كيفية تحسين الموجّهات: تقنيات وأفضل الممارسات

النقاط الرئيسية لمستخدمي النماذج اللغوية المحلية

• تحسين الموجّهات أكثر أهمية للنماذج المحلية — النماذج المكمّمة (4-bit، 8-bit) أكثر حساسيةً للتعليمات الغامضة مقارنةً بواجهات APIs السحابية الحدية
• تدعم Ollama وLM Studio نفس الرافعات الست للتحسين؛ الفرق أن النماذج الأصغر تتطلب قيودًا أكثر صراحةً ونوافذ سياق أقصر
• النماذج المكمّمة لديها قدرة أقل على اتباع التعليمات — استخدم موجّهات أبسط وأكثر وضوحًا مع تنسيق مخرجات صريح وقيود أقل في آنٍ واحد
• قيم درجة الحرارة الافتراضية تختلف: Ollama تعتمد 0.8 افتراضيًا (إبداع أعلى، اتساق أقل)؛ اضبط درجة الحرارة على 0.1–0.3 للمهام المنظمة
• لا يمكن اختبار النماذج المحلية مقابل خط أساسي سحابي — استخدم PromptQuorum لمقارنة موجّهك المحلي المُحسَّن مع GPT-5.5 وClaude لقياس فجوة الجودة

ما تحسين الموجّهات؟

تحسين الموجّهات مقابل هندسة الموجّهات

لماذا يهم تحسين الموجّهات

إضافة تعليمة chain-of-thought — طلب من النموذج التفكير خطوةً بخطوة قبل الإجابة — حسّنت الدقة في معايير الحساب متعدد الخطوات من 17.9٪ إلى 56.9٪ في نموذج بـ540 مليار معامل. تغيير واحد موجَّه نحو بنية الموجّه، دون إعادة تدريب النموذج، أنتج مكسبًا في الدقة بمقدار 3×.

الرافعات الست للتحسين

مكّن few-shot prompting مع عدد صغير من الأمثلة GPT-3 من مضاهاة أداء النماذج ذات الضبط الدقيق أو تجاوزه في معايير متعددة — مما أثبت الأمثلة كرافعة تحسين عالية التأثير لا تتطلب تدريبًا أو حوسبة إضافية.

عملية التحسين من 6 خطوات

• الخطوة 1: ضع خطًا أساسيًا. شغّل الموجّه الحالي على مهمتك الهدف 3 مرات بمدخلات تمثيلية. دوّن وضع الفشل: هل المخرجات طويلة أو قصيرة جدًا؟ تنسيق خاطئ؟ هلوسة؟ خارج الموضوع؟ هذا الخط الأساسي حاسم — لا يمكن قياس التحسين دونه.
• الخطوة 2: حدّد الرافعة الجذرية. ربط الفشل بواحدة من الرافعات الست. أمثلة: "المخرجات جدار نص بدلًا من نقاط" → رافعة تنسيق المخرجات؛ "الاستجابة غامضة" → رافعة التحديد الدقيق؛ "النبرة خاطئة" → رافعة الدور.
• الخطوة 3: غيّر متغيرًا واحدًا. أجرِ تغييرًا واحدًا موجَّهًا نحو الرافعة المُحددة. لا تُعدّل الهدف وتُضيف أمثلة وتُغيّر التنسيق في نفس المراجعة. هذا العزل غير قابل للتفاوض.
• الخطوة 4: اختبر على نماذج متعددة. شغّل الموجّه المُعدَّل على GPT-5.5 وClaude Opus 4.8 وGemini 3.1 Pro. الموجّه الذي يعمل على نموذج واحد فقط هش وخاص بالنموذج.
• الخطوة 5: قِس مقابل المعايير. هل تحسّنت الدقة؟ هل امتثل التنسيق؟ هل تراجعت الهلوسة؟ هل المخرجات تجتاز الآن اختبارات الاتساق (تشغيل 3× متتالية)؟ القياس هو كيف تُؤكد أن التغيير نجح.
• الخطوة 6: احفظ في مكتبة الموجّهات. الموجّه المُختبَر والمُحسَّن أصل قابل لإعادة الاستخدام. وثّق ما تغيّر ولماذا تحسّن. قيّد الإصدارات. مكتبة الموجّهات المخزّنة والمُصدَرة ذات قيمة أكبر بكثير من موجّه لاستخدام واحد.

