترى `"rotated value"` — بدون إعادة نشر ولا إعادة تشغيل عامل ولا انتظار TTL.
-
-للتأكد في السجلات (إذا كان لديك وصول إلى العامل)، ابحث عن:
-
-```
-Workload identity config '<id>' (aws): N secret(s) resolved
-```
-
-يظهر هذا السطر لكل إطلاق ويُشير إلى استدعاء `GetSecretValue` طازج مقابل AWS.
-
-## استكشاف الأخطاء
-
-| العَرَض | السبب المحتمل |
-|---|---|
-| يفشل Test Connection بخطأ مصافحة | رُفض استدعاء `sts:AssumeRoleWithWebIdentity`. تحقق من أن ARN الكيان الموحَّد في سياسة الثقة يشير إلى `oidc-provider/<your-platform-host>` (المضيف **بدون** `https://` أو `http://` وبدون شرطة مائلة لاحقة)، وأن شرط الجمهور هو بالضبط `sts.amazonaws.com`، وأن شرط `sub` يطابق UUID مؤسسة CrewAI الخاصة بك، وأن رابط اكتشاف OIDC للمنصة قابل للوصول من AWS عبر الإنترنت العام. |
-| `InvalidIdentityToken: Couldn't retrieve verification key from your identity provider` | لا يمكن لـ AWS STS الوصول إلى مضيف CrewAI Platform لجلب JWKS. تأكد من أن المضيف متاح عبر الإنترنت من AWS، وأن رابط اكتشاف OIDC يُعيد 200، وأن نقطة نهاية JWKS قابلة للوصول. |
-| `AccessDenied: Not authorized to perform sts:AssumeRoleWithWebIdentity` | عدم تطابق سياسة الثقة. تحقق من الخطوة 3 من جديد: يجب أن يتضمن ARN الكيان الموحَّد `oidc-provider/<your-platform-host>` (المضيف **بدون** `https://` أو `http://` وبدون شرطة مائلة لاحقة)، ويجب أن يكون شرط الجمهور بالضبط `sts.amazonaws.com`، وأن يساوي شرط `sub` بالضبط `organization:<YOUR_CREWAI_ORG_UUID>`. |
-| يُظهر الاقتراح التلقائي لاسم السر `AccessDenied: secretsmanager:ListSecrets` | يفتقد الدور إلى `secretsmanager:ListSecrets` مع `Resource: "*"`. أضف بيان `SecretsManagerListForUI` من الخطوة 4. |
-| يفشل الإطلاق في حلّ سر رغم نجاح Test Connection | ارتباط WI سليم، لكن IAM المحصور بالمورد مفقود على السر الفاشل. راجع أذونات `secretsmanager:GetSecretValue` و `kms:Decrypt` للدور على ARN ذلك السر بعينه ومفتاح KMS الخاص به. |
-| `RegionDisabledException` / لم يُعثر على أسرار | لا تطابق المنطقة في تكوين Workload Identity المكان الفعلي للسر. تحقق من الخطوة 6 من جديد. |
-| لا تُلتقط القيمة المُدوَّرة في الإطلاق التالي | تأكد من أن متغير البيئة على الأتمتة يشير إلى بيانات اعتماد مدعومة بـ Workload Identity (وليس بيانات اعتماد بمفاتيح ثابتة). يدمج المسار الثابت القيم في صورة النشر. |
-
-### روابط مرجعية
-
- AWS: [Creating OpenID Connect (OIDC) identity providers](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_providers_create_oidc.html)
- AWS: [Configuring a role for OpenID Connect federation](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_providers_create_oidc_relying-party.html)
- AWS: [STS:AssumeRoleWithWebIdentity API reference](https://docs.aws.amazon.com/STS/latest/APIReference/API_AssumeRoleWithWebIdentity.html)
-
-## الخطوات التالية
-
- [استخدام الأسرار في متغيرات البيئة وإدارة الأذونات](/ar/enterprise/features/secrets-manager/usage)
- للتنوع متعدد السحاب، راجع أيضاً [GCP Workload Identity Federation](/ar/enterprise/features/secrets-manager/gcp-workload-identity) و [Azure Workload Identity Federation](/ar/enterprise/features/secrets-manager/azure-workload-identity).
--- a/docs/ar/enterprise/features/secrets-manager/aws.mdx
+++ b/docs/ar/enterprise/features/secrets-manager/aws.mdx
@@ -1,295 +0,0 @@
---
-title: AWS Secrets Manager (بيانات اعتماد ثابتة)
-description: تكوين AWS Secrets Manager كمزود أسرار لـ CrewAI Platform باستخدام مفاتيح الوصول الثابتة أو AssumeRole
-sidebarTitle: ببيانات اعتماد ثابتة
-icon: "key"
---
-
-## نظرة عامة
-
-يأخذك هذا الدليل عبر تكوين AWS Secrets Manager كمزود أسرار لمؤسستك على CrewAI Platform، باستخدام **بيانات الاعتماد الثابتة** (مفاتيح الوصول، اختيارياً مع AssumeRole). بنهاية الدليل، ستتمكن CrewAI Platform من قراءة الأسرار المخزّنة في حساب AWS الخاص بك وحقنها كقيم متغيرات بيئة وقت التشغيل.
-
-<Note>
-يغطي هذا الدليل مسار **بيانات الاعتماد الثابتة** — تُحَلّ الأسرار وقت النشر وتُدمج في صورة النشر. تتطلب القيم المُدوَّرة إعادة نشر. إذا أردت أسراراً مراعية للتدوير تُحدَّث في كل إطلاق أتمتة (بدون إعادة نشر)، راجع [AWS Workload Identity (اتحاد OIDC)](/ar/enterprise/features/secrets-manager/aws-workload-identity).
-</Note>
-
-<Note>
-يغطي هذا الدليل التكوين من جانب AWS وإعداد بيانات الاعتماد في CrewAI Platform. للإشارة بعدها إلى سر من متغير بيئة، راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage).
-</Note>
-
-## المتطلبات المسبقة
-
-<Note>
-قبل البدء، تأكد من امتلاكك:
-
- حساب AWS لديه إذن إنشاء مستخدمي IAM وسياسات يديرها العميل و(اختيارياً) أدوار IAM.
- منطقة AWS التي تعيش (أو ستعيش) فيها أسرارك، مثلاً `us-east-1`.
- مؤسسة على CrewAI Platform يمتلك مستخدمك فيها إذن `secret_providers: manage`. راجع [الأذونات (RBAC)](/ar/enterprise/features/secrets-manager/usage#permissions-rbac).
-</Note>
-
-## اختر طريقة المصادقة
-
-تدعم CrewAI Platform طريقتين لمصادقة المنصة مع AWS Secrets Manager. اختر واحدة قبل أن تبدأ — تختلف الخطوات أدناه بناءً على اختيارك.
-
-| الطريقة | متى تُستخدم | المقايضات |
-|---|---|---|
-| **مفاتيح الوصول الثابتة** | البداية، عمليات نشر بحساب واحد | أبسط إعداد؛ يجب تدوير مفاتيح الوصول يدوياً |
-| **AssumeRole** | عبر الحسابات، تشديد الإنتاج | بيانات اعتماد قصيرة الأمد؛ يدعم External ID؛ يتطلب دور IAM إضافي |
-
-تستخدم بقية هذا الدليل علامات تبويب في الخطوات 3–5 لتتمكن من اتباع المسار المطابق لاختيارك.
-
-## الخطوة 1 — إنشاء مستخدم IAM
-
-افتح [وحدة تحكم IAM](https://console.aws.amazon.com/iam/)، انتقل إلى **Users**، ثم انقر على **Create user**.
-
- الاسم المقترح: `crewai-secrets-reader`.
- اترك **Provide user access to the AWS Management Console** بدون تحديد — هذا الكيان تستخدمه CrewAI Platform برمجياً، وليس البشر.
- انقر على **Next**.
-
-في صفحة **Set permissions**، اترك الاختيار الافتراضي. ستُرفق السياسة في الخطوة 3.
-
-انقر على **Next**، راجع، وانقر على **Create user**.
-
-للتفاصيل الكاملة، راجع وثائق AWS: [Create an IAM user in your AWS account](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_users_create.html).
-
-{/* SCREENSHOT: AWS IAM "Create user" form filled with name "crewai-secrets-reader" → /images/secrets-manager/aws/01-create-iam-user.png */}
-
-## الخطوة 2 — إنشاء سياسة IAM
-
-تحتاج CrewAI Platform إلى وصول للقراءة فقط إلى AWS Secrets Manager وإذن لفك تشفير الأسرار عبر KMS. أنشئ سياسة يديرها العميل بـ JSON التالي.
-
-في وحدة تحكم IAM، انتقل إلى **Policies**، ثم انقر على **Create policy**.
-
-اختر علامة التبويب **JSON** واستبدل المحتوى بـ:
-
-```json
-{
-  "Version": "2012-10-17",
-  "Statement": [
-    {
-      "Sid": "SecretsManagerRead",
-      "Effect": "Allow",
-      "Action": [
-        "secretsmanager:ListSecrets",
-        "secretsmanager:GetSecretValue",
-        "secretsmanager:DescribeSecret"
-      ],
-      "Resource": "*"
-    },
-    {
-      "Sid": "KMSDecrypt",
-      "Effect": "Allow",
-      "Action": [
-        "kms:DescribeKey",
-        "kms:Decrypt"
-      ],
-      "Resource": "*"
-    }
-  ]
-}
-```
-
-انقر على **Next**، ثم في صفحة **Review and create**:
-
- **Policy name:** `CrewAISecretsManagerRead`
- **Description (optional):** `Read-only access to AWS Secrets Manager for CrewAI Platform`
-
-انقر على **Create policy**.
-
-<Tip>
-تمنح السياسة أعلاه `*` على `Resource` للبساطة. في الإنتاج، حدّد نطاق `Resource` إلى ARNs الخاصة بالأسرار التي يجب على CrewAI Platform الوصول إليها، وحدّد نطاق `kms:Decrypt` إلى ARNs مفاتيح KMS التي تُشفّر تلك الأسرار. راجع [إرشادات AWS حول أقل الامتيازات](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create-console.html).
-</Tip>
-
-{/* SCREENSHOT: AWS IAM "Create policy" → JSON tab with the policy above pasted → /images/secrets-manager/aws/02-create-policy-json-editor.png */}
-{/* SCREENSHOT: AWS IAM "Review and create policy" page with name "CrewAISecretsManagerRead" → /images/secrets-manager/aws/03-policy-review-and-create.png */}
-
-## الخطوة 3 — إرفاق السياسة
-
-<Tabs>
-  <Tab title="مفاتيح الوصول الثابتة">
-    1. في وحدة تحكم IAM، انتقل إلى **Users** وانقر على المستخدم الذي أنشأته في الخطوة 1.
-    2. في علامة التبويب **Permissions**، انقر على **Add permissions** ← **Attach policies directly**.
-    3. ابحث عن `CrewAISecretsManagerRead`، حدّدها، وانقر على **Next**.
-    4. انقر على **Add permissions**.
-
-    {/* SCREENSHOT: "Add permissions" → "Attach policies directly" with CrewAISecretsManagerRead selected → /images/secrets-manager/aws/04a-attach-policy-to-user.png */}
-  </Tab>
-
-  <Tab title="AssumeRole">
-    مع AssumeRole، تُرفَق السياسة بـ **دور** IAM منفصل (وليس مباشرة بالمستخدم). يحتاج المستخدم من الخطوة 1 فقط إلى إذن لاستدعاء `sts:AssumeRole` على ذلك الدور.
-
-    **إنشاء الدور:**
-
-    1. في وحدة تحكم IAM، انتقل إلى **Roles** وانقر على **Create role**.
-    2. **Trusted entity type:** AWS account. اختر **This account** (أو **Another AWS account** لإعدادات عبر الحسابات، ثم أدخل معرّف حساب AWS الذي يستضيف مستخدم IAM من الخطوة 1).
-    3. (موصى به) حدّد **Require external ID** وأدخل قيمة تُولّدها بنفسك — هذا سر مشترك ستلصقه في CrewAI Platform في الخطوة 5.
-    4. انقر على **Next**.
-    5. أرفق سياسة `CrewAISecretsManagerRead`.
-    6. انقر على **Next**، سمِّ الدور `CrewAISecretsManagerRole`، وانقر على **Create role**.
-
-    **اسمح لمستخدم IAM بافتراض الدور:**
-
-    1. افتح الدور الذي أنشأته للتو وانسخ **ARN** الخاص به.
-    2. في وحدة تحكم IAM، انتقل إلى **Users**، انقر على المستخدم من الخطوة 1، وفي علامة التبويب **Permissions** انقر على **Add permissions** ← **Create inline policy**.
-    3. في علامة التبويب **JSON**، الصق ما يلي (استبدل `ROLE_ARN_FROM_ABOVE`):
-
-    ```json
-    {
-      "Version": "2012-10-17",
-      "Statement": [
-        {
-          "Effect": "Allow",
-          "Action": "sts:AssumeRole",
-          "Resource": "ROLE_ARN_FROM_ABOVE"
-        }
-      ]
-    }
-    ```
-
-    4. سمِّ السياسة `CrewAIAssumeSecretsRole` وانقر على **Create policy**.
-
-    {/* SCREENSHOT: IAM "Create role" trust policy step with External ID checkbox enabled → /images/secrets-manager/aws/04b-create-role-trust-policy.png */}
-    {/* SCREENSHOT: Inline sts:AssumeRole policy attached to the IAM user → /images/secrets-manager/aws/04c-attach-assumerole-on-user.png */}
-  </Tab>
-</Tabs>
-
-## الخطوة 4 — الحصول على بيانات الاعتماد
-
-<Tabs>
-  <Tab title="مفاتيح الوصول الثابتة">
-    1. في وحدة تحكم IAM، افتح المستخدم من الخطوة 1.
-    2. انقر على علامة التبويب **Security credentials**.
-    3. تحت **Access keys**، انقر على **Create access key**.
-    4. اختر **Application running outside AWS** (أو **Other**) كحالة استخدام. انقر على **Next**.
-    5. (اختياري) أضف وسماً وصفياً. انقر على **Create access key**.
-    6. انقر على **Show** للكشف عن مفتاح الوصول السري، ثم انسخ كلاً من **Access key ID** و **Secret access key**، أو انقر على **Download .csv file**.
-
-    <Warning>
-    يظهر مفتاح الوصول السري مرة واحدة فقط. إذا أغلقت هذه الصفحة دون نسخه، فستحتاج إلى حذف المفتاح وإنشاء واحد جديد.
-    </Warning>
-
-    للتفاصيل الكاملة، راجع وثائق AWS: [Manage access keys for IAM users](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_credentials_access-keys.html).
-
-    {/* SCREENSHOT: Access key use-case selector ("Application running outside AWS") → /images/secrets-manager/aws/05a-create-access-key-use-case.png */}
-    {/* SCREENSHOT: "Retrieve access keys" page with Show/Download buttons → /images/secrets-manager/aws/06a-retrieve-access-keys.png */}
-  </Tab>
-
-  <Tab title="AssumeRole">
-    حتى مع AssumeRole، لا تزال CrewAI Platform تحتاج إلى مفتاح وصول لمستخدم IAM — فهي تستخدم تلك المفاتيح كهوية المتصل لتنفيذ استدعاء `sts:AssumeRole`.
-
-    1. أنشئ مفتاح وصول للمستخدم تماماً كما هو موضح في علامة التبويب **مفاتيح الوصول الثابتة** أعلاه.
-    2. افتح الدور الذي أنشأته في الخطوة 3 وانسخ:
-       - **Role ARN** (من ملخص الدور).
-       - **External ID** الذي كوّنته (إن وُجد) — قد عيّنته بنفسك في الخطوة 3، فتأكد من أنه بحوزتك.
-
-    {/* SCREENSHOT: IAM role detail page showing Role ARN → /images/secrets-manager/aws/05b-role-arn-detail.png */}
-  </Tab>
-</Tabs>
-
-## الخطوة 5 — إضافة بيانات الاعتماد في CrewAI Platform
-
-في CrewAI Platform، انتقل إلى **Settings** ← **Secret Provider Credentials** وانقر على **Add Credential**.
-
-{/* SCREENSHOT: Sidebar/nav highlighting Settings → Secret Provider Credentials → /images/secrets-manager/usage/01-amp-settings-nav.png */}
-{/* SCREENSHOT: Empty state of Secret Provider Credentials page with "Add Credential" button → /images/secrets-manager/usage/02-amp-credentials-empty-state.png */}
-
-<Tabs>
-  <Tab title="مفاتيح الوصول الثابتة">
-    املأ النموذج:
-
-    - **Name:** اسم وصفي، مثلاً `aws-prod`.
-    - **Provider:** `AWS Secrets Manager`.
-    - **Region:** منطقة AWS التي تعيش فيها أسرارك، مثلاً `us-east-1`. يجب أن تطابق منطقة الأسرار التي تريد قراءتها.
-    - **Access Key ID:** القيمة من الخطوة 4.
-    - **Secret Access Key:** القيمة من الخطوة 4.
-    - (اختياري) حدّد **Set as default credential for this provider**. تُستخدم بيانات الاعتماد الافتراضية بواسطة متغيرات البيئة التي تشير إلى أسرار AWS بدون تحديد بيانات اعتماد صراحةً.
-
-    اترك **Role ARN** و **External ID** فارغين.
-
-    انقر على **Create**.
-
-    {/* SCREENSHOT: "Add Secret Provider Credential" form with AWS + static access keys filled in → /images/secrets-manager/usage/03a-amp-add-credential-form-aws-static.png */}
-  </Tab>
-
-  <Tab title="AssumeRole">
-    املأ النموذج:
-
-    - **Name:** اسم وصفي، مثلاً `aws-prod-assumerole`.
-    - **Provider:** `AWS Secrets Manager`.
-    - **Region:** منطقة AWS التي تعيش فيها أسرارك.
-    - **Access Key ID:** مفتاح وصول مستخدم IAM من الخطوة 4 (يُستخدم لاستدعاء STS).
-    - **Secret Access Key:** مفتاح الوصول السري لمستخدم IAM من الخطوة 4.
-    - **Role ARN:** Role ARN الذي نسخته في الخطوة 4.
-    - **External ID:** External ID الذي عيّنته على سياسة الثقة الخاصة بالدور (احذفه إن لم يوجد).
-    - (اختياري) حدّد **Set as default credential for this provider**.
-
-    انقر على **Create**.
-
-    {/* SCREENSHOT: "Add Secret Provider Credential" form with AWS + AssumeRole fields filled in → /images/secrets-manager/usage/03b-amp-add-credential-form-aws-assumerole.png */}
-  </Tab>
-</Tabs>
-
-<Note>
-**كيف تتصرف الطريقتان وقت التشغيل:**
-
- مع **مفاتيح الوصول الثابتة** فقط، تستدعي CrewAI Platform AWS Secrets Manager مباشرةً باستخدام المفاتيح التي قدّمتها.
- عند تعيين **Role ARN**، تستدعي CrewAI Platform أولاً `sts:AssumeRole` بمفاتيح الوصول المقدَّمة (و External ID إن كان مكوَّناً)، ثم تستخدم بيانات الاعتماد قصيرة الأمد التي تُعيدها STS لقراءة أسرارك.
-</Note>
-
-{/* SCREENSHOT: Credentials list showing the new AWS row, with "(default)" badge if applicable → /images/secrets-manager/usage/04-amp-credential-created.png */}
-
-## الخطوة 6 — إنشاء سر واحد على الأقل في AWS
-
-إذا لم يكن لديك بالفعل أسرار في AWS Secrets Manager، أنشئ واحداً الآن لتتمكن من التحقق من الاتصال في الخطوة 7.
-
-في [وحدة تحكم AWS Secrets Manager](https://console.aws.amazon.com/secretsmanager/)، انقر على **Store a new secret**.
-
- **Secret type:** اختر **Other type of secret**.
- **Key/value pairs** — إما:
-  - إدخال زوج أو أكثر من مفتاح/قيمة (موصى به للأسرار المهيكلة)، أو
-  - استخدام علامة التبويب **Plaintext** لقيمة نصية واحدة.
- **Encryption key:** استخدم `aws/secretsmanager` (المفتاح الذي يديره AWS) ما لم تكن لديك متطلبات محددة لمفتاح KMS.
-
-انقر على **Next**، ثم أدخل:
-
- **Secret name:** اسم فريد، مثلاً `crewai/openai-api-key`.
- **Description (optional):** ملاحظة قصيرة عن غرض السر.
-
-انقر على **Next** عبر خطوات التدوير والمراجعة، ثم انقر على **Store**.
-
-<Note>
-**صيغة الإشارة بمفتاح JSON.** إذا خزّنت سراً بأزواج مفتاح/قيمة متعددة (كائن JSON)، يمكن لـ CrewAI Platform استخراج حقل محدد باستخدام صيغة `secret-name#json_key` في إشارات متغيرات البيئة. على سبيل المثال، يمكن الإشارة إلى سر باسم `database-credentials` بـ `{"username": "...", "password": "..."}` باسم `database-credentials#password`. راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage#referencing-secrets-in-environment-variables) للتفاصيل.
-</Note>
-
-للتفاصيل الكاملة، راجع وثائق AWS: [Create an AWS Secrets Manager secret](https://docs.aws.amazon.com/secretsmanager/latest/userguide/create_secret.html).
-
-{/* SCREENSHOT: AWS Secrets Manager "Choose secret type" page → /images/secrets-manager/aws/07-create-secret-store-type.png */}
-{/* SCREENSHOT: AWS Secrets Manager "Configure secret" page with name and description → /images/secrets-manager/aws/08-create-secret-name.png */}
-
-## الخطوة 7 — اختبار الاتصال
-
-عُد إلى CrewAI Platform، في صفحة **Secret Provider Credentials**، اعثر على بيانات الاعتماد التي أنشأتها للتو وانقر على **Test Connection**.
-
-تؤكد رسالة نجاح أن CrewAI Platform يمكنها المصادقة مع AWS وقراءة الأسرار من حسابك.
-
-{/* SCREENSHOT: Success toast after clicking "Test Connection" → /images/secrets-manager/usage/05-amp-test-connection-success.png */}
-
-إذا فشل الاختبار، تحقق من الأسباب الأكثر شيوعاً:
-
-| العَرَض | السبب المحتمل |
-|---|---|
-| `AccessDenied` على `secretsmanager:ListSecrets` | السياسة غير مُرفقة، أو المستخدم خاطئ. تحقق من الخطوة 3 من جديد. |
-| `AccessDenied` على `kms:Decrypt` | بيان `KMSDecrypt` مفقود، أو أن أسرارك تستخدم مفتاح KMS يديره العميل لا يغطّيه `Resource: "*"`. |
-| `InvalidClientTokenId` / `SignatureDoesNotMatch` | معرّف مفتاح الوصول أو مفتاح الوصول السري خاطئ. تحقق من الخطوتين 4 و 5 من جديد. |
-| `RegionDisabledException` / لم يُعثر على أسرار | لا تطابق **Region** الخاصة ببيانات الاعتماد المكان الفعلي لأسرارك. |
-| `AccessDenied` على `sts:AssumeRole` (AssumeRole فقط) | سياسة `sts:AssumeRole` المضمنة مفقودة على مستخدم IAM، أو لا تسمح سياسة الثقة الخاصة بالدور بهذا الكيان، أو لا يتطابق External ID. |
-| ينجح الاختبار فوراً بعد إنشاء مستخدم IAM، لكنه يفشل في المرة التالية | تستغرق بيانات اعتماد IAM أحياناً دقيقة أو دقيقتين للانتشار عالمياً. أعد المحاولة. |
-
-## الخطوات التالية
-
-الآن وقد اتصلت AWS، توجّه إلى [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage) من أجل:
-
- منح أعضاء المؤسسة الأذونات الصحيحة لاستخدام (أو إدارة) مدير الأسرار.
- الإشارة إلى أسرار AWS الخاصة بك من متغيرات بيئة CrewAI Platform.
-
-إذا كنت تريد أسراراً **مراعية للتدوير** تنتشر دون إعادة نشر، انتقل إلى [AWS Workload Identity (اتحاد OIDC)](/ar/enterprise/features/secrets-manager/aws-workload-identity) — نفس مخزن الأسرار، بدون بيانات اعتماد ثابتة، وتُجلب الأسرار في كل إطلاق.
--- a/docs/ar/enterprise/features/secrets-manager/azure-workload-identity.mdx
+++ b/docs/ar/enterprise/features/secrets-manager/azure-workload-identity.mdx
@@ -1,275 +0,0 @@
---
-title: Azure Workload Identity Federation
-description: تكوين Azure Key Vault عبر Microsoft Entra Workload Identity Federation للوصول إلى الأسرار بشكل مراعٍ للتدوير وبدون بيانات اعتماد
-sidebarTitle: بـ Workload Identity
-icon: "id-badge"
---
-
-## نظرة عامة
-
-يُكوِّن هذا الدليل Azure Key Vault كمزود أسرار باستخدام **Microsoft Entra Workload Identity Federation**: تُصدر CrewAI Platform رموز OIDC قصيرة الأمد، وتُبادلها للحصول على رمز وصول Entra عبر منصة هوية Microsoft، وتقرأ أسرارك — دون تخزين أي سر عميل في أي مكان.
-
-<Note>
-**لماذا هذا المسار:** تُحَلّ الأسرار وقت تنفيذ الأتمتة، لذا **تنتشر القيم المُدوَّرة إلى الإطلاق التالي بدون إعادة نشر**. إن كنت تحتاج فقط بيانات اعتماد ثابتة، راجع الدليل الأبسط [Azure Key Vault — سر العميل](/ar/enterprise/features/secrets-manager/azure).
-</Note>
-
-### كيف يعمل وقت التشغيل
-
-1. يطلب عامل النشر JWT OIDC طازج من CrewAI Platform.
-2. يُقدّم العامل الـ JWT إلى Microsoft Entra على `https://login.microsoftonline.com/<tenant>/oauth2/v2.0/token` كـ `client_assertion` (`urn:ietf:params:oauth:client-assertion-type:jwt-bearer`)، مع الإشارة إلى App Registration الذي يطابق **Federated Identity Credential** الخاص به مُصدر الـ JWT وموضوعه.
-3. تتحقق Entra من الـ JWT مقابل وثيقة اكتشاف OIDC و JWKS لمنصتك، ثم تُعيد رمز وصول قصير الأمد محصور بـ `https://vault.azure.net/.default`.
-4. يستدعي العامل Azure Key Vault لقراءة السر.
-5. تُحقن القيمة المجلوبة كقيمة لمتغير البيئة لإطلاق الأتمتة ذاك.
-
-تُخزَّن رموز موضوع OIDC مؤقتاً لنحو ساعة لتفادي إعادة الإصدار في كل إطلاق. تُجلب قيم الأسرار طازجة في كل إطلاق بغض النظر عن حالة ذاكرة OIDC المؤقتة، وهذا ما يجعل هذا المسار مراعياً للتدوير.
-
-## المتطلبات المسبقة
-
-<Note>
-قبل البدء، تأكد من امتلاكك:
-
- يجب أن تتضمن صورة حاوية الأتمتة إصدار CrewAI runtime رقم `1.14.5` أو أحدث.
- اشتراك Azure ومستأجر Microsoft Entra يمكنك إدارته.
- إذن في المستأجر لإنشاء App Registrations وإضافة Federated Identity Credentials.
- Key Vault يستخدم **Azure RBAC** للترخيص (وليس النموذج القديم لسياسة الوصول).
- مؤسسة على CrewAI Platform يمتلك مستخدمك فيها إذني `workload_identity_configs: manage` و `secret_providers: manage`. راجع [الأذونات (RBAC)](/ar/enterprise/features/secrets-manager/usage#permissions-rbac).
- **يجب أن يكون تنصيب CrewAI Platform قابلاً للوصول من Microsoft Entra عبر HTTPS** ليتمكّن Entra من جلب وثيقة اكتشاف OIDC و JWKS أثناء التحقق من الرمز. تأكد مع مسؤول المنصة من أن المضيف متاح عبر الإنترنت.
-</Note>
-
-## الخطوة 1 — العثور على عنوان مُصدر OIDC لـ CrewAI Platform
-
-ينشر تنصيب CrewAI Platform وثيقة اكتشاف OpenID Connect على `https://<your-platform-host>/.well-known/openid-configuration`. الحقل `issuer` هناك هو الرابط الذي ستُسجِّله Microsoft Entra كمُصدر اتحاد موثوق.
-
-افتح الرابط في المتصفح:
-
-```
-https://<your-platform-host>/.well-known/openid-configuration
-```
-
-ينبغي أن ترى JSON يحتوي على:
-
-```json
-{
-  "issuer": "https://<your-platform-host>",
-  "jwks_uri": "https://<your-platform-host>/oauth2/jwks",
-  ...
-}
-```
-
-سجّل القيمة الدقيقة لـ `issuer` — ستستخدمها في الخطوة 3.
-
-<Tip>
-إذا أعاد الرابط 404 أو 503، اتصل بمسؤول المنصة. يتطلب مُصدر OIDC تكوين مفتاح توقيع خاص وقت التنصيب. راجع دليل تنصيب المنصة لتكوين `OIDC_PRIVATE_KEY` و `OIDC_ISSUER`.
-</Tip>
-
-## الخطوة 2 — إنشاء App Registration
-
-في [بوابة Microsoft Entra](https://entra.microsoft.com)، انتقل إلى **App registrations** وانقر على **New registration**.
-
- **Name:** `crewai-secrets-reader`
- **Supported account types:** `Accounts in this organizational directory only (Single tenant)`.
- اترك **Redirect URI** فارغاً.
-
-انقر على **Register**. سجّل **Application (client) ID** و **Directory (tenant) ID** في لوحة نظرة عامة التطبيق — ستستخدمها في الخطوة 6.
-
-{/* SCREENSHOT: Azure portal "Register an application" form with name "crewai-secrets-reader" → /images/secrets-manager/azure-wi/01-register-app.png */}
-
-## الخطوة 3 — إضافة Federated Identity Credential
-
-يُخبر Federated Identity Credential Microsoft Entra: *ثِق برموز JWT المُصدَرة من هذا المُصدر، بهذا الموضوع، عندما تُقدَّم كتأكيد عميل لهذا App Registration.*
-
-في App Registration، انتقل إلى **Certificates & secrets** ← **Federated credentials** ← **Add credential**.
-
- **Federated credential scenario:** `Other issuer`.
- **Issuer:** رابط مُصدر CrewAI Platform من الخطوة 1، مثلاً `https://<your-platform-host>`.
- **Subject identifier:** `organization:<YOUR_CREWAI_ORG_UUID>` — قيمة ادّعاء `sub` في JWT بالضبط. اعثر على UUID مؤسستك في إعدادات مؤسسة CrewAI Platform. يقصر هذا الاتحاد على مؤسسة CrewAI محددة — تُقبل فقط الرموز المُصدَرة لأتمتات تلك المؤسسة.
- **Name:** أي تسمية وصفية، مثلاً `crewai-org-prod`.
- **Audience:** `api://AzureADTokenExchange`. هذا هو الجمهور الثابت الذي تتطلبه Microsoft Entra للبيانات الموحَّدة، وهو ما تُعيّنه CrewAI Platform في ادّعاء `aud` في JWT.
-
-انقر على **Add**.
-
-<Tip>
-**العزل لكل مؤسسة.** يقيّد معرّف الموضوع (`organization:<UUID>`) Federated Identity Credential لرموز مؤسسة CrewAI محددة. إذا كان من المفترض أن تتشارك مؤسسات CrewAI متعددة App Registration واحداً، أضف Federated Identity Credential لكل مؤسسة (كل منها بـ UUID المؤسسة).
-</Tip>
-
-للتفاصيل الكاملة، راجع وثائق Microsoft: [Configure a federated identity credential on an app](https://learn.microsoft.com/en-us/entra/workload-id/workload-identity-federation-create-trust).
-
-{/* SCREENSHOT: "Add credential" panel with scenario = "Other issuer", issuer URL, subject "organization:<uuid>", audience "api://AzureADTokenExchange" → /images/secrets-manager/azure-wi/02-add-federated-credential.png */}
-
-## الخطوة 4 — منح App Registration وصولاً إلى Key Vault
-
-امنح App Registration دور **Key Vault Secrets User** على الخزنة المستهدفة — نفس الدور الذي تستخدمه لمسار بيانات الاعتماد الثابتة. استخدم إما على مستوى الخزنة (أبسط) أو لكل سر (أقل الامتيازات).
-
-<Tabs>
-  <Tab title="على مستوى الخزنة (أبسط)">
-    ```bash
-    az role assignment create \
-      --assignee <APPLICATION_CLIENT_ID> \
-      --role "Key Vault Secrets User" \
-      --scope $(az keyvault show --name <VAULT_NAME> --query id -o tsv)
-    ```
-
-    يمنح النطاق على مستوى الخزنة إذن `secrets/list` الذي يعتمد عليه **الاقتراح التلقائي لاسم السر** في نموذج متغير البيئة لـ CrewAI Platform. اختر هذه التبويبة إذا أردت أن يعمل الاقتراح التلقائي.
-
-    {/* SCREENSHOT: Key Vault "Add role assignment" panel with "Key Vault Secrets User" and the App Registration selected → /images/secrets-manager/azure-wi/03-grant-vault-rbac.png */}
-  </Tab>
-
-  <Tab title="لكل سر (أقل الامتيازات)">
-    ```bash
-    az role assignment create \
-      --assignee <APPLICATION_CLIENT_ID> \
-      --role "Key Vault Secrets User" \
-      --scope $(az keyvault secret show --vault-name <VAULT_NAME> --name <SECRET_NAME> --query id -o tsv)
-    ```
-
-    تُعطّل الارتباطات لكل سر **الاقتراح التلقائي لاسم السر** في نموذج متغير البيئة لـ CrewAI Platform (يتطلب الاقتراح التلقائي `secrets/list`، وهو محصور بنطاق الخزنة فقط). اكتب اسم السر الكامل بدلاً من ذلك.
-
-    {/* SCREENSHOT: Per-secret IAM panel with the App Registration assigned **Key Vault Secrets User** at the secret resource scope → /images/secrets-manager/azure-wi/04-per-secret-rbac.png */}
-  </Tab>
-
-  <Tab title="البوابة (UI)">
-    لتعيين **على مستوى الخزنة**:
-
-    1. افتح Key Vault الخاص بك في بوابة Azure.
-    2. انقر على **Access control (IAM)** ← **Add** ← **Add role assignment**.
-    3. اختر الدور **Key Vault Secrets User** ← **Next**.
-    4. انقر على **Select members**، ابحث عن App Registration `crewai-secrets-reader`، انقر على **Select**.
-    5. انقر على **Review + assign**.
-
-    لتعيين **لكل سر**، استخدم نفس التدفق لكن ابدأ من **Objects** ← **Secrets** ← اختر السر ← لوحة **Access control (IAM)** الخاصة به. تُعطّل الارتباطات لكل سر الاقتراح التلقائي (راجع تبويبة لكل سر أعلاه).
-  </Tab>
-</Tabs>
-
-## الخطوة 5 — إنشاء سر واحد على الأقل في Key Vault
-
-إذا لم يكن لديك سر للاختبار، أنشئ واحداً عبر Azure CLI:
-
-```bash
-az keyvault secret set \
-  --vault-name <VAULT_NAME> \
-  --name openai-api-key \
-  --value "sk-your-actual-key"
-```
-
-أو عبر بوابة Azure:
-
-1. افتح Key Vault الخاص بك وانتقل إلى **Objects** ← **Secrets**.
-2. انقر على **Generate/Import**.
-3. **Upload options:** `Manual`. **Name:** اسم السر (مثلاً `openai-api-key`). **Secret value:** الصق القيمة.
-4. انقر على **Create**.
-
-<Note>
-**اصطلاحات اسم السر.** لا يمكن أن تحتوي أسماء أسرار Azure Key Vault على شرطات سفلية. تُحوّل CrewAI Platform تلقائياً الشرطات السفلية إلى شرطات عند استدعاء Azure (مثلاً، `db_password` تُرسل كـ `db-password`)، لذا يمكنك الاحتفاظ بأسماء متغيرات بيئة بنمط الشرطة السفلية — لكن السر الأساسي في Key Vault يجب أن يستخدم الشرطات.
-</Note>
-
-## الخطوة 6 — إضافة تكوين Workload Identity في CrewAI Platform
-
-في CrewAI Platform، انتقل إلى **Settings** ← **Workload Identity** وانقر على **Add Workload Identity Config**.
-
-املأ النموذج:
-
- **Name:** اسم وصفي، مثلاً `azure-prod`.
- **Cloud Provider:** `Azure`.
- **Tenant ID:** **Directory (tenant) ID** الخاص بـ Microsoft Entra من الخطوة 2.
- **Client ID:** **Application (client) ID** الخاص بـ App Registration من الخطوة 2.
- (اختياري) حدّد **Set as default for Azure** إذا كنت ترغب في أن يكون هذا هو تكوين WI الافتراضي المُحدَّد عند إنشاء بيانات اعتماد سر مدعومة بـ Azure.
-
-**Audience** ثابت على `api://AzureADTokenExchange` — تتطلب Microsoft Entra هذا الجمهور بالضبط للبيانات الموحَّدة، لذا لا يظهر حقل Audience في النموذج.
-
-انقر على **Create**.
-
-{/* SCREENSHOT: "Add Workload Identity Config" form with Azure, tenant ID, client ID populated → /images/secrets-manager/azure-wi/05-amp-add-wi-config-azure.png */}
-{/* SCREENSHOT: Workload Identity list showing AWS, GCP, and Azure rows → /images/secrets-manager/azure-wi/06-amp-wi-list-with-azure.png */}
-
-## الخطوة 7 — إضافة بيانات اعتماد مزود أسرار مرتبطة بتكوين WI
-
-انتقل إلى **Settings** ← **Secret Provider Credentials** وانقر على **Add Credential**.
-
-املأ النموذج:
-
- **Name:** اسم وصفي، مثلاً `azure-prod-wi`.
- **Provider:** `Azure Key Vault`.
- **Authentication Method:** `Workload Identity`.
- **Workload Identity Configuration:** اختر التكوين الذي أنشأته في الخطوة 6.
- **Key Vault URL:** اسم مضيف DNS للخزنة، مثلاً `https://my-vault.vault.azure.net`.
- (اختياري) حدّد **Set as default credential for this provider**.
-
-سيطلب النموذج فقط **Key Vault URL** ضمن Workload Identity — حقول بيانات الاعتماد الثابتة (Tenant ID و Client ID و Client Secret) مخفية عمداً لأنها لا تنطبق على هذا المسار؛ يأتي المستأجر والعميل من تكوين WI المرتبط.
-
-انقر على **Create**.
-
-<Tip>
-**App Registration واحد، خزائن متعددة.** يعيش Key Vault URL على بيانات الاعتماد، وليس على تكوين WI. لذا يمكن لـ App Registration واحد (وتكوين WI واحد) خدمة عدة Key Vaults — فقط أنشئ بيانات اعتماد مزود أسرار واحدة لكل خزنة، جميعها مرتبطة بنفس تكوين WI.
-</Tip>
-
-{/* SCREENSHOT: "Add Secret Provider Credential" form with Azure + Workload Identity + WI config dropdown + vault URL → /images/secrets-manager/azure-wi/07-amp-add-credential-azure-wi.png */}
-
-## الخطوة 8 — اختبار الاتصال
-
-بعد حفظ بيانات الاعتماد، انقر على **Test Connection**. لبيانات اعتماد workload-identity، يتحقق هذا من مصافحة OIDC: تُصدر CrewAI Platform JWT، وتُقدّمه إلى Microsoft Entra كـ `client_assertion` موحَّد، وتؤكد أن Entra تُعيد رمز وصول محصور بالخزنة. نتيجة خضراء تعني أن ارتباط الاتحاد سليم.
-
-نجاح Test Connection يُثبت أن مُصدر Federated Identity Credential وموضوعه وجمهوره كلها متطابقة، وأن App Registration قابل للوصول. لا يُثبت ذلك أن RBAC لكل سر في Key Vault صحيح — يُمارَس `getSecret` على سر محدد بشكل منفصل عندما يُحَلّ متغير بيئة عند الإطلاق. راجع [استكشاف الأخطاء](#troubleshooting) لأنماط فشل المصافحة.
-
-## الخطوة 9 — الإشارة إلى السر في متغير بيئة
-
-أَشِر إلى السر على أتمتة، تماماً كما تفعل مع أي متغير بيئة مدعوم بمدير أسرار. راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage#referencing-secrets-in-environment-variables) لحقول النموذج والسلوك.
-
-## الخطوة 10 — التحقق من التدوير
-
-بعد تشغيل عملية النشر، دوّر السر في Key Vault:
-
-```bash
-az keyvault secret set \
-  --vault-name <VAULT_NAME> \
-  --name openai-api-key \
-  --value "rotated value"
-```
-
-أطلق إطلاق أتمتة جديداً. ستكون بيئة الإطلاق ترى `"rotated value"` — بدون إعادة نشر ولا إعادة تشغيل عامل ولا انتظار TTL.
-
-للتأكد في سجلات العامل، ابحث عن:
-
-```
-Workload identity config '<id>' (azure): N secret(s) resolved
-```
-
-يظهر هذا السطر لكل إطلاق ويُشير إلى استدعاء `getSecret` طازج مقابل Azure Key Vault.
-
-للتحقق من البداية إلى النهاية باستخدام البصمة، راجع [التحقق من التدوير من البداية إلى النهاية](/ar/enterprise/features/secrets-manager/verify-rotation).
-
-## استكشاف الأخطاء
-
-| العَرَض | السبب المحتمل |
-|---|---|
-| يفشل Test Connection بخطأ مصافحة | رفضت Microsoft Entra `client_assertion` الموحَّد. تحقق من أن **Issuer** في Federated Identity Credential يطابق قيمة `issuer` للمنصة بالضبط، وأن **Subject** هو `organization:<your-org-uuid>` (يطابق ادّعاء `sub` في JWT)، وأن **Audience** هو `api://AzureADTokenExchange`، وأن رابط اكتشاف OIDC للمنصة قابل للوصول من Entra عبر الإنترنت العام. |
-| `AADSTS70021: No matching federated identity record found for presented assertion` | لا يتطابق **Issuer** + **Subject** + **Audience** في Federated Identity Credential مع الـ JWT بالضبط. تحقق من الخطوة 3 من جديد: يجب أن يكون الموضوع `organization:<your-org-uuid>` (يطابق ادّعاء `sub` في JWT)، ويجب أن يكون الجمهور `api://AzureADTokenExchange`. |
-| `AADSTS700024: Client assertion is not within its valid time range` | ساعة مضيف CrewAI Platform منحرفة بشكل كبير عن الوقت الحقيقي. تحقق من NTP على المضيف. |
-| `AADSTS50013: Assertion failed signature validation` | لم تستطع Microsoft Entra التحقق من توقيع الـ JWT. تأكد من أن `https://<your-platform-host>/oauth2/jwks` قابل للوصول من الإنترنت العام ويُقدّم JWKS صالحاً. |
-| يُظهر الاقتراح التلقائي لاسم السر `Forbidden — does not have permission to perform action 'Microsoft.KeyVault/vaults/secrets/.../list'` | دور **Key Vault Secrets User** الخاص بـ App Registration محصور بسر واحد. امنح الدور على نطاق الخزنة ليُسمح بإجراء `list` في مستوى البيانات. راجع الخطوة 4. |
-| يفشل الإطلاق في حلّ سر رغم نجاح Test Connection | ارتباط WI سليم، لكن RBAC لكل سر في Key Vault مفقود على السر الفاشل. راجع **Key Vault Secrets User** على ذلك السر تحديداً (أو وسّع تعيين الدور إلى نطاق الخزنة). |
-| `Forbidden — request was not authorized` (الخزنة تستخدم سياسات الوصول القديمة) | لم يتم تحويل الخزنة إلى Azure RBAC. ضمن **Access configuration** للخزنة، عيّن نموذج الإذن إلى **Azure role-based access control** وأعد منح الدور من الخطوة 4. |
-| `azure_vault_url is required for Azure secret resolution` (سجلات العامل) | تفتقد بيانات اعتماد مزود الأسرار إلى **Key Vault URL**. تحقق من الخطوة 7 من جديد. |
-| لا تُلتقط القيمة المُدوَّرة في الإطلاق التالي | تأكد من أن متغير البيئة على الأتمتة يشير إلى بيانات اعتماد مدعومة بـ Workload Identity (وليس بيانات اعتماد بمفاتيح ثابتة). يدمج المسار الثابت القيم في صورة النشر. |
-
-### روابط مرجعية
-
- Microsoft: [Microsoft Entra Workload Identity Federation overview](https://learn.microsoft.com/en-us/entra/workload-id/workload-identity-federation)
- Microsoft: [Configure a federated identity credential on an app](https://learn.microsoft.com/en-us/entra/workload-id/workload-identity-federation-create-trust)
- Microsoft: [Azure Key Vault RBAC guide](https://learn.microsoft.com/en-us/azure/key-vault/general/rbac-guide)
-
-## الخطوات التالية
-
- [استخدام الأسرار في متغيرات البيئة وإدارة الأذونات](/ar/enterprise/features/secrets-manager/usage)
- للتنوع متعدد السحاب، إعداد ما يعادله لـ AWS موجود في [AWS Workload Identity (اتحاد OIDC)](/ar/enterprise/features/secrets-manager/aws-workload-identity) وما يعادله لـ GCP في [GCP Workload Identity Federation](/ar/enterprise/features/secrets-manager/gcp-workload-identity).
-
-## مرجع لقطات الشاشة
-
-تُربط العناصر النائبة أعلاه بـ:
-
- `01-register-app.png` — نموذج "Register an application" في بوابة Azure مع `crewai-secrets-reader`.
- `02-add-federated-credential.png` — App Registration ← Certificates & secrets ← Federated credentials ← Add credential، مع **Other issuer**، رابط مُصدر المنصة، الموضوع `organization:<uuid>`، الجمهور `api://AzureADTokenExchange`.
- `03-grant-vault-rbac.png` — Key Vault ← Access control (IAM) ← Add role assignment، مع **Key Vault Secrets User** و App Registration المختار.
- `04-per-secret-rbac.png` — نفس النموذج لكن في نطاق IAM سر واحد (مسار أقل الامتيازات البديل).
- `05-amp-add-wi-config-azure.png` — نموذج "Add Workload Identity Config" في CrewAI Platform مع Cloud Provider = Azure و Tenant ID و Client ID مأهولين.
- `06-amp-wi-list-with-azure.png` — صفحة قائمة Workload Identity بعد الإنشاء، تُظهر صفوفاً لـ AWS و GCP وتكوين Azure الجديد.
- `07-amp-add-credential-azure-wi.png` — نموذج "Add Secret Provider Credential" مع Provider = Azure Key Vault، Auth = Workload Identity، تكوين WI المختار، و Key Vault URL مأهول.
--- a/docs/ar/enterprise/features/secrets-manager/azure.mdx
+++ b/docs/ar/enterprise/features/secrets-manager/azure.mdx
@@ -1,196 +0,0 @@
---
-title: Azure Key Vault
-description: تكوين Azure Key Vault كمزود أسرار لـ CrewAI Platform من البداية إلى النهاية
-sidebarTitle: ببيانات اعتماد ثابتة
-icon: "key"
---
-
-## نظرة عامة
-
-يأخذك هذا الدليل عبر تكوين Azure Key Vault كمزود أسرار لمؤسستك على CrewAI Platform، باستخدام **App Registration في Microsoft Entra مع سر عميل**. بنهاية الدليل، ستتمكن CrewAI Platform من قراءة الأسرار المخزّنة في Azure Key Vault الخاص بك وحقنها كقيم متغيرات بيئة وقت التشغيل.
-
-<Note>
-يغطي هذا الدليل مسار **بيانات الاعتماد الثابتة** — تُحَلّ الأسرار وقت النشر وتُدمج في صورة النشر. تتطلب القيم المُدوَّرة إعادة نشر. إذا أردت أسراراً مراعية للتدوير تُحدَّث في كل إطلاق أتمتة، راجع [Azure Workload Identity Federation](/ar/enterprise/features/secrets-manager/azure-workload-identity).
-</Note>
-
-<Note>
-يغطي هذا الدليل التكوين من جانب Azure وإعداد بيانات الاعتماد في CrewAI Platform. للإشارة بعدها إلى سر من متغير بيئة، راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage).
-</Note>
-
-## المتطلبات المسبقة
-
-<Note>
-قبل البدء، تأكد من امتلاكك:
-
- اشتراك Azure لديه إذن إنشاء App Registrations في Microsoft Entra ومنح تعيينات أدوار على موارد Key Vault.
- Key Vault يستخدم **Azure RBAC** للترخيص (وليس النموذج القديم لسياسة الوصول). إذا كان الخزنة لا تزال تستخدم سياسات الوصول، فحوّلها إلى RBAC ضمن لوحة **Access configuration** للخزنة.
- مؤسسة على CrewAI Platform يمتلك مستخدمك فيها إذن `secret_providers: manage`. راجع [الأذونات (RBAC)](/ar/enterprise/features/secrets-manager/usage#permissions-rbac).
-</Note>
-
-## الخطوة 1 — إنشاء App Registration
-
-App Registration هي الهوية من جانب Microsoft Entra التي ستُصادق بها CrewAI Platform.
-
-في [بوابة Microsoft Entra](https://entra.microsoft.com)، انتقل إلى **App registrations** وانقر على **New registration**.
-
- **Name:** `crewai-secrets-reader`
- **Supported account types:** `Accounts in this organizational directory only (Single tenant)`.
- اترك **Redirect URI** فارغاً.
-
-انقر على **Register**. سجّل **Application (client) ID** و **Directory (tenant) ID** في لوحة نظرة عامة التطبيق — ستلصق كليهما في CrewAI Platform في الخطوة 4.
-
-للتفاصيل الكاملة، راجع وثائق Microsoft: [Register an application with the Microsoft identity platform](https://learn.microsoft.com/en-us/entra/identity-platform/quickstart-register-app).
-
-{/* SCREENSHOT: Azure "Register an application" form with name "crewai-secrets-reader" → /images/secrets-manager/azure/01-register-app.png */}
-
-## الخطوة 2 — إنشاء سر عميل
-
-في App Registration، انتقل إلى **Certificates & secrets** ← **Client secrets** ← **New client secret**.
-
- **Description:** `crewai-platform`
- **Expires:** اختر مدة تتطابق مع سياسة التدوير لديك (تحدّد Microsoft هذا بـ 24 شهراً كحد أقصى).
-
-انقر على **Add**. انسخ عمود **Value** فوراً — لا يمكن إعادة عرضه أبداً بمجرد مغادرة الصفحة.
-
-<Warning>
-أسرار العميل هي بيانات اعتماد ثابتة طويلة الأمد. خزّن القيمة بأمان (في مدير كلمات مرور أو مخزن أسرارك الخاص) ودوّرها قبل انتهاء الصلاحية. للقضاء على بيانات الاعتماد الثابتة تماماً، استخدم [Azure Workload Identity Federation](/ar/enterprise/features/secrets-manager/azure-workload-identity) بدلاً من ذلك.
-</Warning>
-
-{/* SCREENSHOT: "Client secrets" tab with the new secret row and the "Value" column highlighted → /images/secrets-manager/azure/02-create-client-secret.png */}
-
-## الخطوة 3 — منح App Registration وصولاً إلى Key Vault
-
-تحتاج CrewAI Platform إلى وصول قراءة للأسرار في Key Vault الخاص بك. استخدم أحد نطاقين — **على مستوى الخزنة** للبساطة، أو **لكل سر** لأقل الامتيازات.
-
-<Tabs>
-  <Tab title="على مستوى الخزنة (أبسط)">
-    في [وحدة تحكم Key Vault](https://portal.azure.com/#view/HubsExtension/BrowseResource/resourceType/Microsoft.KeyVault%2Fvaults)، افتح الخزنة الهدف، ثم انتقل إلى **Access control (IAM)** ← **Add** ← **Add role assignment**.
-
-    - **Role:** **Key Vault Secrets User**
-    - **Assign access to:** User, group, or service principal
-    - **Members:** ابحث عن App Registration الخاص بك (`crewai-secrets-reader`) واختره.
-
-    انقر على **Review + assign**.
-
-    أو عبر Azure CLI:
-
-    ```bash
-    az role assignment create \
-      --assignee <APPLICATION_CLIENT_ID> \
-      --role "Key Vault Secrets User" \
-      --scope $(az keyvault show --name <VAULT_NAME> --query id -o tsv)
-    ```
-
-    {/* SCREENSHOT: Key Vault "Add role assignment" panel with "Key Vault Secrets User" and the App Registration selected → /images/secrets-manager/azure/03-grant-vault-rbac.png */}
-  </Tab>
-
-  <Tab title="لكل سر (أقل الامتيازات)">
-    امنح الدور على مستوى سر فردي. كرّر لكل سر ينبغي أن تصل إليه CrewAI Platform:
-
-    ```bash
-    az role assignment create \
-      --assignee <APPLICATION_CLIENT_ID> \
-      --role "Key Vault Secrets User" \
-      --scope $(az keyvault secret show --vault-name <VAULT_NAME> --name <SECRET_NAME> --query id -o tsv)
-    ```
-
-    {/* SCREENSHOT: Per-secret "Access control (IAM)" panel showing role assignment scoped to one secret → /images/secrets-manager/azure/04-per-secret-rbac.png */}
-  </Tab>
-</Tabs>
-
-<Tip>
-يسمح دور **Key Vault Secrets User** بقراءة قيم الأسرار لكن ليس سرد جميع الأسرار في الخزنة. يستدعي الاقتراح التلقائي لاسم السر في CrewAI Platform أيضاً `list` — هذا الإذن مُضمَّن في الدور على نطاق الخزنة، لكن **ليس** على نطاق لكل سر. مع ارتباطات لكل سر، لن يقترح الإكمال التلقائي أسراراً؛ اكتب اسم السر الكامل بدلاً من ذلك.
-</Tip>
-
-## الخطوة 4 — إضافة بيانات الاعتماد في CrewAI Platform
-
-في CrewAI Platform، انتقل إلى **Settings** ← **Secret Provider Credentials** وانقر على **Add Credential**.
-
-{/* SCREENSHOT: Sidebar/nav highlighting Settings → Secret Provider Credentials → /images/secrets-manager/usage/01-amp-settings-nav.png */}
-
-املأ النموذج:
-
- **Name:** اسم وصفي، مثلاً `azure-prod`.
- **Provider:** `Azure Key Vault`.
- **Key Vault URL:** اسم مضيف DNS للخزنة، مثلاً `https://my-vault.vault.azure.net`.
- **Tenant ID:** **Directory (tenant) ID** الخاص بـ Microsoft Entra من الخطوة 1.
- **Client ID:** **Application (client) ID** الخاص بـ App Registration من الخطوة 1.
- **Client Secret:** **Value** الذي نسخته في الخطوة 2.
- (اختياري) حدّد **Set as default credential for this provider**. تُستخدم بيانات الاعتماد الافتراضية بواسطة متغيرات البيئة التي تشير إلى أسرار Azure بدون تحديد بيانات اعتماد صراحةً.
-
-انقر على **Create**.
-
-{/* SCREENSHOT: "Add Secret Provider Credential" form with Azure fields filled in → /images/secrets-manager/azure/05-amp-add-credential-form-azure.png */}
-
-## الخطوة 5 — إنشاء سر واحد على الأقل في Azure Key Vault
-
-إذا لم يكن لديك بالفعل أسرار في Key Vault، أنشئ واحداً الآن لتتمكن من التحقق من الاتصال في الخطوة 6.
-
-في وحدة تحكم Key Vault، انتقل إلى **Objects** ← **Secrets** ← **Generate/Import**.
-
- **Upload options:** `Manual`
- **Name:** مثلاً `openai-api-key`
- **Secret value:** الصق قيمة سرّك
- اترك الباقي على القيم الافتراضية.
-
-انقر على **Create**.
-
-أو عبر Azure CLI:
-
-```bash
-az keyvault secret set \
-  --vault-name <VAULT_NAME> \
-  --name openai-api-key \
-  --value "sk-your-actual-key"
-```
-
-<Note>
-**اصطلاحات اسم السر.** لا يمكن أن تحتوي أسماء أسرار Azure Key Vault على شرطات سفلية. تُحوّل CrewAI Platform تلقائياً الشرطات السفلية إلى شرطات عند استدعاء Azure (مثلاً، `db_password` تُرسل كـ `db-password`)، لذا يمكنك الاحتفاظ بأسماء متغيرات بيئة بنمط الشرطة السفلية — لكن السر الأساسي في Key Vault يجب أن يستخدم الشرطات.
-</Note>
-
-<Note>
-**صيغة الإشارة بمفتاح JSON.** يتعامل Key Vault مع قيم الأسرار كسلاسل معتمة. إذا حدث أن كانت قيمة سرّك كائن JSON، يمكن لـ CrewAI Platform استخراج حقل واحد باستخدام صيغة `secret-name#json_key` (مثلاً `database-credentials#password`). راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage#referencing-secrets-in-environment-variables) للتفاصيل.
-</Note>
-
-للتفاصيل الكاملة، راجع وثائق Microsoft: [Set and retrieve a secret](https://learn.microsoft.com/en-us/azure/key-vault/secrets/quick-create-cli).
-
-{/* SCREENSHOT: Azure Key Vault "Create a secret" form with name and value → /images/secrets-manager/azure/06-create-secret.png */}
-
-## الخطوة 6 — اختبار الاتصال
-
-عُد إلى CrewAI Platform، في صفحة **Secret Provider Credentials**، اعثر على بيانات الاعتماد التي أنشأتها للتو وانقر على **Test Connection**.
-
-تؤكد رسالة نجاح أن CrewAI Platform يمكنها المصادقة مع Microsoft Entra وقراءة الأسرار من خزنتك.
-
-{/* SCREENSHOT: Success toast after clicking "Test Connection" on the Azure credential → /images/secrets-manager/azure/07-test-connection-success.png */}
-
-إذا فشل الاختبار، تحقق من الأسباب الأكثر شيوعاً:
-
-| العَرَض | السبب المحتمل |
-|---|---|
-| `AADSTS7000215: Invalid client secret provided` | **Client Secret** الملصوق خاطئ أو منتهي الصلاحية. أعد إنشاء السر (الخطوة 2) وحدّث بيانات الاعتماد. |
-| `AADSTS700016: Application not found in the directory` | لا يطابق **Tenant ID** أو **Client ID** الـ App Registration. تحقق من الخطوة 4 من جديد. |
-| `Forbidden — caller does not have permission` | يفتقد App Registration إلى دور **Key Vault Secrets User** على الخزنة (أو لكل سر). تحقق من الخطوة 3 من جديد. |
-| `Vault not found` / أخطاء DNS | **Key Vault URL** خاطئ، أو أن خزنتك لديها نقاط نهاية خاصة تمنع الوصول العام. تأكد من أن المضيف يستجيب لـ `curl https://<vault-name>.vault.azure.net/secrets?api-version=7.4`. |
-| `Forbidden — request was not authorized` (الخزنة تستخدم سياسات الوصول القديمة) | لم يتم تحويل الخزنة إلى Azure RBAC. ضمن **Access configuration** للخزنة، عيّن نموذج الإذن إلى **Azure role-based access control** وأعد منح الدور من الخطوة 3. |
-
-## الخطوات التالية
-
-الآن وقد اتصل Azure Key Vault، توجّه إلى [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage) من أجل:
-
- منح أعضاء المؤسسة الأذونات الصحيحة لاستخدام (أو إدارة) مدير الأسرار.
- الإشارة إلى أسرار Azure الخاصة بك من متغيرات بيئة CrewAI Platform.
-
-إذا كنت تريد أسراراً **مراعية للتدوير** تنتشر دون إعادة نشر، انتقل إلى [Azure Workload Identity Federation](/ar/enterprise/features/secrets-manager/azure-workload-identity) — نفس الخزنة، بدون سر عميل للتدوير، وتُجلب الأسرار في كل إطلاق.
-
-## مرجع لقطات الشاشة
-
-تُربط العناصر النائبة أعلاه بـ:
-
- `01-register-app.png` — نموذج "Register an application" في بوابة Azure مع `crewai-secrets-reader`.
- `02-create-client-secret.png` — App Registration ← Certificates & secrets ← Client secrets، مع صف السر المُنشأ حديثاً (عمود Value مُميَّز قبل تمويهه).
- `03-grant-vault-rbac.png` — Key Vault ← Access control (IAM) ← Add role assignment، مع اختيار **Key Vault Secrets User** و App Registration كعضو.
- `04-per-secret-rbac.png` — نفس اللوحة لكن بنطاق سر واحد (مسار أقل الامتيازات البديل).
- `05-amp-add-credential-form-azure.png` — نموذج "Add Secret Provider Credential" في CrewAI Platform: Provider = Azure Key Vault، جميع الحقول الخمسة مأهولة.
- `06-create-secret.png` — لوحة "Create a secret" في Azure Key Vault مع `openai-api-key` وقيمة ملصوقة.
- `07-test-connection-success.png` — رسالة نجاح / حالة صف في CrewAI Platform بعد النقر على **Test Connection** على بيانات الاعتماد.
--- a/docs/ar/enterprise/features/secrets-manager/gcp-workload-identity.mdx
+++ b/docs/ar/enterprise/features/secrets-manager/gcp-workload-identity.mdx
@@ -1,273 +0,0 @@
---
-title: GCP Workload Identity Federation
-description: تكوين Google Cloud Secret Manager عبر Workload Identity Federation للوصول إلى الأسرار بشكل مراعٍ للتدوير وبدون بيانات اعتماد
-sidebarTitle: بـ Workload Identity
-icon: "id-badge"
---
-
-## نظرة عامة
-
-يُكوِّن هذا الدليل Google Cloud Secret Manager كمزود أسرار باستخدام **Workload Identity Federation**: تُصدر CrewAI Platform رموز OIDC قصيرة الأمد، وتُبادلها للحصول على بيانات اعتماد Google Cloud عبر خدمة Security Token Service، وتقرأ أسرارك — دون تخزين أي مفتاح حساب خدمة طويل الأمد في أي مكان.
-
-<Note>
-**لماذا هذا المسار:** تُحَلّ الأسرار وقت تنفيذ الأتمتة، لذا **تنتشر القيم المُدوَّرة إلى الإطلاق التالي بدون إعادة نشر**. إن كنت تحتاج فقط بيانات اعتماد ثابتة، راجع الدليل الأبسط [GCP — مفتاح حساب الخدمة](/ar/enterprise/features/secrets-manager/gcp).
-</Note>
-
-### كيف يعمل وقت التشغيل
-
-1. يطلب عامل النشر JWT OIDC طازج من CrewAI Platform.
-2. يبادل العامل الـ JWT للحصول على بيانات اعتماد Google موحَّدة عبر [Security Token Service](https://cloud.google.com/iam/docs/reference/sts/rest)، مع الإشارة إلى Workload Identity Pool Provider الذي ستُعدّه أدناه.
-3. يستدعي العامل `secretmanager.googleapis.com:accessSecretVersion` لقراءة السر، باستخدام بيانات الاعتماد الموحَّدة مباشرةً (يمتلك الكيان الموحَّد `roles/secretmanager.secretAccessor` — راجع الخطوة 4).
-4. تُحقن القيمة المجلوبة كقيمة لمتغير البيئة لإطلاق الأتمتة ذاك.
-
-تُخزَّن رموز موضوع OIDC مؤقتاً لنحو ساعة لتفادي إعادة الإصدار في كل إطلاق. تُجلب قيم الأسرار طازجة في كل إطلاق بغض النظر عن حالة ذاكرة OIDC المؤقتة، وهذا ما يجعل هذا المسار مراعياً للتدوير.
-
-## المتطلبات المسبقة
-
-<Note>
-قبل البدء، تأكد من امتلاكك:
-
- يجب أن تتضمن صورة حاوية الأتمتة إصدار CrewAI runtime رقم `1.14.5` أو أحدث.
- مشروع Google Cloud مع تفعيل **Secret Manager API** و **Security Token Service API** و **IAM Credentials API**. فعّلها عبر الوحدة أو:
-
-  ```bash
-  gcloud services enable secretmanager.googleapis.com sts.googleapis.com iamcredentials.googleapis.com \
-    --project=<YOUR_PROJECT_ID>
-  ```
-
- إذن في المشروع لإنشاء Workload Identity Pools وأدوار IAM وحسابات الخدمة و(إن لزم) الأسرار.
- مؤسسة على CrewAI Platform يمتلك مستخدمك فيها إذني `workload_identity_configs: manage` و `secret_providers: manage`. راجع [الأذونات (RBAC)](/ar/enterprise/features/secrets-manager/usage#permissions-rbac).
- **يجب أن يكون تنصيب CrewAI Platform قابلاً للوصول من Google Cloud عبر HTTPS** ليتمكّن GCP STS من جلب وثيقة اكتشاف OIDC و JWKS أثناء التحقق من الرمز. تأكد مع مسؤول المنصة من أن المضيف متاح عبر الإنترنت.
-</Note>
-
-## الخطوة 1 — العثور على عنوان مُصدر OIDC لـ CrewAI Platform
-
-ينشر تنصيب CrewAI Platform وثيقة اكتشاف OpenID Connect على `https://<your-platform-host>/.well-known/openid-configuration`. الحقل `issuer` هناك هو الرابط الذي ستُسجِّله Google كمزود OIDC موثوق.
-
-افتح الرابط في المتصفح:
-
-```
-https://<your-platform-host>/.well-known/openid-configuration
-```
-
-ينبغي أن ترى JSON يحتوي على:
-
-```json
-{
-  "issuer": "https://<your-platform-host>",
-  "jwks_uri": "https://<your-platform-host>/oauth2/jwks",
-  ...
-}
-```
-
-سجّل القيمة الدقيقة لـ `issuer` — ستستخدمها في الخطوة 3.
-
-<Tip>
-إذا أعاد الرابط 404 أو 503، اتصل بمسؤول المنصة. يتطلب مُصدر OIDC تكوين مفتاح توقيع خاص وقت التنصيب. راجع دليل تنصيب المنصة لتكوين `OIDC_PRIVATE_KEY` و `OIDC_ISSUER`.
-</Tip>
-
-## الخطوة 2 — إنشاء Workload Identity Pool
-
-Workload Identity Pool هو حاوية من جانب Google Cloud للهويات الخارجية الموثوقة. ستُسجِّل CrewAI Platform كمزود داخل هذه الحوض.
-
-```bash
-gcloud iam workload-identity-pools create crewai-pool \
-  --project=<YOUR_PROJECT_ID> \
-  --location=global \
-  --display-name="CrewAI Platform"
-```
-
-أو في [وحدة تحكم Workload Identity Pools](https://console.cloud.google.com/iam-admin/workload-identity-pools)، انقر على **Create Pool**.
-
-{/* SCREENSHOT: GCP "Create Workload Identity Pool" form with name "crewai-pool" → /images/secrets-manager/gcp-wi/01-create-pool.png */}
-
-## الخطوة 3 — إضافة CrewAI Platform كمزود OIDC في الحوض
-
-```bash
-gcloud iam workload-identity-pools providers create-oidc crewai-provider \
-  --project=<YOUR_PROJECT_ID> \
-  --location=global \
-  --workload-identity-pool=crewai-pool \
-  --display-name="CrewAI Platform OIDC" \
-  --issuer-uri="https://<your-platform-host>" \
-  --attribute-mapping="google.subject=assertion.sub,attribute.organization=assertion.organization_id" \
-  --attribute-condition="assertion.organization_id != ''"
-```
-
-يُخبر `--attribute-mapping` Google كيفية ربط ادّعاءات JWT بسمات Google:
- `google.subject` هو معرّف الكيان — نربطه بادّعاء `sub` في JWT، الذي تُعيّنه CrewAI Platform إلى `organization:<uuid>`.
- `attribute.organization` هو سمة مخصصة — نربطها بادّعاء `organization_id` في JWT لتتمكّن من الإشارة إليها في ارتباطات IAM لاحقاً.
-
-`--attribute-condition` هو فحص دفاع في العمق يرفض الرموز التي تفتقد لادّعاء `organization_id`.
-
-احصل على **اسم مورد المزود** (ستحتاجه للجمهور وارتباطات IAM):
-
-```bash
-gcloud iam workload-identity-pools providers describe crewai-provider \
-  --project=<YOUR_PROJECT_ID> \
-  --location=global \
-  --workload-identity-pool=crewai-pool \
-  --format="value(name)"
-```
-
-يبدو الناتج هكذا:
-
-```
-projects/<PROJECT_NUMBER>/locations/global/workloadIdentityPools/crewai-pool/providers/crewai-provider
-```
-
-هذه هي قيمة **Workload Identity Provider** الخاصة بك في CrewAI Platform في الخطوة 6. تحسب CrewAI Platform تلقائياً جمهور OIDC كـ `//iam.googleapis.com/<this-resource-name>` عند إصدار الرموز.
-
-{/* SCREENSHOT: "Add provider to pool" form with OIDC selected, issuer URI, audience defaults, attribute mapping → /images/secrets-manager/gcp-wi/02-add-oidc-provider.png */}
-
-## الخطوة 4 — منح الوصول إلى Secret Manager للكيان الموحَّد
-
-اربط دوري Secret Manager كليهما على نطاق المشروع بالكيان الموحَّد — دور يُفعّل الاقتراح التلقائي لاسم السر في نموذج متغير البيئة، والآخر يسمح بقراءة قيم الأسرار عند إطلاق الأتمتة. كلاهما مطلوبان لتعمل الميزة من البداية إلى النهاية.
-
-```bash
-PRINCIPAL_SET="principalSet://iam.googleapis.com/projects/<PROJECT_NUMBER>/locations/global/workloadIdentityPools/crewai-pool/attribute.organization/<YOUR_CREWAI_ORG_UUID>"
-
-# Required for the Secret Name autocomplete (calls secretmanager.secrets.list)
-gcloud projects add-iam-policy-binding <YOUR_PROJECT_ID> \
-  --member="$PRINCIPAL_SET" \
-  --role="roles/secretmanager.viewer"
-
-# Required to read secret values at kickoff
-gcloud projects add-iam-policy-binding <YOUR_PROJECT_ID> \
-  --member="$PRINCIPAL_SET" \
-  --role="roles/secretmanager.secretAccessor"
-```
-
-استبدل `<PROJECT_NUMBER>` برقم المشروع الرقمي (`gcloud projects describe <YOUR_PROJECT_ID> --format='value(projectNumber)'`) و `<YOUR_CREWAI_ORG_UUID>` بـ UUID مؤسسة CrewAI Platform التي يجب أن يُسمح لها بقراءة أسرارك. يمكنك العثور على UUID المؤسسة في واجهة المنصة في صفحة إعدادات المؤسسة، أو عبر الـ API. يقصر هذا الاتحاد على مؤسسة CrewAI محددة — تُقبل فقط الرموز المُصدَرة لأتمتات تلك المؤسسة.
-
-أو عبر وحدة تحكم Google Cloud:
-
-1. افتح **IAM & Admin** ← **IAM** لمشروعك.
-2. انقر على **GRANT ACCESS**.
-3. **New principals:** الصق سلسلة `principalSet://...attribute.organization/<YOUR_CREWAI_ORG_UUID>` الكاملة.
-4. عيّن الدور **Secret Manager Viewer** (`roles/secretmanager.viewer`).
-5. انقر على **SAVE**.
-6. انقر على **GRANT ACCESS** مرة أخرى وكرّر مع الدور **Secret Manager Secret Accessor** (`roles/secretmanager.secretAccessor`).
-
-<Tip>
-**العزل لكل مؤسسة.** يقيّد النمط `principalSet://...attribute.organization/<UUID>` الوصول إلى رموز مؤسسة محددة. إذا كانت لديك مؤسسات CrewAI متعددة تتشارك مشروع Google Cloud واحد، كرّر كلا الارتباطين لكل مؤسسة بالـ UUID الصحيح — أو استخدم شرط سمة أقل تقييداً إن لم يكن العزل ضرورياً.
-</Tip>
-
-<Tip>
-**تحديد نطاق `secretAccessor` لكل سر (اختياري).** إذا كنت تفضّل عدم منح `roles/secretmanager.secretAccessor` على نطاق المشروع، احذف الارتباط الثاني أعلاه واربط لكل سر بدلاً من ذلك:
-
-```bash
-gcloud secrets add-iam-policy-binding <SECRET_NAME> \
-  --member="$PRINCIPAL_SET" \
-  --role="roles/secretmanager.secretAccessor" \
-  --project=<YOUR_PROJECT_ID>
-```
-
-أبقِ `roles/secretmanager.viewer` على نطاق المشروع في كلا الحالتين — `secretmanager.secrets.list` (الذي يعتمد عليه الاقتراح التلقائي) لا يمكن منحه لكل سر.
-</Tip>
-
-## الخطوة 5 — إنشاء سر واحد على الأقل في GCP
-
-إذا لم يكن لديك سر للاختبار، أنشئ واحداً عبر CLI `gcloud`:
-
-```bash
-echo -n "hello from gcp" | gcloud secrets create crewai-test-keyword \
-  --data-file=- \
-  --project=<YOUR_PROJECT_ID> \
-  --replication-policy=automatic
-```
-
-أو عبر [وحدة تحكم Secret Manager](https://console.cloud.google.com/security/secret-manager):
-
-1. افتح **Secret Manager** في مشروع GCP الخاص بك.
-2. انقر على **+ CREATE SECRET**.
-3. **Name:** `crewai-test-keyword`. **Secret value:** الصق قيمتك.
-4. انقر على **CREATE SECRET**.
-
-## الخطوة 6 — إضافة تكوين Workload Identity في CrewAI Platform
-
-في CrewAI Platform، انتقل إلى **Settings** ← **Workload Identity** وانقر على **Add Workload Identity Config**.
-
-املأ النموذج:
-
- **Name:** اسم وصفي، مثلاً `gcp-prod`.
- **Cloud Provider:** `GCP`.
- **Workload Identity Provider:** اسم مورد المزود من الخطوة 3، مثلاً `projects/<PROJECT_NUMBER>/locations/global/workloadIdentityPools/crewai-pool/providers/crewai-provider`.
- (اختياري) بدّل **Default Configuration** إذا كنت ترغب في أن يكون هذا هو تكوين WI الافتراضي المُحدَّد عند إنشاء بيانات اعتماد سر مدعومة بـ GCP.
-
-انقر على **Create**.
-
-{/* SCREENSHOT: "Add Workload Identity Config" form with GCP and provider resource name → /images/secrets-manager/gcp-wi/03-amp-add-wi-config-gcp.png */}
-{/* SCREENSHOT: Workload Identity list showing both AWS and GCP rows → /images/secrets-manager/gcp-wi/04-amp-wi-list-with-gcp.png */}
-
-## الخطوة 7 — إضافة بيانات اعتماد مزود أسرار مرتبطة بتكوين WI
-
-انتقل إلى **Settings** ← **Secret Provider Credentials** وانقر على **Add Credential**.
-
-املأ النموذج:
-
- **Name:** اسم وصفي، مثلاً `gcp-prod-wi`.
- **Provider:** `Google Cloud Secret Manager`.
- **Authentication Method:** `Workload Identity`.
- **Workload Identity Configuration:** اختر التكوين الذي أنشأته في الخطوة 6.
- **Project ID:** معرّف مشروع GCP الخاص بك (نفس المشروع الذي يملك الأسرار).
- (اختياري) حدّد **Set as default credential for this provider**.
-
-سيطلب النموذج فقط **Project ID** ضمن Workload Identity — حقل **Service Account JSON** مخفي عمداً لأنه لا ينطبق على هذا المسار؛ تأتي الهوية الموحَّدة من تكوين WI المرتبط.
-
-انقر على **Create**.
-
-{/* SCREENSHOT: "Add Secret Provider Credential" form with GCP + Workload Identity + WI config dropdown → /images/secrets-manager/gcp-wi/05-amp-add-credential-gcp-wi.png */}
-
-## الخطوة 8 — اختبار الاتصال
-
-بعد حفظ بيانات الاعتماد، انقر على **Test Connection**. لبيانات اعتماد workload-identity، يتحقق هذا من مصافحة OIDC: تُصدر CrewAI Platform JWT وتبادله عبر Security Token Service للحصول على رمز وصول Google موحَّد. نتيجة خضراء تعني أن ارتباط الاتحاد سليم.
-
-نجاح Test Connection يُثبت أن Workload Identity Pool ومزود OIDC وربط السمات وشرط السمة موصولة جميعها بشكل صحيح. لا يُثبت ذلك أن IAM في Secret Manager صحيح — يُمارَس `secretmanager.secrets.list` و `secretmanager.versions.access` بشكل منفصل عند تحميل الاقتراح التلقائي لاسم السر أو عندما يُحَلّ متغير بيئة عند الإطلاق. راجع [استكشاف الأخطاء](#troubleshooting) لأنماط فشل المصافحة.
-
-## الخطوة 9 — الإشارة إلى السر في متغير بيئة
-
-أَشِر إلى السر على أتمتة، تماماً كما تفعل مع أي متغير بيئة مدعوم بمدير أسرار. راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage#referencing-secrets-in-environment-variables) لحقول النموذج والسلوك.
-
-## الخطوة 10 — التحقق من التدوير
-
-بعد تشغيل عملية النشر، دوّر السر في GCP بإضافة إصدار جديد (يقرأ Secret Manager دائماً أحدث إصدار مفعَّل افتراضياً):
-
-```bash
-echo -n "rotated value" | gcloud secrets versions add crewai-test-keyword \
-  --data-file=- \
-  --project=<YOUR_PROJECT_ID>
-```
-
-أطلق إطلاق أتمتة جديداً. ستكون بيئة الإطلاق ترى `"rotated value"` — بدون إعادة نشر ولا إعادة تشغيل عامل ولا انتظار TTL.
-
-للتأكد في سجلات العامل، ابحث عن:
-
-```
-Workload identity config '<id>' (gcp): N secret(s) resolved
-```
-
-يظهر هذا السطر لكل إطلاق ويُشير إلى استدعاء `accessSecretVersion` طازج مقابل GCP.
-
-## استكشاف الأخطاء
-
-| العَرَض | السبب المحتمل |
-|---|---|
-| يفشل Test Connection بخطأ مصافحة | رُفض تبادل رمز STS. تحقق من وجود Workload Identity Pool، وأن مُصدر مزود OIDC يطابق قيمة `issuer` للمنصة، وأن شرط السمة يقبل ادّعاءات JWT. تأكد من أن رابط اكتشاف OIDC للمنصة قابل للوصول من GCP عبر الإنترنت العام. |
-| `Could not refresh access token: invalid_target` | لا يطابق ادّعاء الجمهور الجمهور المتوقع لمزود Workload Identity. تُعيّن CrewAI Platform الجمهور تلقائياً؛ إذا خصّصته، فتأكد من أنه يطابق `//iam.googleapis.com/<provider-resource-name>`. |
-| `Failed to fetch JWKS from issuer` | لا يمكن لـ GCP STS الوصول إلى مضيف CrewAI Platform. تأكد من أن المضيف متاح عبر الإنترنت وأن `/.well-known/openid-configuration` يُعيد 200. |
-| `Attribute condition rejected token` | يتطلب شرط السمة لمزود OIDC (الخطوة 3) `organization_id`. تُعيّن CrewAI Platform هذا الادّعاء دائماً، لذا يعني هذا عادةً تكوين حوض/مزود خاطئاً. تحقق من شرط السمة للمزود من جديد. |
-| يُظهر الاقتراح التلقائي لاسم السر `PERMISSION_DENIED: secretmanager.secrets.list` | يفتقد الكيان الموحَّد إلى `roles/secretmanager.viewer` على نطاق المشروع. إذن `secretmanager.secrets.list` محصور بنطاق المشروع فقط ولا يمكن منحه لكل سر. راجع الخطوة 4. |
-| يفشل الإطلاق في حلّ سر رغم نجاح Test Connection | ارتباط WI سليم، لكن `secretmanager.versions.access` مفقود على السر الفاشل. راجع `roles/secretmanager.secretAccessor` (على نطاق المشروع، أو لكل سر إذا حدّدت النطاق بهذه الطريقة في الخطوة 4). |
-| لا تُلتقط القيمة المُدوَّرة في الإطلاق التالي | تأكد من أن متغير البيئة على الأتمتة يشير إلى بيانات اعتماد مدعومة بـ Workload Identity (وليس بيانات اعتماد بمفاتيح ثابتة). يدمج المسار الثابت القيم في صورة النشر. |
-
-### روابط مرجعية
-
- GCP: [Workload Identity Federation overview](https://cloud.google.com/iam/docs/workload-identity-federation)
- GCP: [Configure Workload Identity Federation with OIDC](https://cloud.google.com/iam/docs/workload-identity-federation-with-other-providers)
- GCP: [Secret Manager IAM roles](https://cloud.google.com/secret-manager/docs/access-control)
-
-## الخطوات التالية
-
- [استخدام الأسرار في متغيرات البيئة وإدارة الأذونات](/ar/enterprise/features/secrets-manager/usage)
- للتنوع متعدد السحاب، راجع أيضاً [AWS Workload Identity (اتحاد OIDC)](/ar/enterprise/features/secrets-manager/aws-workload-identity) و [Azure Workload Identity Federation](/ar/enterprise/features/secrets-manager/azure-workload-identity).
--- a/docs/ar/enterprise/features/secrets-manager/gcp.mdx
+++ b/docs/ar/enterprise/features/secrets-manager/gcp.mdx
@@ -1,189 +0,0 @@
---
-title: Google Cloud Secret Manager
-description: تكوين Google Cloud Secret Manager كمزود أسرار لـ CrewAI Platform من البداية إلى النهاية
-sidebarTitle: ببيانات اعتماد ثابتة
-icon: "key"
---
-
-## نظرة عامة
-
-يأخذك هذا الدليل عبر تكوين Google Cloud Secret Manager كمزود أسرار لمؤسستك على CrewAI Platform، باستخدام **بيانات اعتماد حساب خدمة**. بنهاية الدليل، ستتمكن CrewAI Platform من قراءة الأسرار المخزّنة في مشروع Google Cloud الخاص بك وحقنها كقيم متغيرات بيئة وقت التشغيل.
-
-<Note>
-يغطي هذا الدليل مسار **بيانات الاعتماد الثابتة** — تُحَلّ الأسرار وقت النشر وتُدمج في صورة النشر. تتطلب القيم المُدوَّرة إعادة نشر. إذا أردت أسراراً مراعية للتدوير تُحدَّث في كل إطلاق أتمتة، راجع [GCP Workload Identity Federation](/ar/enterprise/features/secrets-manager/gcp-workload-identity).
-</Note>
-
-<Note>
-يغطي هذا الدليل التكوين من جانب GCP وإعداد بيانات الاعتماد في CrewAI Platform. للإشارة بعدها إلى سر من متغير بيئة، راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage).
-</Note>
-
-## المتطلبات المسبقة
-
-<Note>
-قبل البدء، تأكد من امتلاكك:
-
- مشروع Google Cloud مع تفعيل **Secret Manager API**. فعّله في [وحدة تحكم APIs & Services](https://console.cloud.google.com/apis/library/secretmanager.googleapis.com) أو عبر `gcloud`:
-
-  ```bash
-  gcloud services enable secretmanager.googleapis.com --project=YOUR_PROJECT_ID
-  ```
-
- إذن في المشروع لإنشاء حسابات خدمة ومنح أدوار IAM و(إن لزم) إنشاء الأسرار.
- مؤسسة على CrewAI Platform يمتلك مستخدمك فيها إذن `secret_providers: manage`. راجع [الأذونات (RBAC)](/ar/enterprise/features/secrets-manager/usage#permissions-rbac).
-</Note>
-
-## الخطوة 1 — إنشاء حساب خدمة
-
-حساب الخدمة هو الهوية من جانب GCP التي ستُصادق بها CrewAI Platform.
-
-في [وحدة تحكم IAM & Admin ← Service Accounts](https://console.cloud.google.com/iam-admin/serviceaccounts)، انقر على **Create Service Account**.
-
- **Service account name:** `crewai-secrets-reader`
- **Service account ID:** يُملأ تلقائياً من الاسم (مثلاً `crewai-secrets-reader@YOUR_PROJECT_ID.iam.gserviceaccount.com`)
- **Description (optional):** "Read-only access to Secret Manager for CrewAI Platform"
-
-انقر على **Create and Continue**. تخطَّ المنح الاختيارية في هذه الشاشة — ستُرفق الدور في الخطوة 2. انقر على **Done**.
-
-للتفاصيل الكاملة، راجع وثائق GCP: [Create service accounts](https://cloud.google.com/iam/docs/service-accounts-create).
-
-{/* SCREENSHOT: GCP "Create service account" form with name "crewai-secrets-reader" → /images/secrets-manager/gcp/01-create-service-account.png */}
-
-## الخطوة 2 — منح الوصول إلى Secret Manager
-
-تحتاج CrewAI Platform إلى إذن لسرد وقراءة الأسرار في مشروعك. استخدم أحد نطاقين — **على مستوى المشروع** للبساطة، أو **لكل سر** لأقل الامتيازات.
-
-<Tabs>
-  <Tab title="على مستوى المشروع (أبسط)">
-    في [وحدة تحكم IAM](https://console.cloud.google.com/iam-admin/iam)، انقر على **Grant Access** و:
-
-    - **New principals:** بريد حساب الخدمة من الخطوة 1.
-    - **Role:** **Secret Manager Secret Accessor** (`roles/secretmanager.secretAccessor`).
-
-    انقر على **Save**.
-
-    أو عبر `gcloud`:
-
-    ```bash
-    gcloud projects add-iam-policy-binding YOUR_PROJECT_ID \
-      --member="serviceAccount:crewai-secrets-reader@YOUR_PROJECT_ID.iam.gserviceaccount.com" \
-      --role="roles/secretmanager.secretAccessor"
-    ```
-
-    {/* SCREENSHOT: GCP IAM "Grant access" panel with the service account and Secret Manager Secret Accessor role → /images/secrets-manager/gcp/02-iam-grant-access.png */}
-  </Tab>
-
-  <Tab title="لكل سر (أقل الامتيازات)">
-    امنح الدور فقط على الأسرار المحددة التي ينبغي أن تصل إليها CrewAI Platform. كرّر لكل سر:
-
-    ```bash
-    gcloud secrets add-iam-policy-binding YOUR_SECRET_NAME \
-      --member="serviceAccount:crewai-secrets-reader@YOUR_PROJECT_ID.iam.gserviceaccount.com" \
-      --role="roles/secretmanager.secretAccessor" \
-      --project=YOUR_PROJECT_ID
-    ```
-
-    أو في الوحدة: افتح كل سر في [Secret Manager](https://console.cloud.google.com/security/secret-manager)، انقر على **Permissions** في اللوحة اليمنى، وامنح **Secret Manager Secret Accessor** لحساب الخدمة.
-
-    {/* SCREENSHOT: Per-secret "Permissions" panel in Secret Manager with the service account granted accessor role → /images/secrets-manager/gcp/03-per-secret-permissions.png */}
-  </Tab>
-</Tabs>
-
-<Tip>
-يمنح دور `roles/secretmanager.secretAccessor` وصول قراءة فقط لقيم الأسرار. تستدعي CrewAI Platform أيضاً `secretmanager.secrets.list` لتجربة الاقتراح التلقائي في نموذج متغير البيئة — هذا الإذن مُضمَّن في الدور على نطاق المشروع، لكن **ليس** على نطاق لكل سر. مع ارتباطات لكل سر، لن يقترح الإكمال التلقائي أسراراً؛ ستحتاج إلى كتابة اسم السر الكامل.
-</Tip>
-
-## الخطوة 3 — إنشاء مفتاح حساب الخدمة
-
-افتح حساب الخدمة من الخطوة 1 في [وحدة تحكم IAM & Admin ← Service Accounts](https://console.cloud.google.com/iam-admin/serviceaccounts).
-
- انقر على علامة التبويب **Keys**.
- انقر على **Add Key** ← **Create new key**.
- **Key type:** JSON.
- انقر على **Create**. يُنزّل المتصفح ملف JSON — احتفظ به بأمان؛ لا يمكن إعادة تنزيله.
-
-أو عبر `gcloud`:
-
-```bash
-gcloud iam service-accounts keys create ./crewai-secrets-reader.json \
-  --iam-account=crewai-secrets-reader@YOUR_PROJECT_ID.iam.gserviceaccount.com
-```
-
-<Warning>
-مفتاح حساب الخدمة هو بيانات اعتماد ثابتة طويلة الأمد. خزّنه بأمان (في مدير كلمات مرور أو مخزن أسرارك الخاص) ودوّره بشكل منتظم. للقضاء على بيانات الاعتماد الثابتة تماماً، استخدم [GCP Workload Identity Federation](/ar/enterprise/features/secrets-manager/gcp-workload-identity) بدلاً من ذلك.
-</Warning>
-
-{/* SCREENSHOT: Service account "Keys" tab with the "Create new key" → JSON option → /images/secrets-manager/gcp/04-create-service-account-key.png */}
-
-## الخطوة 4 — إضافة بيانات الاعتماد في CrewAI Platform
-
-في CrewAI Platform، انتقل إلى **Settings** ← **Secret Provider Credentials** وانقر على **Add Credential**.
-
-{/* SCREENSHOT: Sidebar/nav highlighting Settings → Secret Provider Credentials → /images/secrets-manager/usage/01-amp-settings-nav.png */}
-
-املأ النموذج:
-
- **Name:** اسم وصفي، مثلاً `gcp-prod`.
- **Provider:** `Google Cloud Secret Manager`.
- **Project ID:** معرّف مشروع GCP الخاص بك (مثلاً `my-crewai-prod`).
- **Service Account JSON:** الصق المحتوى الكامل لملف JSON الذي نزّلته في الخطوة 3.
- (اختياري) حدّد **Set as default credential for this provider**. تُستخدم بيانات الاعتماد الافتراضية بواسطة متغيرات البيئة التي تشير إلى أسرار GCP بدون تحديد بيانات اعتماد صراحةً.
-
-انقر على **Create**.
-
-{/* SCREENSHOT: "Add Secret Provider Credential" form with GCP fields filled in → /images/secrets-manager/gcp/05-amp-add-credential-form-gcp.png */}
-
-## الخطوة 5 — إنشاء سر واحد على الأقل في GCP
-
-إذا لم يكن لديك بالفعل أسرار في GCP Secret Manager، أنشئ واحداً الآن لتتمكن من التحقق من الاتصال في الخطوة 6.
-
-في [وحدة تحكم Secret Manager](https://console.cloud.google.com/security/secret-manager)، انقر على **Create secret**.
-
- **Name:** اسم فريد، مثلاً `openai-api-key`.
- **Secret value:** إما لصق قيمة خام أو رفع ملف.
- اترك إعدادات التدوير والتكرار وغيرها على القيم الافتراضية ما لم تكن لديك متطلبات محددة.
-
-انقر على **Create secret**.
-
-أو عبر `gcloud`:
-
-```bash
-echo -n "sk-your-actual-key" | gcloud secrets create openai-api-key \
-  --data-file=- \
-  --project=YOUR_PROJECT_ID \
-  --replication-policy=automatic
-```
-
-<Note>
-**صيغة الإشارة بمفتاح JSON.** يتعامل GCP Secret Manager مع قيم الأسرار كبيانات معتمة. إذا حدث أن كانت قيمة سرّك سلسلة JSON، يمكن لـ CrewAI Platform استخراج حقل واحد باستخدام صيغة `secret-name#json_key` (مثلاً `database-credentials#password`). راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage#referencing-secrets-in-environment-variables) للتفاصيل.
-</Note>
-
-للتفاصيل الكاملة، راجع وثائق GCP: [Create a secret](https://cloud.google.com/secret-manager/docs/create-secret-quickstart).
-
-{/* SCREENSHOT: GCP "Create secret" form with name and value → /images/secrets-manager/gcp/06-create-secret.png */}
-
-## الخطوة 6 — اختبار الاتصال
-
-عُد إلى CrewAI Platform، في صفحة **Secret Provider Credentials**، اعثر على بيانات الاعتماد التي أنشأتها للتو وانقر على **Test Connection**.
-
-تؤكد رسالة نجاح أن CrewAI Platform يمكنها المصادقة مع GCP وقراءة الأسرار من مشروعك.
-
-{/* SCREENSHOT: Success toast after clicking "Test Connection" on the GCP credential → /images/secrets-manager/gcp/07-test-connection-success.png */}
-
-إذا فشل الاختبار، تحقق من الأسباب الأكثر شيوعاً:
-
-| العَرَض | السبب المحتمل |
-|---|---|
-| `PERMISSION_DENIED` عند سرد الأسرار | يفتقد حساب الخدمة إلى `roles/secretmanager.secretAccessor`، أو حدّدت نطاقه لكل سر (لا يُمنح `list`). تحقق من الخطوة 2 من جديد. |
-| `PERMISSION_DENIED` على `secretmanager.secrets.access` | نفس ما سبق، لكن لسر محدد. تأكد من أن حساب الخدمة يمتلك دور accessor على السر المعني. |
-| `unauthorized_client` / `invalid_grant` | ملف Service Account JSON الملصوق غير صالح أو منتهي الصلاحية أو لحساب خدمة محذوف. أعد إنشاء المفتاح (الخطوة 3) والصقه من جديد. |
-| `Project ID does not match` | لا يطابق حقل Project ID في CrewAI Platform المشروع الذي يملك حساب الخدمة / الأسرار. تحقق من الخطوة 4 من جديد. |
-| `API not enabled` | Secret Manager API غير مفعَّل في المشروع. راجع المتطلبات المسبقة. |
-
-## الخطوات التالية
-
-الآن وقد اتصل GCP، توجّه إلى [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage) من أجل:
-
- منح أعضاء المؤسسة الأذونات الصحيحة لاستخدام (أو إدارة) مدير الأسرار.
- الإشارة إلى أسرار GCP الخاصة بك من متغيرات بيئة CrewAI Platform.
-
-إذا كنت تريد أسراراً **مراعية للتدوير** تنتشر دون إعادة نشر، انتقل إلى [GCP Workload Identity Federation](/ar/enterprise/features/secrets-manager/gcp-workload-identity) — نفس مخزن الأسرار، بدون بيانات اعتماد ثابتة، وتُجلب الأسرار في كل إطلاق.
--- a/docs/ar/enterprise/features/secrets-manager/overview.mdx
+++ b/docs/ar/enterprise/features/secrets-manager/overview.mdx
@@ -1,96 +0,0 @@
---
-title: نظرة عامة على مدير الأسرار
-description: ربط مخازن الأسرار الخارجية بمنصة CrewAI Platform والإشارة إلى الأسرار المُدارة من متغيرات البيئة
-sidebarTitle: نظرة عامة
-icon: "book-open"
---
-
-## نظرة عامة
-
-تُتيح ميزة مدير الأسرار لمؤسستك ربط مخزن أسرار خارجي — AWS Secrets Manager أو Google Cloud Secret Manager أو Azure Key Vault — والإشارة إلى تلك الأسرار مباشرةً من متغيرات البيئة على الأتمتات والطواقم لديك. بدلاً من لصق قيم نصية صريحة في المنصة، فإنك تخزّن مجموعة واحدة من بيانات الاعتماد لكل مزود وتُشير إلى الأسرار بالاسم.
-
-يمنحك هذا:
-
- **تخزين مركزي** — إدارة الأسرار في مزوّدك بدلاً من تعديل إعدادات CrewAI Platform. لا تحتفظ CrewAI Platform بأي نسخة نصية صريحة من قيمة السر.
- **تقليل التعرّض** — لا تظهر القيم الحساسة أبداً كنص صريح في إعدادات CrewAI Platform.
- **قابلية تدقيق سحابية المنشأ** — يسجّل سجل التدقيق الخاص بمزوّدك كل قراءة لسر.
-
-<Note>
-يتطلب مدير الأسرار (مساران: بيانات الاعتماد الثابتة و Workload Identity) إصدار CrewAI runtime رقم `1.14.5` أو أحدث في صورة حاوية الأتمتة.
-</Note>
-
-## مساران: بيانات اعتماد ثابتة مقابل Workload Identity
-
-هناك طريقتان لربط CrewAI Platform بمخزن أسرار السحابة لديك. **يختلفان اختلافاً كبيراً في سلوك التدوير**، لذا اختر بناءً على مدى تكرار تدوير أسرارك ومدى صرامة وضعك الأمني.
-
-| الجانب | بيانات الاعتماد الثابتة | Workload Identity (اتحاد OIDC) |
-|---|---|---|
-| **المصادقة** | مفاتيح وصول / ملف JSON لحساب خدمة طويلة الأمد مخزّنة في CrewAI Platform | رموز قصيرة الأمد تُصدر لكل عملية عامل؛ لا تُخزَّن بيانات اعتماد ثابتة في أي مكان |
-| **انتشار التدوير** | تُحَلّ وقت النشر و**تُدمج في صورة حاوية النشر** — تتطلب القيم المُدوَّرة إعادة نشر | تُحَلّ **وقت تنفيذ الأتمتة** — تنتشر القيم المُدوَّرة إلى الإطلاق التالي بدون إعادة نشر |
-| **جهد الإعداد** | أقل — لصق المفاتيح / رفع ملف JSON لحساب الخدمة | أعلى — تسجيل CrewAI Platform كمزود OIDC في سحابتك وتكوين سياسات الثقة |
-| **الأنسب لـ** | البداية، الأسرار قليلة التدوير، عمليات نشر بحساب واحد | الإنتاج، الأسرار كثيرة التدوير، البيئات التي تحكمها الامتثال وتمنع بيانات الاعتماد طويلة الأمد |
-
-<Note>
-**يستخدم كلا المسارين نفس تدفق الواجهة** للإشارة إلى الأسرار في متغيرات البيئة (راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage)). الفرق بالكامل في كيفية مصادقة المنصة لسحابتك ومتى تقرأ قيمة السر.
-</Note>
-
-### اختر دليل الإعداد الخاص بك
-
-| المزود | بيانات الاعتماد الثابتة | Workload Identity |
-|---|---|---|
-| AWS Secrets Manager | [AWS — المفاتيح الثابتة / AssumeRole](/ar/enterprise/features/secrets-manager/aws) | [AWS — Workload Identity (OIDC)](/ar/enterprise/features/secrets-manager/aws-workload-identity) |
-| Google Cloud Secret Manager | [GCP — مفتاح حساب الخدمة](/ar/enterprise/features/secrets-manager/gcp) | [GCP — Workload Identity Federation](/ar/enterprise/features/secrets-manager/gcp-workload-identity) |
-| Azure Key Vault | [Azure — السر المُعرَّف للعميل](/ar/enterprise/features/secrets-manager/azure) | [Azure — Workload Identity Federation](/ar/enterprise/features/secrets-manager/azure-workload-identity) |
-
-<Note>
-واجهتا مدير الأسرار و Workload Identity مُوسومتان حالياً بـ **Beta** في CrewAI Platform.
-</Note>
-
-## كيف تتلاءم الأجزاء معاً
-
-إعداد مدير الأسرار هو تدفق من ثلاث خطوات يشمل كلاً من مزود السحابة و CrewAI Platform:
-
-1. **يُكوِّن المسؤول بيانات اعتماد المزود.** هذا هو العمل من جانب السحابة — ويختلف العمل اعتماداً على المسار (بيانات الاعتماد الثابتة أو Workload Identity) الذي تختاره. تغطي أدلة المزودين هذا من البداية إلى النهاية.
-2. **يُشير المسؤول (أو عضو مصرَّح له) إلى سر في متغير بيئة.** من صفحة متغيرات البيئة، يختار المستخدم بيانات اعتماد المزود ويُحدّد اسم السر. راجع [استخدام مدير الأسرار](/ar/enterprise/features/secrets-manager/usage#referencing-secrets-in-environment-variables).
-3. **تتلقى الأتمتة القيمة المحلولة وقت التشغيل.** عندما يعمل طاقم أو أتمتة، تجلب CrewAI Platform السر من مزوّدك وتحقنه كقيمة لمتغير البيئة. مع Workload Identity، يحدث هذا الجلب في كل إطلاق (مراعٍ للتدوير). مع بيانات الاعتماد الثابتة، يحدث الجلب وقت النشر وتُدمج القيمة في صورة النشر.
-
-## الرؤية والنطاق
-
-<Note>
-تتّبع متغيرات البيئة المدعومة بـ WI نفس نموذج الإسناد الذي تتّبعه متغيرات البيئة العادية: لا تحلّ الأتمتة سوى متغيرات البيئة المدعومة بـ WI المُسنَدة إليها صراحةً. أَسنِد متغير WI إلى أتمتة من صفحة متغيرات البيئة الخاصة بتلك الأتمتة؛ المتغيرات المُعرَّفة على مستوى المنظمة أو في مشروع Studio لا تُحلّ عند الإطلاق حتى تُسنِدها.
-</Note>
-
-<Note>
-تُشغَّل مرحلة جلب الأسرار في كل إطلاق، لكنها لا تقوم بعمل فعلي إلا حين تكون هناك متغيرات بيئة مدعومة بـ WI مُسنَدة إلى النشر. لكل متغير مُسنَد، يُحلّ وقت التشغيل القيمة من مزوّدك السحابي في كل إطلاق لـ crew أو flow أو training أو test أو checkpoint-restore ويكتبها في بيئة العملية. عند عدم وجود أي متغير مُسنَد، تكون المرحلة بلا أثر (no-op). وإلا فإن التكلفة تتناسب مع عدد المتغيرات المُسنَدة: تأخّر إضافي بسيط لكل إطلاق بالإضافة إلى إدخال واحد في سجل تدقيق السحابة لكل متغير.
-</Note>
-
-<Warning>
-على مستوى *تكوينات* Workload Identity، لا يزال النطاق اليوم عاماً على مستوى المنظمة. تُهيَّأ كل أتمتة في المنظمة استناداً إلى جميع تكوينات Workload Identity التي سجّلتها المنظمة، ولا يمكنك اليوم ربط تكوين Workload Identity محدد بأتمتة بعينها. تحديد نطاق Workload Identity لكل أتمتة موجود في خارطة الطريق. حتى ذلك الحين، سجِّل فقط تكوينات Workload Identity التي يحقّ لكل أتمتة في منظمتك استخدامها.
-</Warning>
-
-## الأذونات
-
-تتحكم ميزتان في CrewAI Platform بالوصول إلى مدير الأسرار:
-
- `secret_providers` — تتحكم بمن يستطيع عرض أو إدارة بيانات اعتماد المزودين.
- `environment_variables` — تتحكم بمن يستطيع إنشاء وتحرير متغيرات البيئة (بما فيها تلك التي تُشير إلى أسرار).
-
-تتحكم ميزة ثالثة بإعداد Workload Identity:
-
- `workload_identity_configs` — تتحكم بمن يستطيع عرض أو إدارة تكوينات Workload Identity. مطلوبة فقط إذا كنت تستخدم مسار Workload Identity.
-
-يتمتع المالكون دائماً بالوصول الكامل. لا يحصل الأعضاء على وصول إلى `secret_providers` أو `workload_identity_configs` افتراضياً ويجب منحهم الإذن عبر دور مخصص. راجع [الأذونات (RBAC)](/ar/enterprise/features/secrets-manager/usage#permissions-rbac) للحصول على المصفوفة الكاملة والتعليمات خطوة بخطوة.
-
-## الخطوات التالية
-
-اختر مسارك:
-
- **بيانات الاعتماد الثابتة** (أبسط، تتطلب إعادة نشر عند التدوير):
-  - [تكوين AWS Secrets Manager](/ar/enterprise/features/secrets-manager/aws)
-  - [تكوين Google Cloud Secret Manager](/ar/enterprise/features/secrets-manager/gcp)
-  - [تكوين Azure Key Vault](/ar/enterprise/features/secrets-manager/azure)
- **Workload Identity** (مراعٍ للتدوير، بدون إعادة نشر):
-  - [تكوين AWS Workload Identity](/ar/enterprise/features/secrets-manager/aws-workload-identity)
-  - [تكوين GCP Workload Identity Federation](/ar/enterprise/features/secrets-manager/gcp-workload-identity)
-  - [تكوين Azure Workload Identity Federation](/ar/enterprise/features/secrets-manager/azure-workload-identity)
- ثم: [استخدام الأسرار في متغيرات البيئة وإدارة الأذونات](/ar/enterprise/features/secrets-manager/usage)
--- a/docs/ar/enterprise/features/secrets-manager/usage.mdx
+++ b/docs/ar/enterprise/features/secrets-manager/usage.mdx
@@ -1,137 +0,0 @@
---
-title: استخدام مدير الأسرار
-description: إدارة الأذونات والإشارة إلى الأسرار المُدارة من متغيرات البيئة في CrewAI Platform
-sidebarTitle: الاستخدام والأذونات
-icon: "list-check"
---
-
-## نظرة عامة
-
-هذا الدليل محايد تجاه المزود. يفترض أنك (أو مسؤول آخر) قد كوّنت بالفعل بيانات اعتماد واحدة على الأقل لمزود أسرار. اختر دليل الإعداد الخاص بك بناءً على المسار الذي تريده:
-
- بيانات الاعتماد الثابتة: [AWS](/ar/enterprise/features/secrets-manager/aws) · [GCP](/ar/enterprise/features/secrets-manager/gcp)
- Workload Identity (مراعٍ للتدوير): [AWS](/ar/enterprise/features/secrets-manager/aws-workload-identity) · [GCP](/ar/enterprise/features/secrets-manager/gcp-workload-identity)
-
-استخدم هذا الدليل من أجل:
-
- منح الأذونات الصحيحة لأعضاء المؤسسة.
- الإشارة إلى الأسرار من متغيرات البيئة على أتمتاتك.
- التحقق من أن كل شيء يُحَلّ بشكل صحيح وقت التشغيل.
-
-## الأذونات (RBAC)
-
-ثلاث ميزات في CrewAI Platform ذات صلة عند العمل مع مدير الأسرار:
-
- `secret_providers` — تتحكم بالوصول إلى صفحة **بيانات اعتماد مزود الأسرار**.
- `workload_identity_configs` — تتحكم بالوصول إلى صفحة **Workload Identity** (ذات صلة فقط إذا كنت تستخدم مسار WI).
- `environment_variables` — تتحكم بمن يستطيع إنشاء أو تحرير متغيرات البيئة.
-
-لكل ميزة مستويا إجراء: `read` و `manage`. منح `manage` يستلزم تلقائياً `read`.
-
-### ما يجب منحه
-
-| الهدف | `secret_providers` | `workload_identity_configs` | `environment_variables` |
-|---|---|---|---|
-| استخدام بيانات اعتماد ثابتة موجودة في متغيرات البيئة (بدون تعديل المزود) | `read` | — | `manage` |
-| إنشاء أو تحرير أو حذف بيانات الاعتماد الثابتة | `manage` | — | `manage` |
-| استخدام بيانات اعتماد مدعومة بـ Workload Identity موجودة في متغيرات البيئة | `read` | — | `manage` |
-| إنشاء أو تحرير أو حذف تكوينات Workload Identity (وبيانات الاعتماد التي تشير إليها) | `manage` | `manage` | `manage` |
-
-<Note>
-يتمتع **المالكون** تلقائياً بالوصول الكامل إلى كل ميزة. يستبعد دور **العضو** الافتراضي عمداً `secret_providers` و `workload_identity_configs` — يجب على المسؤولين تضمين الأعضاء صراحةً عبر دور مخصص.
-</Note>
-
-### كيفية التعيين
-
-1. في CrewAI Platform، انتقل إلى **Settings** ← **Roles**. من هذه الصفحة يمكنك إنشاء أدوار جديدة وتحرير أذونات كل دور وتعيين الأدوار للأعضاء الحاليين في المؤسسة.
-
-   {/* SCREENSHOT: Sidebar highlighting Settings → Roles → /images/secrets-manager/usage/06-amp-settings-roles-nav.png */}
-   {/* SCREENSHOT: Roles list page with "Create Role" button visible → /images/secrets-manager/usage/07-amp-roles-list.png */}
-
-2. انقر على **Create Role** لإنشاء دور جديد، أو افتح دوراً موجوداً لتحرير أذوناته.
-
-3. في محرر أذونات الدور، بدّل الميزات ذات الصلة وفق الجدول أعلاه:
-
-   - `secret_providers`: اختر **read** إذا كان هذا الدور يحتاج فقط إلى استخدام بيانات الاعتماد الموجودة، أو **manage** إذا كان ينبغي أن يكون قادراً أيضاً على إنشاء بيانات الاعتماد وتحريرها وحذفها.
-   - `environment_variables`: اختر **manage** ليتمكن الدور من إنشاء متغيرات بيئة تُشير إلى الأسرار.
-
-   {/* SCREENSHOT: Role editor showing the secret_providers feature with read/manage toggles → /images/secrets-manager/usage/08-amp-role-editor-secret-providers-toggles.png */}
-   {/* SCREENSHOT: Role editor showing environment_variables toggles → /images/secrets-manager/usage/09-amp-role-editor-env-vars-toggles.png */}
-
-4. احفظ الدور.
-
-5. عيّن الدور للأعضاء ذوي الصلة من نفس صفحة Roles (أو قائمة أعضاء المؤسسة).
-
-   {/* SCREENSHOT: Member assignment screen where the new role is applied to a user → /images/secrets-manager/usage/10-amp-assign-role-to-member.png */}
-
-## الإشارة إلى الأسرار في متغيرات البيئة
-
-بمجرد وجود بيانات اعتماد للمزود وامتلاك دورك للأذونات الصحيحة، يمكنك الإشارة إلى الأسرار المُدارة من أي متغير بيئة.
-
-في CrewAI Platform، انتقل إلى **Environment Variables** وانقر على **Add Environment Variables**.
-
-{/* SCREENSHOT: Environment Variables empty state with "Add" button → /images/secrets-manager/usage/11-amp-env-vars-empty.png */}
-
-املأ النموذج:
-
- **Key** — اسم متغير البيئة. يجب أن يبدأ بحرف أو شرطة سفلية ويحتوي فقط على حروف وأرقام وشرطات سفلية. عادةً بأحرف كبيرة، مثل `OPENAI_API_KEY`.
-
- **Value Source** — اختر من أين تأتي القيمة:
-  - **Direct Value** — قيمة نصية صريحة تكتبها. استخدم هذا عندما لا ترغب في إشراك مزود.
-  - **Use AWS default** (أو ما يعادله لمزوّدك) — تستخدم بيانات الاعتماد المُعلَّمة حالياً كافتراضية لذلك النوع من المزود.
-  - **بيانات اعتماد مُسمَّاة محددة** — اختر بيانات الاعتماد بالاسم. استخدم هذا إذا كانت لديك بيانات اعتماد متعددة لنفس المزود (مثلاً `aws-prod` و `aws-staging`) وتريد اختيار واحدة صراحةً.
-
-  {/* SCREENSHOT: Env var form with the "Value Source" dropdown open, showing "AWS default" + named credentials → /images/secrets-manager/usage/12-amp-env-var-form-source-selector.png */}
-
- **Secret Name** — اسم السر في مزوّدك. بمجرد اختيار بيانات الاعتماد، يُقدّم هذا الحقل اقتراحاً تلقائياً: ابدأ بالكتابة، وتستعلم CrewAI Platform مزوّدك عن أسماء الأسرار المطابقة.
-
-  استخدم الصيغة `secret-name#json_key` لاستخراج حقل واحد من سر مهيكل (JSON). على سبيل المثال، عند وجود سر `database-credentials` بقيمة `{"username": "...", "password": "..."}`، أَشِر إلى `database-credentials#password` لحقن كلمة المرور فقط.
-
-  {/* SCREENSHOT: Env var form with the secret name autocomplete dropdown showing live results → /images/secrets-manager/usage/13-amp-env-var-form-secret-name-autocomplete.png */}
-
-  <Note>
-  **ملاحظة Azure Key Vault:** لا يمكن أن تحتوي أسماء أسرار Azure على شرطات سفلية. تُحوّل CrewAI Platform تلقائياً الشرطات السفلية في حقل **Secret Name** إلى شرطات عند استدعاء Azure (مثلاً، `db_password` تُرسل كـ `db-password`).
-  </Note>
-
-انقر على **Create** لحفظ المتغير.
-
-{/* SCREENSHOT: Env var list with the new variable showing masked value and a "secret" indicator → /images/secrets-manager/usage/14-amp-env-var-created.png */}
-
-<Tip>
-عند تحرير متغير بيئة موجود، يحافظ ترك حقل **Value** فارغاً على القيمة الحالية. هذا مقصود — فهو يتيح لك تغيير حقول أخرى (مثل اسم السر أو بيانات الاعتماد) دون إعادة إدخال القيمة.
-</Tip>
-
-## التحقق من العمل
-
-للتحقق من البداية إلى النهاية:
-
-1. أَشِر إلى متغير البيئة على أتمتة أو طاقم أو عملية نشر تماماً كما تفعل مع أي متغير بيئة آخر.
-2. انشر الأتمتة.
-3. أطلق تشغيلاً وتأكد من اكتماله بنجاح.
-
-### يعتمد سلوك التدوير على مسار بيانات الاعتماد
-
-| مسار بيانات الاعتماد | متى يُقرأ السر | ما يتطلبه التدوير |
-|---|---|---|
-| **بيانات الاعتماد الثابتة** (مفاتيح AWS، ملف JSON لحساب خدمة GCP) | **وقت النشر** — تُدمج القيمة في صورة النشر | إعادة نشر الأتمتة بعد تدوير السر |
-| **Workload Identity** (اتحاد OIDC، AWS أو GCP) | **في كل إطلاق أتمتة** — تُجلب القيمة طازجة من سحابتك | لا شيء — يرى الإطلاق التالي بعد التدوير القيمة الجديدة |
-
-<Note>
-**إذا كنت تحتاج أسراراً مراعية للتدوير** (بدون إعادة نشر عند التدوير)، استخدم مسار Workload Identity: [AWS WI](/ar/enterprise/features/secrets-manager/aws-workload-identity) أو [GCP WI](/ar/enterprise/features/secrets-manager/gcp-workload-identity). المقايضة هي مزيد من جهد الإعداد مقدماً (تسجيل CrewAI Platform كمزود OIDC في سحابتك) ولكن عمليات أبسط على المدى الطويل.
-</Note>
-
-إذا فشل النشر أو التشغيل بخطأ متعلق بسرك، تحقق من الأسباب الأكثر شيوعاً:
-
-| العَرَض | السبب المحتمل |
-|---|---|
-| `no credential found` | يُشير متغير البيئة إلى مزود ولكن لم تُحدَّد بيانات اعتماد بعينها، ولا توجد بيانات اعتماد افتراضية مُعيّنة لذلك النوع من المزود. إما اختر بيانات اعتماد صراحةً على المتغير، أو علِّم بيانات اعتماد كافتراضية على صفحة **Secret Provider Credentials**. |
-| `secret not found` | خطأ مطبعي في **Secret Name**، أو أن السر غير موجود في حساب/منطقة المزود التي تشير إليها بيانات الاعتماد. تحقق من كليهما. |
-| تعمل الأتمتة بالقيمة القديمة بعد التدوير (مسار بيانات الاعتماد الثابتة) | القيمة السابقة مدمجة في صورة حاوية النشر. أعد نشر الأتمتة لاستيعاب القيمة المُدوَّرة. لتجنّب ذلك تماماً، حوّل بيانات الاعتماد إلى مسار Workload Identity. |
-| تعمل الأتمتة بالقيمة القديمة بعد التدوير (مسار Workload Identity) | تأكد من أن متغير البيئة يُشير إلى بيانات اعتماد مدعومة بـ WI (وليس مفاتيح ثابتة). مع WI، ينبغي أن يرى الإطلاق التالي بعد التدوير القيمة الجديدة. إن لم يحدث ذلك، تحقق من أن السر قد تم تحديثه فعلاً في سحابتك (مثلاً، `aws secretsmanager get-secret-value`). |
-| `JSON key not found` | عند استخدام `secret-name#json_key`، يجب أن يكون السر الأساسي كائن JSON صالحاً يحتوي على ذلك المفتاح. تحقق بقراءة السر مباشرة في مزوّدك. |
-
-## الخطوات التالية
-
- [العودة إلى نظرة عامة على مدير الأسرار](/ar/enterprise/features/secrets-manager/overview)
- بيانات الاعتماد الثابتة: [AWS](/ar/enterprise/features/secrets-manager/aws) · [GCP](/ar/enterprise/features/secrets-manager/gcp)
- Workload Identity (مراعٍ للتدوير): [AWS](/ar/enterprise/features/secrets-manager/aws-workload-identity) · [GCP](/ar/enterprise/features/secrets-manager/gcp-workload-identity)
--- a/docs/ar/enterprise/features/secrets-manager/verify-rotation.mdx
+++ b/docs/ar/enterprise/features/secrets-manager/verify-rotation.mdx
@@ -1,261 +0,0 @@
---
-title: التحقق من التدوير
-description: مثال طاقم مستقل يُثبت أن تدوير الأسرار ينتشر إلى عمليات النشر الجارية دون إعادة نشر.
-sidebarTitle: التحقق من التدوير
-icon: "arrows-rotate"
---
-
-## نظرة عامة
-
-يوضّح لك هذا الدليل كيفية التحقق من أن **السر المُدوَّر في مزود السحابة لديك يُلتقط في أول إطلاق أتمتة لاحق** — بدون إعادة نشر ولا إعادة تشغيل عامل. هذا ذو صلة فقط عندما تكون قد كوّنت بيانات اعتماد مدعومة بـ Workload Identity ([AWS](/ar/enterprise/features/secrets-manager/aws-workload-identity)، [GCP](/ar/enterprise/features/secrets-manager/gcp-workload-identity)، [Azure](/ar/enterprise/features/secrets-manager/azure-workload-identity)). تتطلب عمليات نشر بيانات الاعتماد الثابتة إعادة نشر بعد التدوير؛ ليس هناك ما يجب التحقق منه هنا.
-
-تستخدم الوصفة أدناه طاقماً صغيراً مستقلاً بأداة واحدة ووكيل واحد ومهمة واحدة. لا يُشير موجه الطاقم أبداً إلى قيمة السر — بدلاً من ذلك، تقرأ أداة القيمة من `os.environ` وتُفيد ببصمة SHA-256 لما تراه. دوّر السر في مزود السحابة، أطلق مرة أخرى، وتتغير البصمة.
-
-<Note>
-لماذا بصمة وليس القيمة الخام؟ وضع الأسرار الخام في إخراج LLM وسجلات التتبع هو متجه تسرب. البصمة كافية لتأكيد "أن القيمة تغيّرت" دون كتابة القيمة الفعلية في أي مكان يمكن رصده.
-</Note>
-
-## المتطلبات المسبقة
-
-قبل تشغيل هذا التحقق:
-
- بيانات اعتماد مزود أسرار مدعومة بـ WI مكوَّنة ([AWS](/ar/enterprise/features/secrets-manager/aws-workload-identity)، [GCP](/ar/enterprise/features/secrets-manager/gcp-workload-identity)، [Azure](/ar/enterprise/features/secrets-manager/azure-workload-identity)).
- متغير بيئة على عملية النشر بـ `Secret = true`، المفتاح `API_KEY` (أو أي اسم تفضّله — اضبط الأداة أدناه لتطابقه)، يُشير إلى سر في مزود السحابة.
- طريقة لتحديث قيمة السر في مزود السحابة (وصول CLI أو وحدة تحكم السحابة).
- طريقة لإطلاق عملية النشر عبر HTTP (curl أو Postman أو علامة التبويب **Run** في CrewAI Platform).
-
-## الخطوة 1 — هيكلة طاقم التحقق
-
-أنشئ مشروع crew كلاسيكيًا لأن هذا المثال يربط أداة Python عبر `crew.py`:
-
-```bash
-crewai create crew rotation_verifier --classic --skip_provider
-cd rotation_verifier
-```
-
-## الخطوة 2 — إضافة أداة صدى بيانات الاعتماد
-
-استبدل `src/rotation_verifier/tools/custom_tool.py` بأداة تقرأ متغير البيئة المدعوم بسر وتُعيد بصمة:
-
-```python src/rotation_verifier/tools/credential_echo_tool.py
-"""Tool that verifies a runtime-injected secret without leaking the value.
-
-Reads the secret-backed env var (populated by the workload-identity
-secrets manager at kickoff time) and returns a stable fingerprint. Never
-echo raw credential values into LLM output or logs in production code —
-the fingerprint alone is sufficient to confirm rotation worked.
-"""
-
-from __future__ import annotations
-
-import hashlib
-import os
-
-from crewai.tools import BaseTool
-
-
-# Match the deployment environment variable's `key` field.
-ENV_VAR_NAME = "API_KEY"
-
-
-class CredentialEchoTool(BaseTool):
-    name: str = "credential_echo"
-    description: str = (
-        "Read the API credential from the worker's environment and return a "
-        "fingerprint summary. Use this exactly once when asked to verify the "
-        "current credential. Takes no arguments."
-    )
-
-    def _run(self) -> str:
-        value = os.environ.get(ENV_VAR_NAME)
-        if not value:
-            return (
-                f"ERROR: {ENV_VAR_NAME} env var is not set. The workload-"
-                "identity secret fetch did not run, or the deployment is "
-                "missing the secret-backed env var."
-            )
-        fingerprint = hashlib.sha256(value.encode()).hexdigest()[:12]
-        return f"Authenticated. credential.fingerprint=sha256:{fingerprint}"
-```
-
-## الخطوة 3 — استبدال تكوينات الوكيل والمهمة الافتراضية
-
-يضم الطاقم وكيلاً واحداً ومهمة واحدة — كلاهما بأوصاف **لا تذكر أبداً** قيمة السر، لذا تبقى مفاتيح المهام مستقرة عبر عمليات التدوير.
-
-```yaml src/rotation_verifier/config/agents.yaml
-credential_checker:
-  role: >
-    Credential Verifier
-  goal: >
-    Confirm that the workload-identity-backed secret reached this worker
-    process and report a fingerprint of the current value.
-  backstory: >
-    You are a no-nonsense reliability engineer responsible for verifying
-    that secrets fetched at runtime via workload identity are present
-    and fresh. You always use the credential_echo tool exactly once and
-    report the result verbatim — you never make up values.
-```
-
-```yaml src/rotation_verifier/config/tasks.yaml
-verify_credential_task:
-  description: >
-    Use the credential_echo tool to read the runtime-injected credential
-    and produce a one-line confirmation. The current year is {current_year}
-    (use it only in the timestamp; do not transform the credential output).
-  expected_output: >
-    A single line in the form:
-    "[{current_year}] <credential_echo tool's exact output>"
-  agent: credential_checker
-```
-
-## الخطوة 4 — توصيل فئة الطاقم
-
-```python src/rotation_verifier/crew.py
-from crewai import Agent, Crew, Process, Task
-from crewai.project import CrewBase, agent, crew, task
-from crewai.agents.agent_builder.base_agent import BaseAgent
-
-from rotation_verifier.tools.credential_echo_tool import CredentialEchoTool
-
-
-@CrewBase
-class RotationVerifierCrew():
-    """Single-task crew that verifies a workload-identity-backed secret
-    was successfully fetched at runtime.
-
-    Rotate the underlying secret in the cloud provider, kickoff again, and
-    the credential fingerprint in the agent's report changes — without any
-    re-deploy, worker restart, or input change. The crew prompt itself
-    never references the secret value.
-    """
-
-    agents: list[BaseAgent]
-    tasks: list[Task]
-
-    @agent
-    def credential_checker(self) -> Agent:
-        return Agent(
-            config=self.agents_config["credential_checker"],
-            tools=[CredentialEchoTool()],
-            verbose=True,
-        )
-
-    @task
-    def verify_credential_task(self) -> Task:
-        return Task(config=self.tasks_config["verify_credential_task"])
-
-    @crew
-    def crew(self) -> Crew:
-        return Crew(
-            agents=self.agents,
-            tasks=self.tasks,
-            process=Process.sequential,
-            verbose=True,
-        )
-```
-
-## الخطوة 5 — نشر الطاقم وتكوين متغير بيئة السر
-
-انشر هذا الطاقم على CrewAI Platform تماماً كما تنشر أي طاقم آخر. ثم على صفحة **Environment Variables** الخاصة بعملية النشر:
-
- **Key:** `API_KEY` (يجب أن يطابق `ENV_VAR_NAME` في الأداة)
- **Value Source:** بيانات الاعتماد المدعومة بـ WI التي أعدّتها في [AWS WI](/ar/enterprise/features/secrets-manager/aws-workload-identity) أو [GCP WI](/ar/enterprise/features/secrets-manager/gcp-workload-identity)
- **Secret Name:** اسم السر في Secret Manager الخاص بمزود السحابة لديك
-
-{/* SCREENSHOT: Environment Variables form with key=API_KEY, secret-backed value source selected, secret name filled → /images/secrets-manager/verify-rotation/01-env-var-form.png */}
-
-## الخطوة 6 — تشغيل الإطلاق الأول
-
-استبدل `<DEPLOYMENT_AUTH_TOKEN>` و `<DEPLOYMENT_HOST>` بالقيم من علامة التبويب **Run** الخاصة بعملية النشر.
-
-```bash
-curl -m 60 \
-  -H "Authorization: Bearer <DEPLOYMENT_AUTH_TOKEN>" \
-  -H "Content-Type: application/json" \
-  -X POST https://<DEPLOYMENT_HOST>/kickoff \
-  -d '{"inputs":{"current_year":"2026"}}'
-```
-
-عندما يكتمل الإطلاق (بضع ثوان)، تحقق من إخراج الوكيل. سترى:
-
-```
-[2026] Authenticated. credential.fingerprint=sha256:004421b993c9
-```
-
-سجّل البصمة. هذا التجزئة مرتبط بشكل فريد بأي قيمة سر موجودة حالياً في مزود السحابة لديك.
-
-## الخطوة 7 — تدوير السر في مزود السحابة
-
-<Tabs>
-  <Tab title="AWS">
-    ```bash
-    aws secretsmanager update-secret \
-      --region <REGION> \
-      --secret-id <SECRET_NAME> \
-      --secret-string "rotated value"
-    ```
-  </Tab>
-
-  <Tab title="GCP">
-    أضف إصداراً جديداً (يقرأ Secret Manager دائماً `latest`):
-
-    ```bash
-    echo -n "rotated value" | gcloud secrets versions add <SECRET_NAME> \
-      --data-file=- \
-      --project=<YOUR_PROJECT_ID>
-    ```
-  </Tab>
-
-  <Tab title="Azure">
-    ```bash
-    az keyvault secret set \
-      --vault-name <VAULT_NAME> \
-      --name <SECRET_NAME> \
-      --value "rotated value"
-    ```
-  </Tab>
-</Tabs>
-
-## الخطوة 8 — تشغيل إطلاق ثانٍ والمقارنة
-
-```bash
-curl -m 60 \
-  -H "Authorization: Bearer <DEPLOYMENT_AUTH_TOKEN>" \
-  -H "Content-Type: application/json" \
-  -X POST https://<DEPLOYMENT_HOST>/kickoff \
-  -d '{"inputs":{"current_year":"2026"}}'
-```
-
-يُظهر إخراج الوكيل الآن **بصمة مختلفة**:
-
-```
-[2026] Authenticated. credential.fingerprint=sha256:e2fc89848f72
-```
-
-يُثبت هذا أن التدوير التُقط بواسطة عملية النشر الجارية دون إعادة نشر ولا إعادة تشغيل عامل ولا أي إجراء آخر من قِبل المشغّل.
-
-## ما يتحقق منه هذا — وما لا يتحقق منه
-
-**يتحقق من:**
- يعمل إصدار رمز OIDC الخاص بـ WI من CrewAI Platform.
- تقبل الثقة من جانب السحابة (مزود IAM OIDC لـ AWS، Workload Identity Pool لـ GCP، Federated Identity Credential لـ Azure) الرمز.
- تمتلك الهوية من جانب السحابة (IAM Role / حساب خدمة GCP / Entra App Registration) وصولاً لقراءة السر.
- تصل قيمة السر إلى `os.environ` لعملية العامل وقت الإطلاق.
- تنتشر عمليات التدوير اللاحقة إلى الإطلاق التالي.
-
-**لا يتحقق من:**
- أن طواقم الإنتاج الفعلية لديك تتعامل مع التدوير بسلاسة — مثلاً، المهام طويلة الأمد التي تقرأ متغير البيئة مرة واحدة عند البدء ستستمر في استخدام القيمة القديمة حتى تنتهي المهمة. خطّط وفقاً لذلك: اقرأ الأسرار عند نقطة الاستخدام، وليس عند استيراد الوحدة.
-
-## لماذا لا نُشير إلى السر مباشرةً في الموجه؟
-
-سيضع عرض توضيحي يبدو أبسط قيمة السر مباشرةً في وصف مهمة (مثلاً، "البحث عن `{api_key}`") ويتفحص الموجه. **لا تفعل ذلك.** لسببين:
-
-1. **يُسرّب السر إلى تتبعات استدعاء LLM والسجلات من جانب المزود.** يمكن لأي شخص لديه وصول للتتبعات قراءته.
-2. **يُغيّر وصف المهمة في كل إطلاق.** تُحدّد CrewAI Platform المهام بتجزئة MD5 للوصف؛ القيمة المُدوَّرة تعني أن التجزئة تتغير لكل إطلاق، مما يكسر ربط المهمة من وقت النشر إلى وقت التشغيل. العَرَض: تُسجَّل سجلات المهام كـ `pending_run` إلى الأبد، أو تُسجَّل بعض مهام طاقم متعدد المهام فقط.
-
-يتجاوز النمط القائم على الأداة في هذا الدليل كلتا المشكلتين: الموجه ثابت، تقرأ الأداة متغير البيئة وقت التشغيل، وتصل فقط بصمة القيمة إلى LLM.
-
-## الخطوات التالية
-
- [العودة إلى نظرة عامة على مدير الأسرار](/ar/enterprise/features/secrets-manager/overview)
- بمجرد التحقق، أَسقط طاقم التحقق. يجب أن تتبع الطواقم الفعلية النمط نفسه: الوصول إلى الأسرار عبر `os.environ` داخل أداة، وعدم استبدالها أبداً في الموجهات.
--- a/docs/ar/enterprise/guides/capture_telemetry_logs.mdx
+++ b/docs/ar/enterprise/guides/capture_telemetry_logs.mdx
@@ -24,39 +24,15 @@ mode: "wide"

