مستقبل هندسة الأوامر 2026: الضبط التكيّفي والأنظمة الذاتية

هذه المقالة التاسعة من تسعٍ — الختامية في سلسلتنا: هندسة الأوامر المتقدمة. السابقة: هندسة الأوامر للنماذج المفتوحة المصدر وأنظمة الإنتاج.

ما الذي بنيتَه عبر هذه السلسلة

قبل التطلع إلى الأمام، جردٌ سريع لما قطعناه معاً. صُمِّمت هذه السلسلة كمنهجٍ متكاملٍ لا كمجموعة نصائح، حيث كل مقالةٍ تُضيف طبقةً من القدرة فوق ما سبقها. إن كنت قد مررتَ بالمقالات التسع، إليك ما يحتويه صندوق أدواتك الآن:

تفهم هندسة السياق: لماذا البرومبت طبقةٌ واحدةٌ فقط من بيئة المعلومات، وكيف تُصمّم الطبقات الأخرى بنفس الاتجاه. تستطيع تطبيق الاستدلال المتفرع بشجرة الأفكار حين تتعدد المقاربات الصحيحة. تستطيع تشغيل حلقات التفكير الذاتي التي تجعل الذكاء الاصطناعي ينتقد مخرجاته ويُحسّنها. لديك تقنياتٌ لتخفيض الهلوسة هيكلياً. تستطيع برمجة الوسائط المتعددة بفعالية. تفهم كيف تعمل الأنظمة الوكيلية وأين تنكسر. تستطيع ربط البرومبتات في سلاسل وبايبلاينات، واستخدام ميتا-برومبتينج لتوليد برومبتاتٍ أفضل مما تكتبه يدوياً. وتفهم كيف يختلف النشر الإنتاجي عن الاستخدام التحادثي.

هذه مجموعةٌ كبيرةُ ومفيدةُ حقاً من القدرات. والسؤال الآن: إلى كم من الوقت ستظل صالحة؟

الجواب الصادق عن مدة الصلاحية

التقنيات في هذه السلسلة لن تصبح عديمة الفائدة، إنما ستصبح أكثر أتمتةً.

هذا التمييز مهم، معظم تقنيات البرومبت المُهيكَلة التي تناولناها — التوافق الذاتي، وسلسلة التحقق، وشجرة الأفكار، وحلقات ReAct — نشأت من بحثٍ أثبت أن النموذج يستطيع أداءها إن بُرمج صحيحاً. الخطوة التالية، وهي جاريةٌ فعلاً، هي بناء هذه الأنماط في مكدس الاستنتاج ذاته: ليس كتعليماتٍ تكتبها، بل كسلوكياتٍ افتراضية يؤديها النموذج دون أن يُطلب منه.

نمط التفكير الموسّع في كلود مثالٌ على ذلك. يُدمج حلقة سلسلة التفكير داخلياً فلا تحتاج كتابة “فكّر خطوةً بخطوة”. نموذج o3 من أوبن‌أيه‌آي يُدمج الاستدلال المتأني. ما كان هندسة برومبتٍ قبل عامين هو ميزةٌ في النموذج اليوم، والحقيقة أن هذا سيستمر..

التقنيات تصبح مُؤتمَتة. أما الحكم حول متى تُطبَّق، وكيف تُتحقَّق مخرجاتها، وكيف تُصمَّم الأنظمة حولها — فذلك الحكم لا يتأتمت، بل يتعمّق.

التحسين التلقائي للبرومبت: ما هو وأين يقف؟

أبرز تطوّرٍ في منهجية هندسة الأوامر في ٢٠٢٤–٢٠٢٥ هو التحسين التلقائي للبرومبت (Automatic Prompt Optimisation — APO) — أُطر تعامل البرومبت ذاته كمتغيرٍ يُحسَّن من خلال التقييم المنهجي لا التجربة والخطأ اليدوية.

الإطار الرائد مفتوح المصدر هو DSPy، الذي طوّره فريقٌ في ستانفورد. يستبدل DSPy سلاسل البرومبت المكتوبة يدوياً بنموذجٍ برمجي: تُعرّف توقيع المدخل-المخرج لما تريد، وتُحدد أمثلةً قليلة، فيُجمّع الإطار برومبتاً مُحسَّناً (أو سلسلة برومبتات) بتقييم المرشّحين في مقابل أمثلتك. البرومبت الذي تستخدمه في النهاية لم تكتبه أنت، بل وجده النظام.

