برومبت النماذج المفتوحة المصدر وأنظمة إنتاج الذكاء الاصطناعي

هذه المقالة الثامنة من تسعٍ في سلسلتنا: هندسة الأوامر المتقدمة. السابقة: سلاسل الأوامر الذكية وميتا-برومبتينج. التالية: مستقبل هندسة الأوامر في ٢٠٢٦.

لماذا تحتاج النماذج المفتوحة المصدر نهجاً مختلفاً

كل تقنيةٍ في هذه السلسلة تعمل مع نماذج السحابة الحدودية — كلود وGPT-4o وجيميني — المتاحة عبر واجهاتٍ برمجية، والمُعدَّلة بكثافة لاتباع التعليمات، والمصمَّمة للاستجابة بفائدةٍ لطلبات اللغة الطبيعية. الافتراضات المضمَّنة في تلك التقنيات لا تنتقل بالكامل إلى النماذج المفتوحة المصدر.

النماذج المفتوحة المصدر كـLlama 3.3 وMistral Large وPhi-4 وQwen 2.5 باتت قادرةً بصورةٍ متزايدة — منافسةً أو متفوقةً على النماذج الحدودية من عامٍ مضى — لكنها ذات خصائصٍ مميّزة تستلزم استراتيجيات برومبتٍ مُعدَّلة، فهي أقل اتساقاً في اتباع التعليمات، وأكثر حساسيةً للتنسيق، وتتباين تبايناً كبيراً بحسب المتغيّر ومستوى التكميم، وتُنشَر عادةً في بيئاتٍ تتحكم فيها بالمكوّنات الكاملة: التعليمات النظامية، ونافذة السياق، ومعاملات الاستنتاج، وخط معالجة المخرجات.

هذه النقطة الأخيرة هي الفرصة. فمع واجهات السحابة البرمجية، يتحكم مشغّل النموذج في معاملاتٍ كثيرةٍ لا تستطيع الوصول إليها، أما مع النماذج المفتوحة المنشورة محلياً أو ذاتياً، أنت تتحكم في كل شيء — مما يعني مسؤوليةً أكبر لتصميم بيئة البرومبت بعناية، ومكافأةً أكبر حين تفعل ذلك جيداً.

تتناول هذه المقالة أيضاً برومبت الإنتاج بمعناه الأوسع: الأنماط التي تجعل مخرجات الذكاء الاصطناعي موثوقةً ومفيدةً ليس في محادثةٍ واحدة بل في الأنظمة المنشورة التي تعالج أعباءً حقيقيةً على نطاقٍ واسع.

مشهد النماذج المفتوحة في ٢٠٢٦

عمود صيغة التعليمات أهم مما يُدركه معظم الناس. كل عائلة نماذج دُرِّبت بقالب محادثةٍ محدد — طريقةٌ مُهيكَلة لتحديد أين تنتهي التعليمات النظامية وأين تبدأ رسالة المستخدم، لذا استخدام القالب الخطأ أو عدم استخدام أي قالبٍ يُدهور الأداء بشكلٍ ملحوظٍ حتى لو كان محتوى البرومبت ممتازاً. تحقق دوماً من القالب الصحيح لمتغيّر نموذجك قبل النشر.

ملاحظة حول لغة البرومبتات

تُكتب القوالب بالإنكليزية كما أوضحنا في المقالات السابقة. ترجمة كل قالبٍ موضوعةٌ مباشرةً تحته.

القالب الأول: التعليمات النظامية المُهيكَلة للنماذج المفتوحة

تستجيب النماذج المفتوحة للتعليمات النظامية الصريحة المُهيكَلة استجابةً أفضل من الأوصاف بلغةٍ طبيعية. فحيث تستطيع نماذج حدوديةٍ ككلود استنتاج القصد من تعليماتٍ رخوةٍ، تحتاج النماذج المفتوحة الأصغر سقالةً أوضح. يعمل هذا القالب عبر متغيّرات لاما وميسترال وكوين.

### SYSTEM

ROLE: You are [specific role with domain and expertise level].
Do not claim capabilities you do not have.
Do not refuse tasks within the scope defined below.

TASK SCOPE:
- You handle: [list specific task types]
- You do not handle: [list explicit out-of-scope tasks]
- When asked about out-of-scope tasks, respond:
  "This falls outside my current scope. Please contact [X]."