في تجربة مضبوطة مع 444 محترفًا ذوي تعليم جامعي، حسّن الوصول إلى ChatGPT سرعة إتمام المهمة بنسبة 25.1٪ وتقييمات جودة المخرجات بنسبة 18.3٪ وفق مُقيّمين عميان. تراكمت أكبر المكاسب لدى العمال في النصف الأدنى من توزيع مهارات الخط الأساسي.

كيفية قياس جودة الموجّه

في تجربة عشوائية مع 758 مستشارًا من BCG، حصل العمال المدعومون بالذكاء الاصطناعي على نتائج أفضل بنسبة 40٪ في مقاييس الجودة للمهام ضمن حدود قدرة الذكاء الاصطناعي. غير أن العمال الذين استخدموا الذكاء الاصطناعي في مهام خارج تلك الحدود — التي تتطلب حكمًا تنظيميًا عميقًا — حصلوا على نتائج أسوأ من نظرائهم الذين لم يستخدموا الذكاء الاصطناعي. معرفة متى تقيس المخرجات بدقة ومتى تتجاوز النموذج كانت المهارة المميِّزة الأولى.

كيف يبدو تحسين الموجّهات في الممارسة؟

• سيء: "لخّص هذا المقال." | مُحسَّن: "لخّص في 3 نقاط، ≤20 كلمة لكل نقطة. ركّز على التأثير التجاري." | السبب: تنسيق المخرجات يُزيل التفاوت.
• سيء: "راجع هذا الكود." | مُحسَّن: "راجع بحثًا عن (1) الصحة، (2) الأداء، (3) الأمان. استشهد بأرقام الأسطر. 3 مشاكل كحد أقصى." | السبب: الدور + القيود تُزيل التغذية الراجعة العامة.
• سيء: "اجمع هذه المقالات." | مُحسَّن: "اجمع فقط من المقالات الـ5 المُقدَّمة. التنسيق: نتيجة أ. نتيجة ب. الآثار. لا تخترع." | السبب: السياق + القيود تُزيل الهلوسة.
• سيء: "اكتب بريدًا إلكترونيًا لعميل." | مُحسَّن: "اكتب بريدًا لعميل غاضب انتظر أسبوعين للدعم. اعتذر مرةً واحدة، اقترح حلّين، اسأل عن تفضيله. ≤150 كلمة." | السبب: التحديد الدقيق + القيود تُحسّن النبرة والملاءمة.
• سيء: "استخرج بيانات من هذا الجدول." | مُحسَّن: "استخرج الأسماء والمبالغ كـJSON: "...", "amount": ...}. بدون شروح." | السبب: التنسيق الصريح يُزيل المخرجات النصية.
• سيء: "هل هذا الكود آمن؟" | مُحسَّن: "تحقق من: (1) حقن SQL، (2) إدخال مستخدم غير مُتحقق منه، (3) أسرار مُضمَّنة. أجب بكل نتيجة كـ: مشكلة. لا إيجابيات زائفة." | السبب: التحديد الدقيق + القيود تُحسّن الدقة.