 1. في CrewAI AMP، انتقل إلى **Settings** > **OpenTelemetry Collectors**.
 2. انقر على **Add Collector**.
-3. اختر تكاملاً:
-   - **OpenTelemetry Traces** و**OpenTelemetry Logs** — صدّر إلى أي مجمّع أو واجهة خلفية متوافقة مع OTLP.
-   - **Datadog** — أرسل التتبعات مباشرة إلى استقبال OTLP الخاص بـ Datadog، دون الحاجة إلى مجمّع منفصل أو Datadog Agent.
-4. هيّئ الاتصال. تعتمد الحقول على التكامل الذي اخترته:
+3. اختر نوع التكامل — **OpenTelemetry Traces** أو **OpenTelemetry Logs**.
+4. هيّئ الاتصال:
+   - **Endpoint** — نقطة نهاية OTLP لمجمّعك (مثل `https://otel-collector.example.com:4317`).
+   - **Service Name** — اسم لتعريف هذه الخدمة في منصة المراقبة.
+   - **Custom Headers** *(اختياري)* — أضف رؤوس المصادقة أو التوجيه كأزواج مفتاح-قيمة.
+   - **Certificate** *(اختياري)* — قدم شهادة TLS إذا كان مجمّعك يتطلبها.
+5. انقر على **Save**.

