هندسة الأوامر Prompt Engineering
الكاتب: رئبال مرهج
في عصر الذكاء الاصطناعي التوليدي، لم تعد القيمة الحقيقية في امتلاك أدوات الذكاء الاصطناعي، بل في القدرة على توجيهها والتحكم في مخرجاتها.
هنا تظهر هندسة الأوامر Prompt Engineering كعلم وفن تصميم سياقات ومدخلات موجهة للنماذج اللغوية الكبيرة (LLMs)، بهدف تضييق نطاق الاحتمالات التوليدية وإنتاج نتائج أكثر دقة واتساقاً.
تعتمد هندسة الأوامر على أربعة عناصر أساسية: تحديد هوية النظام، فهم الجمهور المستهدف، وضوح الهدف النهائي، وفرض القيود التشغيلية.
ومن خلال هذه الركائز تنتقل المؤسسات من استخدام الذكاء الاصطناعي AI كأداة للإجابة إلى بناء أنظمة معرفية أكثر ذكاءً وقابلية للتحكم.
هندسة التفكير المعقد: من محركات الاحتمالات إلى الأنظمة الذكية الذاتية
أولاً: الثورة التكوينية وعقيدة محرك الاحتمالات (Probability Engine)
في اللحظة التي قرر فيها مايكل كورليوني تصفية رؤساء العائلات الخمس في ملحمة العراب، لم يكن يتحرك بدافع عاطفة عشوائية أو نزوة ارتجالية، بل كان يدير بنية استراتيجية مسبقة التصميم، شديدة الخطية، حيث تعتمد كل تصفية بنيوياً على نجاح الخطوة التي تسبقها.
هذا الانضباط الجراحي هو الفارق الجوهري بين الهواة الذين يمارسون “الدردشة” مع الآلة، وبين القادة التنفيذيين (Executives) والمستشارين (Consultants) الذين يمارسون “البرمجة اللغوية ونمذجة الأنظمة الإدراكية”.
إن نقطة التحول التاريخية التي انطلقت عام 2017 بصدور الورقة الأكاديمية الثورية “Attention is All You Need”، أسست لعصر المحولات (Transformer Architecture).
هذا الانفجار المعرفي لم يسير في خط تطوري بسيط، بل تفرع إلى مسارين بنيويين بأهداف تكنولوجية مختلفة:
معمارية الترميز (Encoder Architecture): وتجسدت في نموذج Google BERT، الذي أحدث ثورة عارمة في فهم النصوص، وتصنيف البيانات، وتحليل المشاعر بدقة فائقة.
معمارية فك التشفير (Decoder Architecture): وتجلت في سلسلة نماذج التوليد المسبق التدريب (GPT Series) من OpenAI، والتي رفعت كفاءة النماذج لتوليد نصوص بالغة التعقيد وفهم السياقات الطويلة عبر آليات الانتباه الذاتي (Self-Attention Mechanisms).
إن هذه النماذج اللغوية الضخمة (LLMs)، بما فيها GPT-5 من OpenAI، وGemini من Google DeepMind، وClaude من Anthropic، وLlama من Meta AI، هي في جوهرها التقني المستقر محركات احتمالات إحصائية (Probability Engines) متطورة.
تعريف علمي حاكم: يقصد بـ محرك الاحتمالات (Probability Engine) هنا البنية الرياضية البحتة للنماذج اللغوية الكبرى التي تقوم بحساب احتمالات الأنماط اللغوية والسياقية لإنتاج المخرجات والتنبؤ بالكلمة التالية بناءً على أوزان إحصائية محددة سلفاً أثناء التدريب، وليس محركاً واعياً أو نظاماً يمتلك إدراكاً أو يفكر بطريقة بشرية وجدانية.
عندما يكتب المدير التقليدي أمراً عاماً وسطحياً، فإنه يترك نموذج الاحتمالات يسبح في بحر شاسع من الخيارات العشوائية، مما يؤدي إلى مخرجات متذبذبة الجودة، وهلوسة لغوية تقوض مستويات تبني التكنولوجيا داخل المنظمات الرقمية.
هنا تتدخل هندسة الأوامر كأداة سيادية لتضييق النطاق السياقي (Narrowing the Context Field)؛ حيث يتم تحفيز وتوجيه سياق الإدخال الحالي (Input Context) ليؤثر مباشرة على توزيع الاحتمالات الناتجة وآلية توليد الاستجابة من خلال آليات الانتباه والتنبؤ الاحتمالي، دون تغيير الأوزان الداخلية للنموذج.
