ما هو هندسة السياق: شرح واضح ومبسط

هل تساءلت يومًا لماذا ينجح مساعدك الذكي أحيانًا في مهمة ما ويخطئ تمامًا في أحيان أخرى؟ إليك المفاجأة: الأمر لا يتعلق دائمًا بذكاء الذكاء الاصطناعي – بل غالبًا ما يتعلق بـ السياق الذي تقدمه له. مرحبًا بك في عالم هندسة السياق (Context Engineering)، البطل المجهول في بناء أنظمة ذكاء اصطناعي أكثر ذكاءً وموثوقية. في هذا الدليل، سنستكشف ماهية السياق، وما تتضمنه هندسة السياق، وكيف تختلف عن هندسة الأوامر (prompt engineering)، ودورها في الذكاء الاصطناعي الوكيل (agentic AI)، وبعض التقنيات الرائعة لجعل ذكائك الاصطناعي يتألق. استعد، ودعنا نجعل الذكاء الاصطناعي يعمل كالسحر!

ما هو السياق على أي حال؟

تخيل أنك تطلب من صديقك التخطيط لحفل عشاء. إذا قلت فقط، "خطط لعشاء"، فقد يتردد — إيطالي أم سوشي؟ نباتي أم آكل لحوم؟ مكانك أم مطعم؟ الآن، إذا أضفت، "إنه لنادي كتابي النباتي، في منزلي، بميزانية 50 دولارًا"، فإن صديقك لديه صورة واضحة. تلك المعلومات الإضافية؟ هذا هو السياق — التفاصيل الخلفية التي تجعل المهمة قابلة للتنفيذ.

في عالم الذكاء الاصطناعي، السياق هو كل ما "يراه" النموذج قبل أن يستجيب. إنه ليس مجرد أمرك (على سبيل المثال، "اكتب تغريدة"). إنه يشمل:

• تعليمات النظام: قواعد مثل "تصرّف كمعلم ودود" أو "أخرج JSON فقط".
• أوامر المستخدم: السؤال أو المهمة المحددة، مثل "لخص هذه المقالة".
• سجل المحادثات: التفاعلات السابقة للحفاظ على التماسك.
• البيانات الخارجية: المستندات، قواعد البيانات، أو نتائج واجهات برمجة التطبيقات التي تُغذى للنموذج.
• الأدوات: الوصول إلى أشياء مثل عمليات البحث عبر الويب أو الآلات الحاسبة.

بدون السياق الصحيح، حتى أرقى نماذج اللغة الكبيرة (LLM) مثل Claude أو Gemini تكون كطاهٍ بلا مكونات – جاهلة. تدور هندسة السياق حول تنظيم هذه المعلومات لإعداد ذكائك الاصطناعي للنجاح.

ما هي هندسة السياق؟

تخيل هندسة السياق كفن وعلم بناء "إحاطة" مثالية لذكائك الاصطناعي. لا يتعلق الأمر بتعديل أمر واحد ليبدو ذكيًا – بل يتعلق بتصميم نظام يقدم المعلومات الصحيحة، بالشكل الصحيح، في الوقت المناسب. كما قال توبي لوتكي، الرئيس التنفيذي لشركة Shopify، إنها "فن توفير كل السياق لجعل المهمة قابلة للحل بشكل معقول بواسطة نموذج اللغة الكبير (LLM)."

فكر في نافذة سياق نموذج اللغة الكبير (LLM) كذاكرته قصيرة المدى (مثل ذاكرة الوصول العشوائي RAM في الكمبيوتر). إنها محدودة — ربما 8,000 أو 128,000 رمز (token) — لذا لا يمكنك فقط إلقاء كل شيء فيها وتأمل الأفضل. تتضمن هندسة السياق اختيار تلك المعلومات وتنظيمها وإدارتها بشكل استراتيجي لجعل استجابات الذكاء الاصطناعي دقيقة وذات صلة ومتسقة. إنها مثل أن تكون طاهيًا يختار التوابل المناسبة تمامًا لطبق ما، وليس كل ما في المخزن.

لماذا يهم هذا؟ لأن معظم إخفاقات الذكاء الاصطناعي لا تتعلق بكون النموذج "غبيًا". بل تتعلق بـ إخفاقات السياق — بيانات مفقودة، ضوضاء غير ذات صلة، أو مدخلات سيئة التنسيق. سواء كنت تبني روبوت محادثة، أو مساعدًا برمجيًا، أو ذكاءً اصطناعيًا للمؤسسات، فإن هندسة السياق هي المفتاح لفتح الأداء الموثوق.

