تواجه هندسة المُدخلات مشكلة تسويقية. فغالبًا ما تُقدَّم على أنها قائمة سرية من «الكلمات السحرية» التي تفتح الباب أمام قوة الذكاء الاصطناعي المخفية. لكن هذا غير صحيح. فهندسة المُدخلات ليست سوى مهارة التواصل مع نموذج ذكاء اصطناعي بطريقةٍ واضحةٍ كافيةٍ لتمكينه من أداء المهمة بكفاءة — وكأي مهارة تواصل، فهي تعتمد على عددٍ قليلٍ من التقنيات القابلة للتكرار.
النماذج الحديثة في عام ٢٠٢٦ أصبحت أفضل بكثيرٍ في فهم النوايا مقارنةً بالنماذج المبكرة، ولذلك تلاشت الحيل البدائية. وما تبقى هي التقنيات التي أثبتت فعاليتها حقًّا. وفيما يلي أبرز ١٢ تقنيةً يجب أن تعرفها، مع أمثلةٍ توضيحيةٍ وحالات الاستخدام المناسبة لكلٍّ منها.
أبرز الاستنتاجات
- كن محدَّدًا. المدخلات الغامضة تؤدي إلى إجابات غامضة — والوضوح هو العامل الأهم والأكثر تأثيرًا.
- قدِّم السياق والدور. أخبر النموذج مَن يكون وما طبيعة الموقف.
- قدِّم أمثلة. مثالٌ أو مثالان جيّدان يتفوقان على فقرة كاملة من التعليمات.
- اطلب التفكير المنطقي في المسائل الصعبة — دع النموذج يفكر قبل أن يقدِّم الإجابة.
- كرِّر المحاولة وطوِّر المدخلات. أفضل مدخلٍ نادرًا ما يكون الأول؛ بل يتحسَّن عبر التحسين المستمر استنادًا إلى النتائج التي تحصل عليها.
١. كن محدَّدًا ومفصَّلًا
أكثر الأخطاء شيوعًا هو طلب القليل جدًّا. فعبارة مثل «اكتب عن التسويق» تُنتج محتوى عامًّا روتينيًّا. لذا، حدد الموضوع والجمهور المستهدف والطول والأسلوب والشكل والغرض بدقة.
ضعيف: «اكتب عن التسويق عبر البريد الإلكتروني.»
قوي: «اكتب مقدمةً بطول ٣٠٠ كلمة عن التسويق عبر البريد الإلكتروني لملاك المشاريع الصغيرة الذين لا يمتلكون خلفية تسويقية. استخدم أسلوبًا ودودًا وعمليًّا، واختم بمجموعة من ثلاث خطوات عملية أولية.»
٢. عيِّن دورًا للنموذج
إخبار النموذج بمن يكون يوجِّه معرفته وأسلوبه. فعبارة مثل «أنت محاسب ضريبي ذو خبرة» تُنتج إجابةً مختلفة — وبشكلٍ عامٍّ أفضل — لسؤالٍ ضريبيٍّ مقارنةً بعدم تعيين أي دورٍ على الإطلاق.
«أنت مهندس أمن أول تقوم بمراجعة الكود بحثًا عن الثغرات الأمنية. راجع الدالة أدناه وسرد أي مخاطر قد توجد فيها، مرتبةً حسب درجة خطورتها.»
٣. قدِّم السياق
النموذج لا يعرف شيئًا عن وضعك ما لم تخبره به. لذا، زوِّده بالخلفية والقيود والهدف.
«أحضِّر عرضًا تقديميًّا مدته ١٠ دقائق لمسؤولين تنفيذيين غير متخصصين في المجال التقني، وهم متشككون في الإنفاق على تقنيات الذكاء الاصطناعي. ساعدني في صياغة حُجَّةٍ مقنعة لتنفيذ مشروع تجريبي.»
٤. قدِّم أمثلة (التلميح القائم على الأمثلة القليلة - Few-Shot Prompting)
إظهار نموذجٍ واحدٍ إلى ثلاثة نماذج عمليّة لما تريده يُعدُّ واحدةً من أقوى التقنيات. فهي تنقل التنسيق والأسلوب والطابع أسرع بكثيرٍ من أي وصفٍ نصي.