OUTPUT FORMAT:
- Always respond in [language].
- Structure every response as: [define your required structure]
- Maximum length: [define a limit]
- Never use markdown unless the user explicitly requests it.

CONSTRAINTS:
- Do not apologize unless the error was yours.
- Do not repeat the user's question before answering.
- If you are uncertain, say so explicitly before answering.
- Cite sources when available; if not, state "no source available."

### USER
[user message goes here]

ترجمة القالب:
النظام: الدور: أنت [دورٌ محدد مع المجال ومستوى الخبرة]. لا تدّعي قدراتٍ لا تملكها. لا ترفض المهام ضمن النطاق المحدد أدناه. نطاق المهام: أنت تتعامل مع [أدرج أنواع المهام المحددة]. لا تتعامل مع [أدرج المهام الخارجة عن النطاق صراحةً]. عند سؤالك عن مهامٍ خارج النطاق، أجب: “هذا خارج نطاقي الحالي. يرجى التواصل مع [ج].” صيغة المخرج: أجب دائماً بـ[اللغة]. هيكل كل ردٍّ كالتالي: [عرّف هيكلك المطلوب]. الطول الأقصى: [حدد حداً]. لا تستخدم ماركداون ما لم يطلبه المستخدم صراحةً. القيود: لا تعتذر ما لم يكن الخطأ خطأك. لا تكرّر سؤال المستخدم قبل الإجابة. إن كنت غير متأكد صرّح بذلك قبل الإجابة. استشهد بالمصادر حين تتوفر؛ وإلا فصرّح بـ”لا مصدر متاح”.

قيدا “لا تكرّر سؤال المستخدم” و”لا تعتذر ما لم يكن الخطأ خطأك” يعالجان نمطَي فشلٍ شائعَين في النماذج المفتوحة المُعدَّلة لاتباع التعليمات: المقدمات الطويلة والتحفّظ المفرط اللذان يُضخّمان طول الرد دون إضافة معلومات.

التوليد المعزَّز بالاسترجاع (RAG): أهم نمط في الإنتاج

RAG — اختصار Retrieval-Augmented Generation أي “التوليد المعزَّز بالاسترجاع” — هو ممارسة استرجاع وثائقٍ خارجيةٍ ذات صلةٍ أثناء التشغيل وإدراجها في سياق النموذج قبل توليد الرد. إنه التقنية الواحدة الأكثر تأثيراً لجعل مخرجات الذكاء الاصطناعي موثوقةً حقائقياً في الإنتاج، وهي أكثر من أي تقنية برومبتٍ تُطبَّق على النموذج وحده.

السبب: يُحوّل RAG مهمة النموذج من “تذكّر وولّد” إلى “اقرأ وركّب”. نموذجٌ يجب أن يسترجع الحقائق من بيانات التدريب سيهلوس حين تكون تلك الحقائق مفقودةً أو قديمة، أما نموذجٌ يُعطى الوثيقة ذات الصلة ويُطلَب منه تركيب جوابٍ منها سيهلوس أقل بكثير، لأن المعلومة التي يحتاجها موجودةٌ بالفعل في نافذة سياقه.

فهم RAG ضروريٌّ لكل من يبني أو يستخدم أدوات مدعومة بالذكاء الاصطناعي تتعامل مع معلوماتٍ خاصةٍ أو حديثةٍ أو متخصصةٍ في مجالٍ ما. (راجع مقالتنا: ما الذي لا يستطيع الذكاء الاصطناعي فعله لمشكلة تاريخ قطع المعرفة التي يعالجها RAG.)

القالب الثاني: التعليمات النظامية لـRAG

يُهيكل هذا القالب كيفية استخدام النموذج للسياق المُسترجَع. الخيارات التصميمية الجوهرية: يأمر النموذج بالإجابة من السياق المُقدَّم فقط، والإشارة صراحةً حين يكون السياق غير كافٍ، وعدم ملء الفجوات أبداً من بيانات التدريب.

### SYSTEM

You are a retrieval-assisted assistant. Your answers must be
grounded exclusively in the CONTEXT documents provided below.

RULES:
1. Answer ONLY from information present in the CONTEXT.
   Do not use your training knowledge to fill gaps.