ماذا تعني مصطلحات تحسين الموجّهات؟

• تحسين الموجّهات — العملية التكرارية لمراجعة موجّه لتحسين جودة المخرجات بتشخيص أوضاع الفشل وتغيير متغير واحد (التحديد الدقيق، السياق، الأمثلة، القيود، التنسيق، أو الدور) في كل مرة.
• Few-shot prompting — تضمين 1–3 أمثلة إدخال/مخرج في الموجّه لتعليم النموذج التنسيق أو النمط المطلوب.
• Chain-of-Thought (CoT) — طلب من النموذج التفكير خطوةً بخطوة ("فكّر قبل الإجابة") لتحسين الدقة في مسائل المنطق متعددة الخطوات.
• القيد — محظور أو حد صريح (مثل "لا تستخدم المصطلحات التقنية"، "150 كلمة كحد أقصى"، "استشهد بالمصادر فقط") يُضيّق نطاق المخرجات.
• الرمز (Token) — أصغر وحدة نص يعالجها النموذج؛ نحو 4 أحرف أو كلمة واحدة بالإنجليزية. يُقاس طول الموجّه وميزانية المخرجات بالرموز.
• الهلوسة — مخرجات واثقة لكنها خاطئة واقعيًا؛ تحدث حين يخترع النموذج حقائق أو يستشهد بدراسات غير موجودة. تُخفَّف بإضافة سياق الارتكاز والأمثلة والقيود.
• الضبط الدقيق (Fine-tuning) — إعادة تدريب أوزان النموذج على بيانات مُصنَّفة خاصة بالمجال؛ يُستخدم حين لا يستطيع تحسين الموجّهات تحقيق الجودة المطلوبة. استنفذ التحسين دائمًا قبل الضبط الدقيق.
• RAG (Retrieval-Augmented Generation) — حقن وثائق مُسترجَعة في سياق الموجّه قبل طلب الإجابة من النموذج. متكامل مع التحسين (RAG يُحسّن المعلومات؛ التحسين يُحسّن كيفية استخدام النموذج لها).
• System prompt — تعليمة مستمرة تُحدّد دور النموذج وقيوده وسلوكه عبر جميع الأدوار. يتطلب اختبارات تحسين منفصلة عن موجّه المستخدم.
• التحديد الدقيق (Specificity) — الدقة في تعريف المهمة؛ الانتقال من التعليمات الغامضة ("لخّص") إلى المتطلبات الدقيقة ("اسرد 3 نقاط، ≤20 كلمة لكل نقطة"). أول رافعة وغالبًا الأعلى تأثيرًا للضبط.

نصائح تحسين خاصة بكل نموذج

• GPT-5.5 (OpenAI): يستجيب استثنائيًا لطلبات تنسيق JSON الصريحة وعناوين markdown في system prompts. اتباع التعليمات قوي — القيود الصارمة تُقلّل الإفراط في الشرح.
• Claude Opus 4.8 (Anthropic): ممتاز في التعليمات الدقيقة ومتعددة الأجزاء. يتعامل مع system prompts الطويلة والمفصّلة بشكل موثوق ونادرًا ما يفقد السياق الضمني. يستفيد من توجيه صريح لطول المخرجات.
• Gemini 3.1 Pro (Google DeepMind): الأفضل في تحليل وثائق السياق الطويل (حتى 1M رمز). العناوين الصريحة في الموجّهات تُحسّن اتساق المخرجات المنظمة.
• Mistral Large (Mistral AI): يستفيد من تعريفات الدور الصريحة وصياغة التعليمات الأكثر وضوحًا. أقل تسامحًا مع الإطار الضمني للمهمة مقارنةً بـGPT-5.5 أو Claude.

تحسين الموجّهات للنماذج اللغوية المحلية (Ollama، LM Studio)

• مثال 1: عدم اتساق مخرجات النموذج المكمَّم (الرافعة: تنسيق المخرجات + القيود) _النموذج:_ LLaMA 3.1 8B عبر Ollama (تكميم 4-bit) _موجّه ضعيف:_ "لخّص تذكرة الدعم هذه." _وضع الفشل:_ المخرجات تتفاوت بشكل كبير بين التشغيلات. تكميم 4-bit يُضخّم العشوائية. _الرافعة المُغيَّرة:_ تنسيق المخرجات + قيد درجة الحرارة. _الموجّه المُحسَّن:_ "لخّص تذكرة الدعم هذه في جملتين تمامًا. الجملة 1: مشكلة العميل. الجملة 2: ما جرّبه. لا نص آخر." _الإصلاح الإضافي:_ اضبط درجة الحرارة على 0.1 في Ollama. _النتيجة:_ ملخصات متسقة من جملتين عبر جميع التشغيلات.
• مثال 2: فشل قيد طول السياق في LM Studio (الرافعة: التحديد الدقيق + السياق) _النموذج:_ Mistral Small Instruct عبر LM Studio (تكميم Q4_K_M، سياق 4096 رمز) _موجّه ضعيف:_ "حلّل هذه الوثيقة واسرد المخاطر الرئيسية." وثيقة كاملة بـ3000 كلمة _وضع الفشل:_ النموذج يُقتطع في منتصف التحليل ويُنتج مخرجات غير مكتملة. _الرافعة المُغيَّرة:_ التحديد الدقيق — تقليل النطاق ليتناسب مع ميزانية السياق. _الموجّه المُحسَّن:_ "أنت محلل مخاطر. اقرأ المقطع التالي (أول 1500 كلمة فقط) واسرد ما يصل إلى 5 مخاطر محددة، كل منها ≤15 كلمة. التنسيق: خطر 1: الوصف. خطر 2: الوصف. توقف بعد 5." _النتيجة:_ تحليل كامل ضمن نافذة السياق.
• مثال 3: تجاوز التعليمات في النماذج المكمَّمة (الرافعة: القيود) _النموذج:_ Phi-3 Mini عبر Ollama _موجّه ضعيف:_ "استخرج جميع التواريخ من هذا النص. أعد JSON فقط." _وضع الفشل:_ النموذج يُعيد JSON بالإضافة إلى فقرة شرح. النماذج الصغيرة كثيرًا ما تُضيف تعليقات غير مطلوبة حتى مع تحديد التنسيق. _الرافعة المُغيَّرة:_ القيود — محظور صريح. _الموجّه المُحسَّن:_ "استخرج جميع التواريخ من النص أدناه. أعد مصفوفة JSON فقط. بدون شرح. بدون تمهيد. بدون تعليق. المخرجات: \"تاريخ1\", \"تاريخ2\", ..." _النتيجة:_ مخرجات JSON نظيفة بدون نثر.