«أعد صياغة أسماء المنتجات بهذا الأسلوب: «قميص قطني أزرق» → «تي شيرت يومي ناعم كالسماء». الآن أعد صياغة: «محفظة جلدية سوداء».»
٥. حدد تنسيق المخرجات بوضوح
إذا كنت بحاجة إلى جدول أو بيانات بصيغة JSON أو نقاطًا نقطية أو هيكلٍ معينٍ، فاطلب ذلك صراحةً — ووصِّفه بدقة. وهذه الخطوة ضروريةٌ جدًّا عندما يكون برنامجٌ آخر سيستفيد من هذه المخرجات.
«قدِّم الإجابة على هيئة مصفوفة JSON من الكائنات، بحيث يحتوي كل كائن على المفاتيح التالية: «name» و«price» و«in_stock». وقدِّم فقط بيانات JSON دون أي نصٍّ إضافي.»
٦. اطلب التفكير خطوة بخطوة (سلسلة التفكير - Chain-of-Thought)
بالنسبة للمشاكل التي تتضمَّن منطقًا أو حساباتٍ أو خطواتٍ متعددة، اطلب من النموذج أن يعمل على حلها خطوةً بخطوة قبل أن يقدم الإجابة النهائية. ويُظهر التفكير الصريح تحسُّنًا ملحوظًا في دقة الأداء في المهام الصعبة. (ملاحظة: النماذج المتخصصة في «التفكير» تقوم بهذه العملية داخليًّا — وبالتالي فإن طلب التفكير صراحةً ليس ضروريًّا لها بنفس الدرجة.)
«حلِّ هذه المسألة خطوة بخطوة، مع عرض استدلالك، ثم قدِّم الإجابة النهائية في سطرٍ جديد.»
٧. قسِّم المهام الكبيرة إلى مهامٍ أصغر
لا تطلب تنفيذ مشروعٍ كاملٍ في مدخلٍ واحد. بل قسِّمه: ابدأ بوضع مخططٍ عامٍّ أولًا، ثم أعِد صياغة كل قسمٍ على حدة، ثم نقِّح النتيجة. فكل خطوةٍ مركَّزة تُنتج جودةً أعلى من طلبٍ واحدٍ مكتظٍ بالمهام.
٨. حدِّد القيود والحدود
أخبر النموذج بما ليس عليه فعله، والحدود التي يجب أن يلتزم بها. فالقيود تُحسِّن دقة المخرجات بنفس قدر أهمية التعليمات.
«اشرح مفهوم الحوسبة الكمومية في أقل من ١٥٠ كلمة. ولا تستخدم أي تشبيهاتٍ مرتبطةً بالقطط. وافترض أن القارئ يمتلك معرفةً أساسيةً في الفيزياء.»
٩. استخدم الفواصل لفصل الأجزاء
عندما يجمع المدخل بين التعليمات والبيانات، فصِّل بينهما بوضوح باستخدام علامات مثل الاقتباس الثلاثي أو الوسوم على غرار XML أو العناوين. فهذا يمنع النموذج من الخلط بين بياناتك وتعليماتك.
«لخِّص النص الموجود بين العلامتين في جملةٍ واحدة: <text> … </text>.»
١٠. اطلب من النموذج اعتماد شخصية مُوجَّهة للجمهور المستهدف
أخبر النموذج مَن الإجابة موجَّهة إليه. فعبارة «اشرح هذا لمراهق في العاشرة من عمره» ستُنتج استجابةً مختلفة تمامًا عن عبارة «اشرح هذا لفيزيائي حائز على درجة الدكتوراه» — وهذا بالفعل ما يحدث.
١١. اطلب تقديم بدائل ونقد ذاتي
لا تكتفِ بالنتيجة الأولى. اطلب عدة خيارات، أو اطلب من النموذج أن يُقيّم إجابته بنفسه ويحسّنها.
«قدّم ثلاثة عناوين مختلفة، ثم أخبرني أيُّها الأقوى ولماذا.»
«الآن راجع إجابتك أعلاه بحثًا عن أخطاء أو نقاط ضعف، وأنتج نسخة محسَّنة منها.»
