Habr AI: استمرارية السياق قد تصبح طبقة جديدة لرفع كفاءة أنظمة الذكاء الاصطناعي

نشر Habr AI نصاً يرى أن الزيادة التالية في جودة الذكاء الاصطناعي قد لا تأتي من نافذة سياق أطول، بل من القدرة على الحفاظ على تواصل العمل بين الخطوات. ويسمّي الكتّاب هذه القدرة استمرارية السياق، ويقترحون النظر إليها بوصفها نمطاً تشغيلياً لا حجماً من الذاكرة.

لماذا لا يكفي الـprompt؟

الفكرة الرئيسية في المقال بسيطة: قد يُنتج prompt قوي إجابة قوية، لكنه لا يضمن أن يتصرف النموذج بالطريقة نفسها بعد خطوة أو بعد ساعة أو في جلسة جديدة. وعلى المدى القصير لا يكاد هذا يُلاحَظ. أما حين تمتد المهمة إلى 10–20 خطوة، فلا تعود جودة إجابة واحدة هي الحاسمة، بل قدرة النظام على الاحتفاظ بالهدف والقيود والقرارات المتخذة وقواعد التعامل مع الافتراضات. وهنا بالذات يتوقف المحادثة الطويلة ونافذة السياق الكبيرة (context window) عن أن تكونا مرادفين للموثوقية.

ويقترح الكتّاب التمييز بين أربعة أشياء: نافذة السياق، وذاكرة الوقائع، وprompt النظام، واستمرارية السياق. الثلاثة الأولى تساعد النموذج على تذكّر النص والقواعد والمعلومات المرجعية، لكنها لا تحل مشكلة تكرار السلوك نفسه على المدى الطويل. فإذا كان النظام لا يتحقق من إمكانية تنفيذ المهمة قبل التوليد، ولا يثبّت حدود المدخلات، ولا يعرف كيف يعود إلى نمط العمل بعد عطل، فسيضطر المستخدم في كل مرة إلى إعادة بناء إطار العمل يدوياً.

«الاستمرارية لازمة لا لذاكرة الوقائع، بل لذاكرة القرارات».

عطلان كاشفان

يتناول الاختبار الأول في المقال كلمة «вовлечённость» (الانخراط). أُعطي النموذج مهمة مصاغة بصرامة، ثم طُلب منه تقديم عشرة مرادفات دقيقة. أوفى النموذج شكلياً بشرط العدد، لكن الإجابة جاءت ضعيفة من حيث المعنى: ظهرت تكرارات وصيغ صرفية مختلفة للكلمة نفسها وانزياحات في المعنى. والنقطة الجوهرية ليست في الخطأ نفسه، بل في أن النموذج لم يُفعّل فحص preflight مسبقاً. كان عليه أن يقول قبل التوليد إن الحصول هنا على عشرة مرادفات متكافئة تماماً دون فقدان المعنى أمر مستبعد، وأن يقترح تقسيماً أكثر صدقاً للإجابة.

ويُظهر الاختبار الثاني نوعاً أخطر من الأعطال. أُعطي النموذج نموذجاً ناقصاً لوصف وظيفي لا يحتوي إلا على قسم المهام. وبدلاً من تثبيت حدود المدخل، شرع النظام في استكمال الأجزاء الناقصة وفق أعراف هذا النوع من الوثائق، وتصرّف لبعض الوقت كما لو أن هذه الأقسام موجودة فعلاً في الملف الأصلي. يبدو هذا العطل مقنعاً، ولذلك فهو بالغ الخطورة: فالمستخدم لا يتلقى هلوسة صريحة، بل إعادة بناء معقولة المظهر يتنكّر فيها الافتراض في صورة حقيقة.

معيار مصغّر للعمل

جواباً عملياً، لا يقترح الكتّاب «mega-prompt»، بل حداً أدنى معيارياً للعمل الطويل. وجوهره أن ينقل النظام بين الخطوات لا الحوار كله، بل الحد الأدنى العملي: الهدف، والثوابت، والقرارات المتخذة، وسياسة الافتراضات، وبنية النتيجة المتوقعة، وقواعد التعافي من الأعطال. ويصف المقال ذلك بوصفه بروتوكول تفاعل وجزءاً من منطق المنصة في آن واحد.

• Scope check — قبل التوليد يتحقق النظام من كفاية البيانات، ويحدد صراحة ما هو موجود في المدخل وما هو غير موجود.
• Assumption marking — إذا نقص شيء ما، يضع النموذج مسبقاً علامة على ما ينوي استكماله افتراضياً.
• Stop-the-line / recovery — عند الانحراف أو تعارض المتطلبات، لا يواصل النظام العمل تلقائياً، بل يتوقف ويشخّص المشكلة ويقترح طريقاً للعودة إلى آخر حالة سليمة.
• سجل القرارات — تُحفظ بين الخطوات الاتفاقات التي جرى التوصل إليها، كي لا تعيد الإجابة التالية تعريفها بصمت.

وفي فقرة منفصلة، يصف الكتّاب وحدتهم PSM التي تثبّت أنماط العمل الناجحة بوصفها أنماطاً قابلة للنقل. والفكرة أن يُحفظ لا سجل التواصل كاملاً، بل فقط ما يجعل سلسلة المهام قابلة للتكرار فعلاً: الثوابت والقرارات وقواعد الافتراضات ومخطط المخرجات. وبفضل ذلك يمكن مواصلة العملية بعد فترات التوقف، وبعد التنقل بين المخرجات المختلفة، بل وبعد أعطال الأدوات، دون البدء من الصفر.

ماذا يعني ذلك

يصيب مقال Habr AI مشكلة حقيقية في الاستخدام المؤسسي للذكاء الاصطناعي: فالشركات لا تحتاج مجرد محاور ذكي، بل نظاماً يعمل باستقرار من خطوة إلى أخرى. وإذا ترسخت فكرة استمرارية السياق في المنتجات وخطوط الوكلاء (agentic pipelines)، فلن تكون الميزة التنافسية التالية هي أقصى طول للمحادثة، بل القدرة على حفظ القرارات، ووسم الافتراضات بصدق، والتعافي دون إعادة تهيئة كاملة للعملية.