أكثر 7 أخطاء تحسين شيوعًا

• الخطأ 1: تغيير متغيرات متعددة في آنٍ واحد. تُضيف أمثلة وتُغيّر تنسيق المخرجات وتُعدّل الدور في مراجعة واحدة. حين تتحسن المخرجات، لا تعرف أي تغيير أفاد. التحسين الفعّال يعزل تغييرًا واحدًا لكل تكرار. هذا السبب الأول لفشل التحسين.
• الخطأ 2: التحسين بمدخل واحد فقط. تختبر مثالًا واحدًا وترى تحسنًا وتُعلن النجاح. في الاستخدام الفعلي، يفشل الموجّه مع مدخلات مختلفة. اختبر على 5–10 أمثلة تمثيلية.
• الخطأ 3: التحسين لنموذج واحد فقط. تُحسّن لـGPT-5.5 وترى نتائج مثالية، ثم تنشر على Claude. يفشل. اختبر على نموذجين على الأقل (GPT-5.5 وClaude Opus 4.8)؛ مثاليًا 3.
• الخطأ 4: تجاهل تنسيق المخرجات. يُنتج الموجّه الحقائق الصحيحة لكن بالبنية الخاطئة. "التنسيق الخاطئ" هو أكثر أوضاع الفشل شيوعًا وأسرعها تصحيحًا. حدّد دائمًا: "أجب بصيغة JSON مع الحقول: قائمة".
• الخطأ 5: الإفراط في الموجّهات (Over-prompting). تُضيف 15 قيدًا و5 أوصاف أدوار و10 أمثلة في موجّه بـ200 رمز. كثرة التعليمات المتزامنة تُربك النموذج. ابدأ بالحد الأدنى، ثم أضف قيودًا فقط عند الضرورة.
• الخطأ 6: الخلط بين التحسين والضبط الدقيق. التحسين يُحسّن الموجّهات؛ الضبط الدقيق يُدرّب النموذج. إذا جرّبت الرافعات الست وما زال الموجّه يفشل، قد يكون النموذج يفتقر للمعرفة أو القدرة على المهمة — هذه مشكلة ضبط دقيق، ليست مشكلة تحسين.
• الخطأ 7: عدم حفظ الموجّهات المُحسَّنة. تُحسّن موجّهًا وتنشره، ثم تُعيد تحسين نفس الموجّه بعد 6 أشهر لأن أحدًا لم يحفظ الإصدار الذي نجح. مكتبة الموجّهات — المُصدَرة والموثَّقة والمشتركة — تُحوّل عمل التحسين إلى أصل دائم.

حدّد مسح منهجي لأكثر من 1,500 ورقة بحثية حول الموجّهات 58 تقنية موجّهات متميزة. قلّل self-consistency — توليد مخرجات متعددة واختيار الأكثر شيوعًا — معدلات الهلوسة بنسبة 10–20٪ في تقييمات GPT-4. أظهر few-shot prompting تحسينات متسقة في الدقة بنسبة 10–30٪ فوق خطوط الأساس zero-shot.

