من كتابة الأوامر إلى هندسة السياق: 6 تقنيات عملية توفّر ساعات من ضبط الإجابة

• تكلفة الحروف السيريلية من الرموز: أعلى بمقدار 2 إلى 3 أضعاف من النص الإنجليزي (الرمز الواحد بالإنجليزية ≈ 4 أحرف)
• الحد العملي لنافذة السياق: حتى 1 مليون رمز في النماذج الرائدة، مع تراجع الانتباه في وسط النص
• العدد الأمثل للأمثلة التوضيحية (few-shot): بالضبط 2 إلى 3 أمثلة (فعند استخدام 10 أمثلة ينسخ النموذج ضجيجًا سطحيًا)
• دورة الضبط في الحوار: 5 إلى 6 تكرارات متتالية من المسودة إلى الوثيقة النهائية

منذ عام 2023، حين بدأنا في تحويل الإنتاج الكتابي لدار Alpina إلى مسار قائم على الذكاء الاصطناعي، وحوّلنا تطوير AlpinaGPT الداخلي إلى منتج مؤسسي خارجي، مرّت آلاف الطلبات من المستخدمين بين يدي. والمشهد متطابق في كل مرة: يفتح موظفان النموذج المتقدّم نفسه، فيحصل الأول على ردّ فارغ وبيروقراطي، بينما يحصل الثاني في غضون ثلاث دقائق على تحليل مالي جاهز أو رأي قانوني متكامل.

للسيطرة على النتيجة، لا بد من فهم فيزياء العملية. يعمل نموذج اللغة ذو التريليون معامل كآلة تنبؤ احتمالي ضخمة — نسخة متطورة من ميزة T9 مدرَّبة على مليارات النصوص. لا "يعرف" النموذج الحقائق بالمعنى البشري، بل يحسب الاستمرار الأكثر احتمالًا لسلسلة من الرموز. وفي حين يستوعب الرمز الواحد بالإنجليزية نحو أربعة أحرف، تتجزأ الحروف السيريلية بشكل أدق كثيرًا، وتكلّف 2 إلى 3 أضعاف من حيث الميزانية والذاكرة. وعلى الرغم من أن نوافذ النماذج الرائدة مثل Claude و GPT و Gemini توسّعت إلى مليون رمز، فإن ملء المحادثة حتى آخرها يجعل النموذج يفقد حقائق موجودة في وسط الوثيقة.

لماذا حلّت هندسة السياق في 2026 محل البحث عن "العبارات السحرية"؟

يعتبر محللو Gartner ومهندسو Anthropic أن التحوّل الأكبر في عام 2026 هو الانتقال من اختيار الكلمات التقليدي إلى هندسة السياق (context engineering)، أي بناء البيئة المعلوماتية المحيطة بالمهمة. فعند ذكر مطلع عبارة أو مثل مألوف، يكمله أي متحدث بلغته الأصلية فورًا، لأن السياق الثقافي يضيّق الاختيارات بشدة. وبدون سياق، يستمدّ النموذج إجابته من أوسع وأكثر سحابة معاني متوسطة متاحة على الإنترنت.

يعمل الأمر الجيد (prompt) كإزميل النحّات: فهو يحذف الفروع الاحتمالية الزائدة، تاركًا للنموذج ممرًا ضيقًا نحو الحلول المطلوبة فقط. وفي ممارستي، يتجسّد هذا في تقنيتين أساسيتين:

1. صيغة الطلب المكوّنة من خمسة عناصر: الدور (من يُجيب وبأي خبرة)، السياق (تفاصيل الصفقة، معطيات العميل، السوابق)، المهمة (فعل إجرائي مع رقم: "استخرج 5 شروط وقيّم 3 مخاطر")، التنسيق (جدول، قائمة، عرض تقديمي لا يتجاوز 200 كلمة)، والقيود ("دون أسلوب بيروقراطي، والالتزام الصارم بالملف المرفق"). فبمجرد تقديم سياق تفصيلي — مثلًا "عميل بحجم أعمال 500 مليون روبل على باقة أساسية، نُعدّ عرضًا تجاريًا للمدير المالي بخصوص خدمة الدفع الإلكتروني مع حساب التوفير المتوقع" — يقدّم النموذج فورًا وثيقة جاهزة للعمل. 2. التحميل الكامل للسياق: قبل صياغة المهمة، أزوّد النموذج باللوائح والمراسلات والجداول الأصلية بالكامل، لتصبح عدم التماثل المعلوماتي بيني وبين النموذج معدومًا.

