هندسة السياق مقابل الهندسة الفورية
تعرف على كيفية اختلاف هندسة السياق وهندسة التوجيه، وأين ينطبق كل منهما، وكيف يؤدي الجمع بين كلا التخصصين إلى أنظمة ذكاء اصطناعي أكثر موثوقية وجاهزية للإنتاج.
لنفترض أن مطورين اثنين كُلّفا بالمهمة نفسها: بناء مساعد ذكاء اصطناعي لمساعدة موظفي خدمة العملاء في حلّ نزاعات الفواتير. يستخدم كلاهما النموذج نفسه. يقضي كلاهما وقتًا في صياغة رسالة نظام دقيقة تحدد دور المساعد وأسلوبه وحدوده. خلال الاختبار الأولي، يحقق كلاهما نتائج مبهرة.
بعد ستة أسابيع من بدء التشغيل، لا يزال أحد المساعدين يؤدي عمله بثبات. أما الآخر فقد أصبح أداؤه غير متوقع. فهو يتجاهل أحيانًا قيوده الخاصة، ويقدم إجابات واثقة تتناقض مع ما قاله المستخدم قبل ثلاث رسائل، بل ويسترجع أحيانًا بيانات حساب خاطئة تمامًا.
التعليمات متطابقة تقريباً. فما الخطأ الذي حدث للفريق الثاني؟
لا يكمن الحل في جودة التعليمات، بل في كل ما يحيط بها. كان الفريق الأول يُدير بعناية المعلومات التي يتلقاها النموذج في كل مكالمة: حذف سجلات المحادثات القديمة، والتحكم في البيانات المُسترجعة التي تظهر في النافذة، وتنسيق مخرجات الأداة قبل إعادتها إلى النموذج. أما الفريق الثاني، فقد ركز فقط على التعليمات.
هذا التمييز يقع في صميم النقاش حول هندسة السياق مقابل الهندسة الفورية، وفهمه يفصل بوضوح المهندسين الذين بناء عروضًا توضيحية عن أولئك الذين بناء أنظمة تصمد في العالم الحقيقي.
ما هي الهندسة السريعة؟
قبل إجراء المقارنات، يجدر وضع تعريف دقيق للهندسة السريعة وفقاً لمعاييرها الخاصة.
هندسة التوجيه هي ممارسة متكررة لتصميم وهيكلة وتحسين التعليمات المُعطاة لبرنامج التعلم الآلي (LLM) بهدف توجيه إخراج نحو هدف محدد. وهي عملية صياغة وتحسين التوجيهات لبرنامج الذكاء الاصطناعي لتحسين إخراج. عمليًا، يعني هذا اتخاذ قرارات مدروسة بشأن الصياغة والبنية والأسلوب والأمثلة والقيود ضمن التعليمات نفسها.
تشمل التقنيات التي تندرج تحت الهندسة السريعة ما يلي:
التوجيه بدون أمثلة: إعطاء النموذج تعليمات واضحة للمهمة بدون أمثلة، والاعتماد على معرفته المدربة مسبقًا لإكمال المهمة.
التوجيه ببضعة أمثلة: تضمين مجموعة صغيرة من أمثلة الإدخال والإخراج في التوجيه لتوضيح السلوك المطلوب قبل مطالبة النموذج بأداء المهمة.
التوجيه المتسلسل للأفكار: مطالبة النموذج بالتفكير خطوة بخطوة قبل تقديم إجابة نهائية، مما يحسن الأداء بشكل كبير في مهام التفكير المعقدة.
توجيه الدور: إسناد شخصية أو دور مهني محدد للنموذج لتشكيل نبرته وإطاره المرجعي.
تُعدّ هذه التقنيات فعّالة للغاية. ففي المهام المحددة بدقة والتي تتطلب خطوة واحدة، غالبًا ما يكون التوجيه المُصمّم بعناية كافيًا. تلخيص المستندات، وترجمة الجمل، وتصنيف تقييمات العملاء، أو إنشاء مسودة بريد إلكتروني، كلها مهام يُنجز فيها التوجيه المُصمّم الجزء الأكبر من العمل. يمتلك النموذج بالفعل المعرفة اللازمة من التدريب المُسبق، ومهمة التوجيه هي ببساطة توجيهه.
تبدأ الهندسة الفورية في إظهار حدودها عندما يتجاوز نطاق المهمة مجرد تبادل واحد. لا يمكن لتعليمات جيدة الصياغة أن تعوض عن نافذة سياقية مليئة بمعلومات غير ذات صلة، أو عن نظام آلي فقد تتبع ملاحظاته السابقة، أو عن نموذج يعمل ببيانات قديمة أو مفقودة. هذه ليست مشاكل فورية، بل هي مشاكل سياقية.