-<Tabs>
-  <Tab title="OpenTelemetry Traces / Logs">
-    إن **OpenTelemetry Traces** و**OpenTelemetry Logs** تكاملان منفصلان يتشاركان نفس الحقول — اختر التكامل المطابق للإشارة التي تريد تصديرها.
-
-    - **Endpoint** — نقطة نهاية OTLP لمجمّعك (مثل `https://otel-collector.example.com:4317`).
-    - **Service Name** — اسم لتعريف هذه الخدمة في منصة المراقبة.
-    - **Custom Headers** *(اختياري)* — أضف رؤوس المصادقة أو التوجيه كأزواج مفتاح-قيمة.
-    - **Certificate** *(اختياري)* — قدم شهادة TLS إذا كان مجمّعك يتطلبها.
-
-    <Frame>![تهيئة مجمّع OpenTelemetry](/images/crewai-otel-collector-opentelemetry.png)</Frame>
-  </Tab>
-  <Tab title="Datadog">
-    - **Datadog Site Domain** — مضيف OTLP لموقع Datadog الخاص بك فقط، دون بروتوكول أو مسار. يقوم CrewAI ببناء نقطة نهاية HTTPS OTLP الكاملة نيابةً عنك. استخدم المضيف المطابق لـ [موقع Datadog](https://docs.datadoghq.com/getting_started/site/) الخاص بك:
-      - `otlp.datadoghq.com` (US1)
-      - `otlp.us3.datadoghq.com` (US3)
-      - `otlp.us5.datadoghq.com` (US5)
-      - `otlp.datadoghq.eu` (EU1)
-      - `otlp.ap1.datadoghq.com` (AP1)
-    - **API Key** — مفتاح واجهة برمجة تطبيقات Datadog الخاص بك. راجع [كيفية إنشاء واحد](https://docs.datadoghq.com/account_management/api-app-keys/#api-keys).
-
-    يصدّر تكامل Datadog **التتبعات**.
-
-    <Frame>![تهيئة مجمّع Datadog](/images/crewai-otel-collector-datadog.png)</Frame>
-  </Tab>
-</Tabs>
-
-5. *(اختياري)* انقر على **Test Connection** للتحقق من قدرة CrewAI على الوصول إلى نقطة النهاية باستخدام بيانات الاعتماد التي قدمتها.
-6. انقر على **Save**.
+<Frame>![تهيئة مجمّع OpenTelemetry](/images/crewai-otel-collector-config.png)</Frame>

 <Tip>
  يمكنك إضافة مجمّعات متعددة — على سبيل المثال، واحد للتتبعات وآخر للسجلات، أو الإرسال إلى واجهات خلفية مختلفة لأغراض مختلفة.
--- a/docs/ar/enterprise/guides/deploy-to-amp.mdx
+++ b/docs/ar/enterprise/guides/deploy-to-amp.mdx
@@ -106,7 +106,7 @@ mode: "wide"
    ```

    <Tip>
-    يستغرق النشر الأول عادة حوالي دقيقة واحدة.
+    يستغرق النشر الأول عادة 10-15 دقيقة لبناء صور الحاويات. عمليات النشر اللاحقة أسرع بكثير.
    </Tip>

  </Step>
@@ -164,12 +164,6 @@ crewai deploy remove <deployment_id>
      ![اختيار المستودع](/images/enterprise/select-repo.png)
    </Frame>

-    <Tip>
-      إذا كان Crew أو Flow داخل مجلد فرعي في monorepo، فوسّع **Advanced**
-      وعيّن دليل عمل قبل النشر. راجع
-      [النشر من Monorepo](/ar/enterprise/guides/monorepo-deployments).
-    </Tip>
-
  </Step>

  <Step title="تعيين متغيرات البيئة">
@@ -194,7 +188,7 @@ crewai deploy remove <deployment_id>

    1. انقر على زر "Deploy" لبدء عملية النشر
    2. يمكنك مراقبة التقدم عبر شريط التقدم
-    3. يستغرق النشر الأول عادة حوالي دقيقة واحدة
+    3. يستغرق النشر الأول عادة حوالي 10-15 دقيقة؛ عمليات النشر اللاحقة ستكون أسرع

    <Frame>
      ![تقدم النشر](/images/enterprise/deploy-progress.png)
@@ -374,17 +368,17 @@ git push

 **الحل**: تحقق من أن مشروعك يتطابق مع البنية المتوقعة:

- **JSON-first Crews**: أبقِ `crew.jsonc` أو `crew.json` و `agents/` في جذر المشروع
- **Crews كلاسيكية**: استخدم `src/project_name/main.py` مع دالة دخول `run()`
- **Flows**: استخدم `src/project_name/main.py` مع دالة دخول `kickoff()`
+- **كل من الطواقم والتدفقات**: يجب أن تكون نقطة الدخول في `src/project_name/main.py`
+- **الطواقم**: تستخدم دالة `run()` كنقطة دخول
+- **التدفقات**: تستخدم دالة `kickoff()` كنقطة دخول

 راجع [التحضير للنشر](/ar/enterprise/guides/prepare-for-deployment) لمخططات البنية المفصلة.

-#### مُزخرف CrewBase مفقود في crew كلاسيكية
+#### مُزخرف CrewBase مفقود

 **العرض**: أخطاء "Crew not found" أو "Config not found" أو أخطاء تهيئة الوكيل/المهمة

-**الحل**: في crews الكلاسيكية Python/YAML، تأكد من أن جميع فئات الـ crew تستخدم مُزخرف `@CrewBase`. لا تحتاج crews بنمط JSON-first إلى هذا المزخرف.
+**الحل**: تأكد من أن **جميع** فئات الطاقم تستخدم مُزخرف `@CrewBase`:

 ```python
 from crewai.project import CrewBase, agent, crew, task
@@ -404,8 +398,8 @@ class YourCrew():
 ```

 <Info>
-  ينطبق هذا على فئات crew الكلاسيكية المكتوبة في Python، بما في ذلك crews الكلاسيكية المضمنة داخل مشاريع Flow.
-  يتم التحقق من crews بنمط JSON-first من `crew.jsonc` و `agents/` بدلاً من ذلك.
+  ينطبق هذا على الطواقم المستقلة والطواقم المضمنة داخل مشاريع التدفق.
+  كل فئة طاقم تحتاج المُزخرف.
 </Info>

 #### نوع pyproject.toml غير صحيح
@@ -442,8 +436,8 @@ type = "flow"
 **الحل**:
 1. تحقق من سجلات التنفيذ في لوحة تحكم AMP (علامة تبويب Traces)
 2. تحقق من أن جميع الأدوات لديها مفاتيح API المطلوبة مُهيأة
-3. في crews بنمط JSON-first، تحقق من `crew.jsonc` والملفات المشار إليها داخل `agents/`
-4. في crews الكلاسيكية، تأكد من صحة `agents.yaml` و `tasks.yaml`
+3. تأكد من صحة تهيئات الوكلاء في `agents.yaml`
+4. تحقق من تهيئات المهام في `tasks.yaml` بحثاً عن أخطاء الصياغة

 <Card title="تحتاج مساعدة؟" icon="headset" href="mailto:support@crewai.com">
  تواصل مع فريق الدعم للمساعدة في مشاكل النشر أو أسئلة حول
--- a/docs/ar/enterprise/guides/enable-crew-studio.mdx
+++ b/docs/ar/enterprise/guides/enable-crew-studio.mdx
@@ -146,6 +146,7 @@ Crew Studio هو طريقة مبتكرة لإنشاء طواقم وكلاء ال

  </Step>

+{" "}
 <Step title="الإجابة على الأسئلة">
  أجب على أسئلة التوضيح من مساعد الطاقم لتنقيح
  متطلباتك.
@@ -160,10 +161,12 @@ Crew Studio هو طريقة مبتكرة لإنشاء طواقم وكلاء ال

  </Step>

+{" "}
 <Step title="الموافقة أو التعديل">
  وافق على الخطة أو اطلب تغييرات إذا لزم الأمر.
 </Step>

+{" "}
 <Step title="التنزيل أو النشر">
  نزّل الكود للتخصيص أو انشر مباشرة على المنصة.
 </Step>
--- a/docs/ar/enterprise/guides/monorepo-deployments.mdx
+++ b/docs/ar/enterprise/guides/monorepo-deployments.mdx
@@ -1,224 +0,0 @@
---
-title: "النشر من Monorepo"
-description: "انشر Crew أو Flow من مجلد فرعي داخل مستودع أكبر"
-icon: "folder-tree"
-mode: "wide"
---
-
-<Note>
-  استخدم دليل عمل عندما يكون Crew أو Flow داخل مستودع أكبر. يتحقق CrewAI AMP
-  من الأتمتة ويبنيها ويشغلها من ذلك المجلد الفرعي بدلاً من جذر المستودع.
-</Note>
-
-## متى تستخدم ذلك
-
-يكون النشر من monorepo مفيداً عندما يحتوي مستودع واحد على عدة أتمتات أو حزم
-مشتركة أو كود تطبيقات آخر:
-
-```text
-company-ai/
-|-- uv.lock
-|-- packages/
-|   `-- shared_tools/
-`-- crews/
-    |-- support_agent/
-    |   |-- pyproject.toml
-    |   |-- crew.jsonc
-    |   `-- agents/
-    |       `-- support_agent.jsonc
-    `-- research_flow/
-        |-- pyproject.toml
-        `-- src/
-            `-- research_flow/
-                `-- main.py
-```
-
-لنشر `support_agent`، اضبط دليل العمل على:
-
-```text
-crews/support_agent
-```
-
-لا يزال AMP يجلب المستودع كاملاً أو يرفعه، لكنه يتعامل مع المجلد المحدد كجذر
-مشروع الأتمتة.
-
-## ما الذي يتحكم به دليل العمل
-
-عند تعيين دليل عمل، يستخدم AMP ذلك المجلد من أجل:
-
- التحقق من المشروع، بما في ذلك `pyproject.toml` وملفات crew JSON وأي نقطة دخول كلاسيكية لـ Crew أو Flow
- تثبيت الاعتماديات باستخدام `uv`
- دليل العمل للعملية قيد التشغيل
- متغير البيئة `CREW_ROOT_DIR`
-
-ترك الحقل فارغاً يحافظ على السلوك الحالي ويستخدم جذر المستودع.
-
-## المصادر المدعومة
-
-يمكنك تعيين دليل عمل عند إنشاء نشر من:
-
- مستودع GitHub متصل
- مستودع Git مكوّن في AMP
- رفع ملف ZIP
-
-<Info>
-  اضبط أدلة العمل من واجهة AMP على الويب. لا يطلب تدفق CLI
-  `crewai deploy create` هذا الحقل.
-</Info>
-
-يمكنك أيضاً إضافة دليل العمل أو تغييره في نشر موجود من صفحة **Settings** الخاصة
-بالنشر. يسري التغيير في النشر التالي.
-
-<Warning>
-  لا يمكن استخدام أدلة العمل وauto-deploy معاً. إذا كان للنشر دليل عمل، يتم
-  تعطيل auto-deploy لذلك النشر. أوقف auto-deploy قبل تعيين دليل عمل.
-</Warning>
-
-## إعداد نشر جديد
-
-<Steps>
-  <Step title="افتح Deploy from Code">
-    في CrewAI AMP، أنشئ نشراً جديداً واختر المصدر: GitHub أو Git Repository أو
-    رفع ZIP.
-  </Step>
-
-  <Step title="اختر المستودع أو الفرع أو ملف ZIP">
-    اختر المستودع والفرع اللذين يحتويان على monorepo، أو ارفع ملف ZIP يحتوي
-    جذره على محتويات monorepo.
-  </Step>
-
-  <Step title="افتح الإعدادات المتقدمة">
-    وسّع قسم **Advanced** في نموذج النشر.
-  </Step>
-
-  <Step title="أدخل دليل العمل">
-    أدخل المسار من جذر المستودع إلى مشروع Crew أو Flow:
-
-    ```text
-    crews/support_agent
-    ```
-
-    لا تضف شرطة مائلة في البداية.
-  </Step>
-
-  <Step title="انشر">
-    أضف أي متغيرات بيئة مطلوبة، ثم ابدأ النشر.
-  </Step>
-</Steps>
-
-## إعداد نشر موجود
-
-<Steps>
-  <Step title="افتح إعدادات النشر">
-    انتقل إلى الأتمتة في AMP وافتح **Settings**.
-  </Step>
-
-  <Step title="أوقف auto-deploy إذا لزم الأمر">
-    إذا كان auto-deploy مفعلاً، أوقفه أولاً. لا يكون حقل دليل العمل متاحاً
-    أثناء تشغيل auto-deploy.
-  </Step>
-
-  <Step title="عيّن دليل العمل">
-    في **Basic settings**، أدخل مسار المجلد الفرعي، مثل:
-
-    ```text
-    crews/support_agent
-    ```
-  </Step>
-
-  <Step title="أعد النشر">
-    احفظ الإعداد وأعد نشر الأتمتة. سيتم استخدام دليل العمل الجديد في النشر
-    التالي.
-  </Step>
-</Steps>
-
-## قواعد المسار
-
-يجب أن يكون دليل العمل مساراً نسبياً داخل جذر المستودع أو ZIP.
-
-| القاعدة | المثال |
-|---------|--------|
-| استخدم مساراً نسبياً | `crews/support_agent` |
-| لا تبدأ بـ `/` | `/crews/support_agent` غير صالح |
-| لا تستخدم مقاطع المسار `.` أو `..` | `crews/../support_agent` غير صالح |
-| استخدم الأحرف والأرقام والشرطات والشرطات السفلية والنقاط والشرطات المائلة فقط | `crews/support agent` غير صالح |
-| اجعل المسار 255 حرفاً أو أقل | يتم رفض المسارات الأطول |
-
-يزيل AMP المسافات البيضاء في البداية والنهاية، ويضغط الشرطات المائلة المتكررة،
-ويزيل الشرطة المائلة النهائية. تستخدم القيمة الفارغة جذر المستودع.
-
-## ملفات القفل وUV Workspaces
-
-يجب أن يحتوي المجلد المحدد على `pyproject.toml` وملفات المشروع المناسبة لنوع
-الأتمتة:
-
- crew بنمط JSON-first: ملف `crew.jsonc` أو `crew.json` مع مجلد `agents/`
- Crew كلاسيكي أو Flow: مجلد `src/` مع نقطة دخول Python المتوقعة
-
-يمكن أن يوجد ملف `uv.lock` أو `poetry.lock` إما في المجلد المحدد أو في جذر
-المستودع.
-
-يدعم هذا تخطيطي ملفات القفل الشائعين:
-
-<Tabs>
-  <Tab title="ملف قفل المشروع">
-    ```text
-    company-ai/
-    `-- crews/
-        `-- support_agent/
-            |-- pyproject.toml
-            |-- uv.lock
-            |-- crew.jsonc
-            `-- agents/
-                `-- support_agent.jsonc
-    ```
-  </Tab>
-
-  <Tab title="ملف قفل workspace">
-    ```text
-    company-ai/
-    |-- uv.lock
-    |-- packages/
-    |   `-- shared_tools/
-    `-- crews/
-        `-- support_agent/
-            |-- pyproject.toml
-            |-- crew.jsonc
-            `-- agents/
-                `-- support_agent.jsonc
-    ```
-  </Tab>
-</Tabs>
-
-<Tip>
-  إذا كانت الأتمتة تستورد حزماً مشتركة من مكان آخر في monorepo، فصرّح بهذه
-  الحزم في `pyproject.toml` باستخدام إعدادات UV workspace أو path أو source.
-  يشغل AMP الأتمتة من المجلد المحدد، لذلك يجب تثبيت الكود المشترك كاعتمادية
-  بدلاً من الاعتماد على وجود جذر المستودع في Python path.
-</Tip>
-
-## استكشاف الأخطاء وإصلاحها
-
-### لم يتم العثور على دليل العمل
-
-تحقق من أن المسار نسبي إلى جذر المستودع أو ZIP. بالنسبة لرفع ZIP، يجب أن
-تتضمن محتويات ZIP مسار دليل العمل تماماً كما أدخلته.
-
-### pyproject.toml مفقود
-
-يجب أن يشير دليل العمل إلى مجلد مشروع Crew أو Flow، وليس فقط إلى مجلد أب
-يحتوي على عدة مشاريع.
-
-### uv.lock أو poetry.lock مفقود
-
-اعمل commit لملف قفل إما في مجلد المشروع المحدد أو في جذر المستودع. بالنسبة
-إلى UV workspaces، يتم دعم إبقاء `uv.lock` في جذر workspace.
-
-### Auto-Deploy غير متاح
-
-يتم تعطيل auto-deploy أثناء تعيين دليل عمل. استخدم إعادة النشر اليدوية أو شغّل
-إعادة النشر من CI/CD باستخدام AMP API.
-
-<Card title="النشر على AMP" icon="rocket" href="/ar/enterprise/guides/deploy-to-amp">
-  تابع دليل النشر بعد اختيار دليل عمل monorepo.
-</Card>
--- a/docs/ar/enterprise/guides/prepare-for-deployment.mdx
+++ b/docs/ar/enterprise/guides/prepare-for-deployment.mdx
@@ -24,7 +24,7 @@ mode: "wide"

 <CardGroup cols={2}>
  <Card title="مشاريع الطاقم" icon="users">
-    فرق وكلاء ذكاء اصطناعي مستقلة. الـ crews الجديدة تستخدم بنية JSON-first مع `crew.jsonc` و `agents/`؛ ويمكن للـ crews الكلاسيكية الاستمرار في استخدام `crew.py`.
+    فرق وكلاء ذكاء اصطناعي مستقلة مع `crew.py` يحدد الوكلاء والمهام. الأفضل للمهام المركزة والتعاونية.
  </Card>
  <Card title="مشاريع التدفق" icon="diagram-project">
    سير عمل مُنسّق مع طواقم مضمنة في مجلد `crews/`. الأفضل للعمليات المعقدة متعددة المراحل.
@@ -33,19 +33,19 @@ mode: "wide"

 | الجانب | الطاقم | التدفق |
 |--------|--------|--------|
-| **بنية المشروع** | جذر المشروع مع `crew.jsonc` و `agents/` | `src/project_name/` مع مجلد `crews/` |
-| **موقع المنطق الرئيسي** | `crew.jsonc` (كلاسيكي: `src/project_name/crew.py`) | `src/project_name/main.py` (فئة Flow) |
-| **دالة نقطة الدخول** | تُحمّل من `crew.jsonc` (كلاسيكي: `run()` في `main.py`) | `kickoff()` في `main.py` |
+| **بنية المشروع** | `src/project_name/` مع `crew.py` | `src/project_name/` مع مجلد `crews/` |
+| **موقع المنطق الرئيسي** | `src/project_name/crew.py` | `src/project_name/main.py` (فئة Flow) |
+| **دالة نقطة الدخول** | `run()` في `main.py` | `kickoff()` في `main.py` |
 | **نوع pyproject.toml** | `type = "crew"` | `type = "flow"` |
 | **أمر CLI للإنشاء** | `crewai create crew name` | `crewai create flow name` |
-| **موقع التهيئة** | `crew.jsonc` و `agents/` و `tools/` اختياريًا | `src/project_name/crews/crew_name/config/` أو مجلدات crew JSON مضمنة |
+| **موقع التهيئة** | `src/project_name/config/` | `src/project_name/crews/crew_name/config/` |
 | **يمكن أن يحتوي طواقم أخرى** | لا | نعم (في مجلد `crews/`) |

 ## مرجع بنية المشروع

 ### بنية مشروع الطاقم

-عند تشغيل `crewai create crew my_crew`، تحصل على بنية JSON-first:
+عند تشغيل `crewai create crew my_crew`، تحصل على هذه البنية:

 ```
 my_crew/
@@ -54,25 +54,24 @@ my_crew/
 ├── README.md
 ├── .env
 ├── uv.lock                  # REQUIRED for deployment
-├── crew.jsonc               # إعدادات الـ crew والمهام والعملية والمدخلات
-├── agents/
-│   └── researcher.jsonc     # تعريفات الـ Agents
-├── tools/                   # أدوات custom:<name> اختيارية
-├── knowledge/
-└── skills/
+└── src/
+    └── my_crew/
+        ├── __init__.py
+        ├── main.py          # Entry point with run() function
+        ├── crew.py          # Crew class with @CrewBase decorator
+        ├── tools/
+        │   ├── custom_tool.py
+        │   └── __init__.py
+        └── config/
+            ├── agents.yaml  # Agent definitions
+            └── tasks.yaml   # Task definitions
 ```

 <Warning>
-  في crews بنمط JSON-first، أبقِ `crew.jsonc` و `agents/` و `tools/` و `knowledge/` و `skills/`
-  في جذر المشروع. وضعها داخل `src/` يمنع `crewai run` والتحقق قبل النشر من العثور على تعريف الـ crew.
+  بنية `src/project_name/` المتداخلة ضرورية للطواقم.
+  وضع الملفات في المستوى الخاطئ سيسبب فشل النشر.
 </Warning>

-<Info>
-  المشاريع الكلاسيكية التي تُنشأ عبر `crewai create crew my_crew --classic` تستخدم البنية القديمة
-  `src/project_name/crew.py` و `src/project_name/config/agents.yaml` و
-  `src/project_name/config/tasks.yaml`. تظل هذه البنية مدعومة للـ crews المكتوبة في Python مع decorators.
-</Info>
-
 ### بنية مشروع التدفق

 عند تشغيل `crewai create flow my_flow`، تحصل على هذه البنية:
@@ -101,9 +100,9 @@ my_flow/
 ```

 <Info>
-  الـ crews المستقلة بنمط JSON-first تستخدم ملفات JSON في جذر المشروع. أما Flows فتظل تستخدم
-  `src/project_name/` ويمكن أن تحتوي crews مضمنة كلاسيكية أو مجلدات crew JSON يتم تحميلها عبر
-  `crewai.project.load_crew`.
+  كلا الطواقم والتدفقات تستخدم بنية `src/project_name/`.
+  الفرق الرئيسي أن التدفقات لها مجلد `crews/` للطواقم المضمنة،
+  بينما الطواقم لها `crew.py` مباشرة في مجلد المشروع.
 </Info>

 ## قائمة فحص ما قبل النشر
@@ -155,89 +154,60 @@ git commit -m "Add uv.lock for deployment"
 git push
 ```

-### 3. التحقق من تعريف الـ Crew
+### 3. التحقق من استخدام مُزخرف CrewBase

-<Tabs>
-  <Tab title="JSON-first Crews">
-    يجب أن تحتوي crews بنمط JSON-first على `crew.jsonc` أو `crew.json` في جذر المشروع.
-    يجب أن يشير مصفوفة `agents` إلى ملفات داخل `agents/`، ويجب أن تشير كل task إلى اسم Agent صحيح.
+**يجب أن تستخدم كل فئة طاقم مُزخرف `@CrewBase`.** ينطبق هذا على:

-    ```jsonc crew.jsonc
-    {
-      "name": "Research Crew",
-      "agents": ["researcher"],
-      "tasks": [
-        {
-          "name": "research_task",
-          "description": "Research {topic}.",
-          "expected_output": "A concise report.",
-          "agent": "researcher"
-        }
-      ],
-      "inputs": {
-        "topic": "AI Agents"
-      }
-    }
-    ```
+- مشاريع الطاقم المستقلة
+- الطواقم المضمنة داخل مشاريع التدفق

-    تُشار الأدوات المخصصة بصيغة `"custom:<name>"` ويجب تنفيذها في
-    `tools/<name>.py` كصنف يرث من `BaseTool`.
-  </Tab>
-  <Tab title="Crews كلاسيكية Python/YAML">
-    يجب أن تستخدم الـ crews الكلاسيكية وPython crews المضمنة داخل Flows مزخرف `@CrewBase`.
+```python
+from crewai import Agent, Crew, Process, Task
+from crewai.project import CrewBase, agent, crew, task
+from crewai.agents.agent_builder.base_agent import BaseAgent
+from typing import List

-    ```python
-    from crewai import Agent, Crew, Process, Task
-    from crewai.project import CrewBase, agent, crew, task
-    from crewai.agents.agent_builder.base_agent import BaseAgent
-    from typing import List
+@CrewBase  # This decorator is REQUIRED
+class MyCrew():
+    """My crew description"""

-    @CrewBase
-    class MyCrew():
-        """My crew description"""
+    agents: List[BaseAgent]
+    tasks: List[Task]

-        agents: List[BaseAgent]
-        tasks: List[Task]
+    @agent
+    def my_agent(self) -> Agent:
+        return Agent(
+            config=self.agents_config['my_agent'],  # type: ignore[index]
+            verbose=True
+        )

-        @agent
-        def my_agent(self) -> Agent:
-            return Agent(
-                config=self.agents_config['my_agent'],  # type: ignore[index]
-                verbose=True
-            )
+    @task
+    def my_task(self) -> Task:
+        return Task(
+            config=self.tasks_config['my_task']  # type: ignore[index]
+        )

-        @task
-        def my_task(self) -> Task:
-            return Task(
-                config=self.tasks_config['my_task']  # type: ignore[index]
-            )
+    @crew
+    def crew(self) -> Crew:
+        return Crew(
+            agents=self.agents,
+            tasks=self.tasks,
+            process=Process.sequential,
+            verbose=True,
+        )
+```

-        @crew
-        def crew(self) -> Crew:
-            return Crew(
-                agents=self.agents,
-                tasks=self.tasks,
-                process=Process.sequential,
-                verbose=True,
-            )
-    ```
-  </Tab>
-</Tabs>
+<Warning>
+  إذا نسيت مُزخرف `@CrewBase`، سيفشل النشر بأخطاء حول
+  تهيئات الوكلاء أو المهام المفقودة.
+</Warning>

 ### 4. التحقق من نقاط دخول المشروع

-لا تحتاج crews المستقلة بنمط JSON-first إلى ملف `src/project_name/main.py` مكتوب يدويًا؛
-يقوم `crewai run` وتغليف النشر بتحميل `crew.jsonc` مباشرة. تستخدم crews الكلاسيكية وFlows نقاط دخول Python:
+كل من الطواقم والتدفقات لها نقطة دخول في `src/project_name/main.py`:

 <Tabs>
-  <Tab title="JSON-first Crews">
-    شغّل محليًا من جذر المشروع:
-
-    ```bash
-    crewai run
-    ```
-  </Tab>
-  <Tab title="Crews كلاسيكية">
+  <Tab title="للطواقم">
    تستخدم نقطة الدخول دالة `run()`:

    ```python
@@ -308,17 +278,16 @@ grep -A2 "\[tool.crewai\]" pyproject.toml
 # 2. Verify uv.lock exists
 ls -la uv.lock || echo "ERROR: uv.lock missing! Run 'uv lock'"

-# 3. For JSON-first crews, verify crew.jsonc and agents/
-([ -f crew.jsonc ] || [ -f crew.json ]) || echo "No crew.jsonc or crew.json found"
-test -d agents || echo "No agents/ directory found"
+# 3. Verify src/ structure exists
+ls -la src/*/main.py 2>/dev/null || echo "No main.py found in src/"

-# 4. For classic Crews - verify crew.py exists
+# 4. For Crews - verify crew.py exists
 ls -la src/*/crew.py 2>/dev/null || echo "No crew.py (expected for Crews)"

 # 5. For Flows - verify crews/ folder exists
 ls -la src/*/crews/ 2>/dev/null || echo "No crews/ folder (expected for Flows)"