2. If the CONTEXT does not contain enough information, respond:
   "The available documents do not fully cover this question.
    Here is what I found: [partial answer].
    You may need to consult [source type] for the rest."

3. When you use information from the CONTEXT, indicate which
   document it came from using [Doc N] inline.

4. Do not summarize documents unprompted.
   Answer the specific question asked.

5. If the CONTEXT contains contradictory information,
   flag the contradiction explicitly before answering.

### CONTEXT

[Doc 1]
Source: [document title / URL / date]
Content: [retrieved text]

[Doc 2]
Source: [document title / URL / date]
Content: [retrieved text]

### USER
[user question]

ترجمة القالب:
النظام: أنت مساعدٌ مدعوم بالاسترجاع. يجب أن تكون إجاباتك مُؤسَّسةً حصراً في وثائق السياق المُقدَّمة أدناه. القواعد: ١) أجب فقط من المعلومات الواردة في السياق. لا تستخدم معرفتك التدريبية لملء الفجوات. ٢) إن لم يتضمن السياق معلوماتٍ كافية، أجب: “الوثائق المتاحة لا تغطي هذا السؤال كاملاً. إليك ما وجدتُ: [جوابٌ جزئي]. قد تحتاج الرجوع إلى [نوع المصدر] لبقية الجواب.” ٣) حين تستخدم معلومةً من السياق، أشر إلى الوثيقة التي صدرت منها بـ[وثيقة رقم] داخل النص. ٤) لا تلخّص الوثائق تلقائياً. أجب على السؤال المحدد المطروح. ٥) إن تضمّن السياق معلوماتٍ متناقضة حول نقطةٍ ما، أبرز التناقض صراحةً قبل الإجابة. السياق: [الوثيقة ١]: المصدر / المحتوى. [الوثيقة ٢]: المصدر / المحتوى.

القالب الثالث: المخرج المُهيكَل مع مخطط التحقق

الأنظمة الإنتاجية نادراً ما تريد نصاً حراً. تريد بياناتٍ مُهيكَلة — JSON أو XML أو صيغة حقولٍ محددة — يستطيع الكود اللاحق تحليلها دون إخفاق. الحصول على نماذج تُنتج مخرجاً قابلاً للتحليل بموثوقية يستلزم مخططاً صريحاً في البرومبت وتعليمة تحقق في النهاية.

Extract the following information from the text below and return
it as a valid JSON object matching the schema exactly.

SCHEMA:
{
  "entity_name": "string — required",
  "date": "string — ISO 8601 format (YYYY-MM-DD) or null if absent",
  "category": "one of: [category_a, category_b, category_c]",
  "confidence": "number between 0.0 and 1.0",
  "summary": "string — maximum 50 words",
  "flags": ["array of strings — leave empty [] if none"]
}

RULES:
- Return ONLY the JSON object. No preamble, no explanation.
- If a required field cannot be extracted, set it to null
  and add "missing_[field_name]" to the flags array.
- Do not invent values. If uncertain, lower the confidence score.
- Validate your output mentally before returning:
  does every field match its type? Is the JSON syntactically valid?

TEXT TO PROCESS:
[paste your source text here]

ترجمة القالب: استخرج المعلومات التالية من النص أدناه وأعدها ككائن JSON صالحٍ مطابقٍ للمخطط بالضبط. المخطط: اسم الكيان (نصٌّ — مطلوب)، التاريخ (نصٌّ بصيغة ISO 8601 أو null إن غاب)، الفئة (واحدة من: [الفئات المحددة])، الثقة (رقمٌ بين ٠.٠ و١.٠)، الملخص (نصٌّ — بحد أقصى ٥٠ كلمة)، الأعلام (مصفوفة نصوص — اتركها فارغةً إن لم توجد). القواعد: أعد كائن JSON فحسب. لا مقدمة ولا شرح. إن لم يمكن استخراج حقلٍ مطلوب، اضبطه على null وأضف “مفقود_[اسم_الحقل]” إلى مصفوفة الأعلام. لا تخترع قيماً — إن كنت غير متأكد خفّض درجة الثقة. تحقق من مخرجك ذهنياً قبل الإعادة: هل كل حقلٍ يطابق نوعه؟ هل JSON صحيحٌ تركيبياً؟

تعليمة “تحقق من مخرجك ذهنياً قبل الإعادة” ليست زينةً. إنها تُنشّط مرور تحققٍ ذاتي يُقلّل بشكلٍ قياسي من مخرجات JSON المعيبة مقارنةً بالبرومبتات التي تُهمله. في الإنتاج، اقرنه بتحققٍ فعلي على مستوى الكود يلتقط أي أخطاءٍ متبقية ويُشغّل برومبت إعادة المحاولة إن فشل التحليل.

