هندسة السياق (Context Engineering)
هندسة السياق هي ممارسة تصميم وتجميع كل المعلومات المُعطاة بعمد لنافذة السياق في نموذج اللغة - بما في ذلك التعليمات والمستندات المسترجعة ومخرجات الأدوات وملخصات الذاكرة وسجل المحادثة - لزيادة أداء النموذج إلى أقصى حد على مهمة محددة.
تعامل هندسة السياق كل ما يُدخل إلى نافذة السياق في نموذج اللغة كعنصر تصميمي يتطلب بناءً وتحسيناً مقصوداً. بينما تركز هندسة المحثات بشكل أساسي على نص التعليمات نفسه، تشمل هندسة السياق البيئة المعلوماتية الكاملة التي يستقبلها النموذج: التعليمات النظامية وسجل المحادثة والمعرفة المسترجعة عبر التوليد المعزز بالاسترجاع (RAG) والبيانات المنظمة ومخرجات استدعاءات الأدوات والكود والمستندات المرفوعة وملخصات الذاكرة الخارجية. اكتسبت هذه الفترة زخماً كبيراً في عام 2025 عندما أدرك ممارسو الذكاء الاصطناعي أن التجميع العشوائي أو الساذج للسياق كان عاملاً أساسياً في الأداء دون الأمثل والسلوك غير المتسق في أنظمة الذكاء الاصطناعي الإنتاجية، بمعزل عن قدرة النموذج.
تتضمن هندسة السياق عدة قرارات تصميمية مترابطة. يحدد الاختيار المعلومات التي يكفي أن تكون ذات صلة للتضمين - حتى النماذج ذات نوافذ سياق بمليون توكن تؤدي بشكل أفضل عندما يكون السياق مركزاً، لأن المحتوى غير ذو الصلة يخفف الانتباه ويزيد الضوضاء. ويُهم الترتيب بشكل ملموس: أثبت البحث التجريبي المنشور في 2023 أن نماذج اللغة تسترجع المعلومات بموثوقية أقل عندما توضع في وسط السياقات الطويلة مقارنة بالبداية أو النهاية، وهو اكتشاف تم تسميته مشكلة "الضياع في الوسط"، مما يجعل موضع المحتوى الحرج متغيراً تصميمياً صريحاً. وقرارات التلخيص - متى وكيف تلخيص أدوار المحادثة السابقة أو المستندات الطويلة - توازن بين الاستدعاء وتكاليف التوكن. وبالنسبة للأنظمة الموكلة متعددة الخطوات، يجب على مهندسي السياق أيضاً إدارة تنسيق مخرجات الأدوات وتمثيل الحالة عبر الخطوات والهياكل المعمارية للذاكرة من جلسة إلى أخرى للحفاظ على توجيه النموذج دون إغراق النافذة بمحتوى وسيط غير ذي صلة.
تُهم هندسة السياق لأن نفس النموذج الأساسي يمكن أن ينتج نتائج مختلفة بشكل درامي اعتماداً على كيفية تجميع سياقه. سينتج نموذج يجيب على استعلام دعم تقني ويستقبل قسم التوثيق المتعلق بالمنتج وسجل حساب العميل وتعليمات المهمة الموجزة نتائج أفضل من نفس النموذج الذي يُعطى سياقاً غير مركز يحتوي على الكتالوج الكامل للمنتجات إلى جانب محادثات سابقة غير ذات صلة. ومع نمو تطبيقات الذكاء الاصطناعي لتصبح أكثر تعقيداً - من خلال دمج مستندات مسترجعة متعددة وتنسيق متعدد الوكلاء ومخرجات أدوات خارجية وسجلات تفاعل طويلة - تصبح إدارة السياق المنهجية رافعة أداء مهمة بقدر أهمية اختيار النموذج أو صياغة المحث.
اعتباراً من عام 2026، تُعترف هندسة السياق كطبقة متميزة من معمارية تطبيقات الذكاء الاصطناعي مع أدوات مخصصة. توفر أطر عمل مثل LangChain وLlamaIndex وواجهة OpenAI Assistants API تجريدات للاسترجاع والذاكرة والتجميع الديناميكي للسياق. تطبق الأنظمة الإنتاجية بشكل شائع التقسيم الدلالي لاسترجاع المستندات والتقطير السياقي (تحويل سجلات التفاعل الطويلة إلى ملخصات ذاكرة مدمجة) والاختيار الديناميكي للأمثلة القليلة (استرجاع الأمثلة الأكثر صلة وقت الاستدلال بدلاً من برمجتها مباشرة). ويُعد التخصص مركزياً بشكل خاص لأنظمة الذكاء الاصطناعي الموكلة، حيث تولد سلاسل استدعاءات الأدوات كميات كبيرة من المحتوى الوسيط التي يجب تصفيتها وإعادة هيكلتها للحفاظ على تركيز النموذج عبر المهام التي تمتد على خطوات عديدة.