-# 6. For classic Python crews - check for CrewBase usage
+# 6. Check for CrewBase usage
 grep -r "@CrewBase" . --include="*.py"
 ```

@@ -328,9 +297,8 @@ grep -r "@CrewBase" . --include="*.py"
 |-------|-------|---------|
 | `uv.lock` مفقود | فشل البناء أثناء حل الاعتماديات | شغّل `uv lock` وارفعه |
 | `type` خاطئ في pyproject.toml | نجاح البناء لكن فشل وقت التشغيل | غيّر إلى النوع الصحيح |
-| `crew.jsonc` أو `agents/` مفقود في crew بنمط JSON-first | لا يمكن العثور على تعريف الـ crew | أبقِ `crew.jsonc` و `agents/` في جذر المشروع |
-| مُزخرف `@CrewBase` مفقود في crew كلاسيكية | أخطاء "Config not found" | أضف المُزخرف لجميع فئات الـ crew الكلاسيكية |
-| ملفات كلاسيكية في الجذر بدل `src/` | نقطة الدخول غير موجودة | انقل ملفات Python الكلاسيكية إلى `src/project_name/` |
+| مُزخرف `@CrewBase` مفقود | أخطاء "Config not found" | أضف المُزخرف لجميع فئات الطاقم |
+| ملفات في الجذر بدل `src/` | نقطة الدخول غير موجودة | انقلها إلى `src/project_name/` |
 | `run()` أو `kickoff()` مفقودة | لا يمكن بدء الأتمتة | أضف دالة الدخول الصحيحة |

 ## الخطوات التالية
--- a/docs/ar/enterprise/guides/training-crews.mdx
+++ b/docs/ar/enterprise/guides/training-crews.mdx
@@ -1,132 +0,0 @@
---
-title: "تدريب الطواقم"
-description: "قم بتدريب طواقمك المنشورة مباشرة من منصة CrewAI AMP لتحسين أداء الوكلاء بمرور الوقت"
-icon: "dumbbell"
-mode: "wide"
---
-
-يتيح لك التدريب تحسين أداء الطاقم من خلال تشغيل جلسات تدريب تكرارية مباشرة من علامة تبويب **Training** في CrewAI AMP. تستخدم المنصة **وضع التدريب التلقائي** — حيث تتولى العملية التكرارية تلقائياً، على عكس تدريب CLI الذي يتطلب ملاحظات بشرية تفاعلية لكل تكرار.
-
-بعد اكتمال التدريب، يقوم CrewAI بتقييم مخرجات الوكلاء ودمج الملاحظات في اقتراحات قابلة للتنفيذ لكل وكيل. يتم بعد ذلك تطبيق هذه الاقتراحات على تشغيلات الطاقم المستقبلية لتحسين جودة المخرجات.
-
-<Tip>
-  للحصول على تفاصيل حول كيفية عمل تدريب CrewAI، راجع صفحة [مفاهيم التدريب](/ar/concepts/training).
-</Tip>
-
-## المتطلبات الأساسية
-
-<CardGroup cols={2}>
-  <Card title="نشر نشط" icon="rocket">
-    تحتاج إلى حساب CrewAI AMP مع نشر نشط في حالة **Ready** (نوع Crew).
-  </Card>
-  <Card title="صلاحية التشغيل" icon="key">
-    يجب أن يكون لحسابك صلاحية تشغيل للنشر الذي تريد تدريبه.
-  </Card>
-</CardGroup>
-
-## كيفية تدريب طاقم
-
-<Steps>
-  <Step title="افتح علامة تبويب Training">
-    انتقل إلى **Deployments**، انقر على نشرك، ثم اختر علامة تبويب **Training**.
-  </Step>
-
-  <Step title="أدخل اسم التدريب">
-    قدم **Training Name** — سيصبح هذا اسم ملف `.pkl` المستخدم لتخزين نتائج التدريب. على سبيل المثال، "Expert Mode Training" ينتج `expert_mode_training.pkl`.
-  </Step>
-
-  <Step title="املأ مدخلات الطاقم">
-    أدخل حقول إدخال الطاقم. هذه هي نفس المدخلات التي ستقدمها للتشغيل العادي — يتم تحميلها ديناميكياً بناءً على تكوين طاقمك.
-  </Step>
-
-  <Step title="ابدأ التدريب">
-    انقر على **Train Crew**. يتغير الزر إلى "Training..." مع مؤشر دوران أثناء تشغيل العملية.
-
-    خلف الكواليس:
-    - يتم إنشاء سجل تدريب للنشر الخاص بك
-    - تستدعي المنصة نقطة نهاية التدريب التلقائي للنشر
-    - يقوم الطاقم بتشغيل تكراراته تلقائياً — لا حاجة لملاحظات يدوية
-  </Step>
-
-  <Step title="راقب التقدم">
-    تعرض لوحة **Current Training Status**:
-    - **Status** — الحالة الحالية لجلسة التدريب
-    - **Nº Iterations** — عدد تكرارات التدريب المُهيأة
-    - **Filename** — ملف `.pkl` الذي يتم إنشاؤه
-    - **Started At** — وقت بدء التدريب
-    - **Training Inputs** — المدخلات التي قدمتها
-  </Step>
-</Steps>
-
-## فهم نتائج التدريب
-
-بمجرد اكتمال التدريب، سترى بطاقات نتائج لكل وكيل تحتوي على المعلومات التالية:
-
- **Agent Role** — اسم/دور الوكيل في طاقمك
- **Final Quality** — درجة من 0 إلى 10 تقيّم جودة مخرجات الوكيل
- **Final Summary** — ملخص لأداء الوكيل أثناء التدريب
- **Suggestions** — توصيات قابلة للتنفيذ لتحسين سلوك الوكيل
-
-### تحرير الاقتراحات
-
-يمكنك تحسين الاقتراحات لأي وكيل:
-
-<Steps>
-  <Step title="انقر على Edit">
-    في بطاقة نتائج أي وكيل، انقر على زر **Edit** بجوار الاقتراحات.
-  </Step>
-
-  <Step title="عدّل الاقتراحات">
-    حدّث نص الاقتراحات ليعكس التحسينات التي تريدها بشكل أفضل.
-  </Step>
-
-  <Step title="احفظ التغييرات">
-    انقر على **Save**. تتم مزامنة الاقتراحات المُعدّلة مع النشر وتُستخدم في جميع التشغيلات المستقبلية.
-  </Step>
-</Steps>
-
-## استخدام بيانات التدريب
-
-لتطبيق نتائج التدريب على طاقمك:
-
-1. لاحظ **Training Filename** (ملف `.pkl`) من جلسة التدريب المكتملة.
-2. حدد اسم الملف هذا في تكوين kickoff أو التشغيل الخاص بنشرك.
-3. يقوم الطاقم تلقائياً بتحميل ملف التدريب وتطبيق الاقتراحات المخزنة على كل وكيل.
-
-هذا يعني أن الوكلاء يستفيدون من الملاحظات المُنشأة أثناء التدريب في كل تشغيل لاحق.
-
-## التدريبات السابقة
-
-يعرض الجزء السفلي من علامة تبويب Training **سجل جميع جلسات التدريب السابقة** للنشر. استخدم هذا لمراجعة التدريبات السابقة، ومقارنة النتائج، أو اختيار ملف تدريب مختلف للاستخدام.
-
-## معالجة الأخطاء
-
-إذا فشل تشغيل التدريب، تعرض لوحة الحالة حالة خطأ مع رسالة تصف ما حدث خطأ.
-
-الأسباب الشائعة لفشل التدريب:
- **لم يتم تحديث وقت تشغيل النشر** — تأكد من أن نشرك يعمل بأحدث إصدار
- **أخطاء تنفيذ الطاقم** — مشاكل في منطق مهام الطاقم أو تكوين الوكيل
- **مشاكل الشبكة** — مشاكل الاتصال بين المنصة والنشر
-
-## القيود
-
-<Info>
-  ضع هذه القيود في الاعتبار عند التخطيط لسير عمل التدريب الخاص بك:
-  - **تدريب نشط واحد في كل مرة** لكل نشر — انتظر حتى ينتهي التشغيل الحالي قبل بدء آخر
-  - **وضع التدريب التلقائي فقط** — لا تدعم المنصة الملاحظات التفاعلية لكل تكرار مثل CLI
-  - **بيانات التدريب خاصة بالنشر** — ترتبط نتائج التدريب بمثيل وإصدار النشر المحدد
-</Info>
-
-## الموارد ذات الصلة
-
-<CardGroup cols={3}>
-  <Card title="مفاهيم التدريب" icon="book" href="/ar/concepts/training">
-    تعلم كيف يعمل تدريب CrewAI.
-  </Card>
-  <Card title="تشغيل الطاقم" icon="play" href="/ar/enterprise/guides/kickoff-crew">
-    قم بتشغيل طاقمك المنشور من منصة AMP.
-  </Card>
-  <Card title="النشر على AMP" icon="cloud-arrow-up" href="/ar/enterprise/guides/deploy-to-amp">
-    انشر طاقمك واجعله جاهزاً للتدريب.
-  </Card>
-</CardGroup>
--- a/docs/ar/enterprise/integrations/databricks.mdx
+++ b/docs/ar/enterprise/integrations/databricks.mdx
@@ -1,123 +0,0 @@
---
-title: تكامل Databricks
-description: "اربط وكلاء CrewAI بـ Databricks Genie وSQL وUnity Catalog Functions وVector Search عبر خوادم MCP المُدارة من Databricks."
-icon: "layer-group"
-mode: "wide"
---
-
-## نظرة عامة
-
-اربط وكلاء CrewAI مباشرةً بمساحة عمل Databricks الخاصة بك عبر [خوادم MCP المُدارة من Databricks](https://docs.databricks.com/aws/en/generative-ai/mcp/managed-mcp). يتيح تكامل Databricks لوكلائك طرح أسئلة بلغة طبيعية باستخدام **Genie**، وتنفيذ **SQL** خاضع للحوكمة، واستدعاء **Unity Catalog Functions**، واسترجاع المستندات باستخدام **Vector Search** — كل ذلك دون كتابة أو استضافة أي كود موصِّل، مع تطبيق أذونات Unity Catalog في كل استدعاء.
-
-في الخلفية، يُعدّ تكامل Databricks غلافًا مُدارًا حول دعم [خوادم MCP المخصصة](/ar/enterprise/guides/custom-mcp-server) في CrewAI. تكشف Databricks عن كل قدرة كنقطة نهاية [Model Context Protocol](https://modelcontextprotocol.io/) خاصة بها، ويتصل بها CrewAI بأمان نيابةً عنك. ولأن كل خادم يُضاف بشكل منفصل، يمكنك تفعيل القدرات التي تحتاجها فرقك (crews) بالضبط.
-
-## القدرات الرئيسية
-
-<CardGroup cols={2}>
-  <Card title="Genie" icon="comments">
-    اطرح أسئلة بلغة طبيعية واحصل على إجابات مستندة إلى بياناتك باستخدام [Genie](https://docs.databricks.com/aws/en/genie/)، الذي يستعلم من Genie Spaces وUnity Catalog ويوفّر روابط تعود إلى واجهة Databricks.
-  </Card>
-  <Card title="Databricks SQL" icon="database">
-    نفّذ SQL خاضعًا للحوكمة على مستودعات Databricks لديك للاستعلام عن البيانات وتحويلها وإنشاء خطوط أنابيب البيانات مباشرةً من وكلائك.
-  </Card>
-  <Card title="Unity Catalog Functions" icon="function">
-    استدعِ [دوال Unity Catalog](https://docs.databricks.com/aws/en/udf/unity-catalog) لتنفيذ SQL مُعرّف مسبقًا ومنطق أعمال مخصّص كأدوات قابلة لإعادة الاستخدام وخاضعة للحوكمة.
-  </Card>
-  <Card title="Vector Search" icon="magnifying-glass">
-    استرجع المستندات ذات الصلة لسير عمل RAG والمعرفة من فهارس [Mosaic AI Vector Search](https://docs.databricks.com/aws/en/generative-ai/vector-search) باستخدام التشابه الدلالي.
-  </Card>
-</CardGroup>
-
-تعمل جميع الخوادم خلف Unity AI Gateway وتطبّق ضوابط الوصول في Unity Catalog، بحيث لا يرى وكلاؤك سوى البيانات والأدوات المصرَّح لهم باستخدامها.
-
-## المتطلبات المسبقة
-
-قبل استخدام تكامل Databricks، تأكّد من توفّر ما يلي:
-
- حساب [CrewAI AMP](https://app.crewai.com) باشتراك نشط
- مساحة عمل Databricks تحتوي على القدرات التي تريد كشفها (Genie Spaces، مستودعات SQL، دوال Unity Catalog، أو فهارس Vector Search)
- [امتيازات Unity Catalog](https://docs.databricks.com/aws/en/data-governance/unity-catalog) المناسبة على الكائنات الأساسية
- اسم مضيف مساحة عمل Databricks الخاص بك (مثال: `your-workspace.cloud.databricks.com`)
-
-## خوادم MCP المُدارة من Databricks
-
-تنشر Databricks خادم MCP مُدارًا منفصلًا لكل قدرة. يكشف CrewAI عنها كاتصالات فردية، يُهيَّأ كل منها باستخدام مضيف مساحة العمل ومعرّفات Unity Catalog ذات الصلة. تتبع نقاط النهاية الأنماط التالية:
-
-| الخادم | الوظيفة | نمط عنوان MCP |
-|--------|---------|---------------|
-| **Genie** | أسئلة وأجوبة بلغة طبيعية على Genie Space | `https://<workspace-hostname>/api/2.0/mcp/genie/{genie_space_id}` |
-| **Databricks SQL** | تنفيذ SQL على مستودعاتك | `https://<workspace-hostname>/api/2.0/mcp/sql` |
-| **Unity Catalog Functions** | تشغيل دوال UC المسجّلة | `https://<workspace-hostname>/api/2.0/mcp/functions/{catalog}/{schema}` |
-| **Vector Search** | الاستعلام من فهرس Vector Search | `https://<workspace-hostname>/api/2.0/mcp/vector-search/{catalog}/{schema}` |
-
-<Note>
-لا حاجة لإنشاء عناوين URL هذه يدويًا — يُنشئ CrewAI كل نقطة نهاية من مضيف مساحة العمل والمعرّفات (Genie Space ID، أو catalog/schema) التي تقدّمها عند تهيئة الاتصال. للاطّلاع على المواصفات الكاملة وأحدث تفاصيل نقاط النهاية، راجع [وثائق MCP المُدارة من Databricks](https://docs.databricks.com/aws/en/generative-ai/mcp/managed-mcp).
-</Note>
-
-## ربط Databricks في CrewAI AMP
-
-<Frame>
-    <img src="/images/enterprise/databricks-configure.png" alt="تهيئة خادم MCP مُدار من Databricks في CrewAI AMP" />
-</Frame>
-
-تظهر كل قدرة من قدرات Databricks — **Databricks Genie** و**Databricks SQL** و**Databricks Unity Catalog Functions** و**Databricks Vector Search** — كخادم MCP خاص بها ضمن مجموعة Databricks في صفحة **Tools & Integrations**. هيّئ ما تحتاجه:
-
-<Steps>
-    <Step title="افتح Tools & Integrations">
-        انتقل إلى **Tools & Integrations** في الشريط الجانبي الأيسر في CrewAI AMP وحدِّد مجموعة **Databricks** في قائمة Connections. سترى خوادم Genie وSQL وUnity Catalog Functions وVector Search مُدرجة أسفلها.
-    </Step>
-
-    <Step title="هيّئ خادمًا">
-        انقر على **Configure** بجوار القدرة التي تريد تفعيلها وقدّم تفاصيل الاتصال الخاصة بها:
-
-        - **Workspace Host** — اسم مضيف مساحة عمل Databricks الخاص بك (مثال: `my-workspace.cloud.databricks.com`).
-        - **Genie** — **Genie Space ID** المراد الاستعلام عنه.
-        - **Unity Catalog Functions** — الـ **catalog** والـ **schema** اللذان يحتويان على دوالك.
-        - **Vector Search** — الـ **catalog** والـ **schema** اللذان يحتويان على الفهرس.
-        - **Databricks SQL** — لا توجد معرّفات إضافية؛ تُنفَّذ الاستعلامات على مستودعات SQL في مساحة عملك.
-    </Step>
-
-    <Step title="اختر طريقة المصادقة">
-        اختر كيف يصادق CrewAI على Databricks. يُوصى باستخدام **OAuth**.
-
-        - **Use OAuth** — اتصل بأمان باستخدام OAuth 2.0. يصادق كل مستخدم على حدة، وتُصدر Databricks رموزًا (tokens) محدّدة النطاق للقدرة (`genie` أو `sql` أو `unity-catalog` أو `vector-search`). يتولّى CrewAI تدفّق التفويض ويُجدّد الرموز تلقائيًا.
-        - **Use personal access token** — صادِق باستخدام [رمز وصول شخصي من Databricks](https://docs.databricks.com/aws/en/dev-tools/auth/pat). استخدم هوية بأقل الامتيازات للحدّ من التعرّض.
-    </Step>
-
-    <Step title="صادِق">
-        أكمل المصادقة. بمجرد الاتصال، تصبح أدوات الخادم متاحة لفرقك. كرّر العملية لأي قدرات Databricks أخرى تريد تفعيلها.
-    </Step>
-</Steps>
-
-<Tip>
-لأن كل قدرة هي اتصال منفصل، يمكنك المزج والمطابقة — على سبيل المثال، فعّل Genie وVector Search لفريق بحث، مع حجز SQL وUnity Catalog Functions لفريق هندسة البيانات. تتيح لك إعدادات الرؤية (Visibility) التحكّم في أعضاء الفريق الذين يمكنهم استخدام كل منها.
-</Tip>
-
-## استخدام أدوات Databricks في فرقك
-
-بمجرد الاتصال، تظهر الأدوات التي يكشفها كل خادم MCP جنبًا إلى جنب مع الاتصالات المدمجة في صفحة **Tools & Integrations**. يمكنك:
-
- **إسناد الأدوات إلى الوكلاء** في فرقك تمامًا مثل أي أداة أخرى في CrewAI.
- **إدارة الرؤية** للتحكّم في أعضاء الفريق الذين يمكنهم استخدام كل اتصال.
- **تعديل أو إزالة** أي اتصال في أي وقت من قائمة Connections.
-
-يمكن لوكلائك الآن طلب إجابات مستندة من Genie، وتنفيذ SQL على مستودعاتك، واستدعاء دوال Unity Catalog، والبحث في فهارس Vector Search — مع تدفّق النتائج تلقائيًا إلى استدلالهم.
-
-<Warning>
-تطبّق Databricks الحوكمة عبر Unity Catalog وUnity AI Gateway: لا يمكن للمستخدم اكتشاف الأدوات واستدعاؤها إلا تلك المصرَّح بها لهوية مساحة عمله. إذا فشل استدعاء أداة، فتأكّد من أن المستخدم المتصل (أو هوية الرمز) يمتلك امتيازات Unity Catalog المطلوبة على Genie Space أو المستودع أو الدالة أو الفهرس. تُنفَّذ بعض استعلامات Genie وSQL بشكل غير متزامن وقد تستغرق لحظة لإرجاع النتائج.
-</Warning>
-
-## مزيد من المعلومات
-
-<CardGroup cols={2}>
-  <Card title="خوادم MCP المُدارة من Databricks" icon="layer-group" href="https://docs.databricks.com/aws/en/generative-ai/mcp/managed-mcp">
-    وثائق Databricks الرسمية لخوادم MCP المُدارة Genie وSQL وUnity Catalog Functions وVector Search.
-  </Card>
-  <Card title="خوادم MCP المخصصة في CrewAI" icon="plug" href="/ar/enterprise/guides/custom-mcp-server">
-    تعرّف على كيفية اتصال CrewAI بأي خادم MCP، وهو الأساس الذي يُبنى عليه تكامل Databricks.
-  </Card>
-</CardGroup>
-
-<Card title="بحاجة إلى مساعدة؟" icon="headset" href="mailto:support@crewai.com">
-  تواصل مع فريق الدعم للحصول على المساعدة في تهيئة تكامل Databricks أو في حل المشكلات.
-</Card>
--- a/docs/ar/enterprise/integrations/salesforce.mdx
+++ b/docs/ar/enterprise/integrations/salesforce.mdx
@@ -17,62 +17,15 @@ mode: "wide"
 - حساب Salesforce بالصلاحيات المناسبة
 - ربط حساب Salesforce الخاص بك عبر [صفحة التكاملات](https://app.crewai.com/integrations)

-<Note>
-  يتطلب Salesforce **تثبيتًا واحدًا يقوم به مسؤول النظام (admin)** لحزمة
-  CrewAI في مؤسستك قبل أن يتمكن أي مستخدم من الاتصال. هذا متطلب من منصة
-  Salesforce لجميع التكاملات المعتمدة على ExternalClientApp اعتبارًا من
-  إصدار Spring '26 — وليس خطوة خاصة بـ CrewAI. تدليلك خطوة Connect
-  Salesforce في CrewAI AMP خلال هذه العملية عند المحاولة الأولى.
-</Note>
-
 ## إعداد تكامل Salesforce

 ### 1. ربط حساب Salesforce الخاص بك

-1. انتقل إلى [تكاملات CrewAI AMP](https://app.crewai.com/crewai_plus/unified_tools).
-2. ابحث عن **Salesforce** في قسم تكاملات المصادقة.
-3. انقر على **Connect**.
-
-ما يحدث بعد ذلك يعتمد على ما إذا كان مسؤول Salesforce في مؤسستك قد ثبّت
-حزمة CrewAI بالفعل:
-
- **الحزمة مثبتة بالفعل:** سيتم نقلك مباشرة إلى شاشة موافقة OAuth في
-  Salesforce — اعتمدها وسيكتمل الاتصال.
- **الحزمة غير مثبتة بعد:** سترى صفحة **Install CrewAI in Salesforce**.
-  اتبع خطوات التثبيت لمرة واحدة أدناه، ثم عُد إلى CrewAI AMP وانقر على
-  **Connect** مرة أخرى.
-
-4. امنح الصلاحيات اللازمة لإدارة CRM والمبيعات.
-5. انسخ رمز المؤسسة من [إعدادات التكامل](https://app.crewai.com/crewai_plus/settings/integrations).
-
-#### تثبيت لمرة واحدة بواسطة المسؤول (مسؤول Salesforce فقط)
-
-عند أول نقرة على **Connect Salesforce** من أي مستخدم في مؤسستك، تقوم CrewAI
-بإعادة توجيهك إلى صفحة تثبيت تُشير إلى حزمة CrewAI المُدارة. يحتاج مسؤول
-Salesforce إلى تثبيتها مرة واحدة فقط لكامل المؤسسة.
-
-1. في صفحة التثبيت داخل CrewAI، انقر على **Install in Salesforce**. (يمكنك
-   أيضًا مشاركة عنوان URL لتلك الصفحة مع المسؤول — رابط التثبيت يعمل لأي
-   شخص يفتحه.)
-2. سجّل الدخول إلى Salesforce بصلاحيات مسؤول. لبيئات Sandbox، استبدل
-   `login.salesforce.com` بـ `test.salesforce.com` في الرابط قبل فتحه.
-3. اختر **Install for All Users**، ووافق على إشعار تطبيقات الجهات
-   الخارجية، ثم انقر **Install**.
-4. من Setup في Salesforce، ابحث عن **External Client App Manager** ←
-   **CrewAI App** ← افتح علامة التبويب **Policies** ← **Edit**، واضبط
-   القيم التالية:
-   - **Permitted Users:** All users may self-authorize
-   - **IP Relaxation:** Relax IP restrictions
-   - **Refresh Token Policy:** Refresh token is valid until revoked
-5. احفظ التغييرات.
-6. عُد إلى CrewAI AMP وانقر على **Connect Salesforce** مرة أخرى. سيكتمل
-   OAuth هذه المرة.
-
-<Note>
-  **لست مسؤول Salesforce؟** أعِد توجيه عنوان URL لصفحة التثبيت (أو رابط
-  التثبيت نفسه) إلى مسؤول Salesforce لديكم واطلب منه إكمال الخطوات أعلاه.
-  بمجرد انتهائه، عُد إلى CrewAI AMP وانقر على **Connect** مرة أخرى.
-</Note>
+1. انتقل إلى [تكاملات CrewAI AMP](https://app.crewai.com/crewai_plus/connectors)
+2. ابحث عن **Salesforce** في قسم تكاملات المصادقة
+3. انقر على **Connect** وأكمل عملية OAuth
+4. امنح الصلاحيات اللازمة لإدارة CRM والمبيعات
+5. انسخ رمز المؤسسة من [إعدادات التكامل](https://app.crewai.com/crewai_plus/settings/integrations)

 ### 2. تثبيت الحزمة المطلوبة

--- a/docs/ar/enterprise/integrations/snowflake.mdx
+++ b/docs/ar/enterprise/integrations/snowflake.mdx
@@ -1,134 +0,0 @@
---
-title: تكامل Snowflake
-description: "ربط وكلاء CrewAI بـ Snowflake Cortex Analyst و Cortex Search وتنفيذ SQL من خلال خادم MCP المُدار من Snowflake."
-icon: "snowflake"
-mode: "wide"
---
-
-## نظرة عامة
-
-اربط وكلاء CrewAI مباشرة ببيانات Snowflake الخاصة بك من خلال [خادم MCP المُدار من Snowflake](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-agents-mcp). يتيح تكامل Snowflake لوكلائك الاستعلام عن البيانات المنظمة باستخدام **Cortex Analyst**، والبحث في البيانات غير المنظمة باستخدام **Cortex Search**، وتنفيذ SQL مُدار على مستودعات البيانات الخاصة بك — كل ذلك دون كتابة أو استضافة أي كود للموصّل.
-
-داخلياً، تكامل Snowflake هو غلاف مُدار حول دعم [Custom MCP Server](/ar/enterprise/guides/custom-mcp-server) في CrewAI. يكشف Snowflake عن قدرات Cortex AI الخاصة به من خلال نقطة نهاية [Model Context Protocol](https://modelcontextprotocol.io/)، ويتصل CrewAI بها بشكل آمن نيابةً عنك. أي أداة تكشفها على جانب Snowflake — Cortex Analyst أو Cortex Search أو تنفيذ SQL أو Cortex Agents أو أدواتك المخصصة — تصبح متاحة لطواقمك.
-
-## القدرات الرئيسية
-
-<CardGroup cols={3}>
-  <Card title="Cortex Analyst" icon="chart-bar">
-    اطرح أسئلة بلغة طبيعية ودع [Cortex Analyst](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst) يولّد وينفذ SQL على بياناتك **المنظمة** باستخدام نماذج دلالية غنية.
-  </Card>
-  <Card title="Cortex Search" icon="magnifying-glass">
-    استرجع البيانات **غير المنظمة** ذات الصلة لسير عمل RAG والمعرفة باستخدام [Cortex Search](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-search/cortex-search-overview)، خدمة البحث المُدارة بالكامل من Snowflake.
-  </Card>
-  <Card title="تنفيذ SQL" icon="database">
-    نفّذ استعلامات SQL مُدارة مباشرة على مستودعات Snowflake الخاصة بك، مع وضع القراءة فقط القابل للتكوين، والمهلات الزمنية، واختيار المستودع.
-  </Card>
-</CardGroup>
-
-نظراً لأن التكامل يكشف عن أي أدوات ينشرها خادم MCP الخاص بك، يمكنك أيضاً كشف **Cortex Agents** و**الأدوات المخصصة** (الدوال المعرّفة من المستخدم والإجراءات المخزّنة) لوكلاء CrewAI.
-
-## المتطلبات الأساسية
-
-قبل استخدام تكامل Snowflake، تأكد من توفر ما يلي:
-
- حساب [CrewAI AMP](https://app.crewai.com) مع اشتراك فعّال
- حساب Snowflake مع إمكانية الوصول إلى ميزات Cortex AI
- [خادم MCP مُدار من Snowflake](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-agents-mcp) مُكوّن بالأدوات التي تريد كشفها
- صلاحيات Snowflake المناسبة (USAGE/SELECT) على خادم MCP والكائنات الأساسية
-
-## إعداد خادم Snowflake MCP
-
-يعمل خادم MCP المُدار من Snowflake داخل حساب Snowflake الخاص بك ويحدد الأدوات المتاحة للعملاء الخارجيين مثل CrewAI. أنشئ واحداً باستخدام أمر [`CREATE MCP SERVER`](https://docs.snowflake.com/en/sql-reference/sql/create-mcp-server)، مع سرد خدمات Cortex Search وعروض Cortex Analyst الدلالية وأدوات SQL التي تريد كشفها.
-
-```sql
-CREATE MCP SERVER my_mcp_server
-  FROM SPECIFICATION $$
-    tools:
-      - name: "sales_analyst"
-        type: "CORTEX_ANALYST"
-        identifier: "MY_DATABASE.MY_SCHEMA.sales_semantic_view"
-        description: "Answer questions about sales metrics"
-      - name: "docs_search"
-        type: "CORTEX_SEARCH_SERVICE_QUERY"
-        identifier: "MY_DATABASE.MY_SCHEMA.support_docs_search"
-        description: "Search internal support documentation"
-      - name: "run_sql"
-        type: "SQL_EXECUTION"
-        description: "Execute read-only SQL queries"
-  $$;
-```
-
-<Note>
-تتبع نقطة نهاية MCP التنسيق `https://<account_URL>/api/v2/databases/{database}/schemas/{schema}/mcp-servers/{name}`. يبني CrewAI هذا العنوان تلقائياً من **عنوان URL للحساب** و**قاعدة البيانات** و**المخطط** و**اسم خادم MCP** الذي تقدمه عند تكوين التكامل.
-</Note>
-
-للمواصفات الكاملة — بما في ذلك Cortex Agents والأدوات المخصصة وحدود حجم الاستجابة وخيارات الحوكمة — راجع [وثائق خادم MCP المُدار من Snowflake](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-agents-mcp).
-
-## ربط Snowflake في CrewAI AMP
-
-<Frame>
-    <img src="/images/enterprise/snowflake-configure.png" alt="تكوين تكامل Snowflake في CrewAI AMP" />
-</Frame>
-
-<Steps>
-    <Step title="فتح الأدوات والتكاملات">
-        انتقل إلى **الأدوات والتكاملات** في الشريط الجانبي الأيسر لـ CrewAI AMP، وابحث عن **Snowflake** في قائمة التطبيقات، وافتح لوحة التكوين الخاصة به.
-    </Step>
-
-    <Step title="تقديم تفاصيل الاتصال">
-        املأ حقول الاتصال التي يستخدمها CrewAI للوصول إلى خادم Snowflake MCP الخاص بك:
-
-        | الحقل | مطلوب | الوصف |
-        |-------|-------|-------|
-        | **الاسم** | نعم | اسم وصفي لهذا الاتصال (القيمة الافتراضية `Snowflake`). |
-        | **الوصف** | لا | ملخص اختياري لما يوفره هذا الاتصال. |
-        | **عنوان URL للحساب** | نعم | عنوان URL لحساب Snowflake الخاص بك، مثل `xy12345.us-east-1.snowflakecomputing.com`. |
-        | **قاعدة البيانات** | نعم | قاعدة البيانات التي تحتوي على خادم MCP الخاص بك (مثل `MY_DATABASE`). |
-        | **المخطط** | نعم | المخطط الذي يحتوي على خادم MCP الخاص بك (مثل `MY_SCHEMA`). |
-        | **اسم خادم MCP** | نعم | اسم كائن خادم MCP الذي أنشأته في Snowflake (مثل `MY_MCP_SERVER`). |
-    </Step>
-
-    <Step title="اختيار طريقة المصادقة">
-        اختر كيفية مصادقة CrewAI مع Snowflake. يُوصى باستخدام **OAuth**.
-
-        - **استخدام OAuth** — اتصل بشكل آمن باستخدام OAuth 2.0 للمصادقة القائمة على الرموز دون مشاركة بيانات الاعتماد الخاصة بك. يتعامل CrewAI مع تدفق التفويض الكامل ويجدد الرموز تلقائياً. انسخ **عنوان URI لإعادة التوجيه** المعروض في النموذج (`https://oauth.crewai.com/oauth/add`) وسجّله كعنوان URI لإعادة التوجيه المعتمد في [تكامل أمان OAuth](https://docs.snowflake.com/en/user-guide/oauth-custom) في Snowflake.
-        - **استخدام رمز وصول شخصي** — المصادقة باستخدام [رمز وصول برمجي](https://docs.snowflake.com/en/user-guide/programmatic-access-tokens) مُنشأ من إعدادات حساب Snowflake الخاص بك. قم بتعيين دور بأقل صلاحيات للرمز للحد من التعرض.
-    </Step>
-
-    <Step title="المصادقة">
-        انقر على **المصادقة**. بالنسبة لـ OAuth، ستتم إعادة توجيهك إلى Snowflake لتفويض الوصول. بمجرد المصادقة، يظهر خادم Snowflake في قائمة الاتصالات وتصبح أدواته متاحة لطواقمك.
-    </Step>
-</Steps>
-
-<Tip>
-مع OAuth، يتم مصادقة كل مستخدم بشكل فردي وتُنفّذ الاستعلامات بدور `DEFAULT_ROLE` الخاص به في Snowflake. تأكد من أن المستخدمين المتصلين لديهم دور ومستودع افتراضي محدد (`ALTER USER <username> SET DEFAULT_ROLE = '<role>' DEFAULT_WAREHOUSE = '<warehouse>'`) حتى تتوفر موارد الحوسبة لأدوات Cortex Analyst و SQL.
-</Tip>
-
-## استخدام أدوات Snowflake في طواقمك
-
-بمجرد الاتصال، تظهر الأدوات التي يكشفها خادم MCP الخاص بك إلى جانب الاتصالات المدمجة في صفحة **الأدوات والتكاملات**. يمكنك:
-
- **تعيين الأدوات للوكلاء** في طواقمك تماماً مثل أي أداة CrewAI أخرى.
- **إدارة الرؤية** للتحكم في أعضاء الفريق الذين يمكنهم استخدام الاتصال.
- **تعديل أو إزالة** الاتصال في أي وقت من قائمة الاتصالات.
-
-يمكن لوكلائك الآن سؤال Cortex Analyst عن المقاييس، وتشغيل Cortex Search على مستنداتك، وتنفيذ SQL — مع تدفق النتائج تلقائياً إلى استدلالهم.
-
-<Warning>
-يفرض Snowflake الحوكمة على خادم MCP: يحدد التحكم في الوصول القائم على الأدوار الأدوات التي يمكن للمستخدم اكتشافها واستدعاؤها، وتنطبق حدود على حجم الاستجابة وعدد الأدوات (بحد أقصى 50 لكل خادم) وعمق التكرار. إذا فشل استدعاء أداة، تأكد من أن دور المستخدم المتصل لديه الصلاحيات المطلوبة على خادم MCP والكائنات الأساسية.
-</Warning>
-
-## معرفة المزيد
-
-<CardGroup cols={2}>
-  <Card title="خادم MCP المُدار من Snowflake" icon="snowflake" href="https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-agents-mcp">
-    الوثائق الرسمية من Snowflake لإنشاء وإدارة خادم MCP.
-  </Card>
-  <Card title="خوادم Custom MCP في CrewAI" icon="plug" href="/ar/enterprise/guides/custom-mcp-server">
-    تعرّف على كيفية اتصال CrewAI بأي خادم MCP، الأساس الذي يبني عليه تكامل Snowflake.
-  </Card>
-</CardGroup>
-
-<Card title="تحتاج مساعدة؟" icon="headset" href="mailto:support@crewai.com">
-  تواصل مع فريق الدعم للحصول على المساعدة في تكامل Snowflake أو استكشاف الأخطاء وإصلاحها.
-</Card>
--- a/docs/ar/guides/advanced/customizing-prompts.mdx
+++ b/docs/ar/guides/advanced/customizing-prompts.mdx
@@ -161,18 +161,6 @@ crew = Crew(
 )
 ```

-<Note>
-يُحتفظ بـ `agent.i18n` للتوافق مع الإصدارات السابقة فقط، وقد تم إهماله. لتخصيص المطالبات أثناء التشغيل، مرّر `prompt_file` إلى `Crew`. وللوصول البرمجي المباشر إلى شرائح المطالبات، استخدم أداة i18n مباشرة:
-</Note>
-
-```python
-from crewai.utilities.i18n import get_i18n
-
-i18n = get_i18n("custom_prompts.json")
-format_slice = i18n.slice("format")
-tool_prompt = i18n.tools("ask_question")
-```
-
 #### الخيار 3: تعطيل مطالبات النظام لنماذج o1
 ```python
 agent = Agent(
@@ -220,8 +208,6 @@ agent = Agent(

 يدمج CrewAI بعد ذلك تخصيصاتك مع الإعدادات الافتراضية، فلا تحتاج لإعادة تعريف كل مطالبة. إليك الطريقة:

-بالنسبة للكود الذي يحتاج إلى قراءة شرائح المطالبات مباشرة، استخدم `crewai.utilities.i18n.get_i18n()` مع ملف المطالبات نفسه بدلًا من قراءة `agent.i18n`.
-
 ### مثال: تخصيص أساسي للمطالبات

 أنشئ ملف `custom_prompts.json` بالمطالبات التي تريد تعديلها. تأكد من إدراج جميع المطالبات عالية المستوى التي يجب أن يحتويها، وليس فقط تغييراتك:
--- a/docs/ar/guides/coding-tools/build-with-ai.mdx
+++ b/docs/ar/guides/coding-tools/build-with-ai.mdx
@@ -1,214 +0,0 @@
---
-title: "البناء باستخدام الذكاء الاصطناعي"
-description: "كل ما يحتاجه وكلاء البرمجة بالذكاء الاصطناعي للبناء والنشر والتوسع مع CrewAI — المهارات، وثائق مقروءة آلياً، النشر، وميزات المؤسسات."
-icon: robot
-mode: "wide"
---
-
-# البناء باستخدام الذكاء الاصطناعي
-
-CrewAI مُصمَّم أصلاً للعمل مع الذكاء الاصطناعي. تجمع هذه الصفحة ما يحتاجه وكيل البرمجة بالذكاء الاصطناعي للبناء مع CrewAI — سواءً كان Claude Code أو Codex أو Cursor أو Gemini CLI أو أي مساعد آخر يساعد المطوّر على إيصال الـ crews والـ flows.
-
-### وكلاء البرمجة المدعومون
-
-<CardGroup cols={5}>
-  <Card title="Claude Code" icon="message-bot" color="#D97706" />
-  <Card title="Cursor" icon="arrow-pointer" color="#3B82F6" />
-  <Card title="Codex" icon="terminal" color="#10B981" />
-  <Card title="Windsurf" icon="wind" color="#06B6D4" />
-  <Card title="Gemini CLI" icon="sparkles" color="#8B5CF6" />
-</CardGroup>
-
-<Note>
-  صُممت هذه الصفحة للبشر وللمساعدين الذكيين على حدٍّ سواء. إذا كنت وكيل برمجة، ابدأ بـ **Skills** للحصول على سياق CrewAI، ثم استخدم **llms.txt** للوصول الكامل إلى الوثائق.
-</Note>
-
---
-
-## 1. Skills — علِّم وكيلك CrewAI
-
-**Skills** حزم تعليمات تمنح وكلاء البرمجة معرفة عميقة بـ CrewAI — كيفية إنشاء هيكل Flows، وضبط Crews، استخدام الأدوات، واتباع اتفاقيات الإطار.
-
-<Tabs>
-  <Tab title="Claude Code (سوق الإضافات)">
-    <img src="https://cdn.simpleicons.org/anthropic/D97706" alt="Anthropic" width="28" style={{display: "inline", verticalAlign: "middle", marginRight: "8px"}} />
-    مهارات CrewAI متاحة في **سوق إضافات Claude Code** — نفس قناة التوزيع التي تستخدمها شركات رائدة في مجال الذكاء الاصطناعي:
-    ```shell
-    /plugin marketplace add crewAIInc/skills
-    /plugin install crewai-skills@crewai-plugins
-    /reload-plugins
-    ```
-
-    تُفعَّل أربع مهارات تلقائياً عند طرح أسئلة متعلقة بـ CrewAI:
-
-    | المهارة | متى تُستخدم |
-    |---------|-------------|
-    | `getting-started` | مشاريع جديدة، الاختيار بين `LLM.call()` / `Agent` / `Crew` / `Flow`، ربط `crew.jsonc` / `main.py` |
-    | `design-agent` | ضبط الوكلاء — الدور، الهدف، الخلفية، الأدوات، نماذج اللغة، الذاكرة، الحدود الآمنة |
-    | `design-task` | وصف المهام، التبعيات، المخرجات المنظمة (`output_pydantic`، `output_json`)، المراجعة البشرية |
-    | `ask-docs` | الاستعلام من [خادم CrewAI docs MCP](https://docs.crewai.com/mcp) للحصول على تفاصيل واجهة البرمجة الحالية |
-  </Tab>
-  <Tab title="npx (أي وكيل)">
-    يعمل مع Claude Code أو Codex أو Cursor أو Gemini CLI أو أي وكيل برمجة:
-    ```shell
-    npx skills add crewaiinc/skills
-    ```
-    يُجلب من [سجل skills.sh](https://skills.sh/crewaiinc/skills).
-  </Tab>
-</Tabs>
-
-<Steps>
-  <Step title="ثبِّت حزمة المهارات الرسمية">
-    استخدم إحدى الطريقتين أعلاه — سوق إضافات Claude Code أو `npx skills add`. كلاهما يثبّت الحزمة الرسمية [crewAIInc/skills](https://github.com/crewAIInc/skills).
-  </Step>
-  <Step title="يحصل وكيلك فوراً على خبرة CrewAI">
-    تعلّم الحزمة وكيلك:
-    - **Flows** — تطبيقات ذات حالة، خطوات، وتشغيل crews
-    - **Crews والوكلاء** — أنماط JSON-first (`crew.jsonc` و `agents/*.jsonc`)، الأدوار، المهام، التفويض
-    - **الأدوات والتكاملات** — البحث، واجهات API، خوادم MCP، وأدوات CrewAI الشائعة
-    - **هيكل المشروع** — هياكل CLI واتفاقيات المستودع
-    - **أنماط محدثة** — يتماشى مع وثائق CrewAI الحالية وأفضل الممارسات
-  </Step>
-  <Step title="ابدأ البناء">
-    يمكن لوكيلك الآن إنشاء هيكل وبناء مشاريع CrewAI دون أن تعيد شرح الإطار في كل جلسة.
-  </Step>
-</Steps>
-
-<CardGroup cols={2}>
-  <Card title="مفهوم Skills" icon="bolt" href="/ar/concepts/skills">
-    كيف تعمل المهارات في وكلاء CrewAI — الحقن، التفعيل، والأنماط.
-  </Card>
-  <Card title="صفحة Skills" icon="wand-magic-sparkles" href="/ar/skills">
-    نظرة على حزمة crewAIInc/skills وما تتضمنه.
-  </Card>
-  <Card title="AGENTS.md والأدوات" icon="terminal" href="/ar/guides/coding-tools/agents-md">
-    إعداد AGENTS.md لـ Claude Code وCodex وCursor وGemini CLI.
-  </Card>
-  <Card title="سجل skills.sh" icon="globe" href="https://skills.sh/crewaiinc/skills">
-    القائمة الرسمية — المهارات، إحصاءات التثبيت، والتدقيق.
-  </Card>
-</CardGroup>
-
---
-
-## 2. llms.txt — وثائق مقروءة آلياً
-
-ينشر CrewAI ملف `llms.txt` يمنح المساعدين الذكيين وصولاً مباشراً إلى الوثائق الكاملة بصيغة مقروءة آلياً.
-
-```
-https://docs.crewai.com/llms.txt
-```
-
-<Tabs>
-  <Tab title="ما هو llms.txt؟">
-    [`llms.txt`](https://llmstxt.org/) معيار ناشئ لجعل الوثائق قابلة للاستهلاك من قبل نماذج اللغة الكبيرة. بدلاً من استخراج HTML، يمكن لوكيلك جلب ملف نصي واحد منظم بكل المحتوى المطلوب.
-
-    ملف `llms.txt` الخاص بـ CrewAI **متاح فعلياً** — يمكن لوكيلك استخدامه الآن.
-  </Tab>
-  <Tab title="كيفية الاستخدام">
-    وجِّه وكيل البرمجة إلى عنوان URL عندما يحتاج إلى مرجع CrewAI:
-
-    ```
-    Fetch https://docs.crewai.com/llms.txt for CrewAI documentation.
-    ```
-
-    يمكن للعديد من وكلاء البرمجة (Claude Code، Cursor، وغيرهما) جلب عناوين URL مباشرة. يحتوي الملف على وثائق منظمة تغطي مفاهيم CrewAI وواجهات البرمجة والأدلة.
-  </Tab>
-  <Tab title="لماذا يهم">
-    - **دون استخراج ويب** — محتوى نظيف ومنظم في طلب واحد
-    - **دائماً محدث** — يُقدَّم مباشرة من docs.crewai.com
-    - **محسّن لنماذج اللغة** — مُنسَّق لنوافذ السياق لا للمتصفحات
-    - **يُكمّل Skills** — المهارات تعلّم الأنماط، وllms.txt يوفّر المرجع
-  </Tab>
-</Tabs>
-
---
-
-## 3. النشر للمؤسسات
-
-انتقل من crew محلي إلى الإنتاج على **CrewAI AMP** (منصة إدارة الوكلاء) في دقائق.
-
-<Steps>
-  <Step title="ابنِ محلياً">
-    أنشئ الهيكل واختبر crew أو flow:
-    ```bash
-    crewai create crew my_crew
-    cd my_crew
-    crewai run
-    ```
-  </Step>
-  <Step title="جهّز للنشر">
-    تأكد أن هيكل مشروعك جاهز:
-    ```bash
-    crewai deploy --prepare
-    ```
-    راجع [دليل التحضير](/ar/enterprise/guides/prepare-for-deployment) لتفاصيل الهيكل والمتطلبات.
-  </Step>
-  <Step title="انشر على AMP">
-    ادفع إلى منصة CrewAI AMP:
-    ```bash
-    crewai deploy
-    ```
-    يمكنك أيضاً النشر عبر [تكامل GitHub](/ar/enterprise/guides/deploy-to-amp) أو [Crew Studio](/ar/enterprise/guides/enable-crew-studio).
-  </Step>
-  <Step title="الوصول عبر API">
-    يحصل الـ crew المنشور على نقطة نهاية REST. دمجه في أي تطبيق:
-    ```bash
-    curl -X POST https://app.crewai.com/api/v1/crews/<crew-id>/kickoff \
-      -H "Authorization: Bearer $CREWAI_API_KEY" \
-      -H "Content-Type: application/json" \
-      -d '{"inputs": {"topic": "AI agents"}}'
-    ```
-  </Step>
-</Steps>
-
-<CardGroup cols={2}>
-  <Card title="النشر على AMP" icon="rocket" href="/ar/enterprise/guides/deploy-to-amp">
-    دليل النشر الكامل — CLI وGitHub وCrew Studio.
-  </Card>
-  <Card title="مقدمة عن AMP" icon="globe" href="/ar/enterprise/introduction">
-    نظرة على المنصة — ما يوفّره AMP لـ crews في الإنتاج.
-  </Card>
-</CardGroup>
-
---
-
-## 4. ميزات المؤسسات
-
-CrewAI AMP مُصمَّم لفرق الإنتاج. إليك ما تحصل عليه بعد النشر.
-
-<CardGroup cols={2}>
-  <Card title="المراقبة والرصد" icon="chart-line">
-    مسارات تنفيذ مفصّلة، وسجلات، ومقاييس أداء لكل تشغيل crew. راقب قرارات الوكلاء، استدعاءات الأدوات، وإكمال المهام في الوقت الفعلي.
-  </Card>
-  <Card title="Crew Studio" icon="paintbrush">
-    واجهة منخفضة/بدون كود لإنشاء crews وتخصيصها ونشرها بصرياً — ثم التصدير إلى الشيفرة أو النشر مباشرة.
-  </Card>
-  <Card title="بث الويبهوك" icon="webhook">
-    بث أحداث فورية من تنفيذات الـ crews إلى أنظمتك. تكامل مع Slack أو Zapier أو أي مستهلك ويبهوك.
-  </Card>
-  <Card title="إدارة الفريق" icon="users">
-    SSO وRBAC وضوابط على مستوى المؤسسة. أدر من يمكنه إنشاء crews ونشرها والوصول إليها.
-  </Card>
-  <Card title="مستودع الأدوات" icon="toolbox">
-    انشر وشارك أدواتاً مخصصة عبر مؤسستك. ثبّت أدوات المجتمع من السجل.
-  </Card>
-  <Card title="Factory (استضافة ذاتية)" icon="server">
-    شغّل CrewAI AMP على بنيتك التحتية. قدرات المنصة كاملة مع ضوابط إقامة البيانات والامتثال.
-  </Card>
-</CardGroup>
-
-<AccordionGroup>
-  <Accordion title="لمن مخصص AMP؟">
-    لفرق تحتاج نقل سير عمل وكلاء الذكاء الاصطناعي من النماذج الأولية إلى الإنتاج — مع المراقبة وضوابط الوصول والبنية التحتية القابلة للتوسع. سواءً كنت ناشئاً أو مؤسسة كبيرة، يتولى AMP التعقيد التشغيلي لتتفرغ لبناء الوكلاء.
-  </Accordion>
-  <Accordion title="ما خيارات النشر المتاحة؟">
-    - **السحابة (app.crewai.com)** — تُدار من CrewAI، أسرع طريق إلى الإنتاج
-    - **Factory (استضافة ذاتية)** — على بنيتك التحتية لسيطرة كاملة على البيانات
-    - **هجين** — دمج السحابة والاستضافة الذاتية حسب حساسية البيانات
-  </Accordion>
-</AccordionGroup>
-
-<Card title="استكشف CrewAI AMP →" icon="arrow-right" href="https://app.crewai.com">
-  سجّل وانشر أول crew لك في الإنتاج.
-</Card>
--- a/docs/ar/guides/crews/first-crew.mdx
+++ b/docs/ar/guides/crews/first-crew.mdx
@@ -1,140 +1,321 @@
 ---
-title: ابنِ أول Crew
-description: دليل خطوة بخطوة لإنشاء فريق AI تعاوني باستخدام تهيئة JSON-first.
+title: ابنِ أول Crew لك
+description: دليل تفصيلي لإنشاء فريق AI تعاوني يعمل معًا لحل المشكلات المعقدة.
 icon: users-gear
 mode: "wide"
 ---

-## بناء Crew للبحث
+## إطلاق قوة الذكاء الاصطناعي التعاوني

-في هذا الدليل ستنشئ crew من Agentين: واحد للبحث وآخر لكتابة تقرير markdown. مشاريع الـ crew الجديدة هي JSON-first: تُعرّف الـ Agents في `agents/*.jsonc`، وتُعرّف المهام وإعدادات الـ crew في `crew.jsonc`، ويحمّل `crewai run` هذا التعريف مباشرة.
+تخيل أن لديك فريقًا من Agents الذكاء الاصطناعي المتخصصة تعمل معًا بسلاسة لحل مشكلات معقدة، كل منها يساهم بمهاراته الفريدة لتحقيق هدف مشترك. هذه هي قوة CrewAI - إطار عمل يمكّنك من إنشاء أنظمة ذكاء اصطناعي تعاونية يمكنها إنجاز مهام تفوق بكثير ما يمكن لـ AI واحد تحقيقه بمفرده.

-### المتطلبات
+في هذا الدليل، سنمشي عبر إنشاء Crew بحث يساعدنا في البحث والتحليل حول موضوع ما، ثم إنشاء تقرير شامل. يوضح هذا المثال العملي كيف يمكن لـ Agents الذكاء الاصطناعي التعاون لإنجاز مهام معقدة، لكنه مجرد البداية لما هو ممكن مع CrewAI.

-1. تثبيت CrewAI من [دليل التثبيت](/ar/installation)
-2. إعداد مفتاح LLM من [دليل LLMs](/ar/concepts/llms#setting-up-your-llm)
-3. مفتاح [Serper.dev](https://serper.dev/) إذا أردت استخدام البحث على الويب
+### ما ستبنيه وتتعلمه

-## الخطوة 1: إنشاء Crew جديدة
+بنهاية هذا الدليل، ستكون قد:
+
+1. **أنشأت فريق بحث AI متخصص** بأدوار ومسؤوليات مميزة
+2. **نسّقت التعاون** بين عدة Agents ذكاء اصطناعي
+3. **أتممت سير عمل معقد** يتضمن جمع المعلومات والتحليل وإنشاء التقارير
+4. **بنيت مهارات أساسية** يمكنك تطبيقها على مشاريع أكثر طموحًا
+
+### المتطلبات المسبقة
+
+قبل البدء، تأكد من:
+
+1. تثبيت CrewAI باتباع [دليل التثبيت](/ar/installation)
+2. إعداد مفتاح API لنموذج LLM في بيئتك، باتباع [دليل إعداد LLM](/ar/concepts/llms#setting-up-your-llm)
+3. فهم أساسي لـ Python
+
+## الخطوة 1: إنشاء مشروع CrewAI جديد
+
+أولاً، لننشئ مشروع CrewAI جديد باستخدام CLI. سينشئ هذا الأمر هيكل مشروع كامل بجميع الملفات الضرورية.

 ```bash
 crewai create crew research_crew
 cd research_crew
 ```

-البنية الناتجة:
+سينتج هيكل مشروع بالبنية الأساسية المطلوبة لـ Crew. ينشئ CLI تلقائيًا:

-```text
+- مجلد مشروع بالملفات اللازمة
+- ملفات تهيئة للـ Agents والمهام
+- تطبيق Crew أساسي
+- سكريبت رئيسي لتشغيل الـ Crew
+
+<Frame caption="نظرة عامة على إطار عمل CrewAI">
+  <img src="/images/crews.png" alt="نظرة عامة على إطار عمل CrewAI" />
+</Frame>
+
+## الخطوة 2: استكشاف هيكل المشروع
+
+لنخصص لحظة لفهم هيكل المشروع الذي أنشأه CLI.
+
+```
 research_crew/
 ├── .gitignore
-├── .env
-├── agents/
-│   └── researcher.jsonc
-├── crew.jsonc
-├── knowledge/
 ├── pyproject.toml
 ├── README.md
-├── skills/
-└── tools/
+├── .env
+└── src/
+    └── research_crew/
+        ├── __init__.py
+        ├── main.py
+        ├── crew.py
+        ├── tools/
+        │   ├── custom_tool.py
+        │   └── __init__.py
+        └── config/
+            ├── agents.yaml
+            └── tasks.yaml
 ```

-<Tip>
-إذا احتجت إلى البنية القديمة التي تحتوي على `crew.py` و `config/agents.yaml` و `config/tasks.yaml`، استخدم `crewai create crew research_crew --classic`.
-</Tip>
+يتبع هذا الهيكل أفضل الممارسات لمشاريع Python ويسهّل تنظيم الكود. فصل ملفات التهيئة (YAML) عن كود التنفيذ (Python) يسهّل تعديل سلوك Crew دون تغيير الكود الأساسي.

-## الخطوة 2: تعريف الـ Agents
+## الخطوة 3: تهيئة الـ Agents

-عدّل ملف `agents/researcher.jsonc` الذي أنشأه القالب، ثم أضف `agents/analyst.jsonc`. يجب أن تطابق أسماء الملفات الأسماء المشار إليها في `crew.jsonc`.
+الآن يأتي الجزء الممتع - تعريف Agents الذكاء الاصطناعي! في CrewAI، الـ Agents هي كيانات متخصصة بأدوار وأهداف وخلفيات محددة تشكّل سلوكها.

-```jsonc agents/researcher.jsonc
-{
-  "role": "Senior Research Specialist for {topic}",
-  "goal": "Find comprehensive and accurate information about {topic}, with a focus on recent developments and key insights.",
-  "backstory": "You are an experienced research specialist who organizes complex information into clear, useful notes.",
-  // استبدله بالنموذج الذي تستخدمه، مثل "openai/gpt-4o".
-  "llm": "provider/model-id",
-  "tools": ["SerperDevTool"],
-  "settings": {
-    "verbose": true,
-    "allow_delegation": false
-  }
-}
+لـ Crew البحث لدينا، سننشئ Agent اثنين:
+1. **باحث** يتفوق في إيجاد وتنظيم المعلومات
+2. **محلل** يمكنه تفسير نتائج البحث وإنشاء تقارير ثاقبة
+
+لنعدّل ملف `agents.yaml`. تأكد من تعيين `llm` للمزود الذي تستخدمه.
+
+```yaml
+# src/research_crew/config/agents.yaml
+researcher:
+  role: >
+    Senior Research Specialist for {topic}
+  goal: >
+    Find comprehensive and accurate information about {topic}
+    with a focus on recent developments and key insights
+  backstory: >
+    You are an experienced research specialist with a talent for
+    finding relevant information from various sources. You excel at
+    organizing information in a clear and structured manner, making
+    complex topics accessible to others.
+  llm: provider/model-id  # e.g. openai/gpt-4o, google/gemini-2.0-flash, anthropic/claude...
+
+analyst:
+  role: >
+    Data Analyst and Report Writer for {topic}
+  goal: >
+    Analyze research findings and create a comprehensive, well-structured
+    report that presents insights in a clear and engaging way
+  backstory: >
+    You are a skilled analyst with a background in data interpretation
+    and technical writing. You have a talent for identifying patterns
+    and extracting meaningful insights from research data, then
+    communicating those insights effectively through well-crafted reports.
+  llm: provider/model-id  # e.g. openai/gpt-4o, google/gemini-2.0-flash, anthropic/claude...
 ```

-```jsonc agents/analyst.jsonc
-{
-  "role": "Report Analyst for {topic}",
-  "goal": "Turn research findings into a clear, well-structured report.",
-  "backstory": "You are a careful analyst with strong technical writing skills and a talent for extracting useful insights.",
-  // استبدله بالنموذج الذي تستخدمه، مثل "openai/gpt-4o".
-  "llm": "provider/model-id",
-  "settings": {
-    "verbose": true,
-    "allow_delegation": false
-  }
-}
+لاحظ كيف أن لكل Agent دور وهدف وخلفية مميزة. هذه العناصر ليست وصفية فحسب - بل تشكّل بنشاط كيف يتعامل الـ Agent مع مهامه.
+
+## الخطوة 4: تعريف المهام
+
+مع تعريف الـ Agents، نحتاج الآن لمنحهم مهام محددة. لنعدّل ملف `tasks.yaml`:
+
+```yaml
+# src/research_crew/config/tasks.yaml
+research_task:
+  description: >
+    Conduct thorough research on {topic}. Focus on:
+    1. Key concepts and definitions
+    2. Historical development and recent trends
+    3. Major challenges and opportunities
+    4. Notable applications or case studies
+    5. Future outlook and potential developments
+
+    Make sure to organize your findings in a structured format with clear sections.
+  expected_output: >
+    A comprehensive research document with well-organized sections covering
+    all the requested aspects of {topic}. Include specific facts, figures,
+    and examples where relevant.
+  agent: researcher
+
+analysis_task:
+  description: >
+    Analyze the research findings and create a comprehensive report on {topic}.
+    Your report should:
+    1. Begin with an executive summary
+    2. Include all key information from the research
+    3. Provide insightful analysis of trends and patterns
+    4. Offer recommendations or future considerations
+    5. Be formatted in a professional, easy-to-read style with clear headings
+  expected_output: >
+    A polished, professional report on {topic} that presents the research
+    findings with added analysis and insights. The report should be well-structured
+    with an executive summary, main sections, and conclusion.
+  agent: analyst
+  context:
+    - research_task
+  output_file: output/report.md
 ```

-استبدل `provider/model-id` بالنموذج الذي تستخدمه، مثل `openai/gpt-4o` أو `anthropic/claude-sonnet-4-6` أو `gemini/gemini-2.0-flash-001`.
+لاحظ حقل `context` في مهمة التحليل - هذه ميزة قوية تتيح للمحلل الوصول إلى مخرجات مهمة البحث.