في هذا العلم، كل كلمة تضعها تمتلك وزناً ثقيلاً، وكما تنص أدبيات جامعة إمبريال: “عند صياغة الأوامر، كل كلمة تهم”.
ثانياً: من هندسة الأوامر إلى هندسة الأنظمة المعرفية (From Prompt Engineering to AI System Design)
مع تسارع عجلة التحول لعام 2026، حدثت قفزة نوعية في الفكر الإداري؛ لم يعد السؤال التقليدي لعام 2023 المطروح من المستخدم العادي هو: “كيف أكتب أوامر تنفيذية في LLM لمهمة عابرة؟” بل أصبح السؤال السيادي للمؤسسات الكبرى: “كيف أصمم نظاماً وكيلاً ذكياً متكاملاً يعمل بكفاءة ذاتية داخل البنية التحتية لمؤسستي؟“
هذا التحول نقلنا حتمياً من المحادثات البسيطة إلى هندسة السياق الشاملة وتصميم الأنظمة المعرفية (AI System Design)، اذ لم يعد التركيز على كتابة “الأمر المثالي”، بل على بناء نظام سياقي منظم يحدد البيانات، الأدوات، الذاكرة، وقواعد التشغيل لضمان مخرجات أكثر اتساقاً وتحكماً.
هندسة الأوامر التقليدية (Prompt Engineering)
طبيعة الهدف:
تحسين صياغة الطلب الفردي للحصول على إجابة أفضل من النموذج في مهمة محددة.
نطاق التركيز:
الاهتمام بعناصر السؤال، طريقة صياغته، والتعليمات المباشرة المقدمة للنموذج.
أطراف التفاعل:
يعتمد غالبًا على تفاعل ثابت بين المستخدم البشري والنموذج اللغوي فقط (Static Interaction).
شكل المخرجات:
إجابة منفردة مثل نص، تحليل، أو جدول ضمن نطاق الطلب المحدد.
هندسة السياق والأنظمة (Context Engineering / AI System Design)
طبيعة الهدف:
تصميم بيئة تشغيل معرفية متكاملة تتحكم في طريقة عمل النموذج، وتربطه بالبيانات والأدوات والموارد اللازمة.
نطاق التركيز:
الاهتمام بمعمارية النظام ككل، والعلاقات بين مكوناته مثل قواعد المعرفة، الذاكرة، مصادر البيانات، وأدوات التنفيذ.
أطراف التفاعل:
يتحول التفاعل إلى منظومة ديناميكية تجمع بين النموذج اللغوي، البيانات، الأدوات، الذاكرة طويلة الأمد، والوكلاء الذكيين (Dynamic Ecosystem).
شكل المخرجات:
لا تقتصر النتائج على إجابة واحدة، بل تتحول إلى سير عمل متكامل قادر على تنفيذ مهام متعددة بصورة مستمرة ومنظمة (Integrated Workflow).
لتأطير هذه البيئة وحوكمتها تشغيلياً، نعتمد أركان السياق الأربعة الحاكمة لتوزيع الاحتمالات اللغوية:
الهوية والدور (Who): كأن تأمر النظام: “أنت الآن مستشار استراتيجي من شركة McKinsey ومدير مالي بخبرة عقود في وول ستريت”؛ هذا التحديد يوجه مسارات الانتباه لاستدعاء المعجم المالي والتقني المعقد.
الجمهور المستهدف (To Whom): مثل: “صغ هذا التقرير لمستثمرين لا يفقهون في التعقيدات التكنولوجية للذكاء الاصطناعي”، مما يجبر النظام على تبسيط المصطلحات لتوافق عقلية متخذ القرار.
الهدف النهائي (The Intent): “الهدف الأساسي هو إقناع الإدارة العليا بجدوى ضخ سيولة نقدية في جولة تمويلية من الفئة (A)”، لشحن النبرة بقوة إقناع دفاعية حازمة.
القيود البنيوية (Constraints): “أجب فقط باستخدام النص المرفق. إذا كانت المعلومة غير موجودة قل خارج النطاق. عقوبتك على الهلوسة هي تجاهل مخرجك بالكامل”؛ وهو صمام الأمان لمنع التدفق العشوائي وحماية أمن البيانات الحساسة للمنظمة.
