من GPT-2 حتى اليوم: كيف تطورت هندسة البرومبت

تطورت هندسة البرومبت من تلاعب نصي غير رسمي بالتجربة والخطأ حول GPT-3 في 2020 إلى تخصص منظّم مع تقنيات وأطر عمل وأدوات مُسمَّاة بحلول 2026. القوس يمتد عبر خمس مراحل: التجارب الأولى للـfew-shot، ولحظة ChatGPT التي أحضرت المهارة إلى الوعي العام، وتطوير تقنيات الاستدلال المنظّم، وصعود تحسين البرومبتات التلقائي، والتحوّل الحالي نحو تصميم السياق.

لم ينشأ التخصص من ورقة بحثية أو شركة واحدة. نما من التقاء البحث (few-shot learning وchain-of-thought reasoning وRAG) ومجتمعات الممارسين الذين شاركوا مجموعات برومبتات عبر الإنترنت والتوفر العلني المفاجئ لنماذج قوية جعل البرومبت الجيد مجزيًا على الفور. بحلول 2026، لم تعد هندسة البرومبت حيلة متخصصة — بل مهارة أساسية لكل من يعمل مع أنظمة الذكاء الاصطناعي.

قبل وجود مصطلح "هندسة البرومبت"، كان الباحثون يتلاعبون بمدخلات النماذج للحصول على مخرجات أفضل — لكنهم لم يسمّوا ذلك هكذا. النماذج الأولى المبنية على المحوّل كـGPT-2 (2019، OpenAI) وBERT (2018، Google) كانت تُستخدم عبر نص إدخال مختار بعناية، لكن الممارسة كانت تُعامَل كجزء من معالجة البيانات المسبقة، لا كمهارة قائمة بذاتها.

GPT-2، الصادر في فبراير 2019، كان نموذج 1.5 مليار معامل قادرًا على إكمال النصوص بطرق متسقة بشكل مدهش. لاحظ الباحثون والممارسون الأوائل أن صياغة المدخلات تُغيّر جودة الإكمال جذريًا — لكن لم يكن ثمة أطر عمل أو مصطلحات أو مجتمعات مبنية حول هذه الملاحظة. البرومبتات كانت مدخلات لا نتاجات هندسية.

التاريخ الحديث لهندسة البرومبت يبدأ فعليًا مع GPT-3. في مايو 2020، أصدرت OpenAI GPT-3، نموذج 175 مليار معامل، مع ورقة Brown et al. الرائدة "Language Models are Few-Shot Learners". أثبتت الورقة أنه بتضمين أمثلة قليلة على المهمة المطلوبة مباشرةً في البرومبت — دون تحديثات على أوزان النموذج — تحسّن الأداء في المهام اللاحقة بشكل جذري.

كان هذا البذرة لهندسة البرومبت كتخصص. أدرك الباحثون والمطورون أن نفس النموذج يمكن تحويله إلى مترجم أو مُلخِّص أو مولّد كود أو نظام أسئلة وأجوبة بمجرد تغيير طريقة كتابة البرومبت. النموذج لا يحتاج إعادة تدريب — يحتاج برومبتًا أفضل. هذه الرؤية أعادت تعريف البرومبت: ليس مجرد مدخلات، بل نتاج تصميم.

أفاد Brown et al. بأن الأداء في few-shot كان يتحسّن بشكل منتظم مع حجم النموذج. هذا جعل جودة البرومبت متغيرًا يمكن للممارسين — لا الباحثين فحسب — التحكم فيه.

بين 2021 وأوائل 2022، انتقلت صياغة البرومبتات من أوراق البحث إلى مجتمعات الممارسين. ظهرت مستودعات GitHub مع مجموعات برومبتات مُنتقاة — قوائم "awesome-prompts" تشارك ما نجح في مساعدة الترميز والتلخيص والكتابة الإبداعية. مجموعات البرومبتات، التي شُوركت على Twitter وReddit، أصبحت أصولًا مجتمعية.

بدأ مصطلح "prompt engineering" بالظهور بتكرار أكبر في أوراق البحث ومنشورات المدونات وأوصاف الوظائف خلال هذه الفترة. قدّمت ورقة InstructGPT من OpenAI (Ouyang et al., 2022) نماذج مضبوطة بـRLHF تستجيب بشكل أكثر موثوقية للتعليمات باللغة الطبيعية.