كيف تعمل سلسلة الاستدلال وأمثلة Few-shot وتضييق الأدوار؟

عندما تتطلّب المهمة تحليلًا معقدًا أو معيارًا مؤسسيًا صارمًا، تدخل ثلاث تقنيات أخرى حيّز التطبيق:

• سلسلة الاستدلال خطوة بخطوة (Chain-of-Thought): فإذا طلبتَ من النموذج مباشرة "تقييم حملة إعلانية"، فستحصل على عبارة غير مفيدة من نوع "الفعالية مرتفعة". أما أنا فأحدّد مسارًا صارمًا: "الخطوة 1 — ربط نطاق الوصول بالموازنة، الخطوة 2 — حساب معدل التحويل لكل مرحلة من مراحل مسار التحويل، الخطوة 3 — المقارنة بمعايير القطاع، الخطوة 4 — صياغة الحكم النهائي". بهذه الطريقة يصبح المنطق شفافًا: فإن وقع خطأ في الخطوة الثانية، يظهر فورًا.
• الضبط باستخدام 2 إلى 3 أمثلة (Few-shot): بالنسبة للمهام البسيطة من نوع التصنيف، تكفي تعليمات دون أمثلة (zero-shot). لكن عندما يتطلّب الأمر تنسيقًا خاصًا لتقرير مؤسسي أو نغمة مؤسسية مميزة، يكون الأسهل عرض نموذج مرجعي. والقاعدة التجريبية المهمة هنا: العدد الأمثل هو 2 إلى 3 أمثلة تحديدًا. فإذا أُدرج 10 أمثلة في الأمر، يفرط النموذج في التكيّف لحظيًا ويبدأ بنسخ تفاصيل عشوائية مثل طول الفقرات أو العبارات الافتتاحية، بدلًا من جوهر البنية.
• تركيز الأدوار: إن تحديد دور ما ("أنت محامٍ متخصص في العقود" أو "أنت مدير تجاري لشركة تكامل B2B") لا يضيف معرفة جديدة إلى معاملات النموذج، لكنه يغيّر السجل اللغوي وزاوية التحليل — فيبدأ النموذج بالنظر إلى النص من زاوية المخاطر أو هامش الربح.

ما العمل عمليًا عندما لا تنجح في صياغة طلب معقّد من المحاولة الأولى؟

بالنسبة للمهام غير النمطية، أستخدم تقنية سادسة هي الميتا-برومبتينغ (metaprompting)، حيث يصمّم النموذج نفسه أمرًا موجّهًا للنموذج المستهدف. وفي ورشة عمل أخيرة، سألتني مشاركة عن كيفية ترميم مخططات وواجهات مبانٍ يعود تاريخها إلى مئتي عام. فتحنا Gemini وصغنا المهمة كالتالي: "اكتب أمرًا تفصيليًا بالإنجليزية لنموذج الرسوم Nano Banana Pro مخصّصًا للترميم المعماري لمخططات واجهات قديمة مع الحفاظ على النسب". فولّد النموذج مواصفات تقنية دقيقة بمصطلحات مهنية، أعطت من المحاولة الأولى نتيجة بصرية نظيفة.

والقاعدة الأهم في الحوار: تؤكد دراسة لـ Anthropic أن غالبية المستخدمين يتوقفون عن المحادثة بعد أول إجابة فقط. يجب التعامل مع نماذج اللغة الكبيرة كمحلّل حقيقي عبر 5 إلى 6 تكرارات: قبول المسودة، تعديل البنية، تعزيز الحجج، وصقل الصياغات. ونقوم مع طلابنا بتجميع مكتبات جاهزة من هذه الأوامر المتعددة الخطوات في [Hamidun Academy](https://academy.hamidun.com)، ونختبرها على مهام تجارية حقيقية في [Vibe Club](https://hamidun.com/club).