-## الخطوة 3: تعريف المهام وإعدادات الـ Crew
+## الخطوة 5: تهيئة الـ Crew

-استبدل `crew.jsonc` بما يلي:
+الآن حان الوقت لجمع كل شيء معًا. لنعدّل ملف `crew.py`:

-```jsonc crew.jsonc
-{
-  "name": "Research Crew",
-  "agents": ["researcher", "analyst"],
-  "tasks": [
-    {
-      "name": "research_task",
-      "description": "Conduct thorough research on {topic}. Focus on key concepts, recent developments, major challenges, notable applications, and future outlook.",
-      "expected_output": "A comprehensive research document with organized sections, specific facts, and useful examples about {topic}.",
-      "agent": "researcher"
-    },
-    {
-      "name": "analysis_task",
-      "description": "Analyze the research findings and create a polished report on {topic}. Include an executive summary, key insights, trend analysis, and recommendations.",
-      "expected_output": "A professional markdown report with clear headings, a concise summary, main findings, and recommendations.",
-      "agent": "analyst",
-      "context": ["research_task"],
-      "output_file": "output/report.md",
-      "markdown": true
+```python
+# src/research_crew/crew.py
+from crewai import Agent, Crew, Process, Task
+from crewai.project import CrewBase, agent, crew, task
+from crewai_tools import SerperDevTool
+from crewai.agents.agent_builder.base_agent import BaseAgent
+from typing import List
+
+@CrewBase
+class ResearchCrew():
+    """Research crew for comprehensive topic analysis and reporting"""
+
+    agents: List[BaseAgent]
+    tasks: List[Task]
+
+    @agent
+    def researcher(self) -> Agent:
+        return Agent(
+            config=self.agents_config['researcher'], # type: ignore[index]
+            verbose=True,
+            tools=[SerperDevTool()]
+        )
+
+    @agent
+    def analyst(self) -> Agent:
+        return Agent(
+            config=self.agents_config['analyst'], # type: ignore[index]
+            verbose=True
+        )
+
+    @task
+    def research_task(self) -> Task:
+        return Task(
+            config=self.tasks_config['research_task'] # type: ignore[index]
+        )
+
+    @task
+    def analysis_task(self) -> Task:
+        return Task(
+            config=self.tasks_config['analysis_task'], # type: ignore[index]
+            output_file='output/report.md'
+        )
+
+    @crew
+    def crew(self) -> Crew:
+        """Creates the research crew"""
+        return Crew(
+            agents=self.agents,
+            tasks=self.tasks,
+            process=Process.sequential,
+            verbose=True,
+        )
+```
+
+## الخطوة 6: إعداد السكريبت الرئيسي
+
+```python
+#!/usr/bin/env python
+# src/research_crew/main.py
+import os
+from research_crew.crew import ResearchCrew
+
+# Create output directory if it doesn't exist
+os.makedirs('output', exist_ok=True)
+
+def run():
+    """
+    Run the research crew.
+    """
+    inputs = {
+        'topic': 'Artificial Intelligence in Healthcare'
    }
-  ],
-  "process": "sequential",
-  "verbose": true,
-  "memory": true,
-  "inputs": {
-    "topic": "Artificial Intelligence in Healthcare"
-  }
-}
+
+    # Create and run the crew
+    result = ResearchCrew().crew().kickoff(inputs=inputs)
+
+    # Print the result
+    print("\n\n=== FINAL REPORT ===\n\n")
+    print(result.raw)
+
+    print("\n\nReport has been saved to output/report.md")
+
+if __name__ == "__main__":
+    run()
 ```

-يشير `context` إلى أسماء مهام سابقة، لذلك يحصل analyst على مخرجات مهمة البحث. يوفر `inputs` قيمة افتراضية لـ `{topic}`. إذا حذفت القيمة الافتراضية، سيطلبها `crewai run`.
+## الخطوة 7: إعداد متغيرات البيئة

-## الخطوة 4: متغيرات البيئة
-
-عدّل `.env`:
+أنشئ ملف `.env` في جذر مشروعك بمفاتيح API:

 ```sh
 SERPER_API_KEY=your_serper_api_key
-# أضف مفتاح مزود النموذج أيضًا.
+# Add your provider's API key here too.
 ```

-## الخطوة 5: التثبيت والتشغيل
+راجع [دليل إعداد LLM](/ar/concepts/llms#setting-up-your-llm) لتفاصيل تهيئة المزود المفضل لديك. يمكنك الحصول على مفتاح Serper API من [Serper.dev](https://serper.dev/).
+
+## الخطوة 8: تثبيت التبعيات

 ```bash
 crewai install
+```
+
+## الخطوة 9: تشغيل الـ Crew
+
+الآن اللحظة المثيرة - حان وقت تشغيل Crew ومشاهدة التعاون بين الـ AI!
+
+```bash
 crewai run
 ```

-بعد انتهاء التشغيل، افتح `output/report.md`.
+عند تشغيل هذا الأمر، سترى Crew يعمل. سيجمع الباحث معلومات حول الموضوع المحدد، ثم سينشئ المحلل تقريرًا شاملاً بناءً على ذلك البحث.

-<Warning>
-شغّل مشاريع JSON crew من مصادر تثق بها فقط. أدوات `custom:<name>` ومراجع `{"python": "module.attribute"}` تنفذ Python محليًا عند تحميل الـ crew.
-</Warning>
+## الخطوة 10: مراجعة المخرجات
+
+بمجرد إتمام Crew عمله، ستجد التقرير النهائي في ملف `output/report.md`. سيتضمن التقرير:
+
+1. ملخص تنفيذي
+2. معلومات مفصلة عن الموضوع
+3. تحليل ورؤى
+4. توصيات أو اعتبارات مستقبلية
+
+## استكشاف أوامر CLI الأخرى
+
+يوفر CrewAI عدة أوامر CLI مفيدة للعمل مع Crews:
+
+```bash
+# View all available commands
+crewai --help
+
+# Run the crew
+crewai run
+
+# Test the crew
+crewai test
+
+# Reset crew memories
+crewai reset-memories
+
+# Replay from a specific task
+crewai replay -t <task_id>
+```
+
+## ما بعد أول Crew: فن الممكن
+
+ما بنيته في هذا الدليل مجرد البداية. يمكنك توسيع Crew البحث الأساسي بإضافة Agents متخصصة أخرى وأدوات وقدرات إضافية وسير عمل أكثر تعقيدًا. يمكن تطبيق نفس الأنماط لإنشاء Crews لإنشاء المحتوى وخدمة العملاء وتطوير المنتجات وتحليل البيانات.
+
+## الخطوات التالية
+
+1. جرّب تهيئات وشخصيات Agent مختلفة
+2. جرب هياكل مهام وسير عمل أكثر تعقيدًا
+3. طبّق أدوات مخصصة لمنح الـ Agents قدرات جديدة
+4. طبّق Crew على مواضيع أو مجالات مشكلات مختلفة
+5. استكشف [CrewAI Flows](/ar/guides/flows/first-flow) لسير عمل أكثر تقدمًا مع البرمجة الإجرائية

 <Check>
-أصبحت لديك crew تعمل بأسلوب JSON-first تبحث في موضوع وتكتب تقريرًا.
+تهانينا! لقد بنيت بنجاح أول CrewAI Crew يمكنه البحث والتحليل في أي موضوع تقدمه. هذه التجربة الأساسية أهّلتك بالمهارات لإنشاء أنظمة AI متطورة بشكل متزايد يمكنها معالجة مشكلات معقدة متعددة المراحل من خلال الذكاء التعاوني.
 </Check>
--- a/docs/ar/guides/flows/conversational-flows.mdx
+++ b/docs/ar/guides/flows/conversational-flows.mdx
@@ -1,473 +0,0 @@
---
-title: تدفقات المحادثة
-description: أنشئ تطبيقات دردشة متعددة الجولات مع kickoff لكل جولة وسجل الرسائل وتوجيه النية والتتبع وجسور WebSocket.
-icon: comments
-mode: "wide"
---
-
-## نظرة عامة
-
-تعامل التطبيقات المحادثية مع كل سطر من المستخدم كـ **تشغيل flow جديد** بنفس **معرّف الجلسة**. توفر CrewAI مساعدات لسجل الرسائل وتصنيف النية الاختياري وتأجيل التتبع وجسور الواجهة، إضافة إلى REPL محلي `flow.chat()` للتدفقات المحادثية.
-
-| المفهوم | التنفيذ |
-|---------|---------|
-| معرّف الجلسة | `handle_turn(..., session_id=...)` → `kickoff(inputs={"id": ...})` → `state.id` |
-| سطر المستخدم | `handle_turn(message)` يضيف الرسالة إلى `state.messages` قبل تشغيل الرسم |
-| اكتمال الجولة | `FlowFinished` لهذا **التشغيل** فقط؛ تستمر المحادثة في `handle_turn` التالي |
-| تتبع الجلسة | `ConversationConfig(defer_trace_finalization=True)` + `finalize_session_traces()` |
-
-## واجهات الجولات
-
-استخدم **`flow.handle_turn(message, session_id=...)`** لكل رسالة مستخدم من REST أو WebSocket أو الاختبارات أو الواجهات المخصصة. استخدم **`flow.chat()`** عندما تريد حلقة دردشة محلية في الطرفية لـ `Flow` محادثي.
-
-لا يقبل `Flow.kickoff()` الوسيطين `user_message=` أو `session_id=`. في التدفقات المحادثية، يخزن `handle_turn()` الرسالة المعلقة ويستدعي داخلياً `kickoff(inputs={"id": session_id})`.
-
-| API | الاستخدام |
-|-----|-----------|
-| `handle_turn(message, session_id=...)` | غلاف مريح لجولة واحدة في `Flow` محادثي |
-| `chat()` | REPL محلي في الطرفية لـ `Flow` محادثي |
-| `kickoff(inputs={...})` | تشغيل متقدم للـ flow بدون معالجة جولة محادثية |
-| `ask()` | مطالبة حاجزة **داخل** خطوة واحدة |
-| `@human_feedback` | الموافقة/الرفض على **مخرجات خطوة** — وليس السطر التالي |
-| `ChatSession.handle_turn(...)` | طبقة نقل فوق `handle_turn` |
-
-## بداية سريعة
-
-```python
-from uuid import uuid4
-
-from crewai import Flow
-from crewai.flow import listen
-from crewai.experimental.conversational import (
-    ConversationConfig,
-    ConversationState,
-)
-
-
-@ConversationConfig(defer_trace_finalization=True)
-class SupportFlow(Flow[ConversationState]):
-    conversational = True
-
-    def route_turn(self, context):
-        message = (self.state.current_user_message or "").lower()
-        if "طلب" in message or "order" in message:
-            return "order"
-        if "وداع" in message or "goodbye" in message:
-            return "goodbye"
-        return "help"
-
-    @listen("order")
-    def handle_order(self):
-        reply = "طلبك في الطريق."
-        self.append_assistant_message(reply)
-        return reply
-
-    @listen("help")
-    def handle_help(self):
-        reply = "كيف يمكنني المساعدة؟"
-        self.append_assistant_message(reply)
-        return reply
-
-    @listen("goodbye")
-    def handle_goodbye(self):
-        reply = "وداعاً!"
-        self.append_assistant_message(reply)
-        return reply
-
-
-session_id = str(uuid4())
-flow = SupportFlow()
-
-try:
-    flow.handle_turn("أين طلبي؟", session_id=session_id)
-    flow.handle_turn("وماذا عن الإرجاع؟", session_id=session_id)
-finally:
-    flow.finalize_session_traces()
-```
-
-## دورة حياة الجولة
-
-كل `handle_turn` يشغّل:
-
-1. **`_configure_conversational_kickoff`** — دمج `session_id` / `user_message` في `inputs` وتطبيق `ConversationalConfig`.
-2. **استعادة الحالة** — عند وجود `inputs["id"]` و`@persist`.
-3. **`FlowStarted`** — في أول جولة للجلسة المؤجلة فقط.
-4. **`prepare_conversational_turn`** — إضافة رسالة المستخدم و`last_user_message` وتصنيف اختياري.
-5. **تنفيذ الرسم** — `@start` → `@router` → معالجات `@listen`.
-6. **نهاية التشغيل** — يُتخطى `flow_finished` والتتبع لكل جولة عند التأجيل؛ `Agent.kickoff()` / crews لا تغلق دفعة الأب.
-
-استدعِ **`append_assistant_message(reply)`** في المعالجات. سطر المستخدم محفوظ عبر `handle_turn` — لا تُضفه مرة أخرى.
-
-## `ConversationalConfig` (افتراضيات على مستوى الصنف)
-
-عيّن على صنف `Flow` كـ `conversational_config: ClassVar[ConversationalConfig | None]`.
-
-| الحقل | الافتراضي | الغرض |
-|-------|-----------|--------|
-| `default_intents` | `None` | تسميات outcome للتصنيف التلقائي قبل kickoff |
-| `intent_llm` | `None` | نموذج التصنيف (مطلوب عند وجود intents) |
-| `interactive_prompt` | `"You: "` | مطالبة `kickoff(interactive=True)` |
-| `interactive_timeout` | `None` | مهلة لكل سطر في الوضع التفاعلي |
-| `exit_commands` | `exit`, `quit` | كلمات إنهاء الوضع التفاعلي |
-| `defer_trace_finalization` | `True` | إبقاء دفعة trace واحدة مفتوحة بين الجولات |
-
-يمكن التجاوز لكل kickoff عبر `intents=` و`intent_llm=`.
-
-## `ChatState` (شكل الحالة الموصى به للحفظ)
-
-```python
-from crewai.flow import ChatState
-
-
-class MyChatState(ChatState):
-    # موروث: id, messages, last_user_message, last_intent, session_ready
-    research_turn_count: int = 0
-    custom_flag: bool = False
-```
-
-| الحقل | الدور |
-|-------|------|
-| `id` | UUID الجلسة (مثل `session_id` / `inputs["id"]`) |
-| `messages` | قائمة `{role, content}` لسجل LLM |
-| `last_user_message` | آخر سطر مستخدم في هذه الجولة |
-| `last_intent` | تسمية المسار بعد التصنيف (إن وُجد) |
-| `session_ready` | علم bootstrap لمرة واحدة |
-
-`ConversationalInputs` هو `TypedDict` لـ `kickoff(inputs={...})`: `id`, `user_message`, `last_intent`.
-
-## API المحادثة على `Flow`
-
-### معاملات `kickoff` / `kickoff_async`
-
-| المعامل | الغرض |
-|---------|--------|
-| `user_message` | نص هذه الجولة (أو `{"role": "user", "content": "..."}`) |
-| `session_id` | UUID المحادثة → `inputs["id"]` / `state.id` |
-| `intents` | تسميات outcome لـ `classify_intent` قبل kickoff |
-| `intent_llm` | LLM للتصنيف (مطلوب مع `intents`) |
-| `interactive` | حلقة CLI عبر `ask()` (للعروض المحلية فقط) |
-| `interactive_prompt` | مطالبة الوضع التفاعلي |
-| `interactive_timeout` | مهلة `ask()` لكل سطر |
-| `exit_commands` | كلمات إنهاء الوضع التفاعلي |
-| `inputs` | حقول حالة إضافية |
-| `restore_from_state_id` | استنساخ من flow محفوظ آخر |
-
-### سمات المثيل
-
-| السمة | الغرض |
-|-------|--------|
-| `conversational_config` | افتراضيات `ConversationalConfig` على مستوى الصنف |
-| `defer_trace_finalization` | علم المثيل؛ يُضبط تلقائياً من config عند kickoff |
-| `suppress_flow_events` | يخفي لوحات console؛ **التتبع يُسجّل** |
-| `stream` | بث؛ مع `ChatSession.handle_turn(..., stream=True)` |
-
-### طرق وخصائص
-
-| الاسم | الوصف |
-|------|--------|
-| `append_message(role, content, **extra)` | إضافة إلى `state.messages` |
-| `conversation_messages` | سجل للقراءة فقط لاستدعاءات LLM |
-| `classify_intent(text, outcomes, *, llm, context=None)` | تعيين outcome |
-| `receive_user_message(text, *, outcomes=None, llm=None)` | إضافة رسالة مستخدم؛ `last_intent` اختياري |
-| `finalize_session_traces()` | إصدار `flow_finished` المؤجل وإنهاء دفعة trace |
-| `_should_defer_trace_finalization()` | هل يُؤجل إنهاء trace لكل جولة |
-| `input_history` | سجل تدقيق مطالبات وردود `ask()` |
-
-### مساعدات الوحدة (`crewai.flow.conversation`)
-
-| الدالة | الوصف |
-|--------|--------|
-| `normalize_kickoff_inputs(...)` | دمج kwargs المحادثة في `inputs` |
-| `get_conversation_messages(flow)` | قراءة الرسائل من الحالة أو المخزن |
-| `append_message(flow, ...)` | مثل طريقة المثيل |
-| `prepare_conversational_turn(flow, ...)` | تهيئة الجولة (عادةً kickoff يستدعيها) |
-| `receive_user_message(flow, ...)` | مثل طريقة المثيل |
-| `set_state_field(flow, name, value)` | تعيين حقل dict أو Pydantic |
-| `get_conversational_config(flow)` | قراءة `conversational_config` |
-| `input_history_to_messages(entries)` | تحويل `input_history` لصيغة رسائل LLM |
-
-## أنماط توجيه النية
-
-### أ. تصنيف مسبق عبر `ConversationalConfig` (الأبسط)
-
-عيّن `default_intents` و`intent_llm`. كل kickoff يصنّف قبل `@router`؛ اقرأ `self.state.last_intent` في `route()`.
-
-### ب. تصنيف داخل `@router` (مطالبات أغنى)
-
-عيّن `default_intents=None` ليضيف kickoff الرسالة فقط. في `route()` استدعِ `classify_intent`:
-
-```python
-@router(bootstrap)
-def route(self):
-    intent = self.classify_intent(
-        self._routing_prompt(self.state.last_user_message),
-        ("GREETING", "ORDER", "RESEARCH", "GOODBYE"),
-        llm=self.conversational_config.intent_llm or "gpt-4o-mini",
-    )
-    self.state.last_intent = intent
-    return intent
-```
-
-للبحث على الويب أو أدوات متعددة الخطوات استخدم **`@listen("RESEARCH")`** مع `Agent.kickoff()` وأدوات — وليس `LLM.call()` فقط.
-
-## عندما ينتهي الـ flow ويستمر المستخدم
-
-`FlowFinished` يعني أن **تنفيذ الرسم هذا** اكتمل. تستمر المحادثة بـ `kickoff` آخر ونفس `session_id`. `@persist` يستعيد `messages` والأعلام والسياق.
-
-**نمط الحفظ:** يُفضّل `@persist` على **خطوة نهائية واحدة** (مثل `finalize`) وليس على صنف `Flow` بالكامل. الحفظ على مستوى الصنف بعد كل method قد يفقد تحديثات المعالجات في نفس الجولة.
-
-لا تستخدم `@human_feedback` لأسطر المتابعة في الدردشة إلا عند الحاجة لموافقة بشرية على مخرجات خطوة محددة.
-
-## `Flow` المحادثاتي (تجريبي)
-
-<Warning>
-  **ميزة تجريبية.** سطح `Flow` المحادثاتي (`conversational = True`،
-  `handle_turn`، `ConversationConfig`، `RouterConfig`،
-  `ConversationState`، الرسم البياني المدمج والمساعدات) يقع تحت
-  `crewai.experimental` وقد يتغير شكله قبل التخرج. ثبّت إصدار CrewAI إذا
-  كنت تعتمد على سلوك محدد، وراقب changelog للتحديثات الكاسرة. الملاحظات
-  والمشاكل مرحب بها.
-</Warning>
-
-فعّل الرسم المحادثاتي بتعيين `conversational = True` على صنف فرعي من `Flow`. عندئذٍ يُظهر `Flow` الأساسي رسم `@start` / `@router` / `converse_turn` / `end_conversation` مدمجاً، ويدير `state.messages`، ويُشغّل LLM التوجيه، ويبقي دفعة trace مفتوحة عبر الجولات. أنت تكتب **المسارات المخصصة** فقط؛ والإطار يتولى الباقي.
-
-استخدمه عندما تريد دردشة متعددة الجولات مع موجّه قائم على LLM ومعالجات لكل مسار دون توصيل دورة الحياة يدوياً. استخدم `Flow[ChatState]` (النمط الأدنى مستوى في الأعلى) عندما تحتاج تحكماً كاملاً.
-
-### مثال سريع
-
-```python
-from crewai import LLM, Flow
-from crewai.flow import listen
-from crewai.experimental.conversational import (
-    ConversationConfig,
-    ConversationState,
-    RouterConfig,
-)
-
-
-ROUTER_LLM = LLM(model="gpt-4o-mini")
-
-
-@ConversationConfig(
-    system_prompt="A multi-agent assistant for ordinary chat and tool-backed tasks.",
-    llm=ROUTER_LLM,
-    router=RouterConfig(),  # المسارات + الأوصاف تُكتشف تلقائياً من معالجات @listen
-)
-class SupportFlow(Flow[ConversationState]):
-    conversational = True
-
-    @listen("INTERNET_SEARCH")
-    def handle_internet_search(self) -> str:
-        """Fresh web research, current news, real-time lookups."""
-        ...
-        self.append_assistant_message(reply)
-        return reply
-
-    @listen("CREWAI_DOCS")
-    def handle_crewai_docs(self) -> str:
-        """Look up the CrewAI documentation for framework/API questions."""
-        ...
-        self.append_assistant_message(reply)
-        return reply
-
-
-flow = SupportFlow()
-try:
-    flow.handle_turn("ماذا يمكنك أن تفعل؟")                   # يوجَّه إلى converse (مدمج)
-    flow.handle_turn("ابحث في الويب عن أخبار الذكاء الاصطناعي.")  # يوجَّه إلى INTERNET_SEARCH
-    flow.handle_turn("لخص النتيجة الأولى.")                    # يعود إلى converse
-finally:
-    flow.finalize_session_traces()
-```
-
-للدردشة المحلية في الطرفية، استخدم `chat()`:
-
-```python
-def kickoff() -> None:
-    SupportFlow().chat()
-```
-
-يلف `chat()` استدعاءات `handle_turn()` داخل REPL، ويخرج عند `exit` / `quit`، ويتجاهل الأسطر الفارغة افتراضياً، ويستدعي `finalize_session_traces()` عند انتهاء الجلسة.
-
-### `ConversationConfig`
-
-مزخرف صنف يُلحق افتراضيات الدردشة على مستوى الصنف.
-
-| الحقل | الافتراضي | الغرض |
-|-------|-----------|-------|
-| `system_prompt` | `slices.conversational_system_prompt` من i18n | رسالة system يستخدمها `converse_turn` المدمج. مرر `""` للتعطيل التام. |
-| `llm` | `None` | LLM المحادثة (يستخدمه `converse_turn` وكاحتياطي للموجّه). |
-| `router` | `None` | `RouterConfig` للتوجيه عبر LLM. بدونه، يسقط الـ flow دائماً إلى `converse`. |
-| `answer_from_history_prompt` | افتراضي الإطار | رسالة system للمسار الاختياري `answer_from_history`. |
-| `answer_from_history_llm` | `None` | يُفعّل الاختصار `answer_from_history` عند تعيينه. |
-| `intent_llm` | `None` | LLM لمسار التصنيف المسبق القديم `intents=`/`default_intents`. |
-| `default_intents` | `None` | تسميات النتائج للتصنيف المسبق القديم. |
-| `visible_agent_outputs` | `None` | `"all"` أو قائمة بأسماء الـ agents الذين تُرفع مخرجاتهم من `append_agent_result()` إلى رسائل عامة. |
-| `defer_trace_finalization` | `True` | يبقي دفعة trace واحدة مفتوحة عبر استدعاءات `handle_turn()`. |
-
-### `RouterConfig` وفهرس المسارات المُولَّد تلقائياً
-
-```python
-RouterConfig(
-    prompt="تأطير اختياري للنطاق (سياسة، صوت، شخصية).",
-    response_format=MyRoute,        # اختياري؛ يُولَّد تلقائياً عند الإغفال
-    llm=ROUTER_LLM,                  # يسقط إلى ConversationConfig.llm
-    routes=["INTERNET_SEARCH", "CREWAI_DOCS"],   # اختياري؛ يُستنتج من المستمعين
-    route_descriptions={
-        "INTERNET_SEARCH": "تجاوز الـ docstring لهذا المسار فقط.",
-    },
-    default_intent="converse",       # يُستخدم عند فشل LLM أو غيابه
-    fallback_intent="converse",      # يُستخدم عندما يعيد LLM مساراً غير صالح
-    intent_field="intent",
-)
-```
-
-تُبنى رسالة الموجّه إلى LLM تلقائياً. لكل مسار يختار الإطار وصفاً بهذا الترتيب من الأولوية:
-
-1. `RouterConfig.route_descriptions[label]` — تجاوز صريح.
-2. `Flow.builtin_route_descriptions[label]` — نص جاهز من الإطار لـ `converse` و`end` و`answer_from_history` (مصاغ لـ LLM التوجيه).
-3. أول سطر غير فارغ من docstring معالج `@listen(label)`.
-4. فارغ (المسار يظهر في الفهرس بلا وصف).
-
-عملياً، **إضافة مسار جديد = `@listen("X")` + docstring من سطر واحد**:
-
-```python
-@listen("INTERNET_SEARCH")
-def handle_internet_search(self) -> str:
-    """Fresh web research, current news, real-time lookups."""
-    ...
-```
-
-…وسيرى LLM التوجيه:
-
-```
-Routes:
- CREWAI_DOCS: Look up the CrewAI documentation for framework/API questions.
- INTERNET_SEARCH: Fresh web research, current news, real-time lookups.
- converse: Ordinary chat, follow-ups, summaries, clarifications…
- end: User signals the conversation is finished (goodbye, exit, done).
-```
-
-`RouterConfig.prompt` مخصص لـ **تأطير النطاق** (شخصية المساعد، قواعد العمل، النبرة). فهرس المسارات يُبنى تلقائياً — لا تُدرج المسارات في `prompt`؛ سيختل التزامن لحظة إضافة معالج جديد.
-
-### المسارات المدمجة
-
-| المسار | المعالج | الغرض |
-|--------|---------|-------|
-| `converse` | `converse_turn` | معالج الدردشة الافتراضي. يستدعي `ConversationConfig.llm` بـ system prompt + التاريخ القانوني للرسائل. |
-| `end` | `end_conversation` | يضبط `state.ended = True` ويُصدر رد إنهاء. |
-| `answer_from_history` | `answer_from_history_turn` | اختياري. يُوجَّه إليه عندما يكون `ConversationConfig.answer_from_history_llm` مُعيَّناً ويمكن الإجابة على الرسالة من التاريخ فقط. |
-
-يمكنك تجاوز أي من هذه بتعريف معالج بنفس الاسم في الصنف الفرعي.
-
-### دلالات `handle_turn()`
-
-`flow.handle_turn(message)` يُشغّل جولة واحدة:
-
-1. يعيد ضبط تعقّب التنفيذ لكل جولة (`_completed_methods`, `_method_outputs`) ليُعاد تشغيل الرسم — بدون ذلك، استدعاءات `kickoff` المتكررة على نفس النسخة ستُحدث دائرة قصر من الجولة الثانية لأن `Flow.kickoff_async` يعتبر `inputs={"id": ...}` استعادة من نقطة تفتيش.
-2. يُلحق رسالة المستخدم بـ `state.messages` ويضبط `current_user_message` / `last_user_message`. يُحافَظ على `last_intent` **من الجولة السابقة** كي يستخدمها LLM التوجيه كإشارة.
-3. يُشغّل `conversation_start` → `route_conversation` → معالج `@listen` المختار.
-4. يخزّن الموجّه قراره في `state.last_intent` (يكون مرئياً لسياق التوجيه في الجولة التالية).
-5. إذا أعاد معالجك سلسلة نصية ولم يستدعِ `append_assistant_message`، فإن `handle_turn` يُلحقها نيابةً عنك.
-
-استدعِ `handle_turn()` لرسائل الدردشة. استدعاء `kickoff(inputs={"id": ...})` مباشرةً يشغل الرسم بدون غلاف الجولة المحادثية.
-
-### `chat()` للـ REPL المحلي
-
-`flow.chat()` هو غلاف الطرفية الجاهز فوق `handle_turn()`:
-
-```python
-flow = SupportFlow()
-flow.chat()
-```
-
-يتولى الحلقة المحلية الشائعة:
-
-1. يطلب رسالة من المستخدم.
-2. يتوقف عند `exit` / `quit` أو `EOFError` أو `KeyboardInterrupt`.
-3. يستدعي `handle_turn(message, session_id=...)`.
-4. يطبع نتيجة المساعد.
-5. ينهي traces الجلسة المؤجلة داخل كتلة `finally`.
-
-خصص سلوك الطرفية عبر I/O قابل للحقن:
-
-```python
-flow.chat(
-    session_id="demo-session",
-    prompt="You: ",
-    assistant_prefix="Assistant: ",
-    exit_commands=("exit", "quit", "bye"),
-)
-```
-
-لتطبيقات الويب والـ workers الخلفية والاختبارات ووسائط النقل المخصصة، استمر في استخدام `handle_turn()` مباشرةً.
-
-### سلوك موجّه مخصص
-
-لتشغيل آثار جانبية (إعداد ناقل أحداث، قياس عن بُعد) في كل قرار توجيه، تجاوز `route_turn`:
-
-```python
-class SupportFlow(Flow[ConversationState]):
-    conversational = True
-
-    def route_turn(self, context: dict[str, Any]) -> str | None:
-        self.event_bus = MyBus(self)
-        return super().route_turn(context)
-```
-
-لتجاوز موجّه LLM واختيار مسار برمجياً، أعد سلسلة نصية من `route_turn`؛ إعادة `None` تسقط إلى `_route_with_config(...)`.
-
-### `append_assistant_message` و`append_agent_result`
-
-داخل معالج `@listen(label)`، اختر:
-
- `self.append_assistant_message(text)` — يضيف جولة مساعد مرئية للمستخدم إلى `state.messages`. سيراها `converse_turn` في الجولة التالية.
- `self.append_agent_result(agent_name, result, visibility="private")` — يسجّل حدثاً منظماً في `state.events` وموضوعاً في `state.agent_threads[agent_name]`. الرؤية العامة تستدعي `append_assistant_message` أيضاً. استخدم النتائج الخاصة للعمل الجانبي الذي يجب ألا يلوث التاريخ القانوني.
-
-يمكن لـ `ConversationConfig.visible_agent_outputs` رفع النتائج الخاصة لـ agents محددين إلى عامة عالمياً (`"all"` أو قائمة بالأسماء).
-
-## التتبع عبر الجولات
-
-مع `defer_trace_finalization=True` (افتراضي في `ConversationalConfig`):
-
- **دفعة trace واحدة** لجلسة الدردشة.
- **`flow_started`** في الجولة الأولى فقط؛ **`flow_finished`** مرة في `finalize_session_traces()`.
- **`kickoff` لكل جولة** لا يطبع "Trace batch finalized".
- **العمل المتداخل** (`Agent.kickoff()`, crews, Exa) يُلحق بدفعة **الأب**؛ flow داخلي من `AgentExecutor` لا يغلق دفعة الجلسة مبكراً.
-
-```python
-flow.chat(session_id=session_id)
-```
-
-`flow.chat()` يستدعي `finalize_session_traces()` نيابةً عنك. عندما تملك الحلقة عبر `handle_turn()` أو `kickoff(...)`، استدعِ `finalize_session_traces()` عند انتهاء الجلسة.
-
-`suppress_flow_events=True` يخفي لوحات Rich فقط؛ أحداث trace والـ methods تُصدر.
-
-### دورة حياة trace لـ `Flow` المحادثاتي
-
-يستخدم [`Flow` المحادثاتي](#flow-المحادثاتي-تجريبي) التجريبي نفس دورة حياة tracing: `defer_trace_finalization` افتراضياً `True`، فيبقي كل `handle_turn()` أثر الجلسة مفتوحاً. أنهِ دوماً عند نهاية الجلسة — لُف حلقتك بـ `try/finally` واستدعِ `flow.finalize_session_traces()` عند الخروج. بدون ذلك، تبقى الدفعة مفتوحة وقد لا تُصدَّر آخر محادثة أبداً.
-
-## البث
-
-اضبط `stream = True` على صنف `Flow`. عندئذٍ يُصدر `kickoff(...)` أحداث `assistant_delta` (وما يرتبط بها) عبر ناقل الأحداث القياسي.
-
-## الاستيراد
-
-```python
-from crewai.flow import (
-    ChatState,
-    ConversationalConfig,
-    ConversationalInputs,
-    Flow,
-    listen,
-    persist,
-    router,
-    start,
-)
-```
-
-## مراجع
-
- [إتقان إدارة حالة Flow](/ar/guides/flows/mastering-flow-state)
- [أنشئ أول Flow](/ar/guides/flows/first-flow)
- Demo: `lib/crewai/runner_conversational_flow_simple.py` — REPL بسيط مع `RESEARCH` ووكيل Exa
--- a/docs/ar/guides/flows/first-flow.mdx
+++ b/docs/ar/guides/flows/first-flow.mdx
@@ -42,26 +42,21 @@ cd guide_creator_flow

 ## الخطوة 2: فهم هيكل المشروع

-يستخدم الـ crew المبدئي المضمّن في مشروع Flow بنية Python/YAML الكلاسيكية. لاستخدام crew بنمط JSON-first داخل Flow، أنشئ `crew.jsonc` و `agents/*.jsonc` داخل مجلد الـ crew وحمّله عبر `crewai.project.load_crew` كما في [Flows](/ar/concepts/flows#building-your-crews).
-
 ```
 guide_creator_flow/
 ├── .gitignore
 ├── pyproject.toml
 ├── README.md
 ├── .env
-└── src/
-    └── guide_creator_flow/
-        ├── __init__.py
-        ├── main.py
-        ├── crews/
-        │   └── poem_crew/
-        │       ├── config/
-        │       │   ├── agents.yaml
-        │       │   └── tasks.yaml
-        │       └── poem_crew.py
-        └── tools/
-            └── custom_tool.py
+├── main.py
+├── crews/
+│   └── poem_crew/
+│       ├── config/
+│       │   ├── agents.yaml
+│       │   └── tasks.yaml
+│       └── poem_crew.py
+└── tools/
+    └── custom_tool.py
 ```

 يوفر هذا الهيكل فصلاً واضحًا بين مكونات Flow المختلفة. سنعدّل هذا الهيكل لإنشاء Flow منشئ الدليل.
@@ -74,77 +69,139 @@ crewai flow add-crew content-crew

 ## الخطوة 4: تهيئة Crew كتابة المحتوى

-سنهيئ crew كتابة المحتوى باستخدام JSONC. سنعرّف Agent للكتابة وAgent للمراجعة، ثم نحمّل `crew.jsonc` من خطوة Flow.
+1. حدّث ملف تهيئة الـ Agents. تذكر تعيين `llm` للمزود الذي تستخدمه.

-1. أنشئ `src/guide_creator_flow/crews/content_crew/agents/content_writer.jsonc`:
+```yaml
+# src/guide_creator_flow/crews/content_crew/config/agents.yaml
+content_writer:
+  role: >
+    Educational Content Writer
+  goal: >
+    Create engaging, informative content that thoroughly explains the assigned topic
+    and provides valuable insights to the reader
+  backstory: >
+    You are a talented educational writer with expertise in creating clear, engaging
+    content. You have a gift for explaining complex concepts in accessible language
+    and organizing information in a way that helps readers build their understanding.
+  llm: provider/model-id

-```jsonc
-{
-  "role": "Educational Content Writer",
-  "goal": "Create engaging, informative content that thoroughly explains the assigned topic and provides valuable insights to the reader.",
-  "backstory": "You are a talented educational writer who explains complex concepts in accessible language and organizes information clearly.",
-  "llm": "provider/model-id",
-  "settings": {
-    "verbose": true
-  }
-}
+content_reviewer:
+  role: >
+    Educational Content Reviewer and Editor
+  goal: >
+    Ensure content is accurate, comprehensive, well-structured, and maintains
+    consistency with previously written sections
+  backstory: >
+    You are a meticulous editor with years of experience reviewing educational
+    content. You have an eye for detail, clarity, and coherence.
+  llm: provider/model-id
 ```

-2. أنشئ `src/guide_creator_flow/crews/content_crew/agents/content_reviewer.jsonc`:
+2. حدّث ملف تهيئة المهام:

-```jsonc
-{
-  "role": "Educational Content Reviewer and Editor",
-  "goal": "Ensure content is accurate, comprehensive, well-structured, and consistent with previously written sections.",
-  "backstory": "You are a meticulous editor with an eye for detail, clarity, and coherence.",
-  "llm": "provider/model-id",
-  "settings": {
-    "verbose": true
-  }
-}
+```yaml
+# src/guide_creator_flow/crews/content_crew/config/tasks.yaml
+write_section_task:
+  description: >
+    Write a comprehensive section on the topic: "{section_title}"
+
+    Section description: {section_description}
+    Target audience: {audience_level} level learners
+
+    Your content should:
+    1. Begin with a brief introduction to the section topic
+    2. Explain all key concepts clearly with examples
+    3. Include practical applications or exercises where appropriate
+    4. End with a summary of key points
+    5. Be approximately 500-800 words in length
+
+    Format your content in Markdown with appropriate headings, lists, and emphasis.
+
+    Previously written sections:
+    {previous_sections}
+  expected_output: >
+    A well-structured, comprehensive section in Markdown format that thoroughly
+    explains the topic and is appropriate for the target audience.
+  agent: content_writer
+
+review_section_task:
+  description: >
+    Review and improve the following section on "{section_title}":
+
+    {draft_content}
+
+    Target audience: {audience_level} level learners
+
+    Previously written sections:
+    {previous_sections}
+
+    Your review should:
+    1. Fix any grammatical or spelling errors
+    2. Improve clarity and readability
+    3. Ensure content is comprehensive and accurate
+    4. Verify consistency with previously written sections
+    5. Enhance the structure and flow
+    6. Add any missing key information
+  expected_output: >
+    An improved, polished version of the section that maintains the original
+    structure but enhances clarity, accuracy, and consistency.
+  agent: content_reviewer
+  context:
+    - write_section_task
 ```

-استبدل `provider/model-id` بالنموذج الذي تستخدمه، مثل `openai/gpt-4o` أو `gemini/gemini-2.0-flash-001` أو `anthropic/claude-sonnet-4-6`.
-
-3. أنشئ `src/guide_creator_flow/crews/content_crew/crew.jsonc`:
-
-```jsonc
-{
-  "name": "Content Crew",
-  "agents": ["content_writer", "content_reviewer"],
-  "tasks": [
-    {
-      "name": "write_section_task",
-      "description": "Write a comprehensive section on the topic: \"{section_title}\".\n\nSection description: {section_description}\nTarget audience: {audience_level} level learners\n\nYour content should begin with a brief introduction, explain key concepts clearly with examples, include practical applications where appropriate, end with a summary, and be approximately 500-800 words.\n\nPreviously written sections:\n{previous_sections}",
-      "expected_output": "A well-structured, comprehensive section in Markdown format that thoroughly explains the topic and is appropriate for the target audience.",
-      "agent": "content_writer",
-      "markdown": true
-    },
-    {
-      "name": "review_section_task",
-      "description": "Review and improve this section on \"{section_title}\":\n\n{draft_content}\n\nTarget audience: {audience_level} level learners\nPreviously written sections:\n{previous_sections}\n\nFix errors, improve clarity, verify consistency, enhance structure, and add missing key information.",
-      "expected_output": "An improved, polished version of the section that maintains the original structure but enhances clarity, accuracy, and consistency.",
-      "agent": "content_reviewer",
-      "context": ["write_section_task"],
-      "markdown": true
-    }
-  ],
-  "process": "sequential",
-  "verbose": true
-}
-```
-
-4. استبدل `src/guide_creator_flow/crews/content_crew/content_crew.py` بمحمل صغير:
+3. حدّث ملف تنفيذ Crew:

 ```python
-from pathlib import Path
+# src/guide_creator_flow/crews/content_crew/content_crew.py
+from crewai import Agent, Crew, Process, Task
+from crewai.project import CrewBase, agent, crew, task
+from crewai.agents.agent_builder.base_agent import BaseAgent
+from typing import List

-from crewai.project import load_crew
+@CrewBase
+class ContentCrew():
+    """Content writing crew"""

+    agents: List[BaseAgent]
+    tasks: List[Task]

-def kickoff_content_crew(inputs: dict):
-    crew, default_inputs = load_crew(Path(__file__).with_name("crew.jsonc"))
-    return crew.kickoff(inputs={**default_inputs, **inputs})
+    @agent
+    def content_writer(self) -> Agent:
+        return Agent(
+            config=self.agents_config['content_writer'], # type: ignore[index]
+            verbose=True
+        )
+
+    @agent
+    def content_reviewer(self) -> Agent:
+        return Agent(
+            config=self.agents_config['content_reviewer'], # type: ignore[index]
+            verbose=True
+        )
+
+    @task
+    def write_section_task(self) -> Task:
+        return Task(
+            config=self.tasks_config['write_section_task'] # type: ignore[index]
+        )
+
+    @task
+    def review_section_task(self) -> Task:
+        return Task(
+            config=self.tasks_config['review_section_task'], # type: ignore[index]
+            context=[self.write_section_task()]
+        )
+
+    @crew
+    def crew(self) -> Crew:
+        """Creates the content writing crew"""
+        return Crew(
+            agents=self.agents,
+            tasks=self.tasks,
+            process=Process.sequential,
+            verbose=True,
+        )
 ```

 ## الخطوة 5: إنشاء Flow
@@ -215,7 +272,6 @@ crewai flow plot
 3. استكشف دوال `and_` و`or_` لتنفيذ متوازٍ أكثر تعقيدًا
 4. اربط Flow بواجهات API خارجية وقواعد بيانات وواجهات مستخدم
 5. ادمج عدة Crews متخصصة في Flow واحد
-6. أنشئ تطبيقات دردشة متعددة الجولات مع [تدفقات المحادثة](/ar/guides/flows/conversational-flows) (`kickoff` لكل رسالة، `ChatSession`، تأجيل التتبع)

 <Check>
 تهانينا! لقد بنيت بنجاح أول CrewAI Flow يجمع بين الكود العادي واستدعاءات LLM المباشرة ومعالجة Crew لإنشاء دليل شامل. هذه المهارات الأساسية تمكّنك من إنشاء تطبيقات AI متطورة بشكل متزايد.
--- a/docs/ar/guides/flows/inputs-id-deprecation.mdx
+++ b/docs/ar/guides/flows/inputs-id-deprecation.mdx
@@ -1,102 +0,0 @@
---
-title: "الانتقال من inputs.id إلى restore_from_state_id"
-description: "نقل تدفقات @persist من ترطيب inputs.id المهجور إلى حقل restore_from_state_id المدعوم"
-icon: "arrow-right-arrow-left"
---
-
-<Warning>
-  تمرير `id` داخل `inputs` لترطيب تدفق `@persist` هو **مهجور** ومقرر إزالته في إصدار مستقبلي. البديل، `restore_from_state_id`، متاح في CrewAI **v1.14.5 وما بعده** — الخطوات أدناه تنطبق بمجرد أن تقوم بالتحديث.
-</Warning>
-
-## نظرة عامة
-
-الطريقة الموثقة لترطيب تدفق `@persist` من تنفيذ سابق هي تمرير UUID لذلك التنفيذ كـ `inputs.id`. الآن، تكشف CrewAI عن حقل مخصص، `restore_from_state_id`، الذي يقوم بنفس الترطيب دون تحميل حمولة `inputs` — ودون ربط مفتاح الترطيب بهوية التنفيذ الجديد.
-
-## الانتقال
-
-إذا كنت حالياً تبدأ تدفق `@persist` باستخدام `inputs={"id": ...}`:
-
-```python
-# مهجور
-flow = CounterFlow()
-flow.kickoff(inputs={"id": "abcd1234-5678-90ef-ghij-klmnopqrstuv"})
-```
-
-انتقل إلى `restore_from_state_id`:
-
-```python
-# مدعوم
-flow = CounterFlow()
-flow.kickoff(restore_from_state_id="abcd1234-5678-90ef-ghij-klmnopqrstuv")
-```
-
-تتمتع الوضعيتان بمعاني سلالة مختلفة:
-
- `inputs={"id": <uuid>}` (مهجور) — **استئناف**: تكتب الكتابات تحت المعرف المقدم، مما يمدد نفس تاريخ `flow_uuid`.
- `restore_from_state_id=<uuid>` — **تفرع**: يترطب الحالة من اللقطة، ثم يكتب تحت `state.id` جديدة. يتم الحفاظ على تاريخ التدفق المصدر.
-
-لأغلب سيناريوهات الإنتاج — إعادة تشغيل تدفق تم تهيئته من حالة سابقة — فإن التفرع هو ما تريده. راجع [إتقان حالة التدفق](/ar/guides/flows/mastering-flow-state) للحصول على النموذج الذهني الكامل.
-
-إذا كنت تبدأ تدفقك عبر واجهة برمجة تطبيقات CrewAI AMP REST، راجع [AMP](#amp) أدناه لهجرة الحمولة المعادلة.
-
-## لماذا نقوم بإهمال `inputs.id` لـ `@persist`
-
-`inputs.id` هو حالياً الطريقة الموثقة لاستئناف تدفق `@persist` من تنفيذ سابق. المشكلة هي أن نفس UUID يقوم بوظيفتين في وقت واحد:
-
-1. **يحدد أي لقطة يترطب منها `@persist`** — تحميل الحالة المحفوظة تحت ذلك UUID.
-2. **يصبح معرف تنفيذ التدفق الجديد** (`state.id` في SDK؛ يظهر كـ `flow_id` في بعض السياقات) — كل كتابة `@persist` من هذه البداية أيضاً تقع تحت نفس UUID.
-
-هذه الوظيفة المزدوجة هي السبب الجذري للمشاكل التي يصفها هذا الدليل. لأن UUID المقدم هو أيضاً معرف التنفيذ الجديد، فإن بدايتين تمرران نفس `inputs.id` ليست تنفيذين متميزين — إنهما تشتركان في معرف، وتشاركان في سجل الاستمرارية، و(على AMP) تشتركان في صف في قائمة التنفيذات. لا توجد طريقة للقول "ترطب من هذه اللقطة، ولكن سجل هذا التشغيل بشكل منفصل" دون تقسيم المسؤوليتين.
-
-`restore_from_state_id` هو هذا الانقسام. إنه يخبر `@persist` من أي لقطة يترطب، بينما يترك التنفيذ الجديد حراً لاستلام `state.id` جديدة. لم يعد مصدر الترطيب والتشغيل المسجل نفس UUID — وهو ما تريده معظم سيناريوهات الإنتاج فعلياً.
-
-## جدول إزالة
-
-من المقرر إزالة `inputs.id` لترطيب `@persist` في إصدار مستقبلي من CrewAI. لا يوجد قطع صارم فوري — تظل التدفقات الحالية تعمل — ولكن بمجرد أن تقوم بالتحديث إلى v1.14.5 أو ما بعده، يجب أن يستخدم الكود الجديد `restore_from_state_id`، ويجب أن تهاجر التدفقات الحالية في الفرصة المناسبة التالية.
-
-## AMP
-
-إذا كنت تنشر تدفقك إلى CrewAI AMP، فإن الهجرة تمتد إلى الحمولة التي تبدأ بها المرسلة إلى طاقمك المنشور، وتظهر الأعراض المرئية لإعادة استخدام `inputs.id` على لوحة معلومات النشر. تغطي القسمان الفرعيان أدناه كلاهما.
-
-### هجرة حمولة البداية
-
-إذا كنت حالياً تبدأ تدفقاً منشوراً عن طريق تضمين `id` في `inputs`:
-
-```bash
-# مهجور
-curl -X POST \
-  -H "Content-Type: application/json" \
-  -H "Authorization: Bearer YOUR_CREW_TOKEN" \
-  -d '{"inputs": {"id": "abcd1234-5678-90ef-ghij-klmnopqrstuv", "topic": "AI Agent Frameworks"}}' \
-  https://your-crew-url.crewai.com/kickoff
-```
-
-نقل UUID إلى حقل `restoreFromStateId` في المستوى الأعلى:
-
-```bash
-# مدعوم
-curl -X POST \
-  -H "Content-Type: application/json" \
-  -H "Authorization: Bearer YOUR_CREW_TOKEN" \
-  -d '{
-        "inputs": {"topic": "AI Agent Frameworks"},
-        "restoreFromStateId": "abcd1234-5678-90ef-ghij-klmnopqrstuv"
-      }' \
-  https://your-crew-url.crewai.com/kickoff
-```
-
-يجلس `restoreFromStateId` بجانب `inputs` في حمولة البداية، وليس داخلها. الآن، يحمل كائن `inputs` فقط القيم التي تستهلكها تدفقك فعلياً.
-
-### ماذا يحدث عند إعادة استخدام `inputs.id`
-
-عندما تتلقى AMP بداية لتدفق يتطابق `inputs.id` الخاص به مع تنفيذ موجود، فإنه يحل إلى السجل الموجود بدلاً من إنشاء سجل جديد. من لوحة معلومات النشر سترى:
-
- **حالة التنفيذ** — حالة التشغيل الجديد تحل محل حالة التشغيل السابق. يمكن أن تعود تنفيذات مكتملة إلى `جارية`، أو يمكن أن تتحول تشغيلات `مكتملة` إلى `خطأ` إذا فشلت البداية الجديدة — في كلتا الحالتين، لم تعد لوحة المعلومات تعكس التشغيل الأصلي.
- **التتبع** — تتراكم تتبعات OTel عبر البدايات لأنها تشترك في نفس معرف التنفيذ؛ تتبعات التشغيل السابق إما تُستبدل بـ، أو تُخلط مع، تشغيل الجديد. لم يعد إعادة التشغيل خطوة بخطوة يتوافق مع تنفيذ واحد.
- **قائمة التنفيذات** — البدايات التي يجب أن تظهر كصفوف منفصلة تتقلص إلى إدخال واحد، مما يخفي التاريخ.
-
-تساعد الهجرة إلى `restoreFromStateId` في الحفاظ على كل بداية كتنفيذ خاص بها — مع حالتها الخاصة، وتتبعها، وصفها في القائمة — بينما لا تزال ترطب الحالة من تشغيل سابق.
-
-<Card title="هل تحتاج مساعدة؟" icon="headset" href="mailto:support@crewai.com">
-  اتصل بفريق الدعم لدينا إذا لم تكن متأكداً من أي وضع يحتاجه تدفقك أو واجهت مشاكل أثناء الهجرة.
-</Card>
--- a/docs/ar/guides/flows/mastering-flow-state.mdx
+++ b/docs/ar/guides/flows/mastering-flow-state.mdx
@@ -20,8 +20,6 @@ mode: "wide"
 5. **توسيع تطبيقاتك** - دعم سير العمل المعقدة بتنظيم بيانات مناسب
 6. **تمكين التطبيقات الحوارية** - تخزين والوصول إلى سجل المحادثات للتفاعلات الواعية بالسياق

-للدردشة متعددة الجولات (`kickoff` لكل سطر مستخدم، `ChatState`، توجيه النية، تأجيل التتبع، و`ChatSession`)، راجع [تدفقات المحادثة](/ar/guides/flows/conversational-flows).
-
 ## أساسيات إدارة الحالة

 ### نهجان لإدارة الحالة
@@ -118,48 +116,6 @@ class PersistentCounterFlow(Flow[CounterState]):
        return self.state.value
 ```

-#### تفرع الحالة المستمرة
-
-يدعم `@persist` نمطين متميزين للترطيب في `kickoff` / `kickoff_async`. استخدم **استئناف** (`inputs["id"]`) لمواصلة نفس النسب؛ استخدم **تفرع** (`restore_from_state_id`) لبدء نسبٍ جديد من لقطة:
-
-| | `state.id` بعد kickoff | كتابات `@persist` تذهب إلى |
-|---|---|---|
-| `inputs["id"]` (استئناف) | المعرّف المقدم | المعرّف المقدم (يمد التاريخ) |
-| `restore_from_state_id` (تفرع) | معرّف جديد، أو `inputs["id"]` إذا ثُبّت | المعرّف الجديد (المصدر محفوظ) |
-
-```python
-from crewai.flow.flow import Flow, start
-from crewai.flow.persistence import persist
-from pydantic import BaseModel
-
-class CounterState(BaseModel):
-    id: str = ""
-    counter: int = 0
-
-@persist
-class CounterFlow(Flow[CounterState]):
-    @start()
-    def step(self):
-        self.state.counter += 1
-
-# التشغيل 1: حالة جديدة، العداد 0 -> 1
-flow_1 = CounterFlow()
-flow_1.kickoff()
-
-# التفرع: الترطيب من أحدث لقطة لـ flow_1، لكن الكتابة تحت state.id جديد
-flow_2 = CounterFlow()
-flow_2.kickoff(restore_from_state_id=flow_1.state.id)
-# يبدأ flow_2 بـ counter=1 (مرطّب)، ثم تزيده step() إلى 2.
-# تاريخ flow_uuid لـ flow_1 لم يتغيّر.
-```
-
-ملاحظات السلوك:
-
- `restore_from_state_id` غير موجود في الاستمرارية → يعود kickoff بصمت إلى السلوك الافتراضي (يعكس سلوك `inputs["id"]` عند عدم العثور عليه). لا يُطلق أي استثناء.
- الجمع بين `restore_from_state_id` و `from_checkpoint` يطلق `ValueError` — يستهدفان نظامي حالة مختلفين (`@persist` مقابل Checkpointing) ولا يمكن الجمع بينهما.
- `restore_from_state_id=None` (افتراضي) متطابق بايت ببايت مع kickoff بدون المعامل.
- تثبيت `inputs["id"]` أثناء التفرع يعني أن التشغيل الجديد يشارك مفتاح الاستمرارية مع تدفق آخر — عادةً ما تريد فقط `restore_from_state_id`.
-
 ## أنماط حالة متقدمة