كان تقديم برومبت Chain-of-Thought (CoT) في 2022 أهم تطور تقني في التاريخ القصير للتخصص. نشر Wei et al. (Google Brain) "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models"، مُثبتًا أن مطالبة النموذج بالتفكير خطوة بخطوة قبل الإجابة يحسّن الأداء جذريًا في مهام الحساب والاستدلال والرياضيات الرمزية. في نتيجة بارزة، حسّن برومبت chain-of-thought دقة PaLM على معيار GSM8K الرياضي الابتدائي من 17.9% إلى 58% — مكسب تحقق بمجرد تغيير هيكل البرومبت، دون تدريب إضافي للنموذج.

تبعت تقنيات مرتبطة بسرعة. قدّم Zhou et al. برومبت least-to-most الذي يُفكّك المشاكل المعقدة إلى تسلسل من المشاكل الفرعية الأبسط المحلولة بالترتيب.

أطلق ChatGPT في 30 نوفمبر 2022 غيّر بين عشية وضحاها الملف العام لهندسة البرومبت. وصل ChatGPT إلى مليون مستخدم في أيامه الخمسة الأولى و100 مليون مستخدم نشط شهريًا في يناير 2023.

في أوائل 2023، ظهر مسمّى "مهندس البرومبت" كوظيفة برواتب مُبلَّغ عنها تتراوح بين 175,000–335,000 دولار في شركات كـAnthropic.

وسّع إطلاق GPT-4 في مارس 2023 هندسة البرومبت في اتجاهين في آنٍ واحد: نوافذ سياق أكبر (حتى 128K رمز في الإصدارات اللاحقة) ومدخلات متعددة الوسائط.

نفس العام شهد إضفاء الرسمية على أفضل ممارسات هندسة البرومبت. نشرت OpenAI دليلها الرسمي لهندسة البرومبت. قنّن مؤلفون مستقلون أطر عمل — CRAFT وCO-STAR وSPECS وRISEN وTRACE — منحت الممارسين قوالب قابلة للتكرار لهيكلة البرومبتات.

تطور لافت في 2023 كان البحث الذي أظهر أن LLMs تستطيع تحسين البرومبتات بنفس كفاءة البشر. نشر Zhou et al. "Large Language Models Are Human-Level Prompt Engineers" (APE). إطار DSPy من Stanford (2023) ذهب أبعد — مُمكِّنًا المطورين من وصف ما يجب أن يُحقّقه البرومبت وترك النظام يُحسّن الصياغة تلقائيًا.

في آنٍ واحد، أصبح Retrieval-Augmented Generation (RAG) — المُقدَّم أصلًا بواسطة Lewis et al. في Meta في 2020 — نمطًا مركزيًا في أنظمة الذكاء الاصطناعي الإنتاجية.

بحلول 2024، بدأ إطار جديد يحلّ محل فكرة "كتابة برومبت أفضل" البسيطة. بدأ الممارسون والباحثون يشيرون إلى هندسة السياق — ممارسة تنسيق ما يدخل نافذة السياق الكاملة: system prompt والمستندات المسترجعة ومخرجات الأدوات وسجل المحادثة ومدخلات المستخدم، مُجمَّعة عمدًا لتوجيه سلوك النموذج.

عدة تطورات سرّعت هذا التحوّل. جعلت نماذج فئة Llama 3 من Meta (2024) LLMs مفتوحة المصدر قادرة للنشر الخاص. نمت نوافذ السياق إلى مليون رمز أو أكثر (Gemini 3.5 Pro).

اعتبارًا من 2026، يصف البحث والتعليق هندسة البرومبت بشكل متزايد لا كمسمّى وظيفي متخصص، بل كمهارة محو أمية أساسية للعمال المعرفيين الذين يستخدمون أدوات الذكاء الاصطناعي.

انقسم الدور إلى مسارين مستقلين. الأول هو تصميم الأنظمة والسياق. الثاني هو الاستخدام اليومي — القدرة على كتابة برومبتات واضحة ومنظمة.

ما لم يتغيّر، رغم النماذج