لماذا ماتت هندسة البرومبت التقليدية؟ هندسة السياق

هذه المقالة الأولى من تسعٍ في سلسلتنا: هندسة الأوامر المتقدمة — من البرومبت التقليدي إلى أنظمة الذكاء الاصطناعي الوكيلية والذاتية. وقد تم كتابتها كمنهج تدريبي متكامل، لا كنصائح متفرقة.

نعوةٌ لم يتوقعها أحد

قبل عامين، كانت “هندسة البرومبت” أكثر المهارات رواجاً على الإنترنت. امتلأ موقع لينكدإن بمن يُعرّفون أنفسهم بـ”مهندسي البرومبت”، وبِيعت الدورات بمئات الدولارات، وادّعت شركاتٌ كاملةٌ أنها تعلّمك الصيغة السحرية للتحدث مع ChatGPT، ثم انزلقت الأرضُ من تحت كل ذلك.. بهدوءٍ وبلا احتفال.

لم يحدث ذلك لأن الذكاء الاصطناعي تراجع، بل العكس تماماً. مع تطور النماذج اللغوية الكبيرة — تعمّق تفكيرها، واتساع سياقها، وتخطيطها عبر خطواتٍ متعددة — توقفت خدع الأمس عن العمل. نصائح من قبيل “تصرّف كخبير” أو “فكّر خطوةً بخطوة” كانت تُحسّن المخرجات بموثوقيةٍ ذات يوم. أما اليوم، فهي إما لا تُحدث فرقاً وإما تؤذي الأداء في بعض النماذج، فالنماذج تجاوزت تلك النصيحة ببساطة.

ما حلّ محلها أصعب اختزالاً في تغريدة، لكنه أقوى بكثير: تخصصٌ يُسمى هندسة السياق (Context Engineering).

في هذه السلسلة، ننطلق من حيث تتوقف معظم مصادر التعليم عن الذكاء الاصطناعي — كتابة البرومبت الأساسية — إلى حيث يعمل المحترفون فعلاً: بناء أنظمةٍ تستدل وتتحقق وتتفرع وتحسّن نفسها بنفسها. سواء كنت مترجماً أو صانع محتوى أو مدقق نصوص أو فريلانسراً يستخدم الذكاء الاصطناعي يومياً، فهذه السلسلة هي مسار ترقيتك.

قبل أن نمضي، لنعرّف الكلمة التي سنستخدمها طوال هذه المقالات: البرومبت — أفضل ترجمةٍ له هي “تلقينة” أو “موجّه النموذج” — هو أيّ تعليمةٍ أو مدخلٍ تعطيه لنموذج الذكاء الاصطناعي لتوجيه مخرجاته. سنبقى على كلمة “برومبت” لأنها باتت المصطلح المهني المتداول عالمياً، حتى في الأوساط العربية المتخصصة.

مكتبتك الابتدائية: ما نشرناه مسبقاً

قبل الغوص في المستوى المتقدم، إليك خريطةٌ كاملةٌ بكل ما نشرناه على منصتنا ذي يزن وكان وثيق الصلة بالبرومبت وأدوات الذكاء الاصطناعي واستخدام النماذج اللغوية، فإذا كنت جديداً على هذا الموضوع، فتلك المقالات هي منطلقك. أما إذا كنت ذا خبرةٍ، فهي نقاطٌ مرجعيةٌ سنبني عليها ولا نكررها في هذه السلسلة.

إن لم تكن قرأت هذه المقالات بعد، نوصي بالبدء بالمقالتين رقم 2 (أساسيات البرومبت) و15 (هندسة البرومبت للمترجمين) قبل المتابعة. فكل ما في هذه السلسلة يفترض أن هذا الأساس الابتدائي موجودٌ لدى القارئ.

ما الذي كسّر قواعد اللعبة القديمة

كان الأسلوب القديم في البرومبت معاملةً تبادليةً بسيطة: تكتب جملةً، يردّ النموذج، تُعدّل وتُعيد. نجح ذلك لأن نماذج ٢٠٢٢–٢٠٢٣ كانت في جوهرها محركاتِ إكمال تلقائي سريعة للغاية. كانت مخرجاتها متناسبةً مباشرةً مع وضوح تعليمةٍ واحدة. والنصائح التي ظهرت حينها — كن محدداً، أعطِ أمثلة، امنح النموذج دوراً — كانت متلائمةً تماماً مع تلك الحقيقة.