في الورقة الأصلية لـDSPy المنشورة عام ٢٠٢٣، تفوّق هذا النهج على البرومبتات المكتوبة بشرياً في معايير متعددة، منها الإجابة على الأسئلة متعددة الخطوات ومهام الوكلاء، وفي أحيانٍ كثيرة بفوارقٍ ملحوظة.

ما يُمثّله DSPy ليس بديلاً عن فهم البرومبت، بل يستلزم منك فهم ما يبدو عليه المخرج الجيد بوضوحٍ كافٍ لكتابة دوال تقييمٍ له. لكنه ينقل الجهد من كتابة التعليمات إلى تعريف الجودة، وهي مهارةٌ أكثر أهميةً وأبقى أثراً.

البرومبت التكيّفي: الأنظمة التي تُعدّل نفسها

اتجاهٌ ثانٍ بالغ الأهمية هو البرومبت التكيّفي: الأنظمة التي تُعدّل برومبتاتها الخاصة استجابةً للتغذية الراجعة وسلوك المستخدم والسياق المتغيّر دون تدخلٍ بشري.

أبسط أشكال هذا موجودٌ فعلاً: نظامٌ يكتشف حين تكون ثقة مخرج النموذج منخفضةً أو حين يتلقّى تغذيةً سلبيةً من المستخدم، فيسترجع تلقائياً برومبتاً أقوى من مكتبةٍ ويُعيد المحاولة. النسخ الأكثر تطوراً تتعلم من تاريخ التفاعل، فهي تُحدد أي متغيّرات البرومبت تُنتج نتائجَ أفضل لأي أنواعٍ من المستخدمين وفئات المدخلات، وتُوجّه وفقاً لذلك.

هذا ليس خيالاً علمياً، فأنظمة التوصيات تعمل بهذه الطريقة منذ عقود. العنصر الجديد هو تطبيق منطق حلقة التغذية الراجعة ذاته على طبقة البرومبت في تطبيقات الذكاء الاصطناعي. أثبتت مجموعات بحثية في جوجل وميتا أنظمةً ذات حلقاتٍ مغلقة تُحسَّن فيها سياسة اختيار البرومبت على بيانات التفاعل محققةً تحسيناتٍ أداءٍ ذات معنى فوق البرومبتات الثابتة دون أي إعادة كتابة يدوية.

الانعكاس العملي للمحترفين: البرومبتات التي تُشغّل سير عملك الأهم ستكون بصورةٍ متزايدة ليست وثائق ثابتة تُحافظ عليها يدوياً. ستكون أصولاً مُدارةً بمقاييس أداءٍ واختبار A/B وتحسينٍ تلقائي. فهم كيف تعمل البرومبتات — وهو ما بنته هذه السلسلة — هو الشرط المسبق لإدارة تلك العملية بذكاءٍ لا أن تُديرها هي.

الذكاء الاصطناعي الدستوري والبرومبت القائم على المبادئ

اتجاهٌ ثالث، أكثر هيكليةً من التقني، هو التحوّل من البرومبت القائم على التعليمات إلى القائم على المبادئ. بدلاً من كتابة تعليماتٍ نظامية طويلة تُعدّد كل سلوكٍ مرغوب وكل سلوكٍ محظور، تُعرّف المقاربات الناشئة مجموعةً من المبادئ — “دستوراً” — وتُدرّب النموذج أو تُبرمجه للاستدلال من تلك المبادئ إلى السلوك المناسب في المواقف الجديدة.

الذكاء الاصطناعي الدستوري من أنثروبيك، الموصوف في ورقتهم عام ٢٠٢٢، هو النسخة الأكثر نضجاً علناً من هذا النهج. يتعلم النموذج انتقاد مخرجاته في مقابل مجموعةٍ من المبادئ المُعلَنة ومراجعتها وفقاً لذلك — نسخةٌ من تقنية التفكير الذاتي من المقالة الثالثة، لكنها مُدمَجة في التدريب لا مُستدعاةٌ عبر البرومبت.

بالنسبة لمهندسي البرومبت، النتيجة العملية أن النماذج المتزايدة القدرة ستحتاج إدارةً أقل للسلوك في التعليمات النظامية. جهد هندسة البرومبت ينتقل من تحديد القيود (لا تفعل س، نسّق دائماً ع) نحو تحديد الأهداف (حقّق ص). هذا يستلزم تفكيراً أوضح حول ما تريده فعلاً — لا ما تريد تجنّبه فحسب — وهي مهارةٌ أصعب وأكثر قيمة.