ما تضيفه هندسة السياق
هندسة السياق هي مجال أوسع يشمل هندسة التعليمات ويتجاوزها بشكل كبير. فبينما تسأل هندسة التعليمات "كيف أصيغ هذه التعليمات؟"، تطرح هندسة السياق سؤالاً أكثر جوهرية: "ما هي مجموعة المعلومات الكاملة التي يجب أن يراها هذا النموذج، وبأي بنية، وفي أي لحظة من التفاعل؟"
لفهم أهمية هذا التمييز، علينا التفكير فيما يتلقاه نموذج اللغة المنطقية (LLM) فعليًا عند توليد استجابة. لا يملك النموذج إمكانية الوصول إلى قاعدة بيانات، أو نظام ذاكرة، أو سجل حساب المستخدم. يملك شيئًا واحدًا فقط: الرموز المميزة الموجودة حاليًا في نافذة السياق الخاصة به. تحتوي هذه النافذة على كل ما يعرفه النموذج عن المهمة المطروحة. يُعدّ الموجه أحد مكونات هذه النافذة، ولكنه ليس المكون الوحيد.
يتضمن السياق المُجمّع بالكامل لتطبيق الذكاء الاصطناعي الإنتاجي عادةً ما يلي:
موجه النظام: التعليمات الأساسية التي تحدد دور النموذج وسلوكه وقيوده.
البيانات المسترجعة: معلومات خارجية يتم جلبها من قواعد البيانات أو واجهات برمجة التطبيقات أو مخازن المستندات وإدخالها في السياق، غالبًا من خلال التوليد المعزز بالاسترجاع (RAG).
تاريخ المحادثة: سجل الأدوار السابقة في تفاعل مستمر.
مخرجات الأداة: النتائج التي يتم إرجاعها بواسطة وظائف خارجية أو واجهات برمجة التطبيقات التي يتم استدعاؤها أثناء المهمة الحالية.
أمثلة قليلة: تم تضمين عروض توضيحية للسلوك المرغوب فيه لتوجيه استجابات النموذج.
هندسة السياق هي ممارسة إدارة جميع هذه المكونات بشكل مدروس. فهي تحدد أي أجزاء البيانات المسترجعة ذات صلة كافية لإدراجها، ومقدار سجل المحادثة الذي يجب الاحتفاظ به أو تلخيصه، وكيفية تنسيق مخرجات الأداة قبل إعادتها إلى النموذج، وكيفية ترتيب كل شيء بحيث تظهر المعلومات ذات الإشارة الأعلى حيث يكون تركيز النموذج أقوى.
كما يصفها فريق الهندسة في أنثروبيك، فإن هندسة السياق هي مجموعة الاستراتيجيات المُستخدمة في تنظيم وصيانة المجموعة المثلى من الرموز أثناء استدلال نموذج اللغة، بما في ذلك جميع المعلومات الأخرى التي قد تظهر خارج نطاق المُطالبات. والكلمة المفتاحية هنا هي "التنظيم". فهندسة السياق عملية نشطة ومستمرة للاختيار والإدارة، وليست مهمة كتابية تُنجز لمرة واحدة.
النطاق: مكان وجود كل تخصص
أوضح طريقة لفهم العلاقة بين الممارستين هي من خلال النطاق. تعمل هندسة الاستجابة الفورية على مستوى مكون واحد ضمن نافذة السياق، بينما تعمل هندسة السياق على مستوى النافذة بأكملها.
هذا يعني أن هندسة السياق هي التخصص الأوسع، وهندسة التوجيه جزءٌ منه. التوجيه المصمم جيدًا هو أحد إدخال سياق مصمم جيدًا. هندسة التوجيه الجيدة تجعل هندسة السياق أكثر فعالية، وهندسة السياق الجيدة تجعل هندسة التوجيه أكثر موثوقية. إنهما ليسا متنافسين أو بديلين، بل هما وجهان لعملة واحدة.
