Machine Learning Mastery تصدر دليلاً حول هندسة السياق لبناء وكلاء ذكاء اصطناعي موثوقين

أصدرت Machine Learning Mastery دليلاً عملياً حول هندسة السياق (context engineering) لوكلاء الذكاء الاصطناعي، وهي الممارسة التي تحدد البيانات التي يراها النموذج في كل لحظة من عمله. والفكرة الرئيسية في المقال أن مشكلات الأنظمة الوكيلية في بيئات الإنتاج ترتبط في الغالب لا بجودة النموذج، بل بطريقة إدارة المطورين للسياق والسجل والرموز.

لماذا يتعطل الوكلاء

يقترح المؤلف النظر إلى نافذة السياق بوصفها مورداً حاسوبياً محدوداً، لا تفصيلاً تقنياً يمكن تجاهله. فللرموز كلفة مالية، لأن كل استدعاء للنموذج يُدفع ثمنه، لكن لها أيضاً كلفة معرفية: فالمدخلات الطويلة وسيئة التنظيم تُضعف جودة الاستدلال. ويولي النموذج اهتماماً أكبر لبداية السياق ونهايته، بينما يفقد الجزء الأوسط تأثيره في كثير من الأحيان، حتى لو كان كل شيء يتسع شكلياً ضمن الحد المسموح.

نافذة السياق ليست قيداً يمكن الالتفاف عليه، بل هي المعلمة التصميمية

الأهم في النظام الوكيلي.

ومن هنا ينشأ سيناريو الإخفاق المعتاد: يُلصَق بالوكيل كل شيء بلا تمييز، من ردود قديمة ومخرجات أدوات (tool outputs) خام ومقاطع مكررة من الاسترجاع وقرارات تجاوزها الزمن. والنتيجة ارتفاع زمن الاستجابة والكلفة، وضياع الإشارة المفيدة وسط الضجيج. ويشبّه المقال ذلك بذاكرة RAM: فالذاكرة السريعة قوية لكنها محدودة. وكل ما لا يحتاجه الوكيل في هذه اللحظة بالذات ينبغي تخزينه في ذاكرة خارجية، ولا يدخل السياق إلا عند الطلب.

كيف يُبنى السياق

أكثر الأفكار المعمارية فائدة في الدليل هي الفصل الصارم بين السياق الثابت والسياق الديناميكي. يضم الجزء الثابت تعليمات النظام ودور الوكيل والقواعد ووصف الأدوات وصيغة الرد. وهذه البيانات لا تتغير تقريباً، لذا يمكن تخزينها مؤقتاً (cache) بوصفها بادئة. أما الجزء الديناميكي فيشمل طلب المستخدم الحالي ونتائج الأدوات الحديثة وآخر خطوات الوكيل والمستندات المطلوبة فعلاً في هذه المرحلة تحديداً.

قبل تجميع الموجِّه (prompt)، ينصح المؤلف بإجراء تدقيق لجميع الطبقات التي تملأ عادةً نافذة السياق:

• تعليمات النظام وأمثلة few-shot؛
• سجل المحادثة وردود الوكيل ونتائج استدعاءات الأدوات (tool calls)؛
• البيانات الخارجية من قاعدة المعرفة أو الملفات أو البحث؛
• حالة العمل: الاستنتاجات الوسيطة والخطة والخطوات التالية.

والخلاصة العملية بسيطة: لا ينبغي تقليص كل طبقة بأي ثمن، بل إزالة ما لا يفيد الخطوة الحالية فقط.

ويبدو مخطط التمريرتين مفيداً. ففي البداية يُحمِّل النظام الهيكل الثابت: موجِّه النظام والقواعد القابلة للتخزين المؤقت والملخصات طويلة الأمد. ثم يضيف الجزء المتغير: الحالة الراهنة للمهمة ونتائج الاسترجاع الحديثة وذيلاً قصيراً وثيق الصلة من السجل. ويسهّل هذا التجميع أيضاً تصحيح الأخطاء، إذ يتضح فوراً ما إذا كانت المشكلة في الإعداد أم في بيانات الجلسة الحالية.

كيف تُضبط الجودة

يخصص المقال قسماً مستقلاً لمنطقتين يتدهور فيهما أداء الوكلاء بأسرع وتيرة: سجل المحادثة والاسترجاع (retrieval). فتراكم المراسلات كاملةً يُضخّم السياق سريعاً، ويثبّت أخطاء النموذج كأنها حقائق. وينصح المؤلف بالانتقال من السجل الخام إلى ملخص متدحرج (rolling summary) أو حتى إلى حالة جلسة منظمة (structured session state) تُدوَّن فيها بشكل منفصل نية المستخدم والقرارات المتخذة والإجراءات المنفذة والخطوة التالية. ويمنح هذا الوكيل ذاكرة دون نمو لا نهائي في عدد الرموز.

والمنطق مشابه في الاسترجاع: فكل دفعة بيانات يجري العثور عليها تستهلك من الميزانية، ولذلك لا يصح اعتبارها مجانية. ويوصي المقال بتصفية النتائج قبل إدراجها في الموجِّه، واستخدام التقطيع الدلالي (semantic chunking) بدلاً من التقطيع إلى أجزاء ثابتة الحجم، ودمج البحث الدلالي عند الحاجة مع مرشحات الكلمات المفتاحية أو البيانات الوصفية. وبالنسبة إلى الأنظمة الناضجة، يُعدّ الاسترجاع الذي يتحكم فيه الوكيل (agent-controlled retrieval) الخيار الأقوى، إذ يستدعي الوكيل البحث بنفسه فقط حين يحتاج إليه فعلاً، لا تلقائياً في كل دورة.

وفي بيئة الإنتاج، يقترح المؤلف قياس جودة السياق نفسه إلى جانب الإجابة النهائية. ومن المقاييس المفيدة: مدى امتلاء ميزانية الرموز، ونسبة الضغط بعد التلخيص، ودقة الاسترجاع، ومؤشرات انحراف السياق (context drift)، أي حين يبدأ الوكيل بإعادة قراءة ملفات سبق معالجتها أو يبتعد عن المهمة الأصلية. وثمة أسلوب عملي آخر هو التقييم القائم على الاختبارات الاستقصائية (probe-based evaluation): فبعد الضغط أو الاسترجاع تُوجَّه إلى النظام أسئلة تحقق للتأكد من بقاء الحقائق والمخرجات الضرورية، ومن القدرة على مواصلة المهمة متعددة الخطوات من النقطة نفسها.

ماذا يعني ذلك

يرصد دليل Machine Learning Mastery بوضوح تحولاً في تطوير الأنظمة الوكيلية: فجودة وكيل الذكاء الاصطناعي لم تعد تتوقف على اختيار النموذج وحده، بل على مدى انضباط تصميم الذاكرة والاسترجاع وميزانية الرموز. وبالنسبة إلى الفرق التي تنقل وكلاءها إلى بيئة الإنتاج، فهذه إشارة مباشرة إلى ضرورة تصميم السياق بوصفه طبقة معمارية مستقلة، لا مجرد ذيل للموجِّه.