ثالثاً: التطور الديناميكي: من الاستدلال المرحلي (CoT) إلى شجرة الأفكار (ToT)
تثبت تجارب الأنظمة المعاصرة أن المعضلات المؤسسية الشائكة لا يمكن حلها بأوامر برمجية ساكنة؛ فالذكاء الاصطناعي حين يُعامل كأداة لاسترجاع المعلومات (Information Retrieval)، يتباين أداؤه بحسب اتصاله اللحظي بالإنترنت لعام 2026 كنموذج Google Gemini، أو انحباسه في حدود تاريخ تدريبه الأقصى.
لذا، يكمن الحل الحقيقي في هندسة الأنظمة الاستدلالية الديناميكية (Active/Dynamic Prompting).
أثبتت الأبحاث الأكاديمية المنشورة في مؤتمر NeurIPS لعام 2022 أن تقنية سلسلة الأفكار (Chain-of-Thought – CoT) تمثل حجر الزاوية لإثارة الاستدلال المنطقي للنماذج اللغوية الكبيرة.
تعتمد استراتيجيات الاستدلال المرحلي (Reasoning Strategies) على مساعدة النموذج في تنظيم حل المشكلات متعددة الخطوات عبر تمثيلات داخلية أو تعليمات منهجية تحسن جودة النتائج في المهام المعقدة، بدلاً من القفز المباشر نحو استنتاجات متسرعة قد تضر بقرارات الإدارة.
ومع تطور النماذج الحديثة، أصبحت بعض الشركات تعتبر الـ reasoning الداخلي سرياً وخاصة بالنموذج، إلا أن توجيه الاستدلال يظل الضمانة التنفيذية لفرض الفحص والتدقيق خطوة بخطوة.
يتطور هذا الفكر استراتيجياً عبر سلاسل الأفكار المتعددة (Multiple Chain-of-Thought – mCoT)، حيث يُطلب من النموذج توليد عدة مسارات استدلالية مستقلة ومتوازية لنفس المعضلة، ثم إخضاعها لعملية تقييم وتصنيف (Scoring & Ranking) لاختيار المسار الفكري الأعلى كفاءة وموثوقية.
ولأن بيئة الأعمال لا تسير في مسار خطي ثابت، فقد قدم الباحثون إطار شجرة الأفكار (Tree of Thoughts – ToT) كمنهجية متقدمة لتوسيع قدرات الاستدلال لدى النماذج اللغوية الكبيرة، وذلك عبر تعميم مفهوم سلسلة الأفكار (Chain-of-Thought – CoT) ليتمكن النموذج من استكشاف مسارات تفكير متعددة، وتقييم البدائل، والعودة إلى نقاط قرار سابقة عند الحاجة قبل اختيار الحل الأكثر ملاءمة.
يتيح هذا الإطار استكشاف مسارات فكرية متعددة ومتفرعة كأغصان حية على شجرة تفكير كبرى، مع إدخال الميزة الاستراتيجية الأهم وهي التراجع الذاتي (Backtracking) والتقييم الذاتي للتقدم.
إذا بدأ النموذج في تتبع مسار تشغيلي معين لتطوير منتج ما، واكتشف عبر المحاكاة والتقييم الوسيط أنه سيصطدم بجدار من القيود المالية أو اللوجستية المرفقة، فإنه يعود بمرونة خلفية إلى نقطة التفرع الرئيسية (Backtrack) ليقوم بتجربة فرع استراتيجي بديل، ممسكاً بزمام الكفاءة الحوسبية.
المرحلة الأولى: تحديد المشكلة الأساسية
يبدأ النظام بتحليل الهدف المطلوب وتحديد القيود التشغيلية والموارد المتاحة قبل اختيار مسار التنفيذ.
المرحلة الثانية: تفرع القرار
يقوم النظام بإنشاء عدة مسارات محتملة للوصول إلى الهدف:
- المسار الاستراتيجي A: اختيار النهج الأول بناءً على المعطيات الأولية.
- المسار الاستراتيجي B: اختيار نهج بديل يمكن اختباره في حال عدم نجاح المسار الأول.