١٢. كرِّر العملية — واعاملها كحوار
أهم تقنية مُهمَّشة على الإطلاق: التحسين. إنّ المُحفِّز الأول هو مجرد نقطة انطلاق. اقرأ الناتج، وحدِّد ما ينقصه أو ما هو خاطئ فيه، ثم تابع بطلب مثل: «اجعله أقصر»، أو «أكثر تخصصًا»، أو «أضف حُجَّةً مضادة». إن صياغة المُحفِّزات هي حوارٌ وليس أمرًا لمرة واحدة.
دليل سريع لاختيار التقنية المناسبة
| إذا كانت مهمتك… | فاستخدم… |
|---|---|
| إنتاج نمط أو تنسيق معيَّن | أمثلة (عدد قليل من الأمثلة) + مواصفات التنسيق |
| المنطق أو الرياضيات أو الاستنتاج متعدد الخطوات | الاستنتاج المتسلسل (Chain-of-thought) + تجزئة المهمة |
| إجابات متخصصة في مجال معين | تعيين دور معين + سياق |
| تغذية الناتج إلى برنامج ما | مواصفات تنسيق صارمة + فواصل واضحة |
| الأعمال الإبداعية | اطلب بدائل + كرِّر العملية |
ما لم يعد ذا أهمية
لقد فقدت بعض الحيل الأولية «قوتها» مع مرور الزمن. لم تعد بحاجة إلى منح النموذج نصيحة، أو تهديده، أو استخدام تعويذات معقدة — فالنماذج الحديثة تستجيب للتعليمات الواضحة، وليس للضغوط. كما أن المُحفِّزات الطويلة جدًّا والمليئة بالقواعد قد تضرّ في الواقع، لأنها تُطمس المهمة الأساسية. والاتجاه السائد في عام ٢٠٢٦ هو البساطة: فالنماذج أصبحت ذكية بما يكفي لدرجة أن التواصل الواضح والمباشر يتفوّق على التلاعب الذكي.
كيف تُصحِّح مُحفِّزًا لا يعمل بشكل صحيح
كتابة مُحفِّز جيد تمثِّل نصف المهمة. أما النصف الآخر فهو تشخيص المُحفِّز الذي يُعيد نتائج غامضة أو خاطئة أو غير متسقة — والاندفاع نحو «إضافة المزيد من الكلمات» غالبًا ما يجعل الأمر أسوأ. عامل المُحفِّز الفاشل كما يعامل المهندس الخطأ البرمجي: غيِّر شيئًا واحدًا، وراقب التأثير، وكرِّر العملية. وتجنَّب إعادة كتابة المُحفِّز بأكمله دفعة واحدة، وإلا فلن تعرف أبدًا أي تعديل كان مفيدًا فعلًا.
افحص سبب الفشل بالترتيب، من أسهل الحلول إلى الأكثر تعقيدًا:
- اقرأ الناتج حرفيًّا. إن النموذج يقوم دائمًا تقريبًا بما طلبتَه بالضبط — لكن ليس بالضرورة بما كنت تقصد. كان المقصودفإذا قدم ملخصًا بينما كنت تريده تحليلًا، فربما كانت الفعل المستخدم غامضًا. والخلل يكمن عادةً في التعليمات، وليس في النموذج.
- قلِّص المُحفِّز ثم أعد بناءه. اختصر مُحفِّزك إلى أبسط صورة ممكنة، وتأكد من أن هذه النسخة الأساسية تعمل. ثم أعد إدخال القيود والأمثلة ومواصفات التنسيق واحدة تلو الأخرى. والعنصر الذي يؤدي إلى فشل النتيجة هو الجاني الحقيقي.
- تحقَّق مما يستطيع النموذج رؤيته فعليًّا. إذا كنت تلصق مستندًا طويلًا أو سجل محادثة، فقد تقع الإجابة في منتصف السياق — وهي المنطقة التي يوليها النموذج أقل اهتمام. فبالفعل، يعطي النموذج وزنًا أكبر للمقدمة والنهاية في المدخلات الطويلة، لذا انقل التعليمات الحرجة أو النص المصدر إلى بداية المُحفِّز أو نهايته.
- فرِّق بين «لا يستطيع» و«لا يرغب». الرفض أو التهرُّب يختلفان تمامًا عن الخطأ في الحقائق. فالرفض يتحسَّن عادةً بإعادة الصياغة أو إضافة سياق، أما الأخطاء في الحقائق فتتحسَّن عندما تُرسِّخ النموذج باستخدام مواد مصدرية يمكنه الاقتباس منها.