 ### المنطق الشرطي المبني على الحالة
--- a/docs/ar/guides/migration/upgrading-crewai.mdx
+++ b/docs/ar/guides/migration/upgrading-crewai.mdx
@@ -1,190 +0,0 @@
---
-title: "ترقية CrewAI"
-description: "كيفية ترقية CrewAI في مشروعك والتكيّف مع التغييرات الجذرية بين الإصدارات."
-icon: "arrow-up-circle"
---
-
-## نظرة عامة
-
-تجلب إصدارات CrewAI قدرات جديدة بانتظام. يرشدك هذا الدليل خلال الخطوات العملية للحفاظ على تثبيتك محدّثًا — سواء أداة سطر الأوامر أو البيئة الافتراضية لمشروعك.
-
-إذا كنت تبدأ من الصفر، راجع [التثبيت](/ar/installation). إذا كنت قادمًا من إطار عمل آخر، راجع [الترحيل من LangGraph](/ar/guides/migration/migrating-from-langgraph).
-
---
-
-## الشيئان اللذان قد ترغب في ترقيتهما
-
-يوجد CrewAI في مكانين على جهازك، ويتم ترقيتهما بشكل مستقل:
-
-| ماذا | كيف يُثبَّت | كيف تتم الترقية |
-|---|---|---|
-| **أداة سطر الأوامر العامة `crewai`** | `uv tool install crewai` | `uv tool install crewai --upgrade` |
-| **بيئة venv للمشروع** (حيث يعمل الكود) | `crewai install` / `uv sync` | `uv add "crewai[...]>=X.Y.Z"` ثم `crewai install` |
-
-يمكن لهما — وغالبًا ما يحدث — أن يخرجا عن التزامن. تشغيل `crewai --version` يُظهر إصدار سطر الأوامر. تشغيل `uv pip show crewai` داخل مشروعك يُظهر إصدار venv. إذا اختلفا، فهذا طبيعي؛ ما يهم بالنسبة للكود قيد التشغيل هو إصدار venv.
-
-## لماذا لا يقوم `crewai install` وحده بالترقية
-
-`crewai install` هو غلاف رفيع حول `uv sync`. يُثبّت بالضبط ما يقوله ملف `uv.lock` الحالي — وهو **لا** يرفع أي قيود إصدار.
-
-إذا كان `pyproject.toml` يقول `crewai>=1.11.1` وقد قام ملف القفل بحلّه إلى `1.11.1`، فإن تشغيل `crewai install` سيُبقيك على `1.11.1` للأبد، حتى وإن كان الإصدار `1.14.4` متاحًا.
-
-للترقية فعلًا، عليك:
-
-1. تحديث قيد الإصدار في `pyproject.toml`
-2. إعادة حلّ ملف القفل
-3. مزامنة venv
-
-`uv add` يقوم بالثلاثة في خطوة واحدة.
-
-## كيفية ترقية مشروعك
-
-```bash
-# يرفع القيد ويعيد القفل في أمر واحد
-uv add "crewai[tools]>=1.14.4"
-
-# يزامن venv (crewai install يستدعي uv sync تحت الغطاء)
-crewai install
-
-# تحقّق
-uv pip show crewai
-# → Version: 1.14.4
-```
-
-استبدل `[tools]` بأي إضافات يستخدمها مشروعك (مثلًا `[tools,anthropic]`). تحقّق من قائمة `dependencies` في `pyproject.toml` إن لم تكن متأكدًا.
-
-<Note>
-  يحدّث `uv add` كلا من `pyproject.toml` **و** `uv.lock` بشكل ذرّي. إذا قمت بتحرير `pyproject.toml` يدويًا، فإنك لا تزال بحاجة إلى تشغيل `uv lock --upgrade-package crewai` لإعادة حلّ ملف القفل قبل أن يلتقط `crewai install` الإصدار الجديد.
-</Note>
-
-## ترقية أداة سطر الأوامر العامة
-
-أداة سطر الأوامر العامة منفصلة عن مشروعك. قم بترقيتها عبر:
-
-```bash
-uv tool install crewai --upgrade
-```
-
-إذا حذّرك الـ shell بشأن `PATH` بعد الترقية، قم بتحديثه:
-
-```bash
-uv tool update-shell
-```
-
-هذا **لا** يمسّ بيئة venv الخاصة بمشروعك — لا تزال بحاجة إلى `uv add` + `crewai install` داخل المشروع.
-
-## التحقق من تزامن الاثنين
-
-```bash
-# إصدار سطر الأوامر العام
-crewai --version
-
-# إصدار venv للمشروع
-uv pip show crewai | grep Version
-```
-
-ليس من الضروري أن يتطابقا — لكن إصدار venv للمشروع هو ما يهم لسلوك التشغيل.
-
-<Note>
-  يتطلب CrewAI `Python >=3.10, <3.14`. إذا كان `uv` مثبَّتًا مقابل مفسّر أقدم، فأعد إنشاء venv للمشروع باستخدام إصدار Python مدعوم قبل تشغيل `crewai install`.
-</Note>
-
---
-
-## التغييرات الجذرية وملاحظات الترحيل
-
-تتطلب معظم الترقيات تعديلات صغيرة فقط. المناطق أدناه هي تلك التي تنكسر بصمت أو بتتبعات مكدّس مربكة.
-
-### مسارات الاستيراد: tools و`BaseTool`
-
-الموقع الرسمي لاستيراد الـ tools هو `crewai.tools`. لا تزال المسارات القديمة تظهر في الدروس لكن يجب تحديثها.
-
-```python
-# قبل
-from crewai_tools import BaseTool
-from crewai.agents.tools import tool
-
-# بعد
-from crewai.tools import BaseTool, tool
-```
-
-كلٌ من المُزخرف `@tool` والفئة الفرعية `BaseTool` يقعان في `crewai.tools`. `AgentFinish` والرموز الأخرى الداخلية للوكيل لم تعد جزءًا من السطح العام — إذا كنت تستوردها، فانتقل إلى event listeners أو callbacks الـ `Task` بدلًا منها.
-
-### تغييرات معاملات `Agent`
-
-```python
-from crewai import Agent
-
-agent = Agent(
-    role="Researcher",
-    goal="Find authoritative sources on {topic}",
-    backstory="You are a careful, source-driven researcher.",
-    llm="gpt-4o-mini",   # اسم نموذج كسلسلة نصية أو كائن LLM
-    verbose=True,        # bool وليس مستوى عددي صحيح
-    max_iter=15,         # تغيّر الافتراضي بين الإصدارات — حدّده بشكل صريح
-    allow_delegation=False,
-)
-```
-
- يقبل `llm` إما اسم نموذج كسلسلة نصية (يُحلَّ عبر المزوّد المهيّأ) أو كائن `LLM` للتحكم الدقيق.
- `verbose` هو `bool` بسيط. تمرير عدد صحيح لم يعد يبدّل مستويات السجل.
- تغيّرت افتراضات `max_iter` بين الإصدارات. إذا توقف وكيلك بصمت عن التكرار بعد أول استدعاء tool، فحدّد `max_iter` صراحةً.
-
-### معاملات `Crew`
-
-```python
-from crewai import Crew, Process
-
-crew = Crew(
-    agents=[...],
-    tasks=[...],
-    process=Process.sequential,   # أو Process.hierarchical
-    memory=True,
-    cache=True,
-    embedder={"provider": "openai", "config": {"model": "text-embedding-3-small"}},
-)
-```
-
- يتطلب `process=Process.hierarchical` إما `manager_llm=` أو `manager_agent=`. بدون أحدهما، يرفع kickoff خطأً عند التحقّق.
- `memory=True` مع مزوّد embedding غير افتراضي يحتاج إلى قاموس `embedder` — راجع [إعداد الذاكرة وembedder](#memory-embedder-config) أدناه.
-
-### الإخراج المُهيكل لـ `Task`
-
-استخدم `output_pydantic` أو `output_json` أو `output_file` لإلزام نتيجة المهمة بشكل مكتوب الأنواع:
-
-```python
-from pydantic import BaseModel
-from crewai import Task
-
-class Article(BaseModel):
-    title: str
-    body: str
-
-write = Task(
-    description="Write an article about {topic}",
-    expected_output="A short article with a title and body",
-    agent=writer,
-    output_pydantic=Article,        # الفئة، وليس مثيلًا منها
-    output_file="output/article.md",
-)
-```
-
-`output_pydantic` يأخذ **الفئة** نفسها. تمرير `Article(title="", body="")` خطأ شائع ويفشل بخطأ تحقّق مربك.
-
-### إعداد الذاكرة وembedder {#memory-embedder-config}
-
-إذا كان `memory=True` وأنت لا تستخدم embeddings الافتراضية الخاصة بـ OpenAI، فيجب أن تمرّر `embedder`:
-
-```python
-crew = Crew(
-    agents=[...],
-    tasks=[...],
-    memory=True,
-    embedder={
-        "provider": "ollama",
-        "config": {"model": "nomic-embed-text"},
-    },
-)
-```
-
-ضع بيانات اعتماد المزوّد المعنيّة (`OPENAI_API_KEY`, `OLLAMA_HOST`, إلخ) في ملف `.env`. مسارات تخزين الذاكرة محلية بالنسبة للمشروع افتراضيًا — احذف مجلد ذاكرة المشروع إذا غيّرت embedders، لأن الأبعاد لا تختلط.
--- a/docs/ar/installation.mdx
+++ b/docs/ar/installation.mdx
@@ -113,7 +113,7 @@ python3 --version

 # إنشاء مشروع CrewAI

-يقوم `crewai create crew` الآن بإنشاء مشروع crew بأسلوب JSON-first. توضع الـ Agents في `agents/*.jsonc`، وتوضع المهام وإعدادات الـ crew في `crew.jsonc`، ويحمّل `crewai run` هذا التعريف مباشرة.
+نوصي باستخدام قالب `YAML` لنهج منظم في تعريف الـ Agents والمهام. إليك كيفية البدء:

 <Steps>
  <Step title="إنشاء هيكل المشروع">
@@ -126,20 +126,21 @@ python3 --version
      ```
      my_project/
      ├── .gitignore
-      ├── .env
-      ├── agents/
-      │   └── researcher.jsonc
-      ├── crew.jsonc
      ├── knowledge/
      ├── pyproject.toml
      ├── README.md
-      ├── skills/
-      └── tools/
-      ```
-
-    - إذا احتجت إلى البنية القديمة Python/YAML التي تحتوي على `crew.py` و `config/agents.yaml` و `config/tasks.yaml`، شغّل:
-      ```shell
-      crewai create crew <your_project_name> --classic
+      ├── .env
+      └── src/
+          └── my_project/
+              ├── __init__.py
+              ├── main.py
+              ├── crew.py
+              ├── tools/
+              │   ├── custom_tool.py
+              │   └── __init__.py
+              └── config/
+                  ├── agents.yaml
+                  └── tasks.yaml
      ```

  </Step>
@@ -148,15 +149,15 @@ python3 --version
    - سيحتوي مشروعك على هذه الملفات الأساسية:
      | الملف | الغرض |
      | --- | --- |
-      | `crew.jsonc` | إعداد الـ crew وترتيب المهام والعملية وقيم الإدخال الافتراضية |
-      | `agents/*.jsonc` | تعريف دور كل Agent وهدفه و backstory والـ LLM والأدوات والسلوك |
+      | `agents.yaml` | تعريف الـ Agents وأدوارهم |
+      | `tasks.yaml` | إعداد مهام الـ Agents وسير العمل |
      | `.env` | تخزين مفاتيح API ومتغيرات البيئة |
-      | `tools/` | ملفات Python اختيارية لأدوات `custom:<name>` |
-      | `knowledge/` | ملفات معرفة اختيارية للـ Agents |
-      | `skills/` | ملفات skills اختيارية تطبق على الـ crew |
+      | `main.py` | نقطة دخول المشروع وتدفق التنفيذ |
+      | `crew.py` | تنسيق وإدارة الـ Crew |
+      | `tools/` | مجلد الأدوات المخصصة |
+      | `knowledge/` | مجلد قاعدة المعرفة |

-    - ابدأ بتحرير `crew.jsonc` والملفات داخل `agents/` لتعريف سلوك الـ crew.
-    - استخدم قيم `{placeholder}` في نصوص الـ Agents والمهام، ثم ضع القيم الافتراضية في `inputs` داخل `crew.jsonc`. عند تشغيل `crewai run` ستطلب CLI أي قيم ناقصة.
+    - ابدأ بتحرير `agents.yaml` و`tasks.yaml` لتعريف سلوك الـ Crew.
    - احتفظ بالمعلومات الحساسة مثل مفاتيح API في `.env`.

  </Step>
@@ -195,7 +196,7 @@ python3 --version
 - يدعم أي مزود سحابي بما في ذلك النشر المحلي
 - تكامل مع أنظمة الأمان الحالية

-<Card title="استكشف خيارات المؤسسات" icon="building" href="https://share.hsforms.com/1Ooo2UViKQ22UOzdr7i77iwr87kg">
+<Card title="استكشف خيارات المؤسسات" icon="building" href="https://crewai.com/enterprise">
  تعرّف على عروض CrewAI للمؤسسات وجدول عرضًا توضيحيًا
 </Card>
 </Note>
@@ -203,8 +204,8 @@ python3 --version
 ## الخطوات التالية

 <CardGroup cols={2}>
-  <Card title="بدء سريع: Flow + وكيل" icon="code" href="/ar/quickstart">
-    اتبع البداية السريعة لإنشاء Flow وتشغيل طاقم بوكيل واحد وإنتاج تقرير.
+  <Card title="ابنِ أول Agent لك" icon="code" href="/ar/quickstart">
+    اتبع دليل البداية السريعة لإنشاء أول Agent في CrewAI والحصول على تجربة عملية.
  </Card>
  <Card
    title="انضم إلى المجتمع"
--- a/docs/ar/introduction.mdx
+++ b/docs/ar/introduction.mdx
@@ -138,9 +138,9 @@ mode: "wide"
  <Card
    title="البداية السريعة"
    icon="bolt"
-    href="/ar/quickstart"
+    href="en/quickstart"
  >
-    أنشئ Flow وشغّل طاقمًا بوكيل واحد وأنشئ تقريرًا من البداية للنهاية.
+    اتبع دليل البداية السريعة لإنشاء أول Agent في CrewAI والحصول على تجربة عملية.
  </Card>
  <Card
    title="انضم إلى المجتمع"
--- a/docs/ar/learn/llm-selection-guide.mdx
+++ b/docs/ar/learn/llm-selection-guide.mdx
@@ -802,6 +802,7 @@ The tables below show a representative sample of current top-performing models a
    Begin with well-established models like **GPT-4.1**, **Claude 3.7 Sonnet**, or **Gemini 2.0 Flash** that offer good performance across multiple dimensions and have extensive real-world validation.
  </Step>

+{" "}
 <Step title="Identify Specialized Needs">
  Determine if your crew has specific requirements (coding, reasoning, speed)
  that would benefit from specialized models like **Claude 4 Sonnet** for
@@ -809,6 +810,7 @@ The tables below show a representative sample of current top-performing models a
  consider fast inference providers like **Groq** alongside model selection.
 </Step>

+{" "}
 <Step title="Implement Multi-Model Strategy">
  Use different models for different agents based on their roles.
  High-capability models for managers and complex tasks, efficient models for
--- a/docs/ar/learn/streaming-crew-execution.mdx
+++ b/docs/ar/learn/streaming-crew-execution.mdx
@@ -325,34 +325,6 @@ asyncio.run(interactive_research())
 - **تجربة المستخدم**: تقليل زمن الاستجابة المتصور بعرض نتائج تدريجية
 - **لوحات المعلومات الحية**: بناء واجهات مراقبة تعرض حالة تنفيذ الطاقم

-## الإلغاء وتنظيف الموارد
-
-يدعم `CrewStreamingOutput` الإلغاء السلس بحيث يتوقف العمل الجاري فوراً عند انقطاع اتصال المستهلك.
-
-### مدير السياق غير المتزامن
-
-```python Code
-streaming = await crew.akickoff(inputs={"topic": "AI"})
-
-async with streaming:
-    async for chunk in streaming:
-        print(chunk.content, end="", flush=True)
-```
-
-### الإلغاء الصريح
-
-```python Code
-streaming = await crew.akickoff(inputs={"topic": "AI"})
-try:
-    async for chunk in streaming:
-        print(chunk.content, end="", flush=True)
-finally:
-    await streaming.aclose()  # غير متزامن
-    # streaming.close()       # المكافئ المتزامن
-```
-
-بعد الإلغاء، يكون كل من `streaming.is_cancelled` و `streaming.is_completed` بقيمة `True`. كل من `aclose()` و `close()` متساويان القوة.
-
 ## ملاحظات مهمة

 - يفعّل البث تلقائياً بث LLM لجميع الوكلاء في الطاقم
--- a/docs/ar/learn/streaming-flow-execution.mdx
+++ b/docs/ar/learn/streaming-flow-execution.mdx
@@ -420,34 +420,6 @@ except Exception as e:
        print("Streaming completed but flow encountered an error")
 ```

-## الإلغاء وتنظيف الموارد
-
-يدعم `FlowStreamingOutput` الإلغاء السلس بحيث يتوقف العمل الجاري فوراً عند انقطاع اتصال المستهلك.
-
-### مدير السياق غير المتزامن
-
-```python Code
-streaming = await flow.kickoff_async()
-
-async with streaming:
-    async for chunk in streaming:
-        print(chunk.content, end="", flush=True)
-```
-
-### الإلغاء الصريح
-
-```python Code
-streaming = await flow.kickoff_async()
-try:
-    async for chunk in streaming:
-        print(chunk.content, end="", flush=True)
-finally:
-    await streaming.aclose()  # غير متزامن
-    # streaming.close()       # المكافئ المتزامن
-```
-
-بعد الإلغاء، يكون كل من `streaming.is_cancelled` و `streaming.is_completed` بقيمة `True`. كل من `aclose()` و `close()` متساويان القوة.
-
 ## ملاحظات مهمة

 - يفعّل البث تلقائياً بث LLM لأي أطقم مستخدمة داخل التدفق
--- a/docs/ar/learn/using-annotations.mdx
+++ b/docs/ar/learn/using-annotations.mdx
@@ -5,15 +5,11 @@ icon: "at"
 mode: "wide"
 ---

-يشرح هذا الدليل كيفية استخدام التعليقات التوضيحية للإشارة بشكل صحيح إلى **الوكلاء** و**المهام** والمكونات الأخرى في ملف `crew.py` كلاسيكي.
-
-<Note>
-المشاريع الجديدة التي تُنشأ عبر `crewai create crew <name>` هي JSON-first وتستخدم `crew.jsonc` مع `agents/*.jsonc`. استخدم هذا الدليل عند العمل في مشروع كلاسيكي أُنشئ عبر `crewai create crew <name> --classic`، أو عند ترحيل مشروع Python/YAML موجود، أو عندما تحتاج تحكمًا عبر decorators في Python.
-</Note>
+يشرح هذا الدليل كيفية استخدام التعليقات التوضيحية للإشارة بشكل صحيح إلى **الوكلاء** و**المهام** والمكونات الأخرى في ملف `crew.py`.

 ## مقدمة

-تُستخدم التعليقات التوضيحية في إطار عمل CrewAI لتزيين الفئات والطرق، مما يوفر بيانات وصفية ووظائف للمكونات المختلفة في طاقمك. في مشاريع Python/YAML الكلاسيكية، تنظم الكود الذي يحمّل `config/agents.yaml` و `config/tasks.yaml` ويعيد كائن `Crew`.
+تُستخدم التعليقات التوضيحية في إطار عمل CrewAI لتزيين الفئات والطرق، مما يوفر بيانات وصفية ووظائف للمكونات المختلفة في طاقمك. تساعد هذه التعليقات التوضيحية في تنظيم وهيكلة الكود الخاص بك، مما يجعله أكثر قابلية للقراءة والصيانة.

 ## التعليقات التوضيحية المتاحة

@@ -117,9 +113,9 @@ def crew(self) -> Crew:

 تُستخدم التعليقة التوضيحية `@crew` لتزيين الطريقة التي تنشئ وتُرجع كائن `Crew`. تجمع هذه الطريقة جميع المكونات (الوكلاء والمهام) في طاقم وظيفي.

-## إعداد YAML الكلاسيكي
+## إعداد YAML

-في المشاريع الكلاسيكية، تُخزن إعدادات الوكلاء عادةً في ملف YAML. إليك مثالاً على كيفية ظهور ملف `agents.yaml` لوكيل الباحث:
+تُخزن إعدادات الوكلاء عادةً في ملف YAML. إليك مثالاً على كيفية ظهور ملف `agents.yaml` لوكيل الباحث:

 ```yaml
 researcher:
@@ -150,6 +146,6 @@ researcher:
 - **تسمية متسقة**: استخدم اصطلاحات تسمية واضحة ومتسقة لطرقك. على سبيل المثال، يمكن تسمية طرق الوكلاء بأسماء أدوارهم (مثل researcher، reporting_analyst).
 - **متغيرات البيئة**: استخدم متغيرات البيئة للمعلومات الحساسة مثل مفاتيح API.
 - **المرونة**: صمم طاقمك ليكون مرناً بالسماح بإضافة أو إزالة الوكلاء والمهام بسهولة.
- **توافق YAML-الكود**: في المشاريع الكلاسيكية، تأكد من أن الأسماء والهياكل في ملفات YAML تتوافق بشكل صحيح مع الطرق المزينة في كود Python الخاص بك.
+- **توافق YAML-الكود**: تأكد من أن الأسماء والهياكل في ملفات YAML تتوافق بشكل صحيح مع الطرق المزينة في كود Python الخاص بك.

-باتباع هذه الإرشادات واستخدام التعليقات التوضيحية بشكل صحيح، يمكنك الحفاظ على أطقم كلاسيكية منظمة وسهلة الصيانة. للـ crews الجديدة، استخدم بنية JSON-first في [Crews](/ar/concepts/crews).
+باتباع هذه الإرشادات واستخدام التعليقات التوضيحية بشكل صحيح، يمكنك إنشاء أطقم منظمة جيداً وسهلة الصيانة باستخدام إطار عمل CrewAI.
--- a/docs/ar/quickstart.mdx
+++ b/docs/ar/quickstart.mdx
@@ -1,6 +1,6 @@
 ---
 title: البدء السريع
-description: ابنِ أول Flow في CrewAI خلال دقائق — التنسيق والحالة وفريقًا بوكيل واحد ينتج تقريرًا فعليًا.
+description: ابنِ أول وكيل ذكاء اصطناعي مع CrewAI في أقل من 5 دقائق.
 icon: rocket
 mode: "wide"
 ---
@@ -13,245 +13,376 @@ mode: "wide"

 <iframe src="https://www.loom.com/embed/befb9f68b81f42ad8112bfdd95a780af" frameborder="0" webkitallowfullscreen mozallowfullscreen allowfullscreen style={{width: "100%", height: "400px"}}></iframe>

-في هذا الدليل ستُنشئ **Flow** يحدد موضوع بحث، ويشغّل **طاقمًا بوكيل واحد** (باحث يستخدم البحث على الويب)، وينتهي بتقرير **Markdown** على القرص. يُعد Flow الطريقة الموصى بها لتنظيم التطبيقات الإنتاجية: يمتلك **الحالة** و**ترتيب التنفيذ**، بينما **الوكلاء** ينفّذون العمل داخل خطوة الطاقم.
+## ابنِ أول وكيل CrewAI

-إذا لم تُكمل تثبيت CrewAI بعد، اتبع [دليل التثبيت](/ar/installation) أولًا.
+لننشئ طاقماً بسيطاً يساعدنا في `البحث` و`إعداد التقارير` عن `أحدث تطورات الذكاء الاصطناعي` لموضوع أو مجال معين.

-## المتطلبات الأساسية
+قبل المتابعة، تأكد من إنهاء تثبيت CrewAI.
+إذا لم تكن قد ثبّتها بعد، يمكنك القيام بذلك باتباع [دليل التثبيت](/ar/installation).

- بيئة Python وواجهة سطر أوامر CrewAI (راجع [التثبيت](/ar/installation))
- نموذج لغوي مهيأ بالمفاتيح الصحيحة — راجع [LLMs](/ar/concepts/llms#setting-up-your-llm)
- مفتاح API من [Serper.dev](https://serper.dev/) (`SERPER_API_KEY`) للبحث على الويب في هذا الدرس
-
-## ابنِ أول Flow لك
+اتبع الخطوات أدناه للبدء!

 <Steps>
-  <Step title="أنشئ مشروع Flow">
-  من الطرفية، أنشئ مشروع Flow (اسم المجلد يستخدم شرطة سفلية، مثل `latest_ai_flow`):
-
+  <Step title="إنشاء طاقمك">
+  أنشئ مشروع طاقم جديد عبر تشغيل الأمر التالي في الطرفية.
+  سينشئ هذا مجلداً جديداً باسم `latest-ai-development` مع البنية الأساسية لطاقمك.
    <CodeGroup>
      ```shell Terminal
-      crewai create flow latest-ai-flow
-      cd latest_ai_flow
+      crewai create crew latest-ai-development
      ```
    </CodeGroup>
-
-  يُنشئ ذلك تطبيق Flow ضمن `src/latest_ai_flow/`، بما في ذلك طاقمًا أوليًا في `crews/content_crew/` ستستبدله بطاقم بحث **بوكيل واحد** في الخطوات التالية.
  </Step>
-
-  <Step title="اضبط وكيلًا واحدًا في JSONC">
-  أنشئ `src/latest_ai_flow/crews/content_crew/agents/researcher.jsonc` (أنشئ مجلد `agents/` إذا لزم). تُملأ المتغيرات مثل `{topic}` من `crew.kickoff(inputs=...)`.
-
-    ```jsonc agents/researcher.jsonc
-    {
-      "role": "باحث بيانات أول في {topic}",
-      "goal": "اكتشاف أحدث التطورات في {topic}",
-      "backstory": "أنت باحث يجد المعلومات الأكثر صلة ويعرضها بوضوح.",
-      "tools": ["SerperDevTool"],
-      "settings": {
-        "verbose": true
-      }
-    }
-    ```
-
+  <Step title="الانتقال إلى مشروع الطاقم الجديد">
+    <CodeGroup>
+      ```shell Terminal
+      cd latest_ai_development
+      ```
+    </CodeGroup>
  </Step>
-
-  <Step title="اضبط الـ crew في `crew.jsonc`">
-  أنشئ `src/latest_ai_flow/crews/content_crew/crew.jsonc`:
-
-    ```jsonc crew.jsonc
-    {
-      "name": "Research Crew",
-      "agents": ["researcher"],
-      "tasks": [
-        {
-          "name": "research_task",
-          "description": "أجرِ بحثًا معمقًا عن {topic}. استخدم البحث على الويب للعثور على معلومات حديثة وموثوقة.",
-          "expected_output": "تقرير بصيغة Markdown بأقسام واضحة: الاتجاهات الرئيسية، أدوات أو شركات بارزة، والآثار. بين 800 و1200 كلمة تقريبًا. دون إحاطة المستند بأكمله بكتل كود.",
-          "agent": "researcher",
-          "output_file": "output/report.md",
-          "markdown": true
-        }
-      ],
-      "process": "sequential",
-      "verbose": true
-    }
-    ```
-
-  </Step>
-
-  <Step title="حمّل crew JSON (`content_crew.py`)">
-  استبدل `content_crew.py` المُولّد بمحمل صغير يحول `crew.jsonc` إلى `Crew`.
-
-    ```python content_crew.py
-    # src/latest_ai_flow/crews/content_crew/content_crew.py
-    from pathlib import Path
-
-    from crewai.project import load_crew
-
-
-    def kickoff_content_crew(inputs: dict):
-      crew, default_inputs = load_crew(Path(__file__).with_name("crew.jsonc"))
-      return crew.kickoff(inputs={**default_inputs, **inputs})
-    ```
-
-  </Step>
-
-  <Step title="عرّف Flow في `main.py`">
-  اربط الطاقم بـ Flow: خطوة `@start()` تضبط الموضوع في **الحالة**، وخطوة `@listen` تشغّل الطاقم. يظل `output_file` للمهمة يكتب `output/report.md`.
-
-    ```python main.py
-    # src/latest_ai_flow/main.py
-    from pydantic import BaseModel
-
-    from crewai.flow import Flow, listen, start
-
-    from latest_ai_flow.crews.content_crew.content_crew import kickoff_content_crew
-
-
-    class ResearchFlowState(BaseModel):
-      topic: str = ""
-      report: str = ""
-
-
-    class LatestAiFlow(Flow[ResearchFlowState]):
-      @start()
-      def prepare_topic(self, crewai_trigger_payload: dict | None = None):
-        if crewai_trigger_payload:
-          self.state.topic = crewai_trigger_payload.get("topic", "AI Agents")
-        else:
-          self.state.topic = "AI Agents"
-        print(f"الموضوع: {self.state.topic}")
-
-      @listen(prepare_topic)
-      def run_research(self):
-        result = kickoff_content_crew(inputs={"topic": self.state.topic})
-        self.state.report = result.raw
-        print("اكتمل طاقم البحث.")
-
-      @listen(run_research)
-      def summarize(self):
-        print("مسار التقرير: output/report.md")
-
-
-    def kickoff():
-      LatestAiFlow().kickoff()
-
-
-    def plot():
-      LatestAiFlow().plot()
-
-
-    if __name__ == "__main__":
-      kickoff()
-    ```
-
+  <Step title="تعديل ملف `agents.yaml`">
  <Tip>
-  إذا كان اسم الحزمة ليس `latest_ai_flow`، عدّل استيراد `kickoff_content_crew` ليطابق مسار الوحدة في مشروعك.
+  يمكنك أيضاً تعديل الوكلاء حسب الحاجة ليناسبوا حالة الاستخدام الخاصة بك أو نسخ ولصق كما هو في مشروعك.
+  أي متغير مُستكمل في ملفات `agents.yaml` و`tasks.yaml` مثل `{topic}` سيُستبدل بقيمة المتغير في ملف `main.py`.
  </Tip>
+    ```yaml agents.yaml
+    # src/latest_ai_development/config/agents.yaml
+    researcher:
+      role: >
+        {topic} Senior Data Researcher
+      goal: >
+        Uncover cutting-edge developments in {topic}
+      backstory: >
+        You're a seasoned researcher with a knack for uncovering the latest
+        developments in {topic}. Known for your ability to find the most relevant
+        information and present it in a clear and concise manner.
+
+    reporting_analyst:
+      role: >
+        {topic} Reporting Analyst
+      goal: >
+        Create detailed reports based on {topic} data analysis and research findings
+      backstory: >
+        You're a meticulous analyst with a keen eye for detail. You're known for
+        your ability to turn complex data into clear and concise reports, making
+        it easy for others to understand and act on the information you provide.
+    ```
+
+  </Step>
+  <Step title="تعديل ملف `tasks.yaml`">
+    ```yaml tasks.yaml
+    # src/latest_ai_development/config/tasks.yaml
+    research_task:
+      description: >
+        Conduct a thorough research about {topic}
+        Make sure you find any interesting and relevant information given
+        the current year is 2025.
+      expected_output: >
+        A list with 10 bullet points of the most relevant information about {topic}
+      agent: researcher
+
+    reporting_task:
+      description: >
+        Review the context you got and expand each topic into a full section for a report.
+        Make sure the report is detailed and contains any and all relevant information.
+      expected_output: >
+        A fully fledge reports with the mains topics, each with a full section of information.
+        Formatted as markdown without '```'
+      agent: reporting_analyst
+      output_file: report.md
+    ```
+
+  </Step>
+  <Step title="تعديل ملف `crew.py`">
+    ```python crew.py
+    # src/latest_ai_development/crew.py
+    from crewai import Agent, Crew, Process, Task
+    from crewai.project import CrewBase, agent, crew, task
+    from crewai_tools import SerperDevTool
+    from crewai.agents.agent_builder.base_agent import BaseAgent
+    from typing import List
+
+    @CrewBase
+    class LatestAiDevelopmentCrew():
+      """LatestAiDevelopment crew"""
+
+      agents: List[BaseAgent]
+      tasks: List[Task]
+
+      @agent
+      def researcher(self) -> Agent:
+        return Agent(
+          config=self.agents_config['researcher'], # type: ignore[index]
+          verbose=True,
+          tools=[SerperDevTool()]
+        )
+
+      @agent
+      def reporting_analyst(self) -> Agent:
+        return Agent(
+          config=self.agents_config['reporting_analyst'], # type: ignore[index]
+          verbose=True
+        )
+
+      @task
+      def research_task(self) -> Task:
+        return Task(
+          config=self.tasks_config['research_task'], # type: ignore[index]
+        )
+
+      @task
+      def reporting_task(self) -> Task:
+        return Task(
+          config=self.tasks_config['reporting_task'], # type: ignore[index]
+          output_file='output/report.md' # This is the file that will be contain the final report.
+        )
+
+      @crew
+      def crew(self) -> Crew:
+        """Creates the LatestAiDevelopment crew"""
+        return Crew(
+          agents=self.agents, # Automatically created by the @agent decorator
+          tasks=self.tasks, # Automatically created by the @task decorator
+          process=Process.sequential,
+          verbose=True,
+        )
+    ```
+
+  </Step>
+  <Step title="[اختياري] إضافة دوال قبل وبعد تشغيل الطاقم">
+    ```python crew.py
+    # src/latest_ai_development/crew.py
+    from crewai import Agent, Crew, Process, Task
+    from crewai.project import CrewBase, agent, crew, task, before_kickoff, after_kickoff
+    from crewai_tools import SerperDevTool
+
+    @CrewBase
+    class LatestAiDevelopmentCrew():
+      """LatestAiDevelopment crew"""
+
+      @before_kickoff
+      def before_kickoff_function(self, inputs):
+        print(f"Before kickoff function with inputs: {inputs}")
+        return inputs # You can return the inputs or modify them as needed
+
+      @after_kickoff
+      def after_kickoff_function(self, result):
+        print(f"After kickoff function with result: {result}")
+        return result # You can return the result or modify it as needed
+
+      # ... remaining code
+    ```
+
+  </Step>
+  <Step title="لا تتردد في تمرير مدخلات مخصصة لطاقمك">
+  على سبيل المثال، يمكنك تمرير مدخل `topic` لطاقمك لتخصيص البحث وإعداد التقارير.
+    ```python main.py
+    #!/usr/bin/env python
+    # src/latest_ai_development/main.py
+    import sys
+    from latest_ai_development.crew import LatestAiDevelopmentCrew
+
+    def run():
+      """
+      Run the crew.
+      """
+      inputs = {
+        'topic': 'AI Agents'
+      }
+      LatestAiDevelopmentCrew().crew().kickoff(inputs=inputs)
+    ```
+
+  </Step>
+  <Step title="تعيين متغيرات البيئة">
+  قبل تشغيل طاقمك، تأكد من تعيين المفاتيح التالية كمتغيرات بيئة في ملف `.env`:
+    - مفتاح API لـ [Serper.dev](https://serper.dev/): `SERPER_API_KEY=YOUR_KEY_HERE`
+    - إعداد النموذج الذي اخترته، مثل مفتاح API. راجع
+        [دليل إعداد LLM](/ar/concepts/llms#setting-up-your-llm) لمعرفة كيفية إعداد النماذج من أي مزود.
+  </Step>
+  <Step title="قفل وتثبيت التبعيات">
+    - اقفل التبعيات وثبّتها باستخدام أمر CLI:
+      <CodeGroup>
+        ```shell Terminal
+        crewai install
+        ```
+      </CodeGroup>
+    - إذا كانت لديك حزم إضافية تريد تثبيتها، يمكنك القيام بذلك عبر:
+      <CodeGroup>
+        ```shell Terminal
+        uv add <package-name>
+        ```
+      </CodeGroup>
+  </Step>
+  <Step title="تشغيل طاقمك">
+    - لتشغيل طاقمك، نفّذ الأمر التالي في جذر مشروعك:
+      <CodeGroup>
+        ```bash Terminal
+        crewai run
+        ```
+      </CodeGroup>
  </Step>

-  <Step title="متغيرات البيئة">
-  في جذر المشروع، ضبط `.env`:
+  <Step title="البديل المؤسسي: الإنشاء في Crew Studio">
+  لمستخدمي CrewAI AMP، يمكنك إنشاء نفس الطاقم دون كتابة كود:

-    - `SERPER_API_KEY` — من [Serper.dev](https://serper.dev/)
-    - مفاتيح مزوّد النموذج حسب الحاجة — راجع [إعداد LLM](/ar/concepts/llms#setting-up-your-llm)
+1. سجّل الدخول إلى حساب CrewAI AMP (أنشئ حساباً مجانياً على [app.crewai.com](https://app.crewai.com))
+2. افتح Crew Studio
+3. اكتب ما هي الأتمتة التي تحاول بناءها
+4. أنشئ مهامك بصرياً واربطها بالتسلسل
+5. هيئ مدخلاتك وانقر "تحميل الكود" أو "نشر"
+
+![واجهة Crew Studio للبدء السريع](/images/enterprise/crew-studio-interface.png)
+
+  <Card title="جرّب CrewAI AMP" icon="rocket" href="https://app.crewai.com">
+    ابدأ حسابك المجاني في CrewAI AMP
+  </Card>
  </Step>
+  <Step title="عرض التقرير النهائي">
+  يجب أن ترى المخرجات في وحدة التحكم ويجب إنشاء ملف `report.md` في جذر مشروعك مع التقرير النهائي.

-  <Step title="التثبيت والتشغيل">
-    <CodeGroup>
-      ```shell Terminal
-      crewai install
-      crewai run
-      ```
-    </CodeGroup>
-
-  يُنفّذ `crewai run` نقطة دخول Flow المعرّفة في المشروع (نفس أمر الطواقم؛ نوع المشروع `"flow"` في `pyproject.toml`).
-  </Step>
-
-  <Step title="تحقق من المخرجات">
-  يجب أن ترى سجلات من Flow والطاقم. افتح **`output/report.md`** للتقرير المُولَّد (مقتطف):
+إليك مثالاً على شكل التقرير:

  <CodeGroup>
    ```markdown output/report.md
-    # وكلاء الذكاء الاصطناعي: المشهد والاتجاهات الحديثة
+    # Comprehensive Report on the Rise and Impact of AI Agents in 2025

-    ## ملخص تنفيذي
-    …
+    ## 1. Introduction to AI Agents
+    In 2025, Artificial Intelligence (AI) agents are at the forefront of innovation across various industries. As intelligent systems that can perform tasks typically requiring human cognition, AI agents are paving the way for significant advancements in operational efficiency, decision-making, and overall productivity within sectors like Human Resources (HR) and Finance. This report aims to detail the rise of AI agents, their frameworks, applications, and potential implications on the workforce.

-    ## أبرز الاتجاهات
-    - **استخدام الأدوات والتنسيق** — …
-    - **التبني المؤسسي** — …
+    ## 2. Benefits of AI Agents
+    AI agents bring numerous advantages that are transforming traditional work environments. Key benefits include:

-    ## الآثار
-    …
+    - **Task Automation**: AI agents can carry out repetitive tasks such as data entry, scheduling, and payroll processing without human intervention, greatly reducing the time and resources spent on these activities.
+    - **Improved Efficiency**: By quickly processing large datasets and performing analyses that would take humans significantly longer, AI agents enhance operational efficiency. This allows teams to focus on strategic tasks that require higher-level thinking.
+    - **Enhanced Decision-Making**: AI agents can analyze trends and patterns in data, provide insights, and even suggest actions, helping stakeholders make informed decisions based on factual data rather than intuition alone.
+
+    ## 3. Popular AI Agent Frameworks
+    Several frameworks have emerged to facilitate the development of AI agents, each with its own unique features and capabilities. Some of the most popular frameworks include:
+
+    - **Autogen**: A framework designed to streamline the development of AI agents through automation of code generation.
+    - **Semantic Kernel**: Focuses on natural language processing and understanding, enabling agents to comprehend user intentions better.
+    - **Promptflow**: Provides tools for developers to create conversational agents that can navigate complex interactions seamlessly.
+    - **Langchain**: Specializes in leveraging various APIs to ensure agents can access and utilize external data effectively.
+    - **CrewAI**: Aimed at collaborative environments, CrewAI strengthens teamwork by facilitating communication through AI-driven insights.
+    - **MemGPT**: Combines memory-optimized architectures with generative capabilities, allowing for more personalized interactions with users.
+
+    These frameworks empower developers to build versatile and intelligent agents that can engage users, perform advanced analytics, and execute various tasks aligned with organizational goals.
+
+    ## 4. AI Agents in Human Resources
+    AI agents are revolutionizing HR practices by automating and optimizing key functions:
+
+    - **Recruiting**: AI agents can screen resumes, schedule interviews, and even conduct initial assessments, thus accelerating the hiring process while minimizing biases.
+    - **Succession Planning**: AI systems analyze employee performance data and potential, helping organizations identify future leaders and plan appropriate training.
+    - **Employee Engagement**: Chatbots powered by AI can facilitate feedback loops between employees and management, promoting an open culture and addressing concerns promptly.
+
+    As AI continues to evolve, HR departments leveraging these agents can realize substantial improvements in both efficiency and employee satisfaction.
+
+    ## 5. AI Agents in Finance
+    The finance sector is seeing extensive integration of AI agents that enhance financial practices:
+
+    - **Expense Tracking**: Automated systems manage and monitor expenses, flagging anomalies and offering recommendations based on spending patterns.
+    - **Risk Assessment**: AI models assess credit risk and uncover potential fraud by analyzing transaction data and behavioral patterns.
+    - **Investment Decisions**: AI agents provide stock predictions and analytics based on historical data and current market conditions, empowering investors with informative insights.
+
+    The incorporation of AI agents into finance is fostering a more responsive and risk-aware financial landscape.
+
+    ## 6. Market Trends and Investments
+    The growth of AI agents has attracted significant investment, especially amidst the rising popularity of chatbots and generative AI technologies. Companies and entrepreneurs are eager to explore the potential of these systems, recognizing their ability to streamline operations and improve customer engagement.
+
+    Conversely, corporations like Microsoft are taking strides to integrate AI agents into their product offerings, with enhancements to their Copilot 365 applications. This strategic move emphasizes the importance of AI literacy in the modern workplace and indicates the stabilizing of AI agents as essential business tools.
+
+    ## 7. Future Predictions and Implications
+    Experts predict that AI agents will transform essential aspects of work life. As we look toward the future, several anticipated changes include:
+
+    - Enhanced integration of AI agents across all business functions, creating interconnected systems that leverage data from various departmental silos for comprehensive decision-making.
+    - Continued advancement of AI technologies, resulting in smarter, more adaptable agents capable of learning and evolving from user interactions.
+    - Increased regulatory scrutiny to ensure ethical use, especially concerning data privacy and employee surveillance as AI agents become more prevalent.
+
+    To stay competitive and harness the full potential of AI agents, organizations must remain vigilant about latest developments in AI technology and consider continuous learning and adaptation in their strategic planning.
+
+    ## 8. Conclusion
+    The emergence of AI agents is undeniably reshaping the workplace landscape in 5. With their ability to automate tasks, enhance efficiency, and improve decision-making, AI agents are critical in driving operational success. Organizations must embrace and adapt to AI developments to thrive in an increasingly digital business environment.
    ```
-  </CodeGroup>

-  سيكون الملف الفعلي أطول ويعكس نتائج بحث مباشرة.
+  </CodeGroup>
  </Step>
 </Steps>

-## كيف يترابط هذا
-
-1. **Flow** — يشغّل `LatestAiFlow` أولًا `prepare_topic` ثم `run_research` ثم `summarize`. الحالة (`topic`، `report`) على Flow.
-2. **الطاقم** — يحمّل `kickoff_content_crew` ملف `crew.jsonc` ويشغّل مهمة واحدة بوكيل واحد: الباحث يستخدم **Serper** للبحث على الويب ثم يكتب التقرير.
-3. **المُخرَج** — يكتب `output_file` للمهمة التقرير في `output/report.md`.
-
-للتعمق في أنماط Flow (التوجيه، الاستمرارية، الإنسان في الحلقة)، راجع [ابنِ أول Flow](/ar/guides/flows/first-flow) و[Flows](/ar/concepts/flows). للطواقم دون Flow، راجع [Crews](/ar/concepts/crews). لوكيل `Agent` واحد و`kickoff()` بلا مهام، راجع [Agents](/ar/concepts/agents#direct-agent-interaction-with-kickoff).
-
 <Check>
-أصبح لديك Flow كامل مع طاقم وكيل وتقرير محفوظ — قاعدة قوية لإضافة خطوات أو طواقم أو أدوات.
+تهانينا!
+
+لقد أعددت مشروع طاقمك بنجاح وأنت جاهز للبدء في بناء سير العمل الوكيلي الخاص بك!
+
 </Check>

-### اتساق التسمية
+### ملاحظة حول اتساق التسمية

-يجب أن تطابق الأسماء في `crew.jsonc` الملفات والمراجع:
+يجب أن تتطابق الأسماء التي تستخدمها في ملفات YAML (`agents.yaml` و`tasks.yaml`) مع أسماء الدوال في كود Python الخاص بك.
+على سبيل المثال، يمكنك الإشارة إلى الوكيل لمهام محددة من ملف `tasks.yaml`.
+يتيح اتساق التسمية هذا لـ CrewAI ربط تكويناتك بكودك تلقائياً؛ وإلا فلن تتعرف مهمتك على المرجع بشكل صحيح.

- `agents: ["researcher"]` يحمّل `agents/researcher.jsonc`
- `tasks[].agent: "researcher"` يربط المهمة بذلك الـ agent
-
-## النشر
-
-ادفع Flow إلى **[CrewAI AMP](https://app.crewai.com)** بعد أن يعمل محليًا ويكون المشروع في مستودع **GitHub**. من جذر المشروع:
-
-<CodeGroup>
-```bash المصادقة
-crewai login
-```
-
-```bash إنشاء نشر
-crewai deploy create
-```
-
-```bash الحالة والسجلات
-crewai deploy status
-crewai deploy logs
-```
-
-```bash إرسال التحديثات بعد تغيير الكود
-crewai deploy push
-```
-
-```bash عرض النشرات أو حذفها
-crewai deploy list
-crewai deploy remove <deployment_id>
-```
-</CodeGroup>
+#### أمثلة على المراجع

 <Tip>
-  غالبًا ما يستغرق **النشر الأول حوالي دقيقة**. المتطلبات الكاملة ومسار الواجهة الويب في [النشر على AMP](/ar/enterprise/guides/deploy-to-amp).
+  لاحظ كيف نستخدم نفس الاسم للوكيل في ملف `agents.yaml`
+  (`email_summarizer`) واسم الدالة في ملف `crew.py`
+  (`email_summarizer`).
 </Tip>

+```yaml agents.yaml
+email_summarizer:
+  role: >
+    Email Summarizer
+  goal: >
+    Summarize emails into a concise and clear summary
+  backstory: >
+    You will create a 5 bullet point summary of the report
+  llm: provider/model-id # Add your choice of model here
+```
+
+<Tip>
+  لاحظ كيف نستخدم نفس الاسم للمهمة في ملف `tasks.yaml`
+  (`email_summarizer_task`) واسم الدالة في ملف `crew.py`
+  (`email_summarizer_task`).
+</Tip>
+
+```yaml tasks.yaml
+email_summarizer_task:
+  description: >
+    Summarize the email into a 5 bullet point summary
+  expected_output: >
+    A 5 bullet point summary of the email
+  agent: email_summarizer
+  context:
+    - reporting_task
+    - research_task
+```
+
+## نشر طاقمك
+
+أسهل طريقة لنشر طاقمك في الإنتاج هي من خلال [CrewAI AMP](http://app.crewai.com).
+
+شاهد هذا الفيديو التعليمي لعرض خطوة بخطوة لنشر طاقمك على [CrewAI AMP](http://app.crewai.com) باستخدام CLI.
+
+<iframe
+  className="w-full aspect-video rounded-xl"
+  src="https://www.youtube.com/embed/3EqSV-CYDZA"
+  title="CrewAI Deployment Guide"
+  frameBorder="0"
+  allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture"
+  allowFullScreen
+></iframe>
+
 <CardGroup cols={2}>
-  <Card title="دليل النشر" icon="book" href="/ar/enterprise/guides/deploy-to-amp">
-    النشر على AMP خطوة بخطوة (CLI ولوحة التحكم).
+  <Card title="النشر على المؤسسة" icon="rocket" href="http://app.crewai.com">
+    ابدأ مع CrewAI AMP وانشر طاقمك في بيئة إنتاج
+    بنقرات قليلة فقط.
  </Card>
  <Card
-    title="المجتمع"
+    title="انضم إلى المجتمع"
    icon="comments"
    href="https://community.crewai.com"
  >
-    ناقش الأفكار وشارك مشاريعك وتواصل مع مطوري CrewAI.
+    انضم إلى مجتمعنا مفتوح المصدر لمناقشة الأفكار ومشاركة مشاريعك والتواصل
+    مع مطورين آخرين لـ CrewAI.
  </Card>
 </CardGroup>
--- a/docs/ar/skills.mdx
+++ b/docs/ar/skills.mdx
@@ -1,50 +0,0 @@
---
-title: Skills
-description: ثبّت crewaiinc/skills من السجل الرسمي على skills.sh—Flows وCrews ووكلاء مرتبطون بالوثائق لـ Claude Code وCursor وCodex وغيرها.
-icon: wand-magic-sparkles
-mode: "wide"
---
-
-# Skills
-
-**امنح وكيل البرمجة سياق CrewAI في أمر واحد.**
-
-تُنشر **Skills** الخاصة بـ CrewAI على **[skills.sh/crewaiinc/skills](https://skills.sh/crewaiinc/skills)**—السجل الرسمي لـ `crewaiinc/skills`، بما في ذلك كل مهارة (مثل **design-agent** و**getting-started** و**design-task** و**ask-docs**) وإحصاءات التثبيت والتدقيقات. تعلّم وكلاء البرمجة—مثل Claude Code وCursor وCodex—هيكلة Flows وضبط Crews واستخدام الأدوات واتباع أنماط CrewAI. نفّذ الأمر أدناه (أو الصقه في الوكيل).
-
-```shell Terminal
-npx skills add crewaiinc/skills
-```
-
-يضيف ذلك حزمة المهارات إلى سير عمل الوكيل لتطبيق اتفاقيات CrewAI دون إعادة شرح الإطار في كل جلسة. المصدر والقضايا على [GitHub](https://github.com/crewAIInc/skills).
-
-## ما يحصل عليه الوكيل
-
- **Flows** — تطبيقات ذات حالة وخطوات وkickoffs للـ crew على نمط CrewAI
- **Crews والوكلاء** — أنماط JSON-first (`crew.jsonc` و `agents/*.jsonc`)، أدوار، مهام، وتفويض
- **الأدوات والتكاملات** — ربط الوكلاء بالبحث وواجهات API وأدوات CrewAI الشائعة
- **هيكل المشروع** — مواءمة مع قوالب CLI واتفاقيات المستودع
- **أنماط محدثة** — تتبع المهارات وثائق CrewAI والممارسات الموصى بها
-
-## تعرّف أكثر على هذا الموقع
-
-<CardGroup cols={2}>
-  <Card title="أدوات البرمجة و AGENTS.md" icon="terminal" href="/ar/guides/coding-tools/agents-md">
-    استخدام `AGENTS.md` وسير عمل وكلاء البرمجة مع CrewAI.
-  </Card>
-  <Card title="البداية السريعة" icon="rocket" href="/ar/quickstart">
-    ابنِ أول Flow وcrew من البداية للنهاية.
-  </Card>
-  <Card title="التثبيت" icon="download" href="/ar/installation">
-    ثبّت CrewAI CLI وحزمة Python.
-  </Card>
-  <Card title="سجل Skills (skills.sh)" icon="globe" href="https://skills.sh/crewaiinc/skills">
-    القائمة الرسمية لـ `crewaiinc/skills`—المهارات والتثبيتات والتدقيقات.
-  </Card>
-  <Card title="المصدر على GitHub" icon="code-branch" href="https://github.com/crewAIInc/skills">
-    مصدر الحزمة والتحديثات والقضايا.
-  </Card>
-</CardGroup>
-
-### فيديو: CrewAI مع مهارات وكلاء البرمجة
-
-<iframe src="https://www.loom.com/embed/befb9f68b81f42ad8112bfdd95a780af" frameborder="0" webkitallowfullscreen mozallowfullscreen allowfullscreen style={{ width: "100%", height: "400px" }} />
--- a/docs/ar/tools/ai-ml/codeinterpretertool.mdx
+++ b/docs/ar/tools/ai-ml/codeinterpretertool.mdx
@@ -7,10 +7,6 @@ mode: "wide"

 # `CodeInterpreterTool`

-<Warning>
-  **مهجور:** تمت إزالة `CodeInterpreterTool` من `crewai-tools`. كما أن معاملَي `allow_code_execution` و`code_execution_mode` على `Agent` أصبحا مهجورَين. استخدم خدمة بيئة معزولة مخصصة — [E2B](https://e2b.dev) أو [Modal](https://modal.com) — لتنفيذ الكود بشكل آمن ومعزول.
-</Warning>
-
 ## الوصف

 تمكّن `CodeInterpreterTool` وكلاء CrewAI من تنفيذ كود Python 3 الذي يولّدونه بشكل مستقل. هذه الوظيفة ذات قيمة خاصة لأنها تتيح للوكلاء إنشاء الكود وتنفيذه والحصول على النتائج واستخدام تلك المعلومات لاتخاذ القرارات والإجراءات اللاحقة.
--- a/docs/ar/tools/ai-ml/daytona.mdx
+++ b/docs/ar/tools/ai-ml/daytona.mdx
@@ -1,230 +0,0 @@
---
-title: Daytona Sandbox Tools
-description: Run shell commands, execute Python, and manage files inside isolated [Daytona](https://www.daytona.io/) sandboxes.
-icon: box
-mode: "wide"
---
-
-# Daytona Sandbox Tools
-
-## Description
-
-The Daytona sandbox tools give CrewAI agents access to isolated, ephemeral compute environments powered by [Daytona](https://www.daytona.io/). Three tools are available so you can give an agent exactly the capabilities it needs:
-
- **`DaytonaExecTool`** — run any shell command inside a sandbox.
- **`DaytonaPythonTool`** — execute a block of Python source code inside a sandbox.
- **`DaytonaFileTool`** — read, write, append, list, delete, and inspect files inside a sandbox; also supports `move`, `find` (content grep), `search` (filename glob), `chmod` (permissions), `replace` (bulk find-and-replace), and `exists`.
-
-All three tools share the same sandbox lifecycle controls, so you can mix and match them while keeping state in a single persistent sandbox.
-
-## Installation
-
-```shell
-uv add "crewai-tools[daytona]"
-# or
-pip install "crewai-tools[daytona]"
-```
-
-Set your API key:
-
-```shell
-export DAYTONA_API_KEY="your-api-key"
-```
-
-`DAYTONA_API_URL` and `DAYTONA_TARGET` are also respected if set.
-
-## Sandbox Lifecycle
-
-All three tools inherit lifecycle controls from `DaytonaBaseTool`:
-
-| Mode | How to enable | Sandbox created | Sandbox deleted |
-|------|--------------|-----------------|-----------------|
-| **Ephemeral** (default) | `persistent=False` (default) | On every `_run` call | At the end of that same call |
-| **Persistent** | `persistent=True` | Lazily on first use | At process exit (via `atexit`), or manually via `tool.close()` |
-| **Attach** | `sandbox_id="<id>"` | Never — attaches to an existing sandbox | Never — the tool will not delete a sandbox it did not create |
-
-Ephemeral mode is the safe default: nothing leaks if the agent forgets to clean up. Use persistent mode when you want filesystem state or installed packages to carry across multiple tool calls — this is typical when pairing `DaytonaFileTool` with `DaytonaExecTool`.
-
-## Examples
-
-### One-shot Python execution (ephemeral)
-
-```python Code
-from crewai_tools import DaytonaPythonTool
-
-tool = DaytonaPythonTool()
-result = tool.run(code="print(sum(range(10)))")
-print(result)
-# {"exit_code": 0, "result": "45\n", "artifacts": ExecutionArtifacts(stdout="45\n", charts=[])}
-```
-
-### Multi-step shell session (persistent)
-
-```python Code
-from crewai_tools import DaytonaExecTool, DaytonaFileTool
-
-# Create the persistent sandbox via the first tool, then attach the second
-# tool to it so both share state (installed packages, files, env vars).
-exec_tool = DaytonaExecTool(persistent=True)
-exec_tool.run(command="pip install httpx -q")
-file_tool = DaytonaFileTool(sandbox_id=exec_tool.active_sandbox_id)
-
-file_tool.run(
-    action="write",
-    path="workspace/script.py",
-    content="import httpx; print(f'httpx loaded, version {httpx.__version__}')",
-)
-exec_tool.run(command="python workspace/script.py")
-```
-
-<Note>
-By default, each tool with `persistent=True` lazily creates its **own** sandbox on first use. The pattern above shares a single sandbox across multiple tools by reading the first tool's `active_sandbox_id` after a `.run()` call and passing it to the others via `sandbox_id=...`. With `persistent=False` (the default), every `.run()` call gets a fresh sandbox that's deleted at the end of that call.
-</Note>
-
-### Attach to an existing sandbox
-
-```python Code
-from crewai_tools import DaytonaExecTool
-
-tool = DaytonaExecTool(sandbox_id="my-long-lived-sandbox")
-result = tool.run(command="ls workspace")
-```
-
-### Custom sandbox parameters
-
-Pass Daytona's `CreateSandboxFromSnapshotParams` kwargs via `create_params`:
-
-```python Code
-from crewai_tools import DaytonaExecTool
-
-tool = DaytonaExecTool(
-    persistent=True,
-    create_params={
-        "language": "python",
-        "env_vars": {"MY_FLAG": "1"},
-        "labels": {"owner": "crewai-agent"},
-    },
-)
-```
-
-### Searching, moving, and modifying files
-
-```python Code
-from crewai_tools import DaytonaFileTool
-
-file_tool = DaytonaFileTool(persistent=True)
-
-# Find every TODO in the source tree (grep file contents recursively)
-file_tool.run(action="find", path="workspace/src", pattern="TODO:")
-
-# Find all Python files (glob match on filenames)
-file_tool.run(action="search", path="workspace", pattern="*.py")
-
-# Make a script executable
-file_tool.run(action="chmod", path="workspace/run.sh", mode="755")
-
-# Rename or move a file
-file_tool.run(
-    action="move",
-    path="workspace/draft.md",
-    destination="workspace/final.md",
-)
-
-# Bulk find-and-replace across multiple files
-file_tool.run(
-    action="replace",
-    paths=["workspace/src/a.py", "workspace/src/b.py"],
-    pattern="old_function",
-    replacement="new_function",
-)
-
-# Quick existence check before a destructive op
-file_tool.run(action="exists", path="workspace/cache.db")
-```
-
-### Agent integration
-
-```python Code
-from crewai import Agent, Task, Crew
-from crewai_tools import DaytonaExecTool, DaytonaPythonTool, DaytonaFileTool
-
-exec_tool = DaytonaExecTool(persistent=True)
-python_tool = DaytonaPythonTool(persistent=True)
-file_tool = DaytonaFileTool(persistent=True)
-
-coder = Agent(
-    role="Sandbox Engineer",
-    goal="Write and run code in an isolated environment",
-    backstory="An engineer who uses Daytona sandboxes to safely execute code and manage files.",
-    tools=[exec_tool, python_tool, file_tool],
-    verbose=True,
-)
-
-task = Task(
-    description="Write a Python script that prints the first 10 Fibonacci numbers, save it to workspace/fib.py, and run it.",
-    expected_output="The first 10 Fibonacci numbers printed to stdout.",
-    agent=coder,
-)
-
-crew = Crew(agents=[coder], tasks=[task])
-result = crew.kickoff()
-```
-
-## Parameters
-
-### Shared (`DaytonaBaseTool`)
-
-All three tools accept these parameters at initialization:
-
-| Parameter | Type | Default | Description |
-|-----------|------|---------|-------------|
-| `api_key` | `str \| None` | `$DAYTONA_API_KEY` | Daytona API key. Falls back to the `DAYTONA_API_KEY` env var. |
-| `api_url` | `str \| None` | `$DAYTONA_API_URL` | Daytona API URL override. |
-| `target` | `str \| None` | `$DAYTONA_TARGET` | Daytona target region. |
-| `persistent` | `bool` | `False` | Reuse one sandbox across all calls and delete it at process exit. |
-| `sandbox_id` | `str \| None` | `None` | Attach to an existing sandbox by id or name. |
-| `create_params` | `dict \| None` | `None` | Extra kwargs forwarded to `CreateSandboxFromSnapshotParams` (e.g. `language`, `env_vars`, `labels`). |
-| `sandbox_timeout` | `float` | `60.0` | Timeout in seconds for sandbox create/delete operations. |
-
-### `DaytonaExecTool`
-
-| Parameter | Type | Required | Description |
-|-----------|------|----------|-------------|
-| `command` | `str` | ✓ | Shell command to execute. |
-| `cwd` | `str \| None` | | Working directory inside the sandbox. |
-| `env` | `dict[str, str] \| None` | | Extra environment variables for this command. |
-| `timeout` | `int \| None` | | Maximum seconds to wait for the command. |
-
-### `DaytonaPythonTool`
-
-| Parameter | Type | Required | Description |
-|-----------|------|----------|-------------|
-| `code` | `str` | ✓ | Python source code to execute. |
-| `argv` | `list[str] \| None` | | Argument vector forwarded via `CodeRunParams`. |
-| `env` | `dict[str, str] \| None` | | Environment variables forwarded via `CodeRunParams`. |
-| `timeout` | `int \| None` | | Maximum seconds to wait for execution. |
-
-### `DaytonaFileTool`
-
-| Parameter | Type | Required | Description |
-|-----------|------|----------|-------------|
-| `action` | `str` | ✓ | One of: `read`, `write`, `append`, `list`, `delete`, `mkdir`, `info`, `exists`, `move`, `find`, `search`, `chmod`, `replace`. |
-| `path` | `str \| None` | ✓ for all actions except `replace` | Absolute path inside the sandbox. |
-| `content` | `str \| None` | ✓ for `append` | Content to write or append. |
-| `binary` | `bool` | | If `True`, `content` is base64 on write; returns base64 on read. |
-| `recursive` | `bool` | | For `delete`: remove directories recursively. |
-| `mode` | `str \| None` | | For `mkdir`: octal permissions for the new directory (defaults to `"0755"`). For `chmod`: octal permissions to apply to the target. |
-| `destination` | `str \| None` | ✓ for `move` | Destination path for `move`. |
-| `pattern` | `str \| None` | ✓ for `find`, `search`, `replace` | For `find`: substring matched against file CONTENTS. For `search`: glob matched against file NAMES (e.g. `*.py`). For `replace`: text to replace inside files. |
-| `replacement` | `str \| None` | ✓ for `replace` | Replacement text for `pattern`. |
-| `paths` | `list[str] \| None` | ✓ for `replace` | List of file paths in which to replace text. |
-| `owner` | `str \| None` | | For `chmod`: new file owner. |
-| `group` | `str \| None` | | For `chmod`: new file group. |
-
-<Note>
-For `chmod`, pass at least one of `mode`, `owner`, or `group` — any field left as `None` is left unchanged on the target.
-</Note>
-
-<Tip>
-For files larger than a few KB, create the file first with `action="write"` and empty content, then send the body via multiple `action="append"` calls of ~4 KB each to stay within tool-call payload limits.
-</Tip>
--- a/docs/ar/tools/database-data/nl2sqltool.mdx
+++ b/docs/ar/tools/database-data/nl2sqltool.mdx
@@ -11,7 +11,7 @@ mode: "wide"

 يتيح ذلك سير عمل متعددة مثل أن يقوم وكيل بالوصول إلى قاعدة البيانات واسترجاع المعلومات بناءً على الهدف ثم استخدام تلك المعلومات لتوليد استجابة أو تقرير أو أي مخرجات أخرى. بالإضافة إلى ذلك، يوفر القدرة للوكيل على تحديث قاعدة البيانات بناءً على هدفه.