هندسة السياق مقابل هندسة الأوامر

ربما تفكر، "أليس هذا مجرد هندسة أوامر مع خطوات إضافية؟" ليس تمامًا! هندسة الأوامر تشبه كتابة تعليمات واحدة موجزة: "اكتب تغريدة مثل إيلون ماسك." إنها مجموعة فرعية من هندسة السياق، التي تتخذ نهجًا أوسع على مستوى الأنظمة. إليك كيفية اختلافهما:

• هندسة الأوامر: تركز على صياغة تعليمات لمرة واحدة. إنها تتعلق بالصياغة، مثل إضافة "فكر خطوة بخطوة" للحصول على استدلال أفضل. إنها رائعة للمهام السريعة ولكنها لا تفي بالغرض لسير العمل المعقد ومتعدد الخطوات.
• هندسة السياق: تصمم "النظام البيئي للمعلومات" بأكمله حول النموذج. يشمل ذلك الأوامر ولكنه يدير أيضًا سجل المحادثات، ويسترجع البيانات الخارجية، ويدمج الأدوات، ويحسن نافذة السياق. يتعلق الأمر بما يعرفه النموذج، وليس فقط بما تقوله.

على سبيل المثال، قد يستجيب روبوت محادثة مصمم بالأوامر لـ "احجز اجتماعًا" برد عام. بينما روبوت مصمم بالسياق يسحب تقويمك، وتفضيلات الفريق، والحجوزات السابقة لاقتراح الوقت المثالي. هندسة الأوامر هي نغمة واحدة؛ هندسة السياق هي السيمفونية بأكملها.

هندسة السياق للوكلاء

وكلاء الذكاء الاصطناعي — فكر في الروبوتات المستقلة التي تتعامل مع دعم العملاء أو مهام البرمجة — هي حيث تبرز هندسة السياق قوتها الحقيقية. على عكس روبوتات المحادثة البسيطة، يتعامل الوكلاء مع مهام متعددة الخطوات، ويتعاملون مع الأدوات المتنوعة، ويحافظون على الذاكرة عبر الجلسات. بدون السياق المناسب، هم مثل نظام تحديد المواقع (GPS) بدون خريطة.

يقارن أندريه كارباثي نماذج اللغة الكبيرة (LLMs) بوحدة المعالجة المركزية (CPU)، مع نافذة السياق كذاكرة وصول عشوائي (RAM). تقوم هندسة السياق بتنظيم ما يدخل إلى تلك الذاكرة، مما يضمن حصول الوكلاء على ما يحتاجونه في كل خطوة. على سبيل المثال، قد يحتاج وكيل دعم العملاء إلى:

• سجل المستخدم: التذاكر السابقة لتجنب تكرار الحلول.
• قاعدة المعرفة: الأسئلة الشائعة أو الكتيبات للحصول على إجابات دقيقة.
• الأدوات: الوصول إلى نظام إدارة علاقات العملاء (CRM) للتحقق من حالة الطلب.

يؤدي السياق الضعيف إلى "ارتباك السياق" (يختار الذكاء الاصطناعي الأداة الخاطئة) أو "تسمم السياق" (يتم إعادة تدوير الهلوسات). تمنع هندسة السياق هذه المشكلات عن طريق تحديث السياق ديناميكيًا، وتصفية الضوضاء، وتحديد أولويات الصلة. أدوات مثل LangGraph (من LangChain) تجعل هذا أسهل من خلال توفير تحكم دقيق في تدفق السياق في سير عمل الوكلاء.

خذ وكيل برمجة مثل Claude Code. إنه لا يكمل تلقائيًا فحسب — بل يحتاج إلى سياق حول قاعدة التعليمات البرمجية الخاصة بك، والتعديلات الأخيرة، وأسلوب البرمجة. تضمن هندسة السياق سحب الملفات الصحيحة وتنسيقها بشكل قابل للفهم، مما يجعله متعاونًا حقيقيًا.

تقنيات واستراتيجيات هندسة السياق

إذن، كيف تقوم فعليًا بـ هندسة السياق؟ دعنا نفصل أربع استراتيجيات رئيسية — الكتابة، الاختيار، الضغط، والعزل — هذه هي أدواتك لصياغة أنظمة ذكاء اصطناعي رائعة.