- اجعله يُظهر طريقته في التفكير. اطلب من النموذج أن يوضّح لماذا سبب اختياره لهذه الإجابة. فطريقة تفكيره تكشف الافتراض الخاطئ أسرع بكثير من إعادة كتابة عمياء أخرى.
وهناك وضع فشل يستحق ملاحظة خاصة: عدم الاتساقفإذا أدى نفس المُحفِّز إلى إجابات جيدة في بعض المرات وإجابات ضعيفة في أخرى، فغالبًا لا يكون السبب في صيغة المُحفِّز — بل في التباين الطبيعي. فحتى عند درجة حرارة (Temperature) تساوي صفرًا، قد تؤدي نفس المُحفِّزات إلى نتائج مختلفة جوهريًّا، لذا فإن الحصول على نتيجة جيدة واحدة لا يثبت أن المُحفِّز سليم. لذا اختبر أي مُحفِّز تخطط لإعادة استخدامه عبر عدة تشغيلات قبل أن تثق به، وحدِّد تنسيق الناتج لتقليل هامش التباين.
والعقلية التي تربط كل هذا معًا هي: المُحفِّز ليس «معطوبًا» أو «مُصلحًا»، بل هو «مُضبوط». احتفظ بسجل قصير بالإصدارات التي جرّبتها وما غيَّرته كلٌّ منها. فخمس تكرارات مدروسة تفوق خمسين محاولة محبطة لإعادة الكتابة، ويحوِّل السجل فوزًا عابرًا إلى مُحفِّز يمكنك الاعتماد عليه.
الأسئلة الشائعة
ما المقصود بهندسة المُحفِّزات؟
هندسة المُحفِّزات هي ممارسة كتابة المدخلات الموجَّهة إلى نموذج ذكاء اصطناعي بحيث يُنتج الناتج الذي تريده. وهي مهارة تواصل — تتضمَّن الدقة، وإعطاء السياق والأمثلة، وصياغة الطلبات بشكل واضح — وليست مجموعة من العبارات السرية.
هل لا تزال هندسة المُحفِّزات ذات صلة في عام ٢٠٢٦؟
نعم، لكنها تطوَّرت. ومع تحسُّن قدرة النماذج على فهم النوايا، توقفت الحيل البدائية عن أن تكون ذات جدوى. وما زال ما يهمّ اليوم هو الأساسيات: الوضوح، والسياق، والأمثلة، والتكرار. وهذه العناصر تحقِّق فرقًا كبيرًا وثابتًا في جودة النواتج.
ما أهم تقنية في هندسة المُحفِّزات؟
الدقة. فمعظم النواتج السيئة التي يولِّدها الذكاء الاصطناعي تعود إلى مُحفِّزات غامضة. وبتحديد الموضوع والجمهور المستهدف والتنسيق والطول والنبرة والغرض بشكل واضح، تُحلّ مشكلات أكثر مما تحققه أي تقنية أخرى.
ما المقصود بتقنية الاستنتاج المتسلسل (Chain-of-thought prompting)؟
تتضمَّن تقنية الاستنتاج المتسلسل طلبًا من النموذج أن يستعرض المشكلة خطوة بخطوة قبل أن يقدم الإجابة النهائية. وهي تحسّن الدقة في المهام المنطقية والرياضية والمتعددة الخطوات. أما النماذج المخصصة للاستنتاج فهي تقوم بهذه العملية داخليًّا، لذا فإن طلبًا صريحًا يكون أقل أهمية عند استخدامها.
هل تحتاج النماذج المختلفة من الذكاء الاصطناعي إلى مُحفِّزات مختلفة؟
المبادئ الأساسية عالمية، لكن للنماذج شخصياتها ونقاط قوتها الخاصة، لذا قد يحتاج المُحفِّز الأمثل لنموذجٍ ما إلى تعديلات طفيفة ليكون مناسبًا لنموذج آخر. فإذا غيرت النموذج، فجرّب مجددًا المُحفِّزات المهمة لديك بدلًا من افتراض أنَّها تعمل دون تغيير.