ثلاثة تحولات أسقطت ذلك النهج:

١. انفجار نوافذ السياق. أُطلق GPT-4 بثمانية آلاف رمز. وصل كلود ٣ إلى مئتي ألف. دفع جيميني ١.٥ برو الحدَّ إلى مليون رمز. صار بإمكان النموذج استيعاب كتابٍ كامل أو قاعدة كودٍ بأكملها أو عام من رسائل البريد الإلكتروني — وانتقل السؤال الجوهري من “كيف أصوغ هذا؟” إلى “ماذا أضع في هذه المساحة الهائلة، وكيف أُهيكلها؟”

٢. النماذج صارت تستدل لا تُكمل فحسب. أعلن نموذج o1 من أوبن‌أيه‌آي في أواخر ٢٠٢٤ عن جيل جديد من النماذج القادرة على قضاء وقتٍ في التفكير قبل الإجابة، تبعتها ميزة التفكير الموسّع في كلود ونمط التفكير في جيميني. هذه النماذج لا تستجيب للحيل، بل تستجيب للمسائل المُهيكلة.

٣. وصلت حالات الاستخدام الوكيلية. بدأ المطورون ببناء أنظمة لا يُجيب فيها النموذج عن أسئلة، بل يتّخذ إجراءات فعلية: يستدعي واجهات برمجية، يكتب كوداً وينفّذه، يدير سير العمل. في تلك الأنظمة، لا أهمية لبرومبتٍ وحيد. ما يهم هو بنية التعليمات عبر عشرات استدعاءات النموذج.

التحوّل هو هذا: كانت هندسة البرومبت تدور حول صياغة الجملة المثلى. أما هندسة السياق فتدور حول تصميم البيئة المعلوماتية الكاملة التي يعمل فيها النموذج.

هندسة السياق: تعريف عملي

شاع المصطلح في منتصف ٢٠٢٥ حين نشر أندريه كاربثي — الرئيس السابق للذكاء الاصطناعي في تسلا وأحد مؤسسي أوبن‌أيه‌آي — تغريدةً على منصة إكس أكد فيها أن “هندسة السياق” مصطلحٌ أدق وأهم من “هندسة البرومبت”. حجته: ما نفعله فعلاً هو ملء نافذة السياق بالمعلومات الصحيحة بالهيكل الصحيح. أما البرومبت فهو مكوّنٌ واحد فحسب من هذا الكل.

تشمل هندسة السياق:

• التعليمات النظامية (System Prompt) — التوجيهات الثابتة التي تحدد دور النموذج وقيوده وشخصيته قبل أن يقول المستخدم أي كلمة
• المعلومات المُسترجَعة — وثائق خارجية ونتائج قواعد بيانات وبحث استرجاعي مُحقنة في السياق (هذا ما تفعله تقنية RAG أو “التوليد المعزّز بالاسترجاع”)
• سجل المحادثة — الخيط الكامل للرسائل السابقة، مُدار بعناية للبقاء ضمن الحدود مع الاحتفاظ بالأهم
• مخرجات الأدوات — نتائج استدعاءات الواجهات البرمجية وتنفيذ الكود وعمليات البحث التي تُعاد إلى سياق النموذج
• سقالات التفكير المُهيكلة — صيغٌ توجّه عملية تفكير النموذج، لا مخرجاته فحسب

كان مهندس البرومبت التقليدي يسأل: “كيف أُحسّن صياغة هذا؟” أما مهندس السياق فيسأل: “ما الذي يحتاج النموذج معرفته، وبأي ترتيب، وبأي هيكلة، كي يستدل جيداً على هذه المسألة؟”

مكدّس السياق من خمس طبقات

إليك نموذجاً ذهنياً عملياً للتفكير في السياق. كل استدعاء نموذجٍ يستقي من خمس طبقاتٍ من المعلومات على الأكثر:

لاحظ أين تقع رسالة المستخدم: في الأسفل. لا يستطيع أفضل برومبتٍ كُتب بعناية أن يتغلب على تعليمات نظاميةٍ معطوبة أو سياقٍ مفقود. هذا هو السبب في أن من يتقنون هندسة السياق يتفوقون باستمرار على من يُجيدون صياغة الأسئلة فحسب.