1. الكتابة: صياغة السياق والمحافظة عليه

تدور كتابة السياق حول إنشاء وحفظ المعلومات خارج نافذة السياق لتوجيه الذكاء الاصطناعي. وهذا يشمل:

• أوامر النظام: تحديد دور الذكاء الاصطناعي، مثل "أنت مساعد قانوني" أو "أخرج JSON فقط". التعليمات الواضحة تحدد النبرة.
• تدوين الملاحظات: استخدام "دفتر مسودة" لتخزين الخطط أو الخطوات الوسيطة. على سبيل المثال، يقوم باحث Anthropic متعدد الوكلاء بحفظ استراتيجيته في الذاكرة، مما يضمن بقاءها ضمن حدود نافذة السياق.
• أمثلة قليلة الطلقات (Few-Shot Examples): توفير أمثلة للمدخلات والمخرجات لتوضيح ما تريده من الذكاء الاصطناعي. على سبيل المثال، تضمين تغريدة نموذجية لتوجيه النبرة.

كتابة السياق تشبه ترك ملاحظات لاصقة ليقوم الذكاء الاصطناعي بالرجوع إليها لاحقًا، مما يبقيه على المسار الصحيح للمهام المعقدة.

2. الاختيار: استرجاع السياق الصحيح

يعني اختيار السياق جلب المعلومات الأكثر صلة فقط. الكثير من الضوضاء، ويتشتت الذكاء الاصطناعي؛ القليل جدًا، ويكون غير مطلع. تشمل التقنيات الرئيسية:

• التوليد المعزز بالاسترجاع (RAG): يسحب المستندات ذات الصلة من قاعدة المعرفة (مثل متجر متجه) باستخدام البحث الدلالي. على سبيل المثال، يسترجع روبوت الدعم الأسئلة الشائعة التي تتطابق مع استعلام المستخدم. يقلل RAG من الهلوسات عن طريق ترسيخ الذكاء الاصطناعي في بيانات حقيقية.
• اختيار الأداة: استخدم RAG لاختيار الأدوات المناسبة للمهمة. تظهر الدراسات أن هذا يمكن أن يضاعف دقة اختيار الأداة ثلاث مرات عن طريق مطابقة الأدوات مع نية الاستعلام.
• الترتيب: ترتيب السياق حسب الصلة أو الحداثة. للمهام الحساسة للوقت، أعطِ الأولوية للبيانات الأحدث لتجنب الاستجابات القديمة.

اختيار السياق يشبه تنظيم قائمة تشغيل — تختار الأغاني الناجحة التي تناسب الأجواء، وليس كل أغنية تملكها.

3. الضغط: تكييف السياق ضمن الحدود

نوافذ السياق محدودة، لذا فإن الضغط أمر بالغ الأهمية. لا يمكنك حشر مكتبة كاملة في 32,000 رمز! تشمل تقنيات الضغط:

• التلخيص: تكثيف المستندات الطويلة أو سجل المحادثات. ميزة "التلخيص التلقائي" في Claude Code تلخص التفاعلات عندما تصل نافذة السياق إلى 95%.
• التلخيص المتكرر: تلخيص الملخصات لتوفير مساحة أكبر، وهو مثالي للمحادثات الطويلة.
• التقليم: إزالة المعلومات غير ذات الصلة أو الزائدة عن الحاجة. يسمي درو بريونج هذا "التقليم" للحفاظ على السياق نحيفًا ومركّزًا.
• التقسيم إلى أجزاء (Chunking): تقسيم المدخلات الكبيرة إلى أجزاء أصغر للمعالجة التكرارية، مما يضمن عدم تعثر الذكاء الاصطناعي في البيانات الضخمة.

الضغط يشبه حزم حقيبة سفر — تحتفظ بالأساسيات وتترك الجوارب الإضافية.

4. العزل: تجنب تضارب السياق

يمنع عزل السياق الارتباك عن طريق إبقاء المعلومات غير ذات الصلة منفصلة. هذا أمر أساسي لأنظمة الوكلاء المتعددين أو المهام متعددة الأدوار. تشمل التقنيات:

• السياق المعياري: تعيين سياق محدد لكل مهمة أو وكيل. على سبيل المثال، وكيل واحد يتعامل مع استعلامات المستخدمين، وآخر يعالج المدفوعات، كل منهما بسياق مخصص.
• تقسيم السياق: فصل الذاكرة قصيرة المدى (المحادثات الأخيرة) عن الذاكرة طويلة المدى (تفضيلات المستخدم) لتجنب التداخل.
• عزل الأدوات: قصر الأدوات على الأدوات ذات الصلة بكل مهمة لتجنب "ارتباك السياق"، حيث يختار الذكاء الاصطناعي الأداة الخاطئة.