لماذا يُعطي طلبي (Prompt) إجابة مختلفة في كل مرة أُجرّبه فيها؟
لأن نماذج اللغة تعمل وفقًا لمبدأ الاحتمالات، وليست نماذج حتمية. ففي كل تشغيل، يتم أخذ عيّنة من مجموعة من الاستجابات المحتملة، وبالتالي فإن التباين أمرٌ طبيعي — بل ويستمر حتى عند ضبط معامل الحرارة (Temperature) على القيمة صفر، وذلك بسبب الطريقة التي تُحسب بها العمليات الرياضية الأساسية. وإن كانت الاختلافات سطحية، فيمكن تجاهلها. أما إن كانت الإجابات تتراوح بين الصحيحة والخاطئة، فهذه مسألة تتعلّق بالموثوقية: اخفض معامل الحرارة، وحدّد بدقة تنسيق المخرجات المطلوب، وأضف مثالاً توضيحيًّا مكتملًا لتقليل هامش انحراف النموذج. والأهم من كل ذلك: لا تُقيّم أبدًا طلبًا قابلاً لإعادة الاستخدام بناءً على إخراجٍ واحدٍ محظوظ — بل اختبره عدة مرات أولًا.
ما الطول المثالي لطلب (Prompt)؟
يجب أن يكون طول الطلب كافيًا لتحقيق الوضوح فقط، ولا شيء أكثر من ذلك. فالطول ليس الهدف؛ بل الوضوح هو المقصود. فطلبٌ مركزٌ يحدّد المهمةَ والسياقَ والقيودَ وتنسيق المخرجاتِ يتفوّق بوضوح على طلبٍ موسّعٍ مليءٍ بالتحفظات والتفاصيل الزائدة. وبالفعل، يؤدي الإطالة إلى ضررين اثنين: فهي تُطمر التعليمات الحقيقية في وسط النص، كما أن النماذج تُولي أقل انتباهٍ للجزء الأوسط من المدخلات الطويلة، ما قد يؤدي إلى تجاهل التفاصيل الجوهرية المُدرجة هناك. فإذا شعرت أن طلبك مُثقَّلٌ أو مُبالغٌ في طوله، فاختصره إلى العناصر الأساسية، واجعل أهم تعليماتك في بداية الطلب أو نهايته.
هل يجب أن أطلب من نموذج استنتاجي حديث أن «يفكّر خطوة بخطوة»؟
عادةً لا داعي لذلك. فنماذج الاستنتاج مُصمَّمة أصلاً لتقوم بمعالجة المسائل داخليًّا قبل إعطاء الجواب، وبالتالي فإن التعليم الكلاسيكي «فكّر خطوة بخطوة» يزيد زمن الاستجابة وعدد الرموز (Tokens) دون تحقيق أي مكسب ملحوظ في الدقة — بل وقد يشوّش المخرجات. ولذلك، مع هذه النماذج، يُفضَّل ضبط جهد الاستنتاج عبر استدعاء واجهة البرمجة (API) بدلًا من تضمينه في النص، واستثمار مساحة الطلب في تحديد الهدف والقيود والشكل المطلوب للمخرجات. أما سلسلة الأفكار الصريحة (Chain-of-Thought) فلا تزال مفيدةً مع النماذج القياسية غير المتخصصة في الاستنتاج، حيث يحسّن توجيه الخطوات صراحةً من جودة النتيجة.
الخلاصة
هندسة المُحفِّزات ليست سحرًا — بل هي تواصلٌ واضحٌ يمكن تكراره. وتغطي التقنيات الاثنتا عشرة المذكورة أعلاه تقريبًا كل حالة ممكنة: كن دقيقًا، ووفِّر السياق وعيِّن دورًا، وبيِّن أمثلة، وحدِّد التنسيق، واطلب التفكير المنطقي في المسائل الصعبة، وقسِّم المهام الكبيرة، وكرِّر العملية.
إتقان أول خمس تقنيات سيحقِّق لك بالفعل نتائج أفضل ملحوظة من أي أداة ذكاء اصطناعي. أما الباقي فهي أدوات تستخدمها حسب الحاجة. والدرس الأهم الذي يجمع كل هذه التقنيات معًا هو: في عام ٢٠٢٦، تكافئ النماذج الوضوح — لذا قلْ بالضبط ما تريد.