في تحليل تلوي لـ144 ورقة بحثية حول الموجّهات، كانت القيود وتحديد تنسيق المخرجات الرافعتين الأكثر فاعلية بشكل متسق عبر جميع أحجام النماذج. القيود وحدها حسّنت الدقة بنسبة 12–18٪ في مهام التصنيف. إضافة تنسيق مخرجات صريح حسّن الدقة بنسبة 18–25٪. الجمع بين الاثنين — القيود + التنسيق الصريح — أنتج تحسينًا بنسبة 28–40٪.

تُظهر النماذج المكمَّمة (4-bit، 8-bit) حساسية أعلى بنسبة 15–25٪ للموجّهات الغامضة مقارنةً بإصدارات الدقة الكاملة من نفس النموذج. موجّه يعمل بشكل موثوق على GPT-5.5 قد يفشل بنسبة 30–40٪ على Llama 3.3 8B المكمَّم. استراتيجية التحسين تختلف: نماذج الدقة الكاملة تتحمل التعليمات الضمنية؛ النماذج المكمَّمة تتطلب تعليمات صريحة وغير ملتبسة.

تُفيد المنظمات التي تُنظّم تحسين الموجّهات (باستخدام التحكم في الإصدارات وحالات الاختبار الموثَّقة والتحقق بين النماذج) بانخفاض بنسبة 40–60٪ في تذاكر الدعم المتعلقة بالذكاء الاصطناعي خلال 6 أشهر. الفرق التي تُحسّن بشكل مخصوص، دون تحكم في الإصدارات أو قياس، ترى مقاييس جودة ثابتة أو في تراجع.

تقنيات تحسين الموجّهات: الطرق المتقدمة

• Few-Shot مقابل Zero-Shot: أضف 1–3 أزواج إدخال/مخرج للموجّه حين لا يُنسّق النموذج المخرجات بشكل صحيح أو يُضيع الأسلوب المطلوب. أمثلة few-shot هي الطريقة الأكثر مباشرةً لتعليم التنسيق.
• Chain-of-thought: أدرج "فكّر خطوةً بخطوة قبل الإجابة" لتصحيح إخفاقات الاستدلال متعدد الخطوات. هذه التقنية كثيرًا ما تُحسّن الدقة في المسائل المنطقية بنسبة 10–15٪.
• الموجّهات المقيَّدة (Constrained prompting): أضف محظورات صريحة ("لا تستخدم المصطلحات التقنية"، "لا تخترع أرقامًا"، "لا تكرر المدخلات") لتصحيح إخفاقات النطاق والأسلوب.
• Self-consistency: ولّد مخرجات الموجّه 3–5 مرات بشكل مستقل، ثم أعد أكثر الإجابات شيوعًا. هذا يُقلّل الهلوسة في الحقائق منخفضة الاحتمال.
• المخرجات المنظمة (Structured output): اطلب JSON أو جداول markdown أو تنسيقات أخرى قابلة للقراءة الآلية لتصحيح الامتثال للتنسيق.

حفظ الموجّهات المُحسَّنة في مكتبة

تحسين الموجّهات والامتثال التنظيمي

تحسين الموجّهات عبر اللغات والمناطق

قراءات ذات صلة

• ما هندسة الموجّهات؟ — التعريف المحوري والعناصر الأساسية لتصميم الموجّهات
• 5 عناصر بناء يحتاجها كل موجّه — العناصر الهيكلية التي تُحسّنها
• Chain-of-Thought Prompting — تقنية التفكير خطوةً بخطوة لتحسين الدقة
• Zero-Shot مقابل Few-Shot Prompting — متى تُضيف أمثلة كرافعة تحسين
• بناء مكتبة موجّهات توفّر ساعات — حفظ الموجّهات المُحسَّنة كأصول للفريق

الأسئلة الشائعة: تحسين الموجّهات

المصادر

• Schulhoff et al., 2024. "The Prompt Report: A Systematic Survey of Prompting Techniques" — يُصنّف 58+ تقنية موجّهات متميزة
• Wei et al., 2022. "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" — الأساس الأكاديمي للتفكير خطوةً بخطوة كرافعة تحسين
• OpenAI, 2024. "Prompt Engineering" — الدليل الرسمي لتحسين الموجّهات لـGPT-5.5
• Brown et al., 2020. "Language Models are Few-Shot Learners" — الورقة التأسيسية التي تُثبت الأمثلة كرافعة تحسين عالية التأثير