-**تنبيه**: الأداة للقراءة فقط بشكل افتراضي (SELECT/SHOW/DESCRIBE/EXPLAIN فقط). تتطلب عمليات الكتابة تمرير `allow_dml=True` أو ضبط متغير البيئة `CREWAI_NL2SQL_ALLOW_DML=true`. عند تفعيل الكتابة، تأكد من أن الوكيل يستخدم مستخدم قاعدة بيانات محدود الصلاحيات أو نسخة قراءة كلما أمكن.
+**تنبيه**: تأكد من أن الوكيل لديه وصول إلى نسخة قراءة فقط أو أنه من المقبول أن يقوم الوكيل بتنفيذ استعلامات إدراج/تحديث على قاعدة البيانات.

 ## نموذج الأمان

@@ -36,74 +36,6 @@ mode: "wide"
 - أضف خطافات `before_tool_call` لفرض أنماط الاستعلام المسموح بها
 - فعّل تسجيل الاستعلامات والتنبيهات للعبارات التدميرية

-## وضع القراءة فقط وتهيئة DML
-
-تعمل `NL2SQLTool` في **وضع القراءة فقط بشكل افتراضي**. لا يُسمح إلا بأنواع العبارات التالية دون تهيئة إضافية:
-
- `SELECT`
- `SHOW`
- `DESCRIBE`
- `EXPLAIN`
-
-أي محاولة لتنفيذ عملية كتابة (`INSERT`، `UPDATE`، `DELETE`، `DROP`، `CREATE`، `ALTER`، `TRUNCATE`، إلخ) ستُسبب خطأً ما لم يتم تفعيل DML صراحةً.
-
-كما تُحظر الاستعلامات متعددة العبارات التي تحتوي على فاصلة منقوطة (مثل `SELECT 1; DROP TABLE users`) في وضع القراءة فقط لمنع هجمات الحقن.
-
-### تفعيل عمليات الكتابة
-
-يمكنك تفعيل DML (لغة معالجة البيانات) بطريقتين:
-
-**الخيار الأول — معامل المُنشئ:**
-
-```python
-from crewai_tools import NL2SQLTool
-
-nl2sql = NL2SQLTool(
-    db_uri="postgresql://example@localhost:5432/test_db",
-    allow_dml=True,
-)
-```
-
-**الخيار الثاني — متغير البيئة:**
-
-```bash
-CREWAI_NL2SQL_ALLOW_DML=true
-```
-
-```python
-from crewai_tools import NL2SQLTool
-
-# DML مفعّل عبر متغير البيئة
-nl2sql = NL2SQLTool(db_uri="postgresql://example@localhost:5432/test_db")
-```
-
-### أمثلة الاستخدام
-
-**القراءة فقط (الافتراضي) — آمن للتحليلات والتقارير:**
-
-```python
-from crewai_tools import NL2SQLTool
-
-# يُسمح فقط بـ SELECT/SHOW/DESCRIBE/EXPLAIN
-nl2sql = NL2SQLTool(db_uri="postgresql://example@localhost:5432/test_db")
-```
-
-**مع تفعيل DML — مطلوب لأعباء عمل الكتابة:**
-
-```python
-from crewai_tools import NL2SQLTool
-
-# يُسمح بـ INSERT وUPDATE وDELETE وDROP وغيرها
-nl2sql = NL2SQLTool(
-    db_uri="postgresql://example@localhost:5432/test_db",
-    allow_dml=True,
-)
-```
-
-<Warning>
-يمنح تفعيل DML للوكيل القدرة على تعديل البيانات أو حذفها. لا تفعّله إلا عندما يتطلب حالة الاستخدام صراحةً وصولاً للكتابة، وتأكد من أن بيانات اعتماد قاعدة البيانات محدودة بالحد الأدنى من الصلاحيات المطلوبة.
-</Warning>
-
 ## المتطلبات

 - SqlAlchemy
--- a/docs/ar/tools/file-document/csvsearchtool.mdx
+++ b/docs/ar/tools/file-document/csvsearchtool.mdx
@@ -74,19 +74,3 @@ tool = CSVSearchTool(
    }
 )
 ```
-
-## الأمان
-
-### التحقق من صحة المسارات
-
-يتم التحقق من مسارات الملفات المقدمة لهذه الأداة مقابل مجلد العمل الحالي. يتم رفض المسارات التي تحل خارج مجلد العمل وإطلاق `ValueError`.
-
-للسماح بالمسارات خارج مجلد العمل (مثلاً في الاختبارات أو خطوط الأنابيب الموثوقة)، عيّن متغير البيئة التالي:
-
-```shell
-CREWAI_TOOLS_ALLOW_UNSAFE_PATHS=true
-```
-
-### التحقق من صحة الروابط
-
-يتم التحقق من مدخلات الروابط: يتم حظر مخطط `file://` والطلبات التي تستهدف نطاقات IP الخاصة أو المحجوزة لمنع هجمات تزوير الطلبات من جانب الخادم (SSRF).
--- a/docs/ar/tools/file-document/directorysearchtool.mdx
+++ b/docs/ar/tools/file-document/directorysearchtool.mdx
@@ -68,15 +68,3 @@ tool = DirectorySearchTool(
    }
 )
 ```
-
-## الأمان
-
-### التحقق من صحة المسارات
-
-يتم التحقق من مسارات المجلدات المقدمة لهذه الأداة مقابل مجلد العمل الحالي. يتم رفض المسارات التي تحل خارج مجلد العمل وإطلاق `ValueError`.
-
-للسماح بالمسارات خارج مجلد العمل (مثلاً في الاختبارات أو خطوط الأنابيب الموثوقة)، عيّن متغير البيئة التالي:
-
-```shell
-CREWAI_TOOLS_ALLOW_UNSAFE_PATHS=true
-```
--- a/docs/ar/tools/file-document/jsonsearchtool.mdx
+++ b/docs/ar/tools/file-document/jsonsearchtool.mdx
@@ -73,19 +73,3 @@ tool = JSONSearchTool(
    }
 )
 ```
-
-## الأمان
-
-### التحقق من صحة المسارات
-
-يتم التحقق من مسارات الملفات المقدمة لهذه الأداة مقابل مجلد العمل الحالي. يتم رفض المسارات التي تحل خارج مجلد العمل وإطلاق `ValueError`.
-
-للسماح بالمسارات خارج مجلد العمل (مثلاً في الاختبارات أو خطوط الأنابيب الموثوقة)، عيّن متغير البيئة التالي:
-
-```shell
-CREWAI_TOOLS_ALLOW_UNSAFE_PATHS=true
-```
-
-### التحقق من صحة الروابط
-
-يتم التحقق من مدخلات الروابط: يتم حظر مخطط `file://` والطلبات التي تستهدف نطاقات IP الخاصة أو المحجوزة لمنع هجمات تزوير الطلبات من جانب الخادم (SSRF).
--- a/docs/ar/tools/file-document/pdfsearchtool.mdx
+++ b/docs/ar/tools/file-document/pdfsearchtool.mdx
@@ -105,19 +105,3 @@ tool = PDFSearchTool(
    }
 )
 ```
-
-## الأمان
-
-### التحقق من صحة المسارات
-
-يتم التحقق من مسارات الملفات المقدمة لهذه الأداة مقابل مجلد العمل الحالي. يتم رفض المسارات التي تحل خارج مجلد العمل وإطلاق `ValueError`.
-
-للسماح بالمسارات خارج مجلد العمل (مثلاً في الاختبارات أو خطوط الأنابيب الموثوقة)، عيّن متغير البيئة التالي:
-
-```shell
-CREWAI_TOOLS_ALLOW_UNSAFE_PATHS=true
-```
-
-### التحقق من صحة الروابط
-
-يتم التحقق من مدخلات الروابط: يتم حظر مخطط `file://` والطلبات التي تستهدف نطاقات IP الخاصة أو المحجوزة لمنع هجمات تزوير الطلبات من جانب الخادم (SSRF).
--- a/docs/ar/tools/search-research/exasearchtool.mdx
+++ b/docs/ar/tools/search-research/exasearchtool.mdx
@@ -1,11 +1,11 @@
 ---
 title: "أداة بحث Exa"
-description: "ابحث في الويب باستخدام Exa Search API للعثور على النتائج الأكثر صلة لأي استعلام، مع خيارات لمحتوى الصفحة الكامل والمقتطفات."
+description: "ابحث في الويب باستخدام Exa Search API للعثور على النتائج الأكثر صلة لأي استعلام، مع خيارات لمحتوى الصفحة الكامل والمقتطفات والملخصات."
 icon: "magnifying-glass"
 mode: "wide"
 ---

-تتيح أداة `ExaSearchTool` لوكلاء CrewAI البحث في الويب باستخدام [Exa](https://exa.ai/) search API. تُرجع النتائج الأكثر صلة لأي استعلام، مع خيارات لمحتوى الصفحة الكامل والمقتطفات الموفرة للرموز.
+تتيح أداة `EXASearchTool` لوكلاء CrewAI البحث في الويب باستخدام [Exa](https://exa.ai/) search API. تُرجع النتائج الأكثر صلة لأي استعلام، مع خيارات لمحتوى الصفحة الكامل والملخصات المولّدة بالذكاء الاصطناعي.

 ## التثبيت

@@ -27,15 +27,15 @@ export EXA_API_KEY='your_exa_api_key'

 ## مثال على الاستخدام

-إليك كيفية استخدام `ExaSearchTool` مع وكيل CrewAI:
+إليك كيفية استخدام `EXASearchTool` مع وكيل CrewAI:

 ```python
 import os
 from crewai import Agent, Task, Crew
-from crewai_tools import ExaSearchTool
+from crewai_tools import EXASearchTool

 # Initialize the tool
-exa_tool = ExaSearchTool()
+exa_tool = EXASearchTool()

 # Create an agent that uses the tool
 researcher = Agent(
@@ -66,11 +66,11 @@ print(result)

 ## خيارات التكوين

-تقبل أداة `ExaSearchTool` المعاملات التالية أثناء التهيئة:
+تقبل أداة `EXASearchTool` المعاملات التالية أثناء التهيئة:

 - `type` (str، اختياري): نوع البحث المستخدم. الافتراضي هو `"auto"`. الخيارات: `"auto"`، `"instant"`، `"fast"`، `"deep"`.
- `highlights` (bool أو dict، اختياري): إرجاع مقتطفات موفرة للرموز أكثر صلة بالاستعلام بدلاً من الصفحة الكاملة. الافتراضي هو `True`. مرر قاموسًا مثل `{"max_characters": 4000}` للتكوين، أو `False` للتعطيل.
 - `content` (bool، اختياري): ما إذا كان يجب تضمين محتوى الصفحة الكامل في النتائج. الافتراضي هو `False`.
+- `summary` (bool، اختياري): ما إذا كان يجب تضمين ملخصات مولّدة بالذكاء الاصطناعي لكل نتيجة. يتطلب `content=True`. الافتراضي هو `False`.
 - `api_key` (str، اختياري): مفتاح Exa API الخاص بك. يعود إلى متغير البيئة `EXA_API_KEY` إذا لم يتم تقديمه.
 - `base_url` (str، اختياري): عنوان URL مخصص لخادم API. يعود إلى متغير البيئة `EXA_BASE_URL` إذا لم يتم تقديمه.

@@ -86,52 +86,25 @@ print(result)
 يمكنك تكوين الأداة بمعاملات مخصصة للحصول على نتائج أغنى:

 ```python
-# Use 'deep' for thorough, multi-step searches
-exa_tool = ExaSearchTool(
-    highlights=True,
+# Get full page content with AI summaries
+exa_tool = EXASearchTool(
+    content=True,
+    summary=True,
    type="deep"
 )

 # Use it in an agent
 agent = Agent(
    role="Deep Researcher",
-    goal="Conduct thorough research",
+    goal="Conduct thorough research with full content and summaries",
    tools=[exa_tool]
 )
 ```

-## استخدام Exa عبر MCP
-
-يمكنك أيضًا ربط وكيلك بخادم MCP المستضاف من Exa. مرّر مفتاح API الخاص بك عبر ترويسة `x-api-key`:
-
-```python
-from crewai import Agent
-from crewai.mcp import MCPServerHTTP
-
-agent = Agent(
-    role="Research Analyst",
-    goal="Find and analyze information on the web",
-    backstory="Expert researcher with access to Exa's tools",
-    mcps=[
-        MCPServerHTTP(
-            url="https://mcp.exa.ai/mcp",
-            headers={"x-api-key": "YOUR_EXA_API_KEY"},
-        ),
-    ],
-)
-```
-
-احصل على مفتاح API من [لوحة تحكم Exa](https://dashboard.exa.ai/api-keys). لمزيد من المعلومات حول MCP في CrewAI، راجع [نظرة عامة على MCP](/ar/mcp/overview).
-
 ## الميزات

- **مقتطفات موفرة للرموز**: الحصول على المقتطفات الأكثر صلة من كل نتيجة، باستخدام رموز أقل بكثير من النص الكامل
 - **البحث الدلالي**: العثور على نتائج بناءً على المعنى، وليس الكلمات المفتاحية فقط
 - **استرجاع المحتوى الكامل**: الحصول على النص الكامل لصفحات الويب مع نتائج البحث
+- **ملخصات الذكاء الاصطناعي**: الحصول على ملخصات موجزة مولّدة بالذكاء الاصطناعي لكل نتيجة
 - **تصفية التاريخ**: تقييد النتائج لفترات زمنية محددة باستخدام فلاتر تاريخ النشر
- **تصفية النطاقات**: تقييد عمليات البحث على نطاقات محددة
-
-## موارد
-
- [توثيق Exa](https://exa.ai/docs)
- [لوحة تحكم Exa — إدارة مفاتيح API والاستخدام](https://dashboard.exa.ai)
+- **تصفية النطاقات**: تقييد عمليات البحث على نطاقات محددة
--- a/docs/ar/tools/search-research/tavilyextractortool.mdx
+++ b/docs/ar/tools/search-research/tavilyextractortool.mdx
@@ -12,7 +12,7 @@ mode: "wide"
 لاستخدام `TavilyExtractorTool`، تحتاج إلى تثبيت مكتبة `tavily-python`:

 ```shell
-uv add 'crewai[tools]' tavily-python
+pip install 'crewai[tools]' tavily-python
 ```

 تحتاج أيضاً إلى تعيين مفتاح Tavily API كمتغير بيئة:
--- a/docs/ar/tools/search-research/tavilyresearchtool.mdx
+++ b/docs/ar/tools/search-research/tavilyresearchtool.mdx
@@ -1,125 +0,0 @@
---
-title: "Tavily Research Tool"
-description: "Run multi-step research tasks and get cited reports using the Tavily Research API"
-icon: "flask"
-mode: "wide"
---
-
-The `TavilyResearchTool` lets CrewAI agents kick off Tavily research tasks, returning a synthesized, cited report (or a stream of progress events) instead of raw search results. Use it when an agent needs an investigative answer rather than a single web search.
-
-## Installation
-
-To use the `TavilyResearchTool`, install the `tavily-python` library alongside `crewai-tools`:
-
-```shell
-uv add 'crewai[tools]' tavily-python
-```
-
-## Environment Variables
-
-Set your Tavily API key:
-
-```bash
-export TAVILY_API_KEY='your_tavily_api_key'
-```
-
-Get an API key at [https://app.tavily.com/](https://app.tavily.com/) (sign up, then create a key).
-
-## Example Usage
-
-```python
-import os
-from crewai import Agent, Crew, Task
-from crewai_tools import TavilyResearchTool
-
-# Ensure TAVILY_API_KEY is set in your environment
-# os.environ["TAVILY_API_KEY"] = "YOUR_API_KEY"
-
-tavily_tool = TavilyResearchTool()
-
-researcher = Agent(
-    role="Research Analyst",
-    goal="Investigate questions and produce concise, well-cited briefings.",
-    backstory=(
-        "You are a meticulous analyst who delegates web research to the Tavily "
-        "Research tool, then synthesizes the findings into short briefings."
-    ),
-    tools=[tavily_tool],
-    verbose=True,
-)
-
-research_task = Task(
-    description=(
-        "Investigate notable open-source agent orchestration frameworks released "
-        "in the last six months and summarize their differentiators."
-    ),
-    expected_output="A bulleted briefing with citations.",
-    agent=researcher,
-)
-
-crew = Crew(agents=[researcher], tasks=[research_task])
-print(crew.kickoff())
-```
-
-## Configuration Options
-
-The `TavilyResearchTool` accepts the following arguments — all can be set on the tool instance (defaults for every call) or per-call via the agent's tool input:
-
- `input` (str): **Required.** The research task or question to investigate.
- `model` (Literal["mini", "pro", "auto"]): The Tavily research model. `"auto"` lets Tavily pick; `"mini"` is faster/cheaper; `"pro"` is the most capable. Defaults to `"auto"`.
- `output_schema` (dict | None): Optional JSON Schema that structures the research output. Useful when you want strictly typed results.
- `stream` (bool): When `True`, the tool returns an iterator of SSE chunks emitting research progress and the final result instead of a single string. Defaults to `False`.
- `citation_format` (Literal["numbered", "mla", "apa", "chicago"]): Citation format for the report. Defaults to `"numbered"`.
-
-## Advanced Usage
-
-### Configure defaults on the tool instance
-
-```python
-from crewai_tools import TavilyResearchTool
-
-tavily_tool = TavilyResearchTool(
-    model="pro",                # use Tavily's most capable research model
-    citation_format="apa",      # APA-style citations
-)
-```
-
-### Stream research progress
-
-When `stream=True`, the tool returns a generator (or async generator from `_arun`) of SSE chunks so your application can surface incremental progress:
-
-```python
-tavily_tool = TavilyResearchTool(stream=True)
-
-for chunk in tavily_tool.run(input="Summarize recent advances in retrieval-augmented generation."):
-    print(chunk)
-```
-
-### Structured output via JSON Schema
-
-Pass an `output_schema` when you need a typed result instead of a free-form report:
-
-```python
-output_schema = {
-    "type": "object",
-    "properties": {
-        "summary": {"type": "string"},
-        "key_points": {"type": "array", "items": {"type": "string"}},
-        "sources": {"type": "array", "items": {"type": "string"}},
-    },
-    "required": ["summary", "key_points", "sources"],
-}
-
-tavily_tool = TavilyResearchTool(output_schema=output_schema)
-```
-
-## Features
-
- **End-to-end research**: Returns a synthesized, cited report rather than raw search hits.
- **Model selection**: Trade off cost, speed, and depth via `mini`, `pro`, or `auto`.
- **Streaming**: Stream incremental progress and results as SSE chunks for responsive UIs.
- **Structured output**: Coerce results to a JSON Schema you define.
- **Multiple citation styles**: Choose from numbered, MLA, APA, or Chicago citations.
- **Sync and async**: Use either `_run` or `_arun` depending on your application's runtime.
-
-Refer to the [Tavily API documentation](https://docs.tavily.com/) for full details on the Research API.
--- a/docs/ar/tools/search-research/tavilysearchtool.mdx
+++ b/docs/ar/tools/search-research/tavilysearchtool.mdx
@@ -12,7 +12,7 @@ mode: "wide"
 لاستخدام `TavilySearchTool`، تحتاج إلى تثبيت مكتبة `tavily-python`:

 ```shell
-uv add 'crewai[tools]' tavily-python
+pip install 'crewai[tools]' tavily-python
 ```

 ## متغيرات البيئة
--- a/docs/docs.json
+++ b/docs/docs.json
--- a/docs/en/api-reference/introduction.mdx
+++ b/docs/en/api-reference/introduction.mdx
@@ -26,7 +26,7 @@ Welcome to the CrewAI AMP API reference. This API allows you to programmatically
 </Step>

  <Step title="Monitor Progress">
-    Use `GET /status/{kickoff_id}` to check execution status and retrieve results.
+    Use `GET /{kickoff_id}/status` to check execution status and retrieve results.
  </Step>
 </Steps>

@@ -65,7 +65,7 @@ Replace `your-crew-name` with your actual crew's URL from the dashboard.

 1. **Discovery**: Call `GET /inputs` to understand what your crew needs
 2. **Execution**: Submit inputs via `POST /kickoff` to start processing
-3. **Monitoring**: Poll `GET /status/{kickoff_id}` until completion
+3. **Monitoring**: Poll `GET /{kickoff_id}/status` until completion
 4. **Results**: Extract the final output from the completed response

 ## Error Handling
--- a/docs/en/api-reference/status.mdx
+++ b/docs/en/api-reference/status.mdx
@@ -1,6 +1,6 @@
 ---
-title: "GET /status/{kickoff_id}"
+title: "GET /{kickoff_id}/status"
 description: "Get execution status"
-openapi: "/enterprise-api.en.yaml GET /status/{kickoff_id}"
+openapi: "/enterprise-api.en.yaml GET /{kickoff_id}/status"
 mode: "wide"
 ---
--- a/docs/en/api-reference/stop.mdx
+++ b/docs/en/api-reference/stop.mdx
@@ -0,0 +1,8 @@
+---
+title: "POST /stop/{kickoff_id}"
+description: "Stop a running crew execution"
+openapi: "/enterprise-api.en.yaml POST /stop/{kickoff_id}"
+mode: "wide"
+---
+
+
--- a/docs/en/changelog.mdx
+++ b/docs/en/changelog.mdx
--- a/docs/en/concepts/agents.mdx
+++ b/docs/en/concepts/agents.mdx
@@ -71,65 +71,81 @@ The Visual Agent Builder enables:

 ## Creating Agents

-There are two common ways to create agents in CrewAI: using **JSONC project configuration (recommended for new crews)** or defining them **directly in code**.
+There are two ways to create agents in CrewAI: using **YAML configuration (recommended)** or defining them **directly in code**.

-### JSONC Configuration (Recommended)
+### YAML Configuration (Recommended)

-New projects created with `crewai create crew <name>` use JSON-first configuration. Each agent is defined in `agents/<agent_name>.jsonc`, and `crew.jsonc` lists which agents are part of the crew.
+Using YAML configuration provides a cleaner, more maintainable way to define agents. We strongly recommend using this approach in your CrewAI projects.

-After creating your CrewAI project as outlined in the [Installation](/en/installation) section, edit the generated files in `agents/`.
+After creating your CrewAI project as outlined in the [Installation](/en/installation) section, navigate to the `src/latest_ai_development/config/agents.yaml` file and modify the template to match your requirements.

 <Note>
-Use `{placeholder}` values in `role`, `goal`, or `backstory`. Put defaults in `crew.jsonc` under `inputs`; `crewai run` prompts for any missing values.
+Variables in your YAML files (like `{topic}`) will be replaced with values from your inputs when running the crew:
+```python Code
+crew.kickoff(inputs={'topic': 'AI Agents'})
+```
 </Note>

-Here's an example `agents/researcher.jsonc` file:
+Here's an example of how to configure agents using YAML:

-```jsonc agents/researcher.jsonc
-{
-  "role": "{topic} Senior Data Researcher",
-  "goal": "Uncover cutting-edge developments in {topic}",
-  "backstory": "You find the most relevant information and present it clearly.",
-  "llm": "openai/gpt-4o",
-  "tools": ["SerperDevTool"],
-  "settings": {
-    "verbose": true,
-    "allow_delegation": false,
-    "max_iter": 20
-  }
-}
+```yaml agents.yaml
+# src/latest_ai_development/config/agents.yaml
+researcher:
+  role: >
+    {topic} Senior Data Researcher
+  goal: >
+    Uncover cutting-edge developments in {topic}
+  backstory: >
+    You're a seasoned researcher with a knack for uncovering the latest
+    developments in {topic}. Known for your ability to find the most relevant
+    information and present it in a clear and concise manner.
+
+reporting_analyst:
+  role: >
+    {topic} Reporting Analyst
+  goal: >
+    Create detailed reports based on {topic} data analysis and research findings
+  backstory: >
+    You're a meticulous analyst with a keen eye for detail. You're known for
+    your ability to turn complex data into clear and concise reports, making
+    it easy for others to understand and act on the information you provide.
 ```

-Then include that agent from `crew.jsonc`:
+To use this YAML configuration in your code, create a crew class that inherits from `CrewBase`:

-```jsonc crew.jsonc
-{
-  "name": "Research Crew",
-  "agents": ["researcher"],
-  "tasks": [
-    {
-      "name": "research_task",
-      "description": "Research {topic}",
-      "expected_output": "A concise briefing about {topic}",
-      "agent": "researcher"
-    }
-  ],
-  "inputs": {
-    "topic": "AI Agents"
-  }
-}
+```python Code
+# src/latest_ai_development/crew.py
+from crewai import Agent, Crew, Process
+from crewai.project import CrewBase, agent, crew
+from crewai_tools import SerperDevTool
+
+@CrewBase
+class LatestAiDevelopmentCrew():
+  """LatestAiDevelopment crew"""
+
+  agents_config = "config/agents.yaml"
+
+  @agent
+  def researcher(self) -> Agent:
+    return Agent(
+      config=self.agents_config['researcher'], # type: ignore[index]
+      verbose=True,
+      tools=[SerperDevTool()]
+    )
+
+  @agent
+  def reporting_analyst(self) -> Agent:
+    return Agent(
+      config=self.agents_config['reporting_analyst'], # type: ignore[index]
+      verbose=True
+    )
 ```

-Agent files support any public `Agent` field. Common fields include `role`, `goal`, `backstory`, `llm`, `tools`, `function_calling_llm`, `guardrail`, `step_callback`, and `settings`. Behavior options such as `verbose`, `allow_delegation`, `max_iter`, `max_rpm`, `memory`, `cache`, `planning_config`, and `use_system_prompt` can be placed at the top level or under `settings`; values in `settings` take precedence.
-
 <Note>
-  JSONC supports comments and trailing commas. If both `agents/<name>.jsonc` and `agents/<name>.json` exist, CrewAI uses the JSONC file.
+  The names you use in your YAML files (`agents.yaml`) should match the method
+  names in your Python code.
 </Note>

-### Classic YAML Configuration
-
-Classic projects created with `crewai create crew <name> --classic` use `config/agents.yaml` and a `@CrewBase` class in `crew.py`. This remains supported for teams that want Python decorators or existing YAML projects.
-
 ### Direct Code Definition

 You can create agents directly in code by instantiating the `Agent` class. Here's a comprehensive example showing all available parameters:
@@ -292,12 +308,16 @@ multimodal_agent = Agent(

 #### Code Execution

-<Warning>
-  `allow_code_execution` and `code_execution_mode` are deprecated. `CodeInterpreterTool` has been removed from `crewai-tools`. Use a dedicated sandbox service such as [E2B](https://e2b.dev) or [Modal](https://modal.com) for secure code execution.
-</Warning>
+- `allow_code_execution`: Must be True to run code
+- `code_execution_mode`:
+  - `"safe"`: Uses Docker (recommended for production)
+  - `"unsafe"`: Direct execution (use only in trusted environments)

- `allow_code_execution` _(deprecated)_: Previously enabled built-in code execution via `CodeInterpreterTool`.
- `code_execution_mode` _(deprecated)_: Previously controlled execution mode (`"safe"` for Docker, `"unsafe"` for direct execution).
+<Note>
+  This runs a default Docker image. If you want to configure the docker image,
+  the checkout the Code Interpreter Tool in the tools section. Add the code
+  interpreter tool as a tool in the agent as a tool parameter.
+</Note>

 #### Advanced Features

@@ -647,9 +667,9 @@ asyncio.run(main())

 ### Security and Code Execution

-<Warning>
-  `allow_code_execution` and `code_execution_mode` are deprecated and `CodeInterpreterTool` has been removed. Use a dedicated sandbox service such as [E2B](https://e2b.dev) or [Modal](https://modal.com) for secure code execution.
-</Warning>
+- When using `allow_code_execution`, be cautious with user input and always validate it
+- Use `code_execution_mode: "safe"` (Docker) in production environments
+- Consider setting appropriate `max_execution_time` limits to prevent infinite loops

 ### Performance Optimization

--- a/docs/en/concepts/checkpointing.mdx
+++ b/docs/en/concepts/checkpointing.mdx
@@ -1,423 +0,0 @@
---
-title: Checkpointing
-description: Automatically save execution state so crews, flows, and agents can resume after failures.
-icon: floppy-disk
-mode: "wide"
---
-
-Checkpointing saves a snapshot of execution state during a run so a crew, flow, or agent can resume after a failure or be forked into an alternate branch.
-
-<CardGroup cols={2}>
-  <Card title="Explanation" icon="lightbulb" href="#explanation">
-    How checkpointing works: events, storage, and inheritance.
-  </Card>
-  <Card title="Tutorial" icon="graduation-cap" href="#tutorial-resume-a-failing-crew">
-    A 5-minute walkthrough: run, interrupt, resume.
-  </Card>
-  <Card title="How-to guides" icon="screwdriver-wrench" href="#how-to-guides">
-    Task-focused recipes for common workflows.
-  </Card>
-  <Card title="Reference" icon="book" href="#reference">
-    `CheckpointConfig`, events, providers, and CLI.
-  </Card>
-</CardGroup>
-
-## Explanation
-
-### What a checkpoint is
-
-A checkpoint captures everything CrewAI needs to recreate a run mid-flight: the full state of the crew, flow, or agent — configuration, agent memory and knowledge sources, task progress, intermediate outputs, internal state and attributes — alongside the kickoff inputs, the event history up to that point, and a lineage ID that ties the checkpoint to the run it came from.
-
-Restoring rebuilds that state and continues. Completed tasks are skipped, memory and knowledge are rehydrated, and downstream work runs against the same outputs the original run produced. Forking does the same restore under a new lineage, so the new branch and the original run can write checkpoints side by side without overwriting each other.
-
-### When checkpoints are written
-
-Checkpointing is event-driven. The runtime subscribes to events you select via `on_events` and writes a checkpoint each time one fires. The default `task_completed` produces one checkpoint per finished task — a sensible tradeoff between granularity and disk use. Higher-frequency events like `llm_call_completed` are available for fine-grained recovery but write far more files.
-
-### Storage
-
-Two providers ship with CrewAI:
-
- `JsonProvider` writes one file per checkpoint. Human-readable and easy to inspect.
- `SqliteProvider` writes to a single SQLite database. Better for high-frequency checkpointing.
-
-Both prune oldest checkpoints when `max_checkpoints` is set.
-
-<Note>
-Auto-checkpoint writes (event-driven) are best-effort: a failed write is logged and the run continues. Manual `state.checkpoint()` and `state.acheckpoint()` calls re-raise on failure.
-</Note>
-
-### Inheritance model
-
-`Crew`, `Flow`, and `Agent` all accept a `checkpoint` argument. Children inherit from their parent unless they set their own value or pass `False` to opt out. Enable checkpointing once on the crew and every agent participates, or selectively exclude one agent.
-
-## Tutorial: Resume a failing crew
-
-This walkthrough takes ~5 minutes. You will run a two-task crew, kill it midway, and resume from the saved checkpoint.
-
-<Steps>
-  <Step title="Create the crew with checkpointing enabled">
-    ```python
-    from crewai import Agent, Crew, Task
-
-    researcher = Agent(role="Researcher", goal="Research", backstory="Expert")
-    writer = Agent(role="Writer", goal="Write", backstory="Expert")
-
-    crew = Crew(
-        agents=[researcher, writer],
-        tasks=[
-            Task(description="Research AI trends", agent=researcher, expected_output="bullets"),
-            Task(description="Write a summary", agent=writer, expected_output="paragraph"),
-        ],
-        checkpoint=True,
-    )
-    ```
-  </Step>
-  <Step title="Run it and interrupt after the first task">
-    ```python
-    result = crew.kickoff()
-    ```
-
-    Press `Ctrl+C` after the first task finishes. Look in `./.checkpoints/` — a file named `<timestamp>_<uuid>.json` is the checkpoint.
-  </Step>
-  <Step title="Resume from the checkpoint">
-    ```python
-    from crewai import CheckpointConfig
-
-    result = crew.kickoff(
-        from_checkpoint=CheckpointConfig(
-            restore_from="./.checkpoints/<timestamp>_<uuid>.json",
-        ),
-    )
-    ```
-
-    The research task is skipped, the writer runs against the saved research output, and the crew finishes.
-  </Step>
-</Steps>
-
-## How-to guides
-
-<AccordionGroup>
-  <Accordion title="Enable checkpointing with defaults" icon="play">
-    ```python
-    crew = Crew(agents=[...], tasks=[...], checkpoint=True)
-    ```
-
-    Writes to `./.checkpoints/` on every `task_completed`.
-  </Accordion>
-
-  <Accordion title="Customize storage and frequency" icon="sliders">
-    ```python
-    from crewai import Crew, CheckpointConfig
-
-    crew = Crew(
-        agents=[...],
-        tasks=[...],
-        checkpoint=CheckpointConfig(
-            location="./my_checkpoints",
-            on_events=["task_completed", "crew_kickoff_completed"],
-            max_checkpoints=5,
-        ),
-    )
-    ```
-  </Accordion>
-
-  <Accordion title="Choose a storage provider" icon="database">
-    <CodeGroup>
-    ```python JsonProvider
-    from crewai import Crew, CheckpointConfig
-    from crewai.state import JsonProvider
-
-    crew = Crew(
-        agents=[...],
-        tasks=[...],
-        checkpoint=CheckpointConfig(
-            location="./my_checkpoints",
-            provider=JsonProvider(),
-            max_checkpoints=5,
-        ),
-    )
-    ```
-    ```python SqliteProvider
-    from crewai import Crew, CheckpointConfig
-    from crewai.state import SqliteProvider
-
-    crew = Crew(
-        agents=[...],
-        tasks=[...],
-        checkpoint=CheckpointConfig(
-            location="./.checkpoints.db",
-            provider=SqliteProvider(),
-            max_checkpoints=50,
-        ),
-    )
-    ```
-    </CodeGroup>
-
-    <Tip>
-    SQLite enables WAL journal mode for concurrent reads. Prefer it for high-frequency checkpointing.
-    </Tip>
-  </Accordion>
-
-  <Accordion title="Opt one agent out" icon="user-slash">
-    ```python
-    crew = Crew(
-        agents=[
-            Agent(role="Researcher", ...),
-            Agent(role="Writer", ..., checkpoint=False),
-        ],
-        tasks=[...],
-        checkpoint=True,
-    )
-    ```
-  </Accordion>
-
-  <Accordion title="Fork into a new branch" icon="code-branch">
-    `fork()` restores a checkpoint under a fresh lineage so the new run does not collide with the original.
-
-    ```python
-    config = CheckpointConfig(restore_from="./my_checkpoints/<file>.json")
-    crew = Crew.fork(config, branch="experiment-a")
-    result = crew.kickoff(inputs={"strategy": "aggressive"})
-    ```
-
-    The `branch` label is optional; one is generated if omitted.
-  </Accordion>
-
-  <Accordion title="Checkpoint a Crew, Flow, or Agent" icon="cubes">
-    <Tabs>
-      <Tab title="Crew">
-        ```python
-        crew = Crew(
-            agents=[researcher, writer],
-            tasks=[research_task, write_task, review_task],
-            checkpoint=CheckpointConfig(location="./crew_cp"),
-        )
-        ```
-
-        Default trigger: `task_completed`.
-      </Tab>
-      <Tab title="Flow">
-        ```python
-        from crewai.flow.flow import Flow, start, listen
-        from crewai import CheckpointConfig
-
-        class MyFlow(Flow):
-            @start()
-            def step_one(self):
-                return "data"
-
-            @listen(step_one)
-            def step_two(self, data):
-                return process(data)
-
-        flow = MyFlow(
-            checkpoint=CheckpointConfig(
-                location="./flow_cp",
-                on_events=["method_execution_finished"],
-            ),
-        )
-        result = flow.kickoff()
-        ```
-      </Tab>
-      <Tab title="Agent">
-        ```python
-        agent = Agent(
-            role="Researcher",
-            goal="Research topics",
-            backstory="Expert researcher",
-            checkpoint=CheckpointConfig(
-                location="./agent_cp",
-                on_events=["lite_agent_execution_completed"],
-            ),
-        )
-        result = agent.kickoff(messages=[{"role": "user", "content": "Research AI trends"}])
-        ```
-      </Tab>
-    </Tabs>
-  </Accordion>
-
-  <Accordion title="Write a checkpoint manually" icon="code">
-    Register a handler on any event and call `state.checkpoint()`.
-
-    <CodeGroup>
-    ```python Sync
-    from __future__ import annotations
-
-    from typing import TYPE_CHECKING, Any
-
-    from crewai.events.event_bus import crewai_event_bus
-    from crewai.events.types.llm_events import LLMCallCompletedEvent
-
-    if TYPE_CHECKING:
-        from crewai.state.runtime import RuntimeState
-
-
-    @crewai_event_bus.on(LLMCallCompletedEvent)
-    def on_llm_done(source: Any, event: LLMCallCompletedEvent, state: RuntimeState) -> None:
-        path = state.checkpoint("./my_checkpoints")
-        print(f"Saved checkpoint: {path}")
-    ```
-    ```python Async
-    from __future__ import annotations
-
-    from typing import TYPE_CHECKING, Any
-
-    from crewai.events.event_bus import crewai_event_bus
-    from crewai.events.types.llm_events import LLMCallCompletedEvent
-
-    if TYPE_CHECKING:
-        from crewai.state.runtime import RuntimeState
-
-
-    @crewai_event_bus.on(LLMCallCompletedEvent)
-    async def on_llm_done_async(source: Any, event: LLMCallCompletedEvent, state: RuntimeState) -> None:
-        path = await state.acheckpoint("./my_checkpoints")
-        print(f"Saved checkpoint: {path}")
-    ```
-    </CodeGroup>
-
-    A `state` argument is supplied automatically when the handler takes three parameters. See [Event Listeners](/en/concepts/event-listener) for the full event catalog.
-  </Accordion>
-
-  <Accordion title="Browse, resume, and fork from the CLI" icon="terminal">
-    ```bash
-    crewai checkpoint
-    crewai checkpoint --location ./my_checkpoints
-    crewai checkpoint --location ./.checkpoints.db
-    ```
-
-    <Frame caption="Checkpoint tree — branches and forks nest under their parent.">
-      <img src="/images/checkpoint-tui-tree.png" alt="Checkpoint TUI tree view" />
-    </Frame>
-
-    The left panel groups checkpoints by branch; forks nest under their parent. Selecting a checkpoint opens the detail panel with metadata, entity state, and task progress. **Resume** continues the run; **Fork** starts a new branch.
-
-    <Frame caption="Overview tab — metadata, entity state, and run summary.">
-      <img src="/images/checkpoint-tui-detail-overview.png" alt="Checkpoint detail overview tab" />
-    </Frame>
-
-    The detail panel exposes two editable areas:
-
-    - **Inputs** — original kickoff inputs, pre-filled and editable.
-
-      <Frame>
-        <img src="/images/checkpoint-tui-detail-inputs.png" alt="Editable kickoff inputs" />
-      </Frame>
-
-    - **Task outputs** — outputs of completed tasks. Editing an output and hitting **Fork** invalidates downstream tasks so they re-run against the modified context.
-
-      <Frame>
-        <img src="/images/checkpoint-tui-detail-tasks.png" alt="Editable task outputs" />
-      </Frame>
-
-    <Frame caption="Fork view — confirm a new branch from the selected checkpoint.">
-      <img src="/images/checkpoint-tui-details-fork.png" alt="Fork confirmation panel" />
-    </Frame>
-
-    <Tip>
-    Useful for "what if" exploration: fork, tweak, observe.
-    </Tip>
-  </Accordion>
-
-  <Accordion title="Inspect checkpoints without the TUI" icon="magnifying-glass">
-    ```bash
-    crewai checkpoint list ./my_checkpoints
-    crewai checkpoint info ./my_checkpoints/<file>.json
-    crewai checkpoint info ./.checkpoints.db
-    ```
-  </Accordion>
-</AccordionGroup>
-
-## Reference
-
-### `CheckpointConfig`
-
-<ParamField path="location" type="str" default='"./.checkpoints"'>
-  Storage destination. A directory for `JsonProvider`, a database file path for `SqliteProvider`.
-</ParamField>
-
-<ParamField path="on_events" type='list[CheckpointEventType | Literal["*"]]' default='["task_completed"]'>
-  Event types that trigger a checkpoint. `CheckpointEventType` is a `Literal` — your type checker will autocomplete and reject unsupported values. See [event types](#event-types) for the full list.
-</ParamField>
-
-<ParamField path="provider" type="BaseProvider" default="JsonProvider()">
-  Storage backend. Either `JsonProvider` or `SqliteProvider`.
-</ParamField>
-
-<ParamField path="max_checkpoints" type="int | None" default="None">
-  Maximum checkpoints to retain. Oldest are pruned after each write.
-</ParamField>
-
-<ParamField path="restore_from" type="Path | str | None" default="None">
-  Checkpoint to restore from when passed via `from_checkpoint`.
-</ParamField>
-
-### `checkpoint` field values
-
-Accepted by `Crew`, `Flow`, and `Agent`.
-
-<ParamField path="None" type="default">
-  Inherit from parent.
-</ParamField>
-
-<ParamField path="True" type="bool">
-  Enable with defaults.
-</ParamField>
-
-<ParamField path="False" type="bool">
-  Explicit opt-out. Stops inheritance.
-</ParamField>
-
-<ParamField path="CheckpointConfig(...)" type="CheckpointConfig">
-  Custom configuration.
-</ParamField>
-
-### Event types
-
-`on_events` accepts any combination of `CheckpointEventType` values. The default `["task_completed"]` writes one checkpoint per finished task; `["*"]` matches every event.
-
-<Warning>
-`["*"]` and high-frequency events like `llm_call_completed` write many checkpoints and can degrade performance. Pair them with `max_checkpoints`.
-</Warning>
-
-<Expandable title="All supported events">
-
- **Task** — `task_started`, `task_completed`, `task_failed`, `task_evaluation`
- **Crew** — `crew_kickoff_started`, `crew_kickoff_completed`, `crew_kickoff_failed`, `crew_train_started`, `crew_train_completed`, `crew_train_failed`, `crew_test_started`, `crew_test_completed`, `crew_test_failed`, `crew_test_result`
- **Agent** — `agent_execution_started`, `agent_execution_completed`, `agent_execution_error`, `lite_agent_execution_started`, `lite_agent_execution_completed`, `lite_agent_execution_error`, `agent_evaluation_started`, `agent_evaluation_completed`, `agent_evaluation_failed`
- **Flow** — `flow_created`, `flow_started`, `flow_finished`, `flow_paused`, `method_execution_started`, `method_execution_finished`, `method_execution_failed`, `method_execution_paused`, `human_feedback_requested`, `human_feedback_received`, `flow_input_requested`, `flow_input_received`
- **LLM** — `llm_call_started`, `llm_call_completed`, `llm_call_failed`, `llm_stream_chunk`, `llm_thinking_chunk`
- **LLM Guardrail** — `llm_guardrail_started`, `llm_guardrail_completed`, `llm_guardrail_failed`
- **Tool** — `tool_usage_started`, `tool_usage_finished`, `tool_usage_error`, `tool_validate_input_error`, `tool_selection_error`, `tool_execution_error`
- **Memory** — `memory_save_started`, `memory_save_completed`, `memory_save_failed`, `memory_query_started`, `memory_query_completed`, `memory_query_failed`, `memory_retrieval_started`, `memory_retrieval_completed`, `memory_retrieval_failed`
- **Knowledge** — `knowledge_search_query_started`, `knowledge_search_query_completed`, `knowledge_query_started`, `knowledge_query_completed`, `knowledge_query_failed`, `knowledge_search_query_failed`
- **Reasoning** — `agent_reasoning_started`, `agent_reasoning_completed`, `agent_reasoning_failed`
- **MCP** — `mcp_connection_started`, `mcp_connection_completed`, `mcp_connection_failed`, `mcp_tool_execution_started`, `mcp_tool_execution_completed`, `mcp_tool_execution_failed`, `mcp_config_fetch_failed`
- **Observation** — `step_observation_started`, `step_observation_completed`, `step_observation_failed`, `plan_refinement`, `plan_replan_triggered`, `goal_achieved_early`
- **Skill** — `skill_discovery_started`, `skill_discovery_completed`, `skill_loaded`, `skill_activated`, `skill_load_failed`
- **Logging** — `agent_logs_started`, `agent_logs_execution`
- **A2A** — `a2a_delegation_started`, `a2a_delegation_completed`, `a2a_conversation_started`, `a2a_conversation_completed`, `a2a_message_sent`, `a2a_response_received`, `a2a_polling_started`, `a2a_polling_status`, `a2a_push_notification_registered`, `a2a_push_notification_received`, `a2a_push_notification_sent`, `a2a_push_notification_timeout`, `a2a_streaming_started`, `a2a_streaming_chunk`, `a2a_agent_card_fetched`, `a2a_authentication_failed`, `a2a_artifact_received`, `a2a_connection_error`, `a2a_server_task_started`, `a2a_server_task_completed`, `a2a_server_task_canceled`, `a2a_server_task_failed`, `a2a_parallel_delegation_started`, `a2a_parallel_delegation_completed`, `a2a_transport_negotiated`, `a2a_content_type_negotiated`, `a2a_context_created`, `a2a_context_expired`, `a2a_context_idle`, `a2a_context_completed`, `a2a_context_pruned`
- **System signals** — `SIGTERM`, `SIGINT`, `SIGHUP`, `SIGTSTP`, `SIGCONT`
- **Wildcard** — `"*"` matches every event.
-
-</Expandable>
-
-### Storage providers
-
-<ParamField path="JsonProvider" type="provider">
-  One file per checkpoint, named `<timestamp>_<uuid>.json` inside `location`.
-</ParamField>
-
-<ParamField path="SqliteProvider" type="provider">
-  Single database file at `location` with WAL journaling.
-</ParamField>
-
-### CLI
-
-| Command | Purpose |
-|:--------|:--------|
-| `crewai checkpoint` | Launch the TUI; auto-detect storage. |
-| `crewai checkpoint --location <path>` | Launch the TUI against a specific location. |
-| `crewai checkpoint list <path>` | List checkpoints. |
-| `crewai checkpoint info <path>` | Inspect a checkpoint file or the latest entry in a SQLite database. |
--- a/docs/en/concepts/cli.mdx
+++ b/docs/en/concepts/cli.mdx
@@ -52,8 +52,6 @@ crewai create crew my_new_crew
 crewai create flow my_new_flow
 ```

-By default, `crewai create crew` creates a JSON-first crew project with `crew.jsonc` and `agents/*.jsonc`. Use `crewai create crew my_new_crew --classic` only when you want the older Python/YAML scaffold with `crew.py`, `config/agents.yaml`, and `config/tasks.yaml`.
-
 ### 2. Version