المرحلة الثالثة: اختبار الجدوى
يتم تقييم كل مسار عبر محاكاة النتائج المتوقعة وفحص:
- الجدوى التشغيلية.
- التكلفة المالية.
- المتطلبات اللوجستية.
- احتمالية تحقيق الهدف.
المرحلة الرابعة: تقييم النتائج
المسار A:
- √ عقدة نجاح: يثبت التقييم إمكانية استمرار المسار.
- يتم الانتقال إلى مراحل التنفيذ التالية.
المسار B:
- ⊗ عقدة فشل: يكشف التقييم وجود قيود تمنع تحقيق الهدف.
- يتم تفعيل آلية التراجع الذاتي (Backtracking).
المرحلة الخامسة: إعادة الاستكشاف واتخاذ القرار
عند فشل أحد المسارات، لا يعيد النظام العملية من البداية، بل يعود إلى نقطة التفرع السابقة، ويختبر خياراً استراتيجياً جديداً اعتماداً على المعرفة المكتسبة من المحاولة السابقة.
النتيجة النهائية:
- اعتماد المسار الأكثر نجاحاً وكفاءة.
- تقليل الهدر في الموارد الحوسبية.
- تحسين قدرة النظام على اتخاذ قرارات استراتيجية مستقلة.
رابعاً: الهندسة الشبكية (GoT) والتحول نحو الأتمتة الميكانيكية (APE)
عند الانتقال إلى آفاق الهندسة الشبكية، يتجلى لنا إطار خريطة الأفكار (Graph of Thoughts – GoT) كأحدث صيحة في إدارة الأنظمة الإدراكية.
هنا تتحول الأفكار والاستنتاجات البينية إلى عُقد (Nodes) متداخلة في شبكة معقدة غير خطية تعكس واقع النمو وحركة الأسواق؛ حيث يمكن دمج عدة أفكار مستقلة (Aggregation) لإنتاج حل هجين، أو تدوير فكرة لتؤثر في مسار فكري آخر.
أثناء هذا التدفق الشبكي، يفرز النظام المعطيات بصرامة؛ فيهمل ويسقط المسارات العقيمة واصفاً إياها بـ “العقد المظلمة” (Dark Nodes)، ويركز طاقته الحوسبية على “العقد المضيئة” (Sign Nodes) التي تدعم أهداف المنظمة.
تكتمل هذه الثورة السيادية بظهور هندسة الأوامر التلقائية (Automatic Prompt Engineering – APE).
يقلل نظام APE الاعتماد على التدخل اليدوي المتكرر عبر تحويل تحسين التعليمات إلى مشكلة أمثلة صندوق أسود (Black-Box Optimization) باستخدام خوارزميات التعلم الآلي والحلول الاستكشافية (Heuristic Solutions).
يتيح إطار APE للذكاء الاصطناعي توليد واختيار وتقييم الأوامر والتعليمات لنفسه تلقائياً بناءً على معطيات السياق والمخرجات المستهدفة، مما ينقل الإنسان من كاتب أوامر (Prompt Writer) إلى مصمم أنظمة فكرية وموجه استراتيجي (Systems Designer) ممسك بزمام التحكم عبر بوابة “الإنسان في الحلقة” (Human-in-the-Loop) لضمان توجيه التكنولوجيا بالكامل نحو صناعة الفارق التنافسي المستدام للمؤسسة.
خامساً: أثر هندسة السياق على مستقبل البحث التوليدي (GEO & AI Search)
في عصر البحث التوليدي لعام 2026، انتهى الزمن الذي كان فيه المستخدم يبحث عبر “كلمات مفتاحية مبعثرة”؛ فالمدير التنفيذي أو المستشار المعاصر يطرح على محركات البحث التوليدي أسئلة مركبة، معقدة، ومتعددة الطبقات.
النماذج الذكية التي تصيغ الإجابات للمستخدم (AI Overviews) لا تبحث عن كثافة الكلمات المفتاحية (Keyword Density)، بل تفتش بنهم عن المحتوى المنظم دلالياً كمعرفة قابلة للاستخراج الفوري عبر الكيانات والعلاقات الإحصائية.
1. هندسة الأوامر (Prompt Engineering)
تمثل نقطة التحكم الأولى في التفاعل مع النماذج الذكية، حيث يتم توجيه النموذج عبر تصميم التعليمات، تحديد السياق، ووضع القيود التشغيلية للحصول على مخرجات أكثر دقة.