تقارب الوسائط المتعددة والوكالة

بالنظر إلى مسار القدرات التي تناولتها المقالتان الخامسة والسادسة من هذه السلسلة: الأنظمة الأكثر قدرةً في ٢٠٢٦ وما بعده ستكون متعددة الوسائط ووكيليةً في آنٍ واحد. لن تعالج صورةً أو تتخذ إجراءً — بل ستُدرك بيئةً عبر الوسائط، وتخطط لاستجابة، وتستخدم أدواتٍ لتنفيذها، وترصد النتائج عبر الفضاء متعدد الوسائط ذاته.

وكلاء استخدام الحاسوب — النماذج القادرة على تشغيل الحاسوب مباشرةً، وتصفح الويب وملء النماذج وتنفيذ الكود وإدارة الملفات من خلال واجهةٍ بصرية — في نشرٍ محدود بالفعل. أثبتت قدرة كلود على استخدام الحاسوب، المُطلَقة أواخر ٢٠٢٤، أن الواجهة مع العالم لا تحتاج استدعاءاتٍ أدواتٍ مُهيكَلة؛ يمكن أن تكون الواجهة البصرية التي يستخدمها البشر. هذا يُزيل الحدّ الفاصل بين “استخدام أداة” و”استخدام حاسوب” ويفتح نطاقاً أوسع بكثيرٍ من المهام الوكيلية.

تحدي البرومبت في هذه الأنظمة ليس الإلمام التقني بواجهاتها البرمجية — بل هو التحدي ذاته الممتد عبر السلسلة كلها: تصميم أهدافٍ واضحة، وبناء التحقق في سير العمل، والحفاظ على الإشراف البشري عند نقاط التفتيش المناسبة. (راجع مقالتنا: الأوامر الوكيلية لتحليل أنماط الإخفاق المنطبقة هنا.) مهارات التصميم تلك تنتقل إلى كل طبقة قدرةٍ جديدة.

ما الذي لا يتغيّر

في مقابل مسار التغيير، يستحق تحديد ما هو ثابتٌ، مثل المهارات والفهم التي يستبعد أن تتراجع قيمتها بصرف النظر عن تحوّلات المشهد التقني.

معرفة ما يبدو عليه المخرج الجيد: فالتحسين التلقائي يستطيع إيجاد برومبتٍ يعظّم مقياساً، لكن لا يستطيع تحديد ما ينبغي أن يكون ذلك المقياس. القدرة على التمييز بين مخرجٍ صحيحٍ تقنياً ومخرجٍ مفيدٍ فعلاً هي معرفةٌ مجاليةُ لا يستطيع أي إطارٍ توليدها. هذه القاعدة التي يبني عليها كل ما في هذه السلسلة.
التحقق المنهجي: مشكلة الهلوسة لا تختفي مع تحسّن النماذج؛ تتحوّل. النماذج الأقوى تهلوس بتردّدٍ أقل لكن بثقةٍ أكبر حين تفعل. عادات التحقق من المقالة الرابعة — عدم الوثوق بالمخرجات دون فحص، ومعرفة ما يُفحص وكيف — تبقى ممارسةً أساسية بصرف النظر عن قدرة النموذج.
فهم أنماط الإخفاق: كل تقنيةٍ في هذه السلسلة جاءت مع تحليل لأنماط الإخفاق. عادة التفكير تلك — السؤال “كيف ينكسر هذا؟” قبل نشر أي شيء — ليست مهارة هندسة برومبت؛ إنها تفكيرٌ منظومي مُطبَّقٌ على الذكاء الاصطناعي. تنتقل إلى كل نظامٍ وقدرةٍ وسياق نشرٍ ستواجهه.
تحديد الأهداف بوضوح: مع ازدياد استقلالية أنظمة الذكاء الاصطناعي، تتنامى تبعات مواصفة هدفٍ غير واضحة. نظامٌ وكيليٌّ مُشوَّش بأدواتٍ محدودة يُحدث فوضىً صغيرة. نظامٌ وكيليٌّ مُشوَّش يصل إلى البريد الإلكتروني والملفات والواجهات الخارجية يُحدث فوضىً أكبر. كلما كانت مواصفتك لما تريد تحقيقه أوضح — في مقابل ما لا تريد حدوثه — كلما استطعت الاستفادة بأمانٍ أكبر من الأنظمة المستقلة القوية.