 Show the installed version of CrewAI.
@@ -187,20 +185,7 @@ crewai chat
 Ensure you execute these commands from your CrewAI project's root directory.
 </Note>
 <Note>
-IMPORTANT: Set the `chat_llm` property in your crew definition to enable this command.
-
-For JSON-first crews, add it to `crew.jsonc`:
-
-```jsonc
-{
-  "name": "My Crew",
-  "agents": ["researcher"],
-  "tasks": [],
-  "chat_llm": "openai/gpt-4o"
-}
-```
-
-For classic Python/YAML crews, set it in `crew.py`:
+IMPORTANT: Set the `chat_llm` property in your `crew.py` file to enable this command.

 ```python
@crew
@@ -351,7 +336,7 @@ Notes:

 ### 12. API Keys

-When running the `crewai create crew` command, the CLI shows a list of available LLM providers, followed by model selection for your chosen provider. The selected model is saved in the generated `.env` file and each generated agent JSONC file can set its own `llm`.
+When running `crewai create crew` command, the CLI will show you a list of available LLM providers to choose from, followed by model selection for your chosen provider.

 Once you've selected an LLM provider and model, you will be prompted for API keys.

--- a/docs/en/concepts/crews.mdx
+++ b/docs/en/concepts/crews.mdx
@@ -33,14 +33,7 @@ A crew in crewAI represents a collaborative group of agents working together to
 | **Planning** *(optional)*             | `planning`             | Adds planning ability to the Crew. When activated before each Crew iteration, all Crew data is sent to an AgentPlanner that will plan the tasks and this plan will be added to each task description.                                                     |
 | **Planning LLM** *(optional)*         | `planning_llm`         | The language model used by the AgentPlanner in a planning process.                                                                                                                                                                                        |
 | **Knowledge Sources** _(optional)_    | `knowledge_sources`    | Knowledge sources available at the crew level, accessible to all the agents.                                                                                                                                                                                    |
-| **Stream** _(optional)_                        | `stream`                      | Enable streaming output to receive real-time updates during crew execution. Returns a `CrewStreamingOutput` object that can be iterated for chunks. Defaults to `False`.                                                                                    |
-| **Chat LLM** _(optional)_                      | `chat_llm`                    | The language model used to orchestrate `crewai chat` CLI interactions with the crew. Accepts a model name string or `LLM` instance. Defaults to `None`.                                                                                                    |
-| **Before Kickoff Callbacks** _(optional)_      | `before_kickoff_callbacks`    | A list of callable functions executed **before** the crew starts. Each callback receives and can modify the inputs dict. Distinct from the `@before_kickoff` decorator. Defaults to `[]`.                                                                   |
-| **After Kickoff Callbacks** _(optional)_       | `after_kickoff_callbacks`     | A list of callable functions executed **after** the crew finishes. Each callback receives and can modify the `CrewOutput`. Distinct from the `@after_kickoff` decorator. Defaults to `[]`.                                                                  |
-| **Tracing** _(optional)_                       | `tracing`                     | Controls OpenTelemetry tracing for the crew. `True` = always enable, `False` = always disable, `None` = inherit from environment / user settings. Defaults to `None`.                                                                                      |
-| **Skills** _(optional)_                        | `skills`                      | A list of `Path` objects (skill search directories) or pre-loaded `Skill` objects applied to all agents in the crew. Defaults to `None`.                                                                                                                    |
-| **Security Config** _(optional)_               | `security_config`              | A `SecurityConfig` instance managing crew fingerprinting and identity. Defaults to `SecurityConfig()`.                                                                                                                                                      |
-| **Checkpoint** _(optional)_                    | `checkpoint`                  | Enables automatic checkpointing. Pass `True` for sensible defaults, a `CheckpointConfig` for full control, `False` to opt out, or `None` to inherit. See the [Checkpointing](#checkpointing) section below. Defaults to `None`.                             |
+| **Stream** _(optional)_               | `stream`               | Enable streaming output to receive real-time updates during crew execution. Returns a `CrewStreamingOutput` object that can be iterated for chunks. Defaults to `False`.                                                                                    |

 <Tip>
 **Crew Max RPM**: The `max_rpm` attribute sets the maximum number of requests per minute the crew can perform to avoid rate limits and will override individual agents' `max_rpm` settings if you set it.
@@ -48,74 +41,108 @@ A crew in crewAI represents a collaborative group of agents working together to

 ## Creating Crews

-There are two common ways to create crews in CrewAI: using **JSONC project configuration (recommended for new crews)** or defining them **directly in code**.
+There are two ways to create crews in CrewAI: using **YAML configuration (recommended)** or defining them **directly in code**.

-### JSONC Configuration (Recommended)
+### YAML Configuration (Recommended)

-New projects created with `crewai create crew <name>` use `crew.jsonc` for crew-level settings and tasks, plus one file per agent in `agents/`.
+Using YAML configuration provides a cleaner, more maintainable way to define crews and is consistent with how agents and tasks are defined in CrewAI projects.

-`crewai run` automatically detects `crew.jsonc` or `crew.json`, loads the referenced agents, prompts for missing placeholders, and kicks off the crew.
+After creating your CrewAI project as outlined in the [Installation](/en/installation) section, you can define your crew in a class that inherits from `CrewBase` and uses decorators to define agents, tasks, and the crew itself.

-#### Example `crew.jsonc`
+#### Example Crew Class with Decorators

-```jsonc crew.jsonc
-{
-  "name": "Market Research Crew",
-  "agents": ["researcher", "analyst"],
-  "tasks": [
-    {
-      "name": "research",
-      "description": "Research {topic} and collect the most relevant facts.",
-      "expected_output": "Structured research notes about {topic}.",
-      "agent": "researcher"
-    },
-    {
-      "name": "analysis",
-      "description": "Analyze the research and write a concise report.",
-      "expected_output": "A markdown report with findings and recommendations.",
-      "agent": "analyst",
-      "context": ["research"],
-      "output_file": "output/report.md"
-    }
-  ],
-  "process": "sequential",
-  "verbose": true,
-  "memory": true,
-  "inputs": {
-    "topic": "AI Agents"
-  }
-}
+```python code
+from crewai import Agent, Crew, Task, Process
+from crewai.project import CrewBase, agent, task, crew, before_kickoff, after_kickoff
+from crewai.agents.agent_builder.base_agent import BaseAgent
+from typing import List
+
+@CrewBase
+class YourCrewName:
+    """Description of your crew"""
+
+    agents: List[BaseAgent]
+    tasks: List[Task]
+
+    # Paths to your YAML configuration files
+    # To see an example agent and task defined in YAML, checkout the following:
+    # - Task: https://docs.crewai.com/concepts/tasks#yaml-configuration-recommended
+    # - Agents: https://docs.crewai.com/concepts/agents#yaml-configuration-recommended
+    agents_config = 'config/agents.yaml'
+    tasks_config = 'config/tasks.yaml'
+
+    @before_kickoff
+    def prepare_inputs(self, inputs):
+        # Modify inputs before the crew starts
+        inputs['additional_data'] = "Some extra information"
+        return inputs
+
+    @after_kickoff
+    def process_output(self, output):
+        # Modify output after the crew finishes
+        output.raw += "\nProcessed after kickoff."
+        return output
+
+    @agent
+    def agent_one(self) -> Agent:
+        return Agent(
+            config=self.agents_config['agent_one'], # type: ignore[index]
+            verbose=True
+        )
+
+    @agent
+    def agent_two(self) -> Agent:
+        return Agent(
+            config=self.agents_config['agent_two'], # type: ignore[index]
+            verbose=True
+        )
+
+    @task
+    def task_one(self) -> Task:
+        return Task(
+            config=self.tasks_config['task_one'] # type: ignore[index]
+        )
+
+    @task
+    def task_two(self) -> Task:
+        return Task(
+            config=self.tasks_config['task_two'] # type: ignore[index]
+        )
+
+    @crew
+    def crew(self) -> Crew:
+        return Crew(
+            agents=self.agents,  # Automatically collected by the @agent decorator
+            tasks=self.tasks,    # Automatically collected by the @task decorator.
+            process=Process.sequential,
+            verbose=True,
+        )
 ```

-Each string in `agents` resolves to `agents/<name>.jsonc` first, then `agents/<name>.json`.
+How to run the above code:

-```jsonc agents/researcher.jsonc
-{
-  "role": "{topic} Senior Researcher",
-  "goal": "Find accurate and current information about {topic}.",
-  "backstory": "You are a careful researcher who cites clear evidence.",
-  "llm": "openai/gpt-4o",
-  "tools": ["SerperDevTool"]
-}
+```python code
+YourCrewName().crew().kickoff(inputs={"any": "input here"})
 ```

 <Note>
-Tasks run in the order they appear in `tasks` when `process` is `"sequential"`.
+Tasks will be executed in the order they are defined.
 </Note>

-For hierarchical crews, set `"process": "hierarchical"` and provide either `manager_llm` or `manager_agent`. A `manager_agent` can reference an `agents/<name>.jsonc` file that is not included in the top-level `agents` list.
+The `CrewBase` class, along with these decorators, automates the collection of agents and tasks, reducing the need for manual management.

-JSON crew definitions support crew-level fields such as `process`, `verbose`, `memory`, `cache`, `max_rpm`, `planning`, `planning_llm`, `manager_llm`, `manager_agent`, `function_calling_llm`, `output_log_file`, `stream`, `tracing`, `before_kickoff_callbacks`, and `after_kickoff_callbacks`.
+#### Decorators overview from `annotations.py`

-Python callbacks and custom classes use `{"python": "module.attribute"}`. Custom tools use `"custom:<name>"` and load `tools/<name>.py` at runtime.
+CrewAI provides several decorators in the `annotations.py` file that are used to mark methods within your crew class for special handling:

-<Warning>
-Only run JSON crew projects from sources you trust. `custom:<name>` tools and `{"python": "module.attribute"}` references execute local Python code when the crew loads.
-</Warning>
+- `@CrewBase`: Marks the class as a crew base class.
+- `@agent`: Denotes a method that returns an `Agent` object.
+- `@task`: Denotes a method that returns a `Task` object.
+- `@crew`: Denotes the method that returns the `Crew` object.
+- `@before_kickoff`: (Optional) Marks a method to be executed before the crew starts.
+- `@after_kickoff`: (Optional) Marks a method to be executed after the crew finishes.

-### Classic Python/YAML Configuration
-
-Classic projects created with `crewai create crew <name> --classic` use `crew.py`, `config/agents.yaml`, `config/tasks.yaml`, and the `@CrewBase`, `@agent`, `@task`, and `@crew` decorators. That pattern remains supported and is documented in [Using Annotations](/en/learn/using-annotations).
+These decorators help in organizing your crew's structure and automatically collecting agents and tasks without manually listing them.

 ### Direct Code Definition (Alternative)

@@ -244,72 +271,6 @@ crew = Crew(output_log_file = file_name.json)  # Logs will be saved as file_name



-## Checkpointing
-
-Checkpointing lets a crew automatically save its state after key events (e.g. task completion) so that long-running or interrupted runs can be resumed exactly where they left off without re-executing completed tasks.
-
-### Quick Start
-
-Pass `checkpoint=True` to enable checkpointing with sensible defaults (saves to `.checkpoints/` after every task):
-
-```python Code
-from crewai import Crew, Process
-
-crew = Crew(
-    agents=[researcher, writer],
-    tasks=[research_task, write_task],
-    process=Process.sequential,
-    checkpoint=True,  # saves to .checkpoints/ after every task
-)
-
-crew.kickoff(inputs={"topic": "AI trends"})
-```
-
-### Full Control with `CheckpointConfig`
-
-Use `CheckpointConfig` for fine-grained control over location, trigger events, storage backend, and retention:
-
-```python Code
-from crewai import Crew, Process
-from crewai.state.checkpoint_config import CheckpointConfig
-
-crew = Crew(
-    agents=[researcher, writer],
-    tasks=[research_task, write_task],
-    process=Process.sequential,
-    checkpoint=CheckpointConfig(
-        location="./.checkpoints",       # directory for JSON files (default)
-        on_events=["task_completed"],    # trigger after each task (default)
-        max_checkpoints=5,               # keep only the 5 most recent checkpoints
-    ),
-)
-
-crew.kickoff(inputs={"topic": "AI trends"})
-```
-
-### Resuming from a Checkpoint
-
-Use `Crew.from_checkpoint()` to restore a crew from a saved checkpoint file, then call `kickoff()` to resume:
-
-```python Code
-# Resume from the most recent checkpoint
-crew = Crew.from_checkpoint(".checkpoints/latest.json")
-crew.kickoff()
-```
-
-<Note>
-When restoring from a checkpoint, `checkpoint_inputs`, `checkpoint_train`, and `checkpoint_kickoff_event_id` are automatically reconstructed — you do not need to set these manually.
-</Note>
-
-### `CheckpointConfig` Attributes
-
-| Attribute          | Type                                   | Default              | Description                                                                                   |
-| :----------------- | :------------------------------------- | :------------------- | :-------------------------------------------------------------------------------------------- |
-| `location`         | `str`                                  | `"./.checkpoints"`   | Storage destination. For `JsonProvider` this is a directory path; for `SqliteProvider` a database file path. |
-| `on_events`        | `list[str]`                            | `["task_completed"]` | Event types that trigger a checkpoint write. Use `["*"]` to checkpoint on every event.        |
-| `provider`         | `JsonProvider \| SqliteProvider`       | `JsonProvider()`     | Storage backend. Defaults to `JsonProvider` (plain JSON files).                               |
-| `max_checkpoints`  | `int \| None`                          | `None`               | Maximum checkpoints to keep. Oldest are pruned after each write. `None` keeps all.            |
-
 ## Memory Utilization

 Crews can utilize memory (short-term, long-term, and entity memory) to enhance their execution and learning over time. This feature allows crews to store and recall execution memories, aiding in decision-making and task execution strategies.
--- a/docs/en/concepts/flows.mdx
+++ b/docs/en/concepts/flows.mdx
@@ -29,7 +29,6 @@ from crewai.flow.flow import Flow, listen, start
 from dotenv import load_dotenv
 from litellm import completion

-load_dotenv()

 class ExampleFlow(Flow):
    model = "gpt-4o-mini"
@@ -226,49 +225,6 @@ After the Flow has run, you can access the final state to see the updates made b
 By ensuring that the final method's output is returned and providing access to the state, CrewAI Flows make it easy to integrate the results of your AI workflows into larger applications or systems,
 while also maintaining and accessing the state throughout the Flow's execution.

-## Flow Usage Metrics
-
-After a Flow execution completes, you can access the `usage_metrics` property to view aggregated token usage across **every LLM call** made during the run — including calls from every Crew the Flow orchestrated, calls inside Agent tools, and bare `LLM.call(...)` invocations from Flow methods. This is the SDK-side equivalent of the totals shown in the CrewAI Enterprise UI.
-
-```python Code
-from crewai import LLM
-from crewai.flow.flow import Flow, listen, start
-
-class UsageMetricsFlow(Flow):
-    @start()
-    def run_first_crew(self):
-        self.state.first_result = FirstCrew().crew().kickoff()
-
-    @listen(run_first_crew)
-    def call_llm_directly(self):
-        # Bare LLM call — still counted by flow.usage_metrics
-        llm = LLM(model="openai/gpt-4o-mini")
-        self.state.summary = llm.call("Summarize the key takeaways.")
-
-    @listen(call_llm_directly)
-    def run_second_crew(self):
-        self.state.second_result = SecondCrew().crew().kickoff()
-
-flow = UsageMetricsFlow()
-flow.kickoff()
-
-print(flow.usage_metrics)
-# UsageMetrics(total_tokens=8579, prompt_tokens=6210, completion_tokens=2369,
-#              cached_prompt_tokens=0, reasoning_tokens=0,
-#              cache_creation_tokens=0, successful_requests=5)
-```
-
-<Note>
-  `flow.usage_metrics` is **not** the same as `flow.kickoff().token_usage`. The
-  latter returns the `CrewOutput.token_usage` of the **last** `@listen` method
-  that returned a `CrewOutput`, which means it only reflects the final Crew and
-  ignores prior Crews and bare `LLM.call(...)` invocations entirely. Use
-  `flow.usage_metrics` whenever you need the **full** token rollup for the Flow
-  execution.
-</Note>
-
-Each entry in the returned [`UsageMetrics`](https://github.com/crewAIInc/crewAI/blob/main/lib/crewai/src/crewai/types/usage_metrics.py) is the sum across all LLM calls made within a single `flow.kickoff()` invocation. Counters reset on the next `kickoff()` call (or on each iteration of `kickoff_for_each`), so successive runs don't double-count. The property is safe to read at any point after `kickoff()` completes; reading it during execution returns the partial total accumulated so far.
-
 ## Flow State Management

 Managing state effectively is crucial for building reliable and maintainable AI workflows. CrewAI Flows provides robust mechanisms for both unstructured and structured state management,
@@ -424,42 +380,6 @@ class AnotherFlow(Flow[dict]):
        print("Method-level persisted runs:", self.state["runs"])
 ```

-### Forking Persisted State
-
-`@persist` supports two distinct hydration modes on `kickoff` / `kickoff_async`:
-
- `kickoff(inputs={"id": <uuid>})` — **resume**: load the latest snapshot for the supplied UUID and continue writing under the same `flow_uuid`. The history extends.
- `kickoff(restore_from_state_id=<uuid>)` — **fork**: load the latest snapshot for the supplied UUID, hydrate the new run's state from it, and assign a fresh `state.id` (auto-generated, or `inputs["id"]` if pinned). The new run's `@persist` writes land under the new `state.id`; the source flow's history is preserved.
-
-```python
-from crewai.flow.flow import Flow, start
-from crewai.flow.persistence import persist
-from pydantic import BaseModel
-
-class CounterState(BaseModel):
-    id: str = ""
-    counter: int = 0
-
-@persist
-class CounterFlow(Flow[CounterState]):
-    @start()
-    def step(self):
-        self.state.counter += 1
-        print(f"[id={self.state.id}] counter={self.state.counter}")
-
-# Run 1: fresh state, counter 0 -> 1, persisted under flow_1.state.id
-flow_1 = CounterFlow()
-flow_1.kickoff()
-
-# Fork: hydrate from flow_1's latest snapshot, but use a NEW state.id
-flow_2 = CounterFlow()
-flow_2.kickoff(restore_from_state_id=flow_1.state.id)
-# flow_2.state.counter starts at 1 (hydrated), then step() bumps it to 2.
-# flow_2.state.id != flow_1.state.id; flow_1's history is unchanged.
-```
-
-If the supplied `restore_from_state_id` does not match any persisted state, the kickoff falls back silently — same as the existing `inputs["id"]` resume not-found behavior. Combining `restore_from_state_id` with `from_checkpoint` raises a `ValueError`; pick one hydration source. Pinning `inputs["id"]` while forking shares a persistence key with another flow — usually you want only `restore_from_state_id`.
-
 ### How It Works

 1. **Unique State Identification**
@@ -831,7 +751,7 @@ You can generate a new CrewAI project that includes all the scaffolding needed t
 crewai create flow name_of_flow
 ```

-This command will generate a new CrewAI project with the necessary folder structure. The generated project includes a prebuilt crew called `poem_crew` that is already working. The starter embedded crew uses the classic Python/YAML layout; new standalone crews created with `crewai create crew` use the JSON-first layout.
+This command will generate a new CrewAI project with the necessary folder structure. The generated project includes a prebuilt crew called `poem_crew` that is already working. You can use this crew as a template by copying, pasting, and editing it to create other crews.

 ### Folder Structure

@@ -855,35 +775,13 @@ After running the `crewai create flow name_of_flow` command, you will see a fold

 ### Building Your Crews

-In the `crews` folder, you can define multiple crews. The generated `poem_crew` uses the classic embedded-crew structure:
+In the `crews` folder, you can define multiple crews. Each crew will have its own folder containing configuration files and the crew definition file. For example, the `poem_crew` folder contains:

 - `config/agents.yaml`: Defines the agents for the crew.
 - `config/tasks.yaml`: Defines the tasks for the crew.
 - `poem_crew.py`: Contains the crew definition, including agents, tasks, and the crew itself.

-You can copy, paste, and edit the `poem_crew` to create other classic embedded crews.
-
-For JSON-first embedded crews, use a folder with `crew.jsonc` and `agents/*.jsonc` instead:
-
-```text
-crews/
-└── research_crew/
-    ├── agents/
-    │   └── researcher.jsonc
-    └── crew.jsonc
-```
-
-Then load it from a Flow step:
-
-```python
-from pathlib import Path
-from crewai.project import load_crew
-
-crew, default_inputs = load_crew(
-    Path(__file__).parent / "crews" / "research_crew" / "crew.jsonc"
-)
-result = crew.kickoff(inputs={**default_inputs, "topic": "AI Agents"})
-```
+You can copy, paste, and edit the `poem_crew` to create other crews.

 ### Connecting Crews in `main.py`

--- a/docs/en/concepts/llms.mdx
+++ b/docs/en/concepts/llms.mdx
@@ -107,7 +107,7 @@ There are different places in CrewAI code where you can specify the model to use
 </Tabs>

 <Info>
-  CrewAI provides native SDK integrations for OpenAI, Anthropic, Google (Gemini API), Azure, AWS Bedrock, and Snowflake Cortex — no extra install needed beyond the provider-specific extras (e.g. `uv add "crewai[openai]"`).
+  CrewAI provides native SDK integrations for OpenAI, Anthropic, Google (Gemini API), Azure, and AWS Bedrock — no extra install needed beyond the provider-specific extras (e.g. `uv add "crewai[openai]"`).

  All other providers are powered by **LiteLLM**. If you plan to use any of them, add it as a dependency to your project:
  ```bash
@@ -291,55 +291,6 @@ In this section, you'll find detailed examples that help you select, configure,
    ```
  </Accordion>

-  <Accordion title="Snowflake Cortex">
-    CrewAI provides native integration with the Snowflake Cortex REST API through its OpenAI-compatible Chat Completions endpoint. This avoids LiteLLM fallback for `snowflake/...` models. Snowflake Cortex currently supports Chat Completions only in CrewAI, so use the default `api` mode and do not set `api="responses"`.
-
-    ```toml Code
-    # Required
-    SNOWFLAKE_PAT=<your-programmatic-access-token>
-    SNOWFLAKE_ACCOUNT_URL=https://<account-identifier>.snowflakecomputing.com
-
-    # Alternative account configuration
-    SNOWFLAKE_ACCOUNT=<account-identifier>
-    ```
-
-    **Basic Usage:**
-    ```python Code
-    from crewai import LLM
-
-    llm = LLM(
-        model="snowflake/openai-gpt-4.1",
-        temperature=0.7,
-        max_completion_tokens=1024,
-    )
-    ```
-
-    **Claude Models on Cortex:**
-    ```python Code
-    from crewai import LLM
-
-    llm = LLM(
-        model="snowflake/claude-sonnet-4-5",
-        max_completion_tokens=1024,
-        stream=True,
-    )
-    ```
-
-    **Supported Environment Variables:**
-    - `SNOWFLAKE_PAT`, `SNOWFLAKE_TOKEN`, or `SNOWFLAKE_JWT`: token used as the Bearer credential
-    - `SNOWFLAKE_ACCOUNT_URL`: full Snowflake account URL
-    - `SNOWFLAKE_ACCOUNT`, `SNOWFLAKE_ACCOUNT_ID`, or `SNOWFLAKE_ACCOUNT_IDENTIFIER`: account identifier used to build the account URL
-
-    Snowflake REST requests use the user's default Snowflake role. Make sure that role has `SNOWFLAKE.CORTEX_USER` or `SNOWFLAKE.CORTEX_REST_API_USER`. Database, schema, warehouse, and explicit role parameters are not required by the Cortex REST Chat Completions endpoint.
-
-    **Features:**
-    - Native provider selection with `model="snowflake/<model-name>"`
-    - Streaming and non-streaming Chat Completions only; `api="responses"` is not supported
-    - Token usage tracking
-    - Function calling for Snowflake-hosted OpenAI and Claude models
-    - Automatic removal of invalid trailing assistant prefill for Snowflake Claude models
-  </Accordion>
-
  <Accordion title="Anthropic">
    CrewAI provides native integration with Anthropic through the Anthropic Python SDK.

@@ -952,61 +903,6 @@ In this section, you'll find detailed examples that help you select, configure,
    ```
  </Accordion>

-  <Accordion title="NVIDIA Nemotron">
-    NVIDIA Nemotron models are designed for demanding agentic workloads, including complex reasoning, long-context analysis, tool use, multilingual tasks, and high-stakes RAG.
-
-    The `NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4` model is a frontier-scale open-weight model from NVIDIA with 550B total parameters and 55B active parameters. It uses a LatentMoE architecture that combines Mamba-2, MoE, Attention, and Multi-Token Prediction (MTP), and supports context lengths up to 1M tokens.
-
-    <Info>
-      `NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4` is a very large model. NVIDIA lists minimum serving requirements of 4x GB200, 4x B200, 4x GB300, 4x B300, or 8x H100 GPUs. For most CrewAI users, the recommended path is to use NVIDIA NIM or another OpenAI-compatible hosted endpoint rather than running it locally.
-    </Info>
-
-    **Hosted NVIDIA NIM usage:**
-    ```toml Code
-    NVIDIA_API_KEY=<your-api-key>
-    ```
-
-    ```python Code
-    from crewai import LLM
-
-    llm = LLM(
-        model="nvidia_nim/nvidia/nvidia-nemotron-3-ultra-550b-a55b",
-        temperature=0.2,
-        max_tokens=4096,
-    )
-    ```
-
-    **Self-hosted OpenAI-compatible endpoint:**
-    ```python Code
-    from crewai import LLM
-
-    llm = LLM(
-        model="openai/nvidia-nemotron-3-ultra-550b-a55b-nvfp4",
-        base_url="https://your-nemotron-endpoint.example.com/v1",
-        api_key="your-api-key",
-        temperature=0.2,
-        max_tokens=4096,
-    )
-    ```
-
-    **Model details:**
-
-    | Model | Context Window | Best For |
-    |-------|----------------|----------|
-    | `nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4` | Up to 1M tokens | Frontier reasoning, complex agentic workflows, long-context analysis, tool use, multilingual reasoning, and high-stakes RAG |
-
-    **Supported languages:** English, French, Spanish, Italian, German, Japanese, Korean, Hindi, Brazilian Portuguese, and Chinese.
-
-    **Reasoning mode:** Nemotron 3 Ultra supports configurable reasoning via its chat template using `enable_thinking=True` or `enable_thinking=False`. If you are using a hosted endpoint, check your provider's documentation for how that flag is exposed.
-
-    For model details, license, and deployment guidance, see the [NVIDIA Nemotron 3 Ultra model card](https://huggingface.co/nvidia/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4).
-
-    **Note:** Hosted NVIDIA NIM usage uses LiteLLM. Add it as a dependency to your project:
-    ```bash
-    uv add 'crewai[litellm]'
-    ```
-  </Accordion>
-
  <Accordion title="Local NVIDIA NIM Deployed using WSL2">

    NVIDIA NIM enables you to run powerful LLMs locally on your Windows machine using WSL2 (Windows Subsystem for Linux).
--- a/docs/en/concepts/memory.mdx
+++ b/docs/en/concepts/memory.mdx
@@ -101,7 +101,7 @@ crew = Crew(
 )
 ```

-When `memory=True`, the crew creates a default `Memory()` and passes the crew's `embedder` configuration through automatically. All agents in the crew share the crew's memory unless an agent has its own. Without a custom `embedder`, memory uses OpenAI `text-embedding-3-large` embeddings.
+When `memory=True`, the crew creates a default `Memory()` and passes the crew's `embedder` configuration through automatically. All agents in the crew share the crew's memory unless an agent has its own.

 After each task, the crew automatically extracts discrete facts from the task output and stores them. Before each task, the agent recalls relevant context from memory and injects it into the task prompt.

@@ -515,11 +515,7 @@ memory = Memory(

 ## Embedder Configuration

-Memory needs an embedding model to convert text into vectors for semantic search. By default, `Memory()` uses OpenAI `text-embedding-3-large` embeddings, which produce 3072-dimensional vectors. Set `OPENAI_API_KEY` for the default path, or configure a custom embedder in one of three ways.
-
-<Warning>
-Existing local memory stores created with 1536-dimensional embeddings, such as `text-embedding-3-small` or `text-embedding-ada-002`, may not be compatible with the `text-embedding-3-large` default. This applies to both the OpenAI and Azure OpenAI providers — Azure's default embedding model also changed from `text-embedding-ada-002` to `text-embedding-3-large`. If local testing fails with an embedding dimension mismatch, reset memory with `crewai reset-memories -m`, delete the local memory storage directory, or explicitly configure the older embedder model until you migrate.
-</Warning>
+Memory needs an embedding model to convert text into vectors for semantic search. You can configure this in three ways.

 ### Passing to Memory Directly

@@ -527,7 +523,7 @@ Existing local memory stores created with 1536-dimensional embeddings, such as `
 from crewai import Memory

 # As a config dict
-memory = Memory(embedder={"provider": "openai", "config": {"model_name": "text-embedding-3-large"}})
+memory = Memory(embedder={"provider": "openai", "config": {"model_name": "text-embedding-3-small"}})

 # As a pre-built callable
 from crewai.rag.embeddings.factory import build_embedder
@@ -546,7 +542,7 @@ crew = Crew(
    agents=[...],
    tasks=[...],
    memory=True,
-    embedder={"provider": "openai", "config": {"model_name": "text-embedding-3-large"}},
+    embedder={"provider": "openai", "config": {"model_name": "text-embedding-3-small"}},
 )
 ```

@@ -558,7 +554,7 @@ crew = Crew(
 memory = Memory(embedder={
    "provider": "openai",
    "config": {
-        "model_name": "text-embedding-3-large",
+        "model_name": "text-embedding-3-small",
        # "api_key": "sk-...",  # or set OPENAI_API_KEY env var
    },
 })
@@ -705,9 +701,9 @@ memory = Memory(embedder=my_embedder)

 | Provider | Key | Typical Model | Notes |
 | :--- | :--- | :--- | :--- |
-| OpenAI | `openai` | `text-embedding-3-large` | Default. Set `OPENAI_API_KEY`. |
+| OpenAI | `openai` | `text-embedding-3-small` | Default. Set `OPENAI_API_KEY`. |
 | Ollama | `ollama` | `mxbai-embed-large` | Local, no API key needed. |
-| Azure OpenAI | `azure` | `text-embedding-3-large` | Default model. Requires `deployment_id`. |
+| Azure OpenAI | `azure` | `text-embedding-ada-002` | Requires `deployment_id`. |
 | Google AI | `google-generativeai` | `gemini-embedding-001` | Set `GOOGLE_API_KEY`. |
 | Google Vertex | `google-vertex` | `gemini-embedding-001` | Requires `project_id`. |
 | Cohere | `cohere` | `embed-english-v3.0` | Strong multilingual support. |
@@ -840,9 +836,6 @@ class MemoryMonitor(BaseEventListener):
 **Background save errors in logs?**
 - Memory saves run in a background thread. Errors are emitted as `MemorySaveFailedEvent` but don't crash the agent. Check logs for the root cause (usually LLM or embedder connection issues).

-**Embedding dimension mismatch?**
- Existing local memory stores may have been created with a different embedding model. The default OpenAI memory embedder is now `text-embedding-3-large` (3072 dimensions), while older stores commonly used 1536-dimensional embeddings. For local testing, run `crewai reset-memories -m`, delete the local memory storage directory, or configure the previous embedder model explicitly.
-
 **Concurrent write conflicts?**
 - LanceDB operations are serialized with a shared lock and retried automatically on conflict. This handles multiple `Memory` instances pointing at the same database (e.g. agent memory + crew memory). No action needed.

@@ -869,7 +862,7 @@ All configuration is passed as keyword arguments to `Memory(...)`. Every paramet
 | :--- | :--- | :--- |
 | `llm` | `"gpt-4o-mini"` | LLM for analysis (model name or `BaseLLM` instance). |
 | `storage` | `"lancedb"` | Storage backend (`"lancedb"`, a path string, or a `StorageBackend` instance). |
-| `embedder` | `None` (OpenAI `text-embedding-3-large`) | Embedder (config dict, callable, or `None` for default OpenAI). |
+| `embedder` | `None` (OpenAI default) | Embedder (config dict, callable, or `None` for default OpenAI). |
 | `recency_weight` | `0.3` | Weight for recency in composite score. |
 | `semantic_weight` | `0.5` | Weight for semantic similarity in composite score. |
 | `importance_weight` | `0.2` | Weight for importance in composite score. |
--- a/docs/en/concepts/processes.mdx
+++ b/docs/en/concepts/processes.mdx
@@ -16,6 +16,7 @@ mode: "wide"

 - **Sequential**: Executes tasks sequentially, ensuring tasks are completed in an orderly progression.
 - **Hierarchical**: Organizes tasks in a managerial hierarchy, where tasks are delegated and executed based on a structured chain of command. A manager language model (`manager_llm`) or a custom manager agent (`manager_agent`) must be specified in the crew to enable the hierarchical process, facilitating the creation and management of tasks by the manager.
+- **Consensual Process (Planned)**: Aiming for collaborative decision-making among agents on task execution, this process type introduces a democratic approach to task management within CrewAI. It is planned for future development and is not currently implemented in the codebase.

 ## The Role of Processes in Teamwork
 Processes enable individual agents to operate as a cohesive unit, streamlining their efforts to achieve common objectives with efficiency and coherence.
@@ -58,9 +59,9 @@ Emulates a corporate hierarchy, CrewAI allows specifying a custom manager agent

 ## Process Class: Detailed Overview

-The `Process` class is implemented as an enumeration (`Enum`), ensuring type safety and restricting process values to the defined types (`sequential`, `hierarchical`).
+The `Process` class is implemented as an enumeration (`Enum`), ensuring type safety and restricting process values to the defined types (`sequential`, `hierarchical`). The consensual process is planned for future inclusion, emphasizing our commitment to continuous development and innovation.

 ## Conclusion

 The structured collaboration facilitated by processes within CrewAI is crucial for enabling systematic teamwork among agents. 
-This documentation has been updated to reflect the latest features and enhancements, ensuring users have access to the most current and comprehensive information.
+This documentation has been updated to reflect the latest features, enhancements, and the planned integration of the Consensual Process, ensuring users have access to the most current and comprehensive information.
--- a/docs/en/concepts/production-architecture.mdx
+++ b/docs/en/concepts/production-architecture.mdx
@@ -146,14 +146,6 @@ class ProductionFlow(Flow[AppState]):
    # ...
 ```

-By default, `@persist` resumes a flow when `kickoff(inputs={"id": <uuid>})` is supplied, extending the same `flow_uuid` history. To **fork** a persisted flow into a new lineage — hydrate state from a previous run but write under a fresh `state.id` — pass `restore_from_state_id`:
-
-```python
-flow.kickoff(restore_from_state_id="<previous-run-state-id>")
-```
-
-The new run gets a fresh `state.id` (auto-generated, or `inputs["id"]` if pinned) so its `@persist` writes don't extend the source's history. Combining with `from_checkpoint` raises a `ValueError`; pick one hydration source.
-
 ## Summary

 - **Start with a Flow.**
--- a/docs/en/concepts/tasks.mdx
+++ b/docs/en/concepts/tasks.mdx
@@ -74,54 +74,104 @@ crew = Crew(

 ## Creating Tasks

-There are two common ways to create tasks in CrewAI: using **JSONC project configuration (recommended for new crews)** or defining them **directly in code**.
+There are two ways to create tasks in CrewAI: using **YAML configuration (recommended)** or defining them **directly in code**.

-### JSONC Configuration (Recommended)
+### YAML Configuration (Recommended)

-New projects created with `crewai create crew <name>` define tasks in `crew.jsonc`. The `agents` array points to files in `agents/`, and the `tasks` array defines the ordered work the crew should run.
+Using YAML configuration provides a cleaner, more maintainable way to define tasks. We strongly recommend using this approach to define tasks in your CrewAI projects.

-After creating your CrewAI project as outlined in the [Installation](/en/installation) section, edit the generated `crew.jsonc`.
+After creating your CrewAI project as outlined in the [Installation](/en/installation) section, navigate to the `src/latest_ai_development/config/tasks.yaml` file and modify the template to match your specific task requirements.

 <Note>
-Use `{placeholder}` values in task `description`, `expected_output`, and `output_file`. Put defaults in the top-level `inputs` object; `crewai run` prompts for any missing values.
+Variables in your YAML files (like `{topic}`) will be replaced with values from your inputs when running the crew:
+```python Code
+crew.kickoff(inputs={'topic': 'AI Agents'})
+```
 </Note>

-Here's an example `crew.jsonc` with two ordered tasks:
+Here's an example of how to configure tasks using YAML:

-````jsonc crew.jsonc
-{
-  "name": "Research Crew",
-  "agents": ["researcher", "reporting_analyst"],
-  "tasks": [
-    {
-      "name": "research_task",
-      "description": "Conduct thorough research about {topic}. Include current and relevant information.",
-      "expected_output": "A list of the most relevant information about {topic}.",
-      "agent": "researcher"
-    },
-    {
-      "name": "reporting_task",
-      "description": "Review the research and expand it into a detailed report.",
-      "expected_output": "A polished markdown report without fenced code blocks.",
-      "agent": "reporting_analyst",
-      "context": ["research_task"],
-      "markdown": true,
-      "output_file": "report.md"
-    }
-  ],
-  "inputs": {
-    "topic": "AI Agents"
-  }
-}
+````yaml tasks.yaml
+research_task:
+  description: >
+    Conduct a thorough research about {topic}
+    Make sure you find any interesting and relevant information given
+    the current year is 2025.
+  expected_output: >
+    A list with 10 bullet points of the most relevant information about {topic}
+  agent: researcher
+
+reporting_task:
+  description: >
+    Review the context you got and expand each topic into a full section for a report.
+    Make sure the report is detailed and contains any and all relevant information.
+  expected_output: >
+    A fully fledge reports with the mains topics, each with a full section of information.
+    Formatted as markdown without '```'
+  agent: reporting_analyst
+  markdown: true
+  output_file: report.md
 ````

-Each task must include `description` and `expected_output`. The `agent` value should match an agent name listed in `agents`. `context` is a list of prior task names; forward references are rejected so sequential context stays explicit.
+To use this YAML configuration in your code, create a crew class that inherits from `CrewBase`:

-Task entries support any public `Task` field. Common fields include `name`, `agent`, `context`, `output_file`, `tools`, `human_input`, `async_execution`, `guardrail`, `guardrails`, `guardrail_max_retries`, `markdown`, `input_files`, `output_json`, `output_pydantic`, `response_model`, and `converter_cls`. Use `"type": "ConditionalTask"` with a `condition` field for conditional tasks.
+```python crew.py
+# src/latest_ai_development/crew.py

-### Classic YAML Configuration
+from crewai import Agent, Crew, Process, Task
+from crewai.project import CrewBase, agent, crew, task
+from crewai_tools import SerperDevTool

-Classic projects created with `crewai create crew <name> --classic` use `config/tasks.yaml` and a `@CrewBase` class in `crew.py`. This remains supported for existing YAML projects or teams that prefer decorator-based Python wiring.
+@CrewBase
+class LatestAiDevelopmentCrew():
+  """LatestAiDevelopment crew"""
+
+  @agent
+  def researcher(self) -> Agent:
+    return Agent(
+      config=self.agents_config['researcher'], # type: ignore[index]
+      verbose=True,
+      tools=[SerperDevTool()]
+    )
+
+  @agent
+  def reporting_analyst(self) -> Agent:
+    return Agent(
+      config=self.agents_config['reporting_analyst'], # type: ignore[index]
+      verbose=True
+    )
+
+  @task
+  def research_task(self) -> Task:
+    return Task(
+      config=self.tasks_config['research_task'] # type: ignore[index]
+    )
+
+  @task
+  def reporting_task(self) -> Task:
+    return Task(
+      config=self.tasks_config['reporting_task'] # type: ignore[index]
+    )
+
+  @crew
+  def crew(self) -> Crew:
+    return Crew(
+      agents=[
+        self.researcher(),
+        self.reporting_analyst()
+      ],
+      tasks=[
+        self.research_task(),
+        self.reporting_task()
+      ],
+      process=Process.sequential
+    )
+```
+
+<Note>
+  The names you use in your YAML files (`agents.yaml` and `tasks.yaml`) should
+  match the method names in your Python code.
+</Note>

 ### Direct Code Definition (Alternative)

--- a/docs/en/concepts/tools.mdx
+++ b/docs/en/concepts/tools.mdx
@@ -133,7 +133,7 @@ Here is a list of the available tools and their descriptions:
 | **DirectorySearchTool**          | A RAG tool for searching within directories, useful for navigating through file systems.       |
 | **DOCXSearchTool**               | A RAG tool aimed at searching within DOCX documents, ideal for processing Word files.          |
 | **DirectoryReadTool**            | Facilitates reading and processing of directory structures and their contents.                 |
-| **ExaSearchTool**                | Search the web with Exa, the fastest and most accurate web search API. Supports token-efficient highlights and full page content. |
+| **EXASearchTool**                | A tool designed for performing exhaustive searches across various data sources.                |
 | **FileReadTool**                 | Enables reading and extracting data from files, supporting various file formats.               |
 | **FirecrawlSearchTool**          | A tool to search webpages using Firecrawl and return the results.                              |
 | **FirecrawlCrawlWebsiteTool**    | A tool for crawling webpages using Firecrawl.                                                  |
--- a/docs/en/concepts/training.mdx
+++ b/docs/en/concepts/training.mdx
@@ -187,7 +187,7 @@ flowchart TD
 - **Filename Requirement:** Ensure that the filename ends with `.pkl`. The code will raise a `ValueError` if this condition is not met.
 - **Error Handling:** The code handles subprocess errors and unexpected exceptions, providing error messages to the user.
 - Trained guidance is applied at prompt time; it does not modify your Python/YAML agent configuration.
- Agents automatically load trained suggestions from a file named `trained_agents_data.pkl` located in the current working directory. If you trained to a different filename, pass that path with `Crew(trained_agents_file="my_custom_trained.pkl")`, set `CREWAI_TRAINED_AGENTS_FILE`, or use `crewai run -f my_custom_trained.pkl`.
+- Agents automatically load trained suggestions from a file named `trained_agents_data.pkl` located in the current working directory. If you trained to a different filename, either rename it to `trained_agents_data.pkl` before running, or adjust the loader in code.
 - You can change the output filename when calling `crewai train` with `-f/--filename`. Absolute paths are supported if you want to save outside the CWD.

 It is important to note that the training process may take some time, depending on the complexity of your agents and will also require your feedback on each iteration.
--- a/docs/en/enterprise/features/a2a.mdx
+++ b/docs/en/enterprise/features/a2a.mdx
@@ -1,227 +0,0 @@
---
-title: A2A on AMP
-description: Production-grade Agent-to-Agent communication with distributed state and multi-scheme authentication
-icon: "network-wired"
-mode: "wide"
---
-
-<Warning>
-A2A server agents on AMP are in early release. APIs may change in future versions.
-</Warning>
-
-## Overview
-
-CrewAI AMP extends the open-source [A2A protocol implementation](/en/learn/a2a-agent-delegation) with production infrastructure for deploying distributed agents at scale. AMP supports A2A protocol versions 0.2 and 0.3. When you deploy a crew or agent with A2A server configuration to AMP, the platform automatically provisions distributed state management, authentication, multi-transport endpoints, and lifecycle management.
-
-<Note>
-  For A2A protocol fundamentals, client/server configuration, and authentication schemes, see the [A2A Agent Delegation](/en/learn/a2a-agent-delegation) documentation. This page covers what AMP adds on top of the open-source implementation.
-</Note>
-
-### Usage
-
-Add `A2AServerConfig` to any agent in your crew and deploy to AMP. The platform detects agents with server configuration and automatically registers A2A endpoints, generates agent cards, and provisions the infrastructure described below.
-
-```python
-from crewai import Agent, Crew, Task
-from crewai.a2a import A2AServerConfig
-from crewai.a2a.auth import EnterpriseTokenAuth
-
-agent = Agent(
-    role="Data Analyst",
-    goal="Analyze datasets and provide insights",
-    backstory="Expert data scientist with statistical analysis skills",
-    llm="gpt-4o",
-    a2a=A2AServerConfig(
-        auth=EnterpriseTokenAuth()
-    )
-)
-
-task = Task(
-    description="Analyze the provided dataset",
-    expected_output="Statistical summary with key insights",
-    agent=agent
-)
-
-crew = Crew(agents=[agent], tasks=[task])
-```
-
-After [deploying to AMP](/en/enterprise/guides/deploy-to-amp), the platform registers two levels of A2A endpoints:
-
- **Crew-level**: an aggregate agent card at `/.well-known/agent-card.json` where each agent with `A2AServerConfig` is listed as a skill, with a JSON-RPC endpoint at `/a2a`
- **Per-agent**: isolated agent cards and JSON-RPC endpoints mounted at `/a2a/agents/{role}/`, each with its own tenancy
-
-Clients can interact with the crew as a whole or target a specific agent directly. To route a request to a specific agent through the crew-level endpoint, include `"target_agent"` in the message metadata with the agent's slugified role name (e.g., `"data-analyst"` for an agent with role `"Data Analyst"`). If no `target_agent` is provided, the request is handled by the first agent in the crew.
-
-See [A2A Agent Delegation](/en/learn/a2a-agent-delegation#server-configuration-options) for the full list of `A2AServerConfig` options.
-
-<Warning>
-  Per the A2A protocol, agent cards are publicly accessible to enable discovery. This includes both the crew-level card at `/.well-known/agent-card.json` and per-agent cards at `/a2a/agents/{role}/.well-known/agent-card.json`. Do not include sensitive information in agent names, descriptions, or skill definitions.
-</Warning>
-
-### File Inputs and Structured Output
-
-A2A on AMP supports passing files and requesting structured output in both directions. Clients can send files as `FilePart`s and request structured responses by embedding a JSON schema in the message. Server agents receive files as `input_files` on the task, and return structured data as `DataPart`s when a schema is provided. See [File Inputs and Structured Output](/en/learn/a2a-agent-delegation#file-inputs-and-structured-output) for details.
-
-### What AMP Adds
-
-<CardGroup cols={2}>
-  <Card title="Distributed State" icon="database">
-    Persistent task, context, and result storage
-  </Card>
-  <Card title="Enterprise Authentication" icon="shield-halved">
-    OIDC, OAuth2, mTLS, and Enterprise token validation beyond simple bearer tokens
-  </Card>
-  <Card title="gRPC Transport" icon="bolt">
-    Full gRPC server with TLS and authentication
-  </Card>
-  <Card title="Context Lifecycle" icon="clock-rotate-left">
-    Automatic idle detection, expiration, and cleanup of long-running conversations
-  </Card>
-  <Card title="Signed Webhooks" icon="signature">
-    HMAC-SHA256 signed push notifications with replay protection
-  </Card>
-  <Card title="Multi-Transport" icon="arrows-split-up-and-left">
-    REST, JSON-RPC, and gRPC endpoints served simultaneously from a single deployment
-  </Card>
-</CardGroup>
-
---
-
-## Distributed State Management
-
-In the open-source implementation, task and context state lives in memory on a single process. AMP replaces this with persistent, distributed stores.
-
-### Storage Layers
-
-| Store | Purpose |
-|---|---|
-| **Task Store** | Persists A2A task state and metadata |
-| **Context Store** | Tracks conversation context, creation time, last activity, and associated tasks |
-| **Result Store** | Caches task results for retrieval |
-| **Push Config Store** | Manages webhook subscriptions per task |
-
-Multiple A2A deployments are automatically isolated from each other, preventing data collisions when sharing infrastructure.
-
---
-
-## Enterprise Authentication
-
-AMP supports six authentication schemes for incoming A2A requests, configurable per deployment. Authentication works across both HTTP and gRPC transports.
-
-| Scheme | Description | Use Case |
-|---|---|---|
-| **SimpleTokenAuth** | Static bearer token from `AUTH_TOKEN` env var | Development, simple deployments |
-| **EnterpriseTokenAuth** | Token verification via CrewAI PlusAPI with integration token claims | AMP-to-AMP agent communication |
-| **OIDCAuth** | OpenID Connect JWT validation with JWKS endpoint caching | Enterprise SSO integration |
-| **OAuth2ServerAuth** | OAuth2 with configurable scopes | Fine-grained access control |
-| **APIKeyServerAuth** | API key validation via header or query parameter | Third-party integrations |
-| **MTLSServerAuth** | Mutual TLS certificate-based authentication | Zero-trust environments |
-
-The configured auth scheme automatically populates the agent card's `securitySchemes` and `security` fields. Clients discover authentication requirements by fetching the agent card before making requests.
-
---
-
-## Extended Agent Cards
-
-AMP supports role-based skill visibility through extended agent cards. Unauthenticated users see the standard agent card with public skills. Authenticated users receive an extended card with additional capabilities.
-
-This enables patterns like:
- Public agents that expose basic skills to anyone, with advanced skills available to authenticated clients
- Internal agents that advertise different capabilities based on the caller's identity
-
---
-
-## gRPC Transport
-
-If enabled, AMP provides full gRPC support alongside the default JSON-RPC transport.
-
- **TLS termination** with configurable certificate and key paths
- **gRPC reflection** for debugging with tools like `grpcurl`
- **Authentication** using the same schemes available for HTTP
- **Extension validation** ensuring clients support required protocol extensions
- **Version negotiation** across A2A protocol versions 0.2 and 0.3
-
-For deployments exposing multiple agents, AMP automatically allocates per-agent gRPC ports and coordinates TLS, startup, and shutdown across all servers.
-
---
-
-## Context Lifecycle Management
-
-AMP tracks the lifecycle of A2A conversation contexts and automatically manages cleanup.
-
-### Lifecycle States
-
-| State | Condition | Action |
-|---|---|---|
-| **Active** | Context has recent activity | None |
-| **Idle** | No activity for a configured period | Marked idle, event emitted |
-| **Expired** | Context exceeds its maximum lifetime | Marked expired, associated tasks cleaned up, event emitted |
-
-A background cleanup task runs hourly to scan for idle and expired contexts. All state transitions emit CrewAI events that integrate with the platform's observability features.
-
---
-
-## Signed Push Notifications
-
-When an A2A agent sends push notifications to a client webhook, AMP signs each request with HMAC-SHA256 to ensure integrity and prevent tampering.
-
-### Signature Headers
-
-| Header | Purpose |
-|---|---|
-| `X-A2A-Signature` | HMAC-SHA256 signature in `sha256={hex_digest}` format |
-| `X-A2A-Signature-Timestamp` | Unix timestamp bound to the signature |
-| `X-A2A-Notification-Token` | Optional notification auth token |
-
-### Security Properties
-
- **Integrity**: payload cannot be modified without invalidating the signature
- **Replay protection**: signatures are timestamp-bound with a configurable tolerance window
- **Retry with backoff**: failed deliveries retry with exponential backoff
-
---
-
-## Distributed Event Streaming
-
-In the open-source implementation, SSE streaming works within a single process. AMP propagates SSE events across instances so that clients receive updates even when the instance holding the streaming connection differs from the instance executing the task.
-
---
-
-## Multi-Transport Endpoints
-
-AMP serves REST and JSON-RPC by default. gRPC is available as an additional transport if enabled.
-
-| Transport | Path Convention | Description |
-|---|---|---|
-| **REST** | `/v1/message:send`, `/v1/message:stream`, `/v1/tasks` | Google API conventions |
-| **JSON-RPC** | Standard A2A JSON-RPC endpoint | Default A2A protocol transport |
-| **gRPC** | Per-agent port allocation | Optional, high-performance binary protocol |
-
-All active transports share the same authentication, version negotiation, and extension validation. Agent cards are generated from agent and crew metadata — roles, goals, and tools become skills and descriptions — and automatically include interfaces for each active transport. They can also be manually configured via `A2AServerConfig`.
-
---
-
-## Version and Extension Negotiation
-
-AMP validates A2A protocol versions and extensions at the transport layer.
-
-### Version Negotiation
-
- Clients send the `A2A-Version` header with their preferred version
- AMP validates against supported versions (0.2, 0.3) and falls back to 0.3 if unspecified
- The negotiated version is returned in the response headers
-
-### Extension Validation
-
- Clients declare supported extensions via the `X-A2A-Extensions` header
- AMP validates that clients support all extensions the agent requires
- Requests from clients missing required extensions receive an `UnsupportedExtensionError`
-
---
-
-## Next Steps
-
- [A2A Agent Delegation](/en/learn/a2a-agent-delegation) — A2A protocol fundamentals and configuration
- [A2UI](/en/learn/a2ui) — Interactive UI rendering over A2A
- [Deploy to AMP](/en/enterprise/guides/deploy-to-amp) — General deployment guide
- [Webhook Streaming](/en/enterprise/features/webhook-streaming) — Event streaming for deployed automations
--- a/docs/en/enterprise/features/agent-control-plane/monitoring.mdx
+++ b/docs/en/enterprise/features/agent-control-plane/monitoring.mdx
@@ -1,112 +0,0 @@
---
-title: "Watch your Automations"
-description: "Watch fleet health, LLM consumption, and per-automation behavior from the Automations tab."
-sidebarTitle: "Monitoring"
-icon: "gauge"
-mode: "wide"
---
-
-<Info>
-  **ACP (Beta) Docs Navigation**
-
-  - [Overview](/en/enterprise/features/agent-control-plane/overview)
-  - **Monitoring** *(you are here)*
-  - [Rules](/en/enterprise/features/agent-control-plane/rules)
-</Info>
-
-## Overview
-
-The **Automations** tab is the read-only operations view of the [Agent Control Plane](/en/enterprise/features/agent-control-plane/overview). It combines two metric cards, an interactive sankey, and two sub-tables — **Automations** and **Consumption** — that you can search, filter, and sort.
-
-<Frame>
-  ![Agent Control Plane overview](/images/enterprise/acp-overview-automations-sankey.png)
-</Frame>
-
-All charts and tables respect the **Last 24 hours / Last Week / Last 30 days** selector at the top right. Deltas compare the selected window against the previous one of the same length.
-
-<Note>
-  Rows only show data for deployments on **crewAI v1.13 or higher** — older deployments appear in the *"We've detected N other automations that we can't display"* banner under the sankey and contribute zero metrics until they're updated and re-deployed. See [Overview — Requirements](/en/enterprise/features/agent-control-plane/overview#requirements).
-</Note>
-
-## Dashboard
-
-The header of the page has two metric cards and an interactive sankey. Clicking either card switches the sankey between two modes:
-
- **Health mode** — `Total Automations → status buckets (Critical / Warning / Healthy)`. Click a bucket to filter the Automations table to just those deployments.
- **Consumption mode** — `Model Providers → Automations → Total Cost`. Click a provider to filter the Consumption table to that provider.
-
-| Card | What it shows |
-|------|---------------|
-| **Automations** | `active` automations (and total count), total `errors` in the window, currently `active executions` (and total in the window), with a delta vs the previous period. |
-| **Consumption** | Total `cost` and `tokens used`, with a cost delta vs the previous period. |
-
-<Frame>
-  ![Overview with consumption sankey](/images/enterprise/acp-overview-consumption-sankey.png)
-</Frame>
-
-## Automations table
-
-The **Automations** sub-tab is the per-deployment breakdown of fleet health. Each row is one deployed crew or flow.
-
-<Frame>
-  ![Automations table with health status breakdown](/images/enterprise/acp-automations-table.png)
-</Frame>
-
-| Column | What it shows |
-|--------|---------------|
-| **Automation** | Deployment name and any tags assigned to it (e.g. `production`, `financial`). |
-| **Last execution** | Time since the most recent run. |
-| **Health Status Breakdown** | Stacked bar of `Critical` / `Warning` / `Healthy` percentages for executions in the window. |
-| **Executions with Errors** | Total failed executions in the window. |
-| **PII detection applied** | `Yes` if a per-deployment PII config or a matching [PII rule](/en/enterprise/features/agent-control-plane/rules) is active. |
-| **Executions** | Total executions in the window. |
-| **Last updated** | When the deployment was last re-deployed. |
-| **Crew Version** | The `crewai` version reported by the deployment. An info icon next to versions below `1.13` flags rows that can't contribute metrics. |
-
-Search by name, filter by `Status` (`Healthy` / `Warning` / `Critical`), and sort by any column header. Click a deployment name to open the **Automation panel** (see below).
-
-## Consumption table
-
-The **Consumption** sub-tab is the per-deployment breakdown of LLM spend and token usage.
-
-<Frame>
-  ![Consumption table broken down by LLM provider](/images/enterprise/acp-consumption-table.png)
-</Frame>
-
-| Column | What it shows |
-|--------|---------------|
-| **Automation** | Deployment name. |
-| **Last execution** | Time since the most recent run. |
-| **Tokens used** | One row per LLM provider used by this automation, with the delta vs the previous period. |
-| **Cost** | Cost per LLM provider, with the delta vs the previous period. |
-| **Total cost** | Sum across all providers, with the delta. |
-| **Executions** | Total executions in the window. |
-| **Last updated** | When the deployment was last re-deployed. |
-| **Crew Version** | The `crewai` version reported by the deployment. |
-
-Filter by **LLM provider** and sort by `Cost`, `Executions`, or `Last run`.
-
-<Info>
-  **Empty cells (`—` or `$0.00`) usually mean the deployment is below crewAI v1.13.** In the screenshot above, *Automation F* (`1.7.0`) and *Automation I* (`1.12.2`) show blanks for tokens and cost — their executions still run, but they don't emit the provider-level telemetry that powers this table. Update and re-deploy these crews to start collecting consumption data.
-</Info>
-
-## Related
-
-<CardGroup cols={2}>
-  <Card title="Agent Control Plane — Overview" icon="book-open" href="/en/enterprise/features/agent-control-plane/overview">
-    What ACP is, requirements, plan tiers, and RBAC.
-  </Card>
-  <Card title="Agent Control Plane — Rules" icon="shield-check" href="/en/enterprise/features/agent-control-plane/rules">
-    Apply organization-wide PII Redaction rules across many automations.
-  </Card>
-  <Card title="Traces" icon="timeline" href="/en/enterprise/features/traces">
-    Drill into a single execution to see agent reasoning, tool calls, and token usage.
-  </Card>
-  <Card title="Deploy to AMP" icon="rocket" href="/en/enterprise/guides/deploy-to-amp">
-    Deploy a crew on a crewAI version that supports the Agent Control Plane.
-  </Card>
-</CardGroup>
-
-<Card title="Need Help?" icon="headset" href="mailto:support@crewai.com">
-  Contact our support team for help interpreting metrics in the Agent Control Plane.
-</Card>
--- a/Show More
+++ b/Show More