يوضح الجدول أدناه كيفية مقارنة التخصصين عبر الأبعاد الأكثر أهمية في الممارسة العملية:
Prompt Engineering | Context Engineering | |
Core Question | How should I phrase this instruction? | What should the model see, and when? |
Primary Scope | The instruction or system prompt | The full context window |
Key Inputs | Words, structure, examples, tone | Prompts, retrieved data, memory, tool outputs, history |
Nature of Work | Writing and refining | Curating, managing, and orchestrating |
When it Applies | Single-turn and simple multi-turn tasks | Multi-turn, RAG-backed, and agentic systems |
Failure Mode | Ambiguous or poorly structured instructions | Noisy, stale, or mismanaged information environment |
Skill Type | Language and structure | Systems thinking and information design |
عندما تكون الهندسة السريعة كافية
إن فهم متى يُطبَّق كل تخصص لا يقل أهمية عن فهم ماهية كل تخصص. ففي كثير من المهام، يُعدّ الهندسة الفورية وحدها الأداة المناسبة، وإضافة أعباء هندسة السياق ستُشكّل تعقيدًا لا داعي له.
عادةً ما تكون الهندسة السريعة كافية عندما:
المهمة مستقلة بذاتها وتتم في دورة واحدة. يطرح المستخدم سؤالاً واحداً، ويجيب عليه النموذج، وينتهي التفاعل. لا توجد سجلات لإدارتها، ولا بيانات خارجية لاسترجاعها، ولا مخرجات أدوات لمعالجتها.
تُغطي المعرفة المُسبقة للنموذج المهمة. بالنسبة لمهام اللغة العامة مثل التلخيص والترجمة والتصنيف أو الإجابة البسيطة على الأسئلة حول مواضيع معروفة، يمتلك النموذج بالفعل ما يحتاجه. كل ما يحتاجه هو توجيه من المُدخل.
يُعد تنسيق إخراج متغير الأساسي. عندما يتمثل التحدي الهندسي الرئيسي في جعل النموذج يستجيب ببنية محددة (JSON، نقاط تعداد، نبرة معينة)، فإن الهندسة الفورية تتعامل مع هذا الأمر بشكل مباشر وموثوق.
النماذج الأولية واختبار الجدوى. عند استكشاف ما إذا كان النموذج قادرًا على التعامل مع مهمة جديدة على الإطلاق، فإن البدء بالهندسة السريعة وحدها أسرع ويكشف عن القدرة الأساسية للنموذج قبل إضافة البنية التحتية.
يمكن لرسالة توجيهية مُصممة بدقة، تُحدد الدور والمهمة والقيود وتنسيق إخراج ، أن تُعالج غالبية حالات استخدام الذكاء الاصطناعي البسيطة بكفاءة. وقد صنّف تقرير التوجيهات (شولهوف وآخرون، 2025) 58 تقنية موثقة لهندسة التوجيهات ضمن ست مجموعات، تعمل جميعها على مستوى التعليمات. ولا تزال هذه التقنيات فعّالة للغاية بالنسبة للمهام التي صُممت من أجلها.
عندما تصبح هندسة السياق ضرورية
مع ازدياد تعقيد المهام، أو مدتها، أو اعتمادها على معلومات خارجية، تتضح حدود الهندسة الفورية وحدها. وهنا تبرز أهمية تحسين الذكاء الاصطناعي للسياق من خلال هندسة السياق.
المحادثات متعددة الأدوار: تُشكّل هذه المحادثات الحدّ الأول. فبمجرد أن يتجاوز التفاعل بضعة تبادلات، يحتاج النموذج إلى الوصول إلى الأدوار السابقة ذات الصلة للحفاظ على التماسك. إن مجرد تمرير سجل المحادثة بالكامل إلى السياق يصبح سريعًا مُهدرًا للموارد، بل وضارًا بسبب تدهور السياق. لذا، تُحدّد هندسة السياق ما يجب الاحتفاظ به، وما يجب تلخيصه، وما يجب تجاهله.
التطبيقات المدعومة بتقنية RAG: تتطلب هذه التطبيقات، بحكم تعريفها، هندسة السياق. فعندما تعتمد إجابات النموذج على بيانات مسترجعة من مصادر خارجية، يتعين على المهندس تحديد المستندات التي يجب استرجاعها، وعددها، وترتيب عرضها، وكيفية تنسيقها ضمن السياق. ينتج عن سوء إدارة مسار الاسترجاع سياق مليء بمعلومات غير ذات صلة جزئيًا، بينما يوفر المسار المُدار جيدًا للنموذج الإشارة التي يحتاجها بدقة.
