Google NotebookLM يساعد في بناء مهندس مطالبات ذكاء اصطناعي شخصي في 15 دقيقة

تم اقتراح استخدام Google NotebookLM ليس كدفتر ملاحظات عادي، بل كمهندس طلب ذكاء اصطناعي شخصي. الفكرة بسيطة: بدلاً من دراسة تقنيات صياغة الطلبات بلا نهاية، قم بإنشاء قاعدة معرفة خاصة بك وجعل النموذج يرد فقط بناءً عليها.

لماذا تفشل روبوتات الدردشة

الشكوى الرئيسية من روبوتات الدردشة العادية في مثل هذه المهام هي أنها توفر إجابات متوسطة. إذا طلبت من النموذج كتابة طلب لـ Sora أو Veo أو توليد نماذج ثلاثية الأبعاد، فإن النموذج غالباً ما يخلط بين النصائح القديمة والمعاملات غير المتحققة والأجزاء من أدلة مختلفة.

في السيناريوهات المحددة، يصبح هذا بسرعة مشكلة: معامل إضافي واحد يكسر استدعاء API، وصياغة غير صحيحة واحدة تغير الأسلوب البصري أو هيكل النتيجة.

لذلك، المهمة هنا ليست عن "استعلام سحري"، بل عن تحديد النموذج بسياق معروف. في الأساس، يقترح الكاتب النظر إلى هندسة الطلب كعمل مع المصادر، بدلاً من المنافسة في الصيغ.

كلما كان المجال أضيق—الفيديو والصور وأنظمة JSON وإعدادات RAG—كلما كان من الأهمية أن يعتمد المساعد ليس على المعرفة العامة، بل على التوثيق المحدد والأمثلة والقوالب العملية الخاصة بك. وهذا يقلل الهلوسة ويجعل الإجابات قابلة للتكرار.

كيفية عمل المساعد

في هذا النظام، يعمل NotebookLM من Google كطبقة RAG خفيفة بدون كود أو واجهة برمجية. ينشئ المستخدم دفتر ملاحظات جديداً ويحمل عليه ملفات PDF والمواقع والنصوص ومقاطع YouTube، ثم يحدد للنموذج دوراً نظاماً واضحاً.

بعد ذلك، يرد المساعد فقط على أساس المواد المضافة ولا يمكنه فقط توفير طلب، بل شرح سبب اختياره معاملات محددة للكاميرا والإضاءة والهيكل أو الأسلوب. بالنسبة للمستخدم، يبدو وكأنه خبير شخصي تم تدريبه على مكتبتك الخاصة.

النقطة الأساسية هي عدم ترك الخدمة في وضع "شريك الحوار العام". يوصي الكاتب بتحديد ملف تعريف مهندس طلب كبير بشكل صريح ومنع اختلاق الحقائق خارج المصادر.

أفضل جزء من هذا الإعداد هو متطلبة الاعتراف بالفجوات في المعرفة بدلاً من ملؤها بنبرة واثقة. الصيغة قصيرة لكنها عملية:

"إذا لم تكن المعلومات هناك—قل بصراحة 'لا أعرف'."

يغير هذا الفلتر جودة الإجابات أكثر من قائمة أخرى بتقنيات الطلب "السرية".

ما الذي يجب تضمينه بداخله

لا يعتمد فعالية مثل هذا المساعد على طلب ابتدائي جميل، بل على مجموعة المواد داخل دفتر الملاحظات. تنصح المقالة بعدم جمع كل شيء جزافياً، بل فقط تلك المصادر التي يكون المستخدم مستعداً حقاً للاعتماد عليها في عمله.

إذا حملت مقاطع فيديو عشوائية ونصائح متناقضة، فستقوم الخدمة ببساطة بإعادة سرد الفوضى بطريقة منظمة. إذا قمت بتجميع مجموعة ضيقة وعالية الجودة، فسيبدأ في العمل مثل محرر منضبط.

الحد الأدنى العملي يبدو هكذا:

• التوثيق الرسمي من OpenAI و Google و Anthropic والمنصات الأخرى اللازمة؛

• تحليلات الفيديو لنماذج محددة يمكن لـ NotebookLM نسخها نصياً؛

• طلباتك الناجحة الخاصة وأنظمة JSON والقوالب العملية؛

• أدلة معروفة عن الصور والفيديو والمهام المتخصصة الأخرى.

من هناك، يكون السيناريو عملياً جداً: يكتب المستخدم مهمة مثل "أنشئ 10 اختيارات طلب لفيديو عمودي 9:16 في مدينة سايبربانك"، و NotebookLM يعيد ليس فقط مجموعة من الصيغ، بل أيضاً التبرير لها.

يمكنه أن يقترح سبب الحاجة إلى نوع حركة كاميرا معين، ولماذا تم اختيار لوحة نيون، وما هي الأساليب البديلة الموجودة، وأي معاملات يجب تجنبها لتجنب كسر التكامل.

إنها بالضبط هذه القابلية للتفسير التي تميز المساعد عن مجلد الملاحظات القديمة وعن روبوت الدردشة العادي بمعرفة واسعة لكن غامضة.

ما يعنيه هذا

تُظهر فكرة مهندس الطلب الذكاء الاصطناعي الشخصي إلى أين يتحول العمل اليومي مع النماذج: من البحث عن "الاستعلام المثالي" إلى بناء أنظمة mini-RAG معروفة خاصة بك.

بالنسبة لمنشئي المحتوى والمسوقين وفرق المنتج، هذه طريقة سريعة لتوحيد الطلبات وتقليل الأخطاء والحفاظ على الخبرة داخل قاعدة معرفة واحدة يمكن إدارتها.