نمط الإنتاج: التحقق من المخرج وإعادة المحاولة

في أي نظامٍ منشورٍ يعتمد على مخرج النموذج في خطوةٍ لاحقة — تغذية قاعدة بيانات، توليد تقرير، تشغيل إجراء — تحتاج طبقة تحققٍ بين النموذج والخطوة التالية. النموذج سينتج مخرجاً معيباً بصورةٍ متقطعة بصرف النظر عن جودة برومبتك. سؤال الإنتاج ليس “كيف أمنع كل الأخطاء؟” بل “كيف أكتشف الأخطاء وأتعافى منها بأناقة؟”

[After receiving model output that fails validation:]

Your previous response was not valid JSON. Here is the error:
[paste the exact parse error or validation failure message]

Your previous response was:
[paste the model's malformed output]

Correct ONLY the structural problem identified in the error.
Do not change any field values.
Return the corrected JSON object with no other text.

ترجمة القالب: ردّك السابق لم يكن JSON صالحاً. إليك الخطأ: [الصق رسالة خطأ التحليل أو فشل التحقق بالضبط]. ردّك السابق كان: [الصق المخرج المعيب]. صحّح المشكلة الهيكلية المحددة في الخطأ فقط. لا تغيّر أي قيمٍ للحقول. أعد كائن JSON المُصحَّح دون أي نصٍّ آخر.

برومبت إعادة المحاولة هذا أكثر فاعليةً من إعادة تشغيل البرومبت الأصلي لأنه يمنح النموذج معلوماتٍ تشخيصية محددة — الخطأ بالضبط — بدلاً من طلب المحاولة مجدداً من الصفر. عملياً، إعادة محاولةٍ واحدة مُوجَّهة تحل أكثر من ٩٠٪ من حالات المخرجات المعيبة في النماذج المُبرمَجة جيداً.

نمط الإنتاج: إدارة إصدارات البرومبت

البرومبت ليس كوداً تكتبه مرةً واحدة. إنه مواصفةٌ تتطور مع تطور حالة استخدامك وتحديث النماذج واكتشاف أنماطٍ جديدة للإخفاق. في الإنتاج، معاملة البرومبتات كأصولٍ قابلة للإصدار — مع سجلاتٍ للتغييرات وحالات اختبار وإجراءاتٍ للتراجع — بالغة الأهمية كإدارة إصدارات كود التطبيق.

PROMPT ID: [unique identifier]
VERSION: [e.g. v2.3]
MODEL: [model name and version this was tested on]
LAST UPDATED: [date]
AUTHOR: [name or team]

PURPOSE: [one sentence — what this prompt does]

KNOWN FAILURE MODES:
- [describe each known failure and the input that triggers it]

TEST CASES:
- Pass: [input that should succeed — describe expected output]
- Fail: [input that should fail gracefully — describe expected handling]

CHANGELOG:
- v2.3 [date]: [what changed and why]
- v2.2 [date]: [what changed and why]

ROLLBACK: [which version to revert to if this version degrades]

ترجمة القالب: معرّف البرومبت [معرّفٌ فريد]، الإصدار [مثلاً v2.3]، النموذج [اسم النموذج وإصداره الذي اختُبر عليه]، آخر تحديث [التاريخ]، المؤلف [الاسم أو الفريق]. الغرض [جملةٌ واحدة — ما يفعله هذا البرومبت]. أنماط الإخفاق المعروفة [صف كل إخفاقٍ معروف والمدخل الذي يُثيره]. حالات الاختبار: ناجح [مدخلٌ ينبغي أن ينجح — صف المخرج المتوقع]، فاشل [مدخلٌ ينبغي أن يُخفق بأناقة — صف المعالجة المتوقعة]. سجل التغييرات: v2.3 [التاريخ]: [ما تغيّر ولماذا]. التراجع [أي إصدارٍ يُعاد إليه إن تراجع هذا الإصدار].