عزل السياق يشبه تنظيم مكتبك — احتفظ بالأقلام في درج واحد والأوراق في درج آخر لتجنب الفوضى.

لماذا هندسة السياق مهمة

تعتبر هندسة السياق مستقبل الذكاء الاصطناعي لأنها تحول التركيز من تعديلات النموذج إلى تصميم المدخلات. مع ازدياد ذكاء نماذج اللغة الكبيرة (LLMs)، لم يعد العائق هو استدلالها — بل جودة سياقها. إليك لماذا هذا أمر بالغ الأهمية:

• يقلل من الهلوسات: ترسيخ الذكاء الاصطناعي في بيانات حقيقية عبر RAG يقلل من الإجابات المختلقة.
• يتوسع للتعقيد: يحتاج الوكلاء الذين يتعاملون مع مهام متعددة الخطوات إلى سياق ديناميكي ومُدار جيدًا للحفاظ على التماسك.
• يوفر التكاليف: السياق الفعال (عبر الضغط والاختيار) يقلل من استخدام الرموز (tokens)، مما يخفض تكاليف واجهة برمجة التطبيقات (API).
• يمكّن التخصيص: الذاكرة طويلة المدى تسمح للذكاء الاصطناعي بتذكر تفضيلات المستخدم، مما يجعل التفاعلات تبدو مخصصة.

تعمل الأطر مثل LangChain وLlamaIndex على تسهيل هندسة السياق من خلال توفير أدوات للتوليد المعزز بالاسترجاع (RAG)، وإدارة الذاكرة، وسلاسل الأوامر. على سبيل المثال، يقوم إطار عمل Workflows من LlamaIndex بتقسيم المهام إلى خطوات، كل منها بسياق محسن، مما يمنع الحمل الزائد.

التحديات والمستقبل

لا تخلو هندسة السياق من العقبات. الموازنة بين الاتساع (معلومات كافية) والصلة (لا ضوضاء) أمر صعب. كثرة السياق تخاطر بـ "تشتيت السياق"، حيث يركز الذكاء الاصطناعي على تفاصيل غير ذات صلة. القليل جدًا، ويكون جاهلاً. يتم البحث في تسجيل الصلة التلقائي (على سبيل المثال، باستخدام BM25 أو تشابه جيب التمام) لمعالجة هذا الأمر.

تحدٍ آخر هو التكلفة الحسابية. تجميع السياق في الوقت الفعلي — الاسترجاع، التلخيص، التنسيق — يمكن أن يكون بطيئًا ومكلفًا. يجب على المهندسين تحسين زمن الاستجابة وقابلية التوسع، خاصة لأنظمة المستخدمين المتعددين.

بالنظر إلى المستقبل، تتطور هندسة السياق. قد تطلب النماذج المستقبلية تنسيقات سياق محددة ديناميكيًا، أو قد يقوم الوكلاء بمراجعة سياقهم الخاص بحثًا عن الأخطاء. قد تظهر قوالب سياق موحدة (مثل JSON للبيانات)، مما يجعل أنظمة الذكاء الاصطناعي قابلة للتشغيل المتبادل. كما يقول أندريه كارباثي، "السياق هو تحديث الوزن الجديد" — إنها الطريقة التي "نبرمج" بها الذكاء الاصطناعي دون إعادة التدريب.

الخاتمة

يا له من مشوار! هندسة السياق تشبه منح ذكائك الاصطناعي قوة خارقة: القدرة على الفهم، والاستدلال، والعمل بدقة. من خلال تنظيم السياق الصحيح — عبر الكتابة، والاختيار، والضغط، والعزل — تحول نموذج لغة كبير عامًا إلى شريك موثوق ومخصص. سواء كنت تبني روبوت محادثة، أو مساعدًا برمجيًا، أو ذكاءً اصطناعيًا للمؤسسات، فإن إتقان هندسة السياق هو تذكرتك لأداء من المستوى التالي.

هل أنت مستعد لتجربتها؟ ابدأ صغيرًا: أضف أمر نظام واضحًا، جرب التوليد المعزز بالاسترجاع (RAG)، أو لخص المدخلات الطويلة. أدوات مثل LangChain وLlamaIndex هي أصدقاؤك.