2. النماذج اللغوية الضخمة (Large Language Models – LLMs)
تمثل المحرك اللغوي الذي يستقبل السياق والتعليمات، ثم يولد المخرجات اعتمادًا على الأنماط الاحتمالية التي تعلمها أثناء التدريب على كميات ضخمة من البيانات.
⇓
3. بنية المحولات (Transformer Architecture)
تمثل الأساس الحسابي الذي تعتمد عليه معظم النماذج اللغوية الحديثة، حيث تتيح فهم العلاقات بين الكلمات والمفاهيم عبر آلية الانتباه (Attention Mechanism) ومعالجة السياق على نطاق واسع.
⇓
4. نماذج الاستدلال (Reasoning Models)
تمثل طبقة متقدمة تهدف إلى تحسين قدرة الأنظمة على التعامل مع المشكلات متعددة الخطوات، تحليل العلاقات المعقدة، وبناء قرارات أكثر منطقية.
⇓
5. الوكلاء الذكيون (AI Agents)
تمثل الانتقال من نموذج يجيب عن الأسئلة إلى نظام قادر على التخطيط، استخدام الأدوات الخارجية، تنفيذ المهام، والتفاعل مع البيئة التشغيلية بشكل مستقل أو شبه مستقل.
⇓
6. أتمتة المؤسسات (Enterprise Automation)
تمثل المرحلة التطبيقية النهائية، حيث يتم دمج تقنيات الذكاء الاصطناعي داخل العمليات المؤسسية اليومية لتحسين الكفاءة، تقليل التكاليف، ودعم اتخاذ القرار.
نستنتج مما سبق أن كل طبقة تعتمد على الطبقة السابقة؛ فهندسة الأوامر توجه النماذج اللغوية، والنماذج اللغوية تعتمد على بنية المحولات، بينما تفتح نماذج الاستدلال والوكلاء الذكيون الطريق نحو أتمتة مؤسسية قائمة على أنظمة معرفية قابلة للتنفيذ.
عندما يقرأ محرك البحث التوليدي مقالاً مبنياً بهذه الصرامة الهيكلية، فإنه يربط فوراً بين المفاهيم، ويتحقق من الدقة العلمية لـ “محركات الاحتمالات” مقارنة بـ “هندسة السياق الكاملة”.
في النهاية، لم تعد هندسة الأوامر مجرد مهارة لصياغة تعليمات أفضل، بل أصبحت بنية استراتيجية للتحكم في مسارات الذكاء الاصطناعي وتحويل الاحتمالات إلى قرارات قابلة للتنفيذ.
إن المؤسسات التي تمتلك القدرة على هندسة السياق وبناء الأنظمة المعرفية ستكون الأكثر قدرة على قيادة عصر الأتمتة الذكية وصناعة السيادة الرقمية.
رئبال مرهج Raabal Murhej
مدرب ومستشار في التسويق الرقمي وتحسين محركات البحث (SEO)، ومتخصص في تطبيقات وكلاء الذكاء الاصطناعي والتحول الرقمي.
يحمل رئبال مرهج شهادات برامج تنفيذية متقدمة في التسويق الإلكتروني ووكلاء الذكاء الإصطناعي من أعرق المؤسسات الأكاديمية العالمية، وفي مقدمتها:
جامعة هارفارد (Harvard) وإمبريال كوليدج لندن (Imperial College London)
إلى جانب برنامج الدراسات العليا في التسويق الإلكتروني من جامعة بوردو الأمريكية (Purdue University)، وهو برنامج متقدم يتناول مجالات:
التسويق الرقمي واستراتيجيات اكتساب العملاء.
تحسين محركات البحث (SEO).
إدارة القنوات الرقمية وتحليل الأداء.
الشهادات والاعتمادات الاحترافية الإضافية:
CIM UK: اعتماد إدارة قنوات التسويق الإلكتروني من المعهد المعتمد للتسويق ببريطانيا.
DMA – USA: شهادة أخصائي تحسين محركات البحث (SEO).
College of Media & Publishing – UK: دبلوم العلاقات العامة (Level 4) ودبلوم الصحافة متعددة الوسائط (Level 3).
SAE Institute – Australia: شهادة الإذاعة والبث الصوتي (Radio Broadcasting).