معاملات الاستنتاج: الإعدادات التي يتجاهلها معظم الناس

حين تستدعي نموذجاً — سواءٌ عبر واجهةٍ برمجية أو نشرٍ محلي — تضبط معاملاتٍ للاستنتاج تؤثر تأثيراً كبيراً على جودة المخرجات واتساقها. معظم المستخدمين يتركونها على القيم الافتراضية. في الإنتاج، فهمها جزءٌ من هندسة البرومبت.

برومبت اللغة العربية على النماذج المفتوحة

تطرح العربية تحدياتٍ محددة للنماذج المفتوحة تستحق المعالجة المباشرة، لأن شريحةً كبيرة من قرّائنا يعملون بالعربية مهنياً. (راجع مقالتَينا: هل يفكر الذكاء الاصطناعي بلغتك؟ وهل يفكر الذكاء الاصطناعي بالإنكليزية بلهجةٍ أمريكية؟ للنقاش المتعلق بالتحيز الكامن.)

ثلاثة تعديلاتٍ عملية لبرومبت اللغة العربية على النماذج المفتوحة:

١. حدّد اللهجة والمستوى اللغوي صراحةً. على خلاف النماذج الحدودية التي اطّلعت على العربية في مستوياتٍ لغوية متعددة، تفترض النماذج المفتوحة الأصغر اللغة العربية الفصحى المعاصرة وتنزلق إلى مخرجاتٍ مختلطة المستوى. أضف إلى تعليماتك النظامية: “أجب باللغة العربية [الفصحى / الشامية / المصرية / الخليجية] فقط. لا تمزج المستويات.” هذه التعليمة الواحدة تُحسّن الاتساق بشكلٍ ملحوظ.

٢. استخدم تسميات الحقول بالحروف اللاتينية والقيم بالعربية. عند البرمجة للمخرجات المُهيكَلة بالعربية، استخدم أسماء حقولٍ إنكليزية في مخططك (name, date, summary) وقيماً عربية. JSON ذو الكتابة المختلطة تُحلّله بشكلٍ صحيح جميع المُحلِّلات الرئيسية، ويتجنب غموض التسميات التي تُكتب من اليمين إلى اليسار مما قد يُشوّش على النماذج الأضعف.

٣. اختبر بنصٍّ مُشكَّل. تُعاني كثيرٌ من النماذج المفتوحة في التعامل مع العربية المُشكَّلة الكاملة (بالتشكيل). إن كانت حالة استخدامك تتضمن نصوصاً دينيةً أو وثائقٍ رسمية أو محتوىً للأطفال يستخدم التشكيل، اختبر صراحةً وكن مستعداً لأداءٍ متراجع. تتعامل نماذج Qwen 2.5 ومتغيرات Llama 4 مع هذا بشكلٍ أفضل من نماذج عائلة Mistral حتى مطلع ٢٠٢٦.

الأخطاء الشائعة في برومبت الإنتاج

غياب قيد طول المخرج. بغير سقفٍ لـmax_tokens وتعليمة طولٍ في البرومبت، ستُولّد النماذج مخرجاتٍ بطولٍ غير متوقع. في الإنتاج يُنشئ هذا تجربة مستخدمٍ غير متسقة وتكاليف واجهةٍ برمجية غير متوقعة.

استخدام قالب المحادثة الخطأ. أكثر إخفاقٍ صامتٍ شيوعاً في نشر النماذج المفتوحة. إن دُرِّب النموذج بقالبٍ محدد واستخدمت نصاً خاماً أو القالب الخطأ، قد يُنتج النموذج مخرجاً يبدو متماسكاً لكنه متراجعٌ بشكلٍ منهجي — ولن تعرف السبب.

غياب منطق إعادة المحاولة. كل نظامٍ إنتاجي يُحلّل مخرج النموذج سيتلقى في نهاية المطاف مخرجاً معيباً. بغير حلقة إعادة محاولة، يستطيع ردٌّ سيئٌ واحدٌ كسر خط المعالجة. نمط التحقق وإعادة المحاولة أعلاه هو الحد الأدنى — طبّقه قبل الإطلاق لا بعد الإخفاق الأول.

معاملة التعليمات النظامية كأمرٍ ثابت. التعليمات النظامية المثلى لإصدار النموذج X قد تؤدي بشكلٍ مختلف على الإصدار X.1. جدول إعادة تقييم البرومبت كلما تحدّث النموذج الأساسي — حتى التحديثات الطفيفة قد تُحوّل السلوك على الحالات الحدّية.