موثوقية الإنتاج: هذا عاملٌ آخر مهم. تستطيع نماذج مثل GPT وClaude تخمين المقصود، لكن التخمينات غير موثوقة، خاصةً في بيئة الإنتاج. في نظام الإنتاج (كما تشير ملاحظات Anthropic )، يختلف السياق الذي يصل إلى النموذج مع كل طلب: مستخدمون مختلفون، وسجلات مسترجعة مختلفة، وأطوال محادثات مختلفة. توفر هندسة السياق الانضباط الهيكلي الذي يحافظ على جودة إخراج متسقة رغم هذا التباين.
الأنظمة الوكيلة: هنا يبرز دور هندسة السياق كأهم تحدٍ هندسي. في بيئة الأنظمة الوكيلة، يعمل النموذج بشكل مستقل عبر خطوات متعددة، حيث يستدعي الأدوات، ويتلقى المخرجات، ويتخذ القرارات لتحقيق هدف طويل الأمد. مع كل خطوة، يتراكم في السياق معلومات جديدة. هندسة سياق الأنظمة الوكيلة هي ممارسة إدارة هذا التراكم بحيث يحتفظ النظام الوكيل بما يحتاجه ويتخلى عما لا يحتاجه.
تشمل المؤشرات التي تدل على أن المهمة قد تجاوزت قدرة الهندسة السريعة وحدها على التعامل معها ما يلي:
يبدأ النموذج بتجاهل أجزاء من موجه النظام الخاص به كلما طالت المحادثة.
جودة المخرجات غير متسقة بين الطلبات على الرغم من تطابق التعليمات.
يعتمد النموذج على معلومات قديمة من جلسة طويلة سابقة.
تكون مخرجات الأداة كبيرة ومفصلة، ويبدو أن النموذج مرتبك بسببها.
يمتد التفاعل عبر العديد من الدورات، ويفقد النموذج تماسكه بمرور الوقت.
كلٌّ من هذه الأخطاء ناتج عن خلل في إدارة السياق، وليس عن خلل في كتابة التعليمات. ولن يُصلحها تحسين التعليمات أكثر من ذلك.
العلاقة بين الاثنين عملياً
بما أن هندسة السياق هي التخصص الأوسع، فإن السؤال الطبيعي هو ما إذا كانت الهندسة الفورية لا تزال مهمة بمجرد أن يتبنى الفريق عقلية هندسة السياق. والإجابة هي نعم بلا شك، ولسبب وجيه.
تظلّ التعليمات البرمجية الأساسية لأي تطبيق ذكاء اصطناعي هي الأساس التعليمي. فحتى مع إدارة البيانات المسترجعة ومخرجات الأدوات وسجل المحادثات بعناية، لا يزال النموذج بحاجة إلى توجيهات واضحة حول كيفية التعامل مع كل هذه المعلومات. وتُحدّد التعليمات المصممة بدقة الأساس السلوكي الذي تُعزّزه جميع عناصر السياق الأخرى. أما التعليمات المكتوبة بشكل رديء فتُسبّب غموضًا لا يُمكن لأي قدر من تنظيم السياق بعناية أن يُعوّضه تمامًا.
العلاقة بينهما متبادلة. يوفر هندسة التوجيه التعليمات التي تُضفي معنىً على بقية السياق. بينما توفر هندسة السياق بيئة المعلومات التي تجعل تلك التعليمات قابلة للتنفيذ. لا يكتمل أيٌّ من هذين المجالين دون الآخر. إن اعتبارهما خيارين منفصلين، أحدهما يحل محل الآخر، يُسيء فهم كيفية عمل أنظمة الذكاء الاصطناعي الإنتاجية فعليًا.
من المفيد أن نتخيل أن المطلوب هو بمثابة المخطط، وأن السياق هو موقع البناء. المخطط الواضح مهم، لكن موقع البناء الفوضوي، الذي تُسلّم فيه المواد الخاطئة بالترتيب الخاطئ، سيفشل مهما كان المخطط دقيقًا.
خاتمة
هندسة التعليمات وهندسة السياق تخصصان متكاملان يعملان على مستويات مختلفة من المشكلة نفسها. تركز هندسة التعليمات على جودة التعليمات ووضوحها، بينما تدير هندسة السياق بيئة المعلومات الكاملة التي تعمل ضمنها هذه التعليمات. ومع ازدياد تعقيد تطبيقات الذكاء الاصطناعي، من مهام بسيطة إلى أنظمة متعددة الخطوات، تزداد أهمية فهم كلا التخصصين وتطبيقهما معًا. ويُعدّ إتقان كل منهما، ومعرفة التحديات التي تنتمي إلى كل مستوى، مهارة أساسية لبناء أنظمة ذكاء اصطناعي تعمل بثبات وموثوقية في العالم الحقيقي.