التموضع العملي: الاثنا عشر شهراً القادمة

بدلاً من نصائح مجردة حول “مواكبة التطورات”، إليك توجهاتٍ محددة وقابلة للتطبيق للعام القادم — مُرسَّخةٌ في الاتجاهات الموصوفة أعلاه:

تعلّم كتابة دوال التقييم لا البرومبتات فحسب: دالة التقييم هي كودٌ أو معيارٌ مُهيكَل يستطيع تسجيل درجة مخرج النموذج تلقائياً — التمييز بين الجيد والسيئ دون مراجعةٍ بشرية لكل مخرج. هذه هي المهارة المحورية التي تستلزمها أُطر APO، وتلك التي تُفرّق بين الممارسين القادرين على أتمتة تحسين البرومبت وبين من يستطيعون أداءه يدوياً فحسب.
اختر إطار عملٍ وكيلياً واحداً وانشر شيئاً حقيقياً: القراءة عن الأنظمة الوكيلية مفيدة. بناؤها — حتى سير عملٍ بسيطٍ بأداتين يُعالج مهمةً حقيقية تؤديها يدوياً حالياً — يُعلّم ما لا تستطيع القراءة تعليمه. أنماط الإخفاق تبدو مجردةً حتى تُصادفها. استخدم قوالب المقالة السادسة كنقاط انطلاق.
ابنِ مكتبة برومبتاتٍ شخصية مع إدارة إصدارات: نمط إدارة إصدارات البرومبت من المقالة الثامنة ليس تقنيةً إنتاجية وحسب. طبّقه على أكثر برومبتاتك استخداماً. تتبّع ما يعمل وما يُخفق ولماذا. مكتبةٌ شخصية من البرومبتات المُختبَرة والمُصدَرَة هي أصلٌ متراكم — يزداد قيمةً كلما طال احتفاظك به.
تابع البحث لا المنتجات فحسب: التقنيات التي ستكون مميزاتٍ سائدةً بعد اثني عشر شهراً موجودةٌ في الأوراق الأكاديمية اليوم — غالباً على arXiv، من مختبراتٍ في ستانفورد وكارنيجي ميلون وديب‌مايند والشركات الكبرى في الذكاء الاصطناعي. لا تحتاج قراءة جميعها. متابعة باحثٍ أو اثنين تجد عملهم مفيداً يُبقيك أمام دورة المنتجات لا خلفها.

ملاحظةٌ حول العنصر البشري

كانت هذه السلسلة تقنيةً في معظمها: أنماطٌ وقوالب وأنماط إخفاقٍ ومعاملات. لكن الميزة التنافسية الأكثر ديمومةً في العمل مع أنظمة الذكاء الاصطناعي ليست تقنية. بل هي وضوح تفكيرك حول المشكلة التي تسعى لحلها.

يمكن تهيئة نموذجٍ لغوي للاستدلال والتحقق والتفرع والتكرار. لا يمكنه تحديد ما إذا كنت تحل المشكلة الصحيحة، وما إذا كان الحل يخدم من يُفترض أن يخدمه، وما إذا كانت جودة المخرج تلبّي معياراً يهم. هذه الأحكام تعود إلى الإنسان في الحلقة، وكلما ازدادت استقلاليةُ أنظمة الذكاء الاصطناعي، كانت تلك الأحكام أكثر أثراً.

تناولنا الأدوات، أما الحكم حول متى وما إذا وكيف تُستخدَم، فهو ملكك. هناك يكمن العمل الحقيقي. (راجع مقالتنا: مستقبل المهن الإبداعية والذكاء الاصطناعي لنقاشٍ أوسع حول ما يبدو عليه الدور البشري مع تطور هذه القدرات.)

السلسلة الكاملة: خريطةٌ مرجعية

المراجع

Khattab, O. وآخرون (٢٠٢٣). DSPy: تجميع استدعاءات النماذج اللغوية التصريحية في بايبلاينات ذاتية التحسين. ستانفورد NLP. arxiv.org/abs/2310.03714
Bai, Y. وآخرون (٢٠٢٢). الذكاء الاصطناعي الدستوري: اللاضررية من تغذية الذكاء الاصطناعي الراجعة. أنثروبيك. arxiv.org/abs/2212.08073
Yang, C. وآخرون (٢٠٢٣). النماذج اللغوية الكبيرة كمُحسِّنات. ستانفورد / ديب‌مايند. arxiv.org/abs/2309.03409
أنثروبيك (٢٠٢٤). استخدام كلود للحاسوب. anthropic.com
منصة ذي يزن — هندسة السياق المتقدمة (مقدمة السلسلة). zyyazan.sy