تمارين تطبيقية

1. اختبار نشر القالب: خذ القالب الأول وانشره مع نموذجٍ مفتوحٍ يمكنك الوصول إليه (Ollama، الطبقة المجانية من OpenRouter، أو ما يشابهها). شغّل عشرة مدخلاتٍ متنوعة وسجّل أنماط الإخفاق. قارن مع المدخلات ذاتها على نموذجٍ حدودي باستخدام تعليماته النظامية الافتراضية.
2. محاكاة RAG: خذ سؤالاً يُجيب عليه أداؤك بالذكاء الاصطناعي بشكلٍ خاطئ لأنه يفتقر إلى معلوماتٍ حديثة أو خاصة. استرجع يدوياً النص ذا الصلة، هيكله كسياقٍ باستخدام القالب الثاني، وأعد السؤال. لاحظ الفرق في الدقة وسلوك الاستشهاد.
3. اختبار ضغط المخطط: خذ القالب الثالث وقدّم عمداً مدخلاتٍ غامضة أو ناقصة أو تحتوي بياناتٍ لا تناسب أي فئةٍ محددة. لاحظ كيف يتعامل النموذج مع كل حالةٍ وحسّن قواعد المخطط لمعالجة كل إخفاق.

التالية في السلسلة: المقالة التاسعة — مستقبل هندسة الأوامر في ٢٠٢٦: من البرومبت إلى الضبط التكيّفي التلقائي.

المراجع

1. ميتا للذكاء الاصطناعي (٢٠٢٤). بطاقة نموذج لاما ٣. ai.meta.com
2. ميسترال للذكاء الاصطناعي (٢٠٢٤). توثيق Mistral Large 2. mistral.ai
3. Lewis, P. وآخرون (٢٠٢٠). التوليد المعزَّز بالاسترجاع للمهام اللغوية المكثّفة بالمعرفة. فيسبوك لأبحاث الذكاء الاصطناعي. arxiv.org/abs/2005.11401
4. منصة ذي يزن — ما الذي لا يستطيع الذكاء الاصطناعي فعله. zyyazan.sy
5. منصة ذي يزن — هل يفكر الذكاء الاصطناعي بلغتك؟ zyyazan.sy

هندسة الأوامر المتقدمة ٢٠٢٦

من البرومبت التقليدي إلى أنظمة الذكاء الاصطناعي الوكيلية — تسع مقالات

١ / ٩

لماذا ماتت هندسة البرومبت التقليدية؟

مقدمةٌ في هندسة السياق المتقدمة وما الذي غيّر قواعد اللعبة.

٢ / ٩

شجرة الأفكار وشبكة التفكير

حل المشكلات المعقدة بمسارات استدلالٍ متفرعة وتقييمٍ ذاتي.

٣ / ٩

التفكير الذاتي والتحسين المتكرر

اجعل الذكاء الاصطناعي ينتقد مخرجاته ويحسّنها دورةً بعد دورة.

٤ / ٩

هندسة الأوامر المضادة للهلوسة

التوافق الذاتي وسلسلة التحقق لمخرجاتٍ موثوقة وقابلة للتدقيق.

٥ / ٩

البرومبت متعدد الوسائط

التحكم الكامل في النصوص والصور والفيديو مع نماذج الرؤية الحديثة.

٦ / ٩

الأوامر الوكيلية

تحويل النموذج إلى وكيلٍ مستقل يستخدم الأدوات ويتخذ القرارات.

٧ / ٩

سلاسل الأوامر وميتا-برومبتينج

أنظمة تكتب برومبتاتٍ أفضل منك وبايبلاينات ذكية متعددة الخطوات.

٨ / ٩

النماذج المفتوحة وأنظمة الإنتاج

RAG والمخرج المُهيكَل وإدارة إصدارات البرومبت للأنظمة الحقيقية.

٩ / ٩

المستقبل: الضبط التكيّفي والتلقائي

من البرومبت اليدوي إلى APO والأنظمة التكيّفية وحلقات التغذية الراجعة الذاتية.

سلسلة هندسة الأوامر المتقدمة ٢٠٢٦ — تسع مقالات  |  ذي يزن