ماذا تقول الأبحاث فعلاً

لا نتاجر في ادعاءات مبهمة. إليك ما أثبتته الأبحاث المحكّمة ودراسات القطاع في ٢٠٢٤–٢٠٢٥:

• برومبت سلسلة التفكير (Chain-of-Thought) — مطالبة النماذج بـ”التفكير خطوةً بخطوة” — أظهر تحسيناً في أداء مهام الاستدلال بنسبة ٤٠–٦٠٪ في ورقة Wei وآخرين ٢٠٢٢ الصادرة عن جوجل برين. غير أن دراسة ستانفورد ٢٠٢٤ أثبتت أنه يضيف فائدةً هامشيةً تكاد لا تُذكر على النماذج التي تستدل داخلياً أصلاً كـ o1 وكلود سونيت ٣.٧.
• برومبت الدور (“أنت خبير في…”) أظهر تحسيناتٍ متواضعة في بعض المجالات وأثراً قريباً من الصفر في غيرها، بل أدى في بعض الحالات إلى ارتفاع معدل الأخطاء الواثقة. (راجع مقالتنا: Chain-of-Thought وRole Prompting في خدمة المترجم.)
• شجرة الأفكار (Tree-of-Thoughts) — موضوع المقالة الثانية من السلسلة — أظهرت تحسيناً يصل إلى أربعة أضعاف مقارنةً بالبرومبت الأساسي في مهام التخطيط والألغاز، وفق الورقة الأصلية من برينستون وجوجل.
• التوافق الذاتي (Self-Consistency) — أخذ مسارات استدلالٍ متعددة واختيار إجابة الأغلبية — خفّض معدل الأخطاء الحقيقية بنسبة ٢٠–٣٠٪ تقريباً في المهام الكثيفة بالمعرفة.

النمط واضح: التقنيات التي تُهيكل عملية تفكير النموذج — لا مجرد أسلوب الطلب — تُظهر مكاسب متسقةً وقابلةً للقياس. أما التقنيات التي كانت تتمحور حول الصياغة فقط، فتتراجع عائداتها مع تطور النماذج.

فوارق النماذج التي تهم فعلاً

قبل أن نختتم هذه المقدمة، إليك تحديثاً للمشهد. هذه الملاحظات كانت دقيقةً مطلع ٢٠٢٦، لكن تحقق من المواصفات والأسعار في مصادرها الأصلية قبل الاعتماد عليها مهنياً.

للمستخدمين العرب في الدول ذات القيود المصرفية — ومنها سوريا حيث نعمل — تبقى أكثر نماذج الحدود إمكانيةً للوصول هي تلك المتاحة عبر الطبقات المجانية أو النشر المفتوح المصدر. نتناول هذا تحديداً في المقالة الثامنة من السلسلة.

الطريق أمامنا: تسع مقالات، منظومةٌ واحدة

هذه السلسلة بُنيت كمنهجٍ تدريبي متكامل لا كمجموعة نصائح متفرقة. كل مقالة تُقدّم تقنيةً مستقلة مع قوالب عملية، وتبني على ما قبلها. إليك الخريطة الكاملة:

1. أنت هنا — أسس هندسة السياق
2. شجرة الأفكار وشبكة التفكير
3. التفكير الذاتي والتحسين الذاتي المتكرر
4. هندسة الأوامر المضادة للهلوسة: التوافق الذاتي وسلسلة التحقق
5. إتقان البرومبت متعدد الوسائط
6. الأوامر الوكيلية — وكلاء الذكاء الاصطناعي المستقلون
7. سلاسل الأوامر الذكية وميتا-برومبتينج
8. البرومبت للنماذج المفتوحة المصدر وأنظمة الإنتاج
9. المستقبل: الضبط التكيّفي والتحسين التلقائي

لسنا نعلّمك كتابة جملٍ أفضل لروبوت محادثة. نحن نعلّمك تصميم أنظمة تستدل نيابةً عنك.

المترجمون وصنّاع المحتوى والفريلانسرون الذين يفهمون ما هي هندسة السياق فعلاً — والذين يستطيعون تطبيقها عبر منظومة النماذج — هم من سيحافظون على قيمتهم مع استمرار تطور النماذج. هذا هو الرهان الذي تقوم عليه هذه السلسلة، ونعتقد أنه الرهان الصحيح.

التالية: المقالة الثانية — شجرة الأفكار وشبكة التفكير: حل المشكلات المعقدة بدقة أعلى.

---

المراجع

1. Wei, J. وآخرون (٢٠٢٢). برومبت سلسلة التفكير يُثير الاستدلال في النماذج اللغوية الكبيرة. arxiv.org/abs/2201.11903
2. Yao, S. وآخرون (٢٠٢٣). شجرة الأفكار: حل المسائل المتأمَّل مع النماذج اللغوية الكبيرة. برينستون / جوجل. arxiv.org/abs/2305.10601
3. كاربثي، أ. (٢٠٢٥). تغريدة حول هندسة السياق. x.com/karpathy
4. أوبن‌أيه‌آي (٢٠٢٤). التعلم للاستدلال مع النماذج اللغوية الكبيرة (التقرير التقني لـ o1). openai.com
5. مكتبة برومبتات ذي يزن — السلسلة الداخلية (المقالات ١٢٠–٢٣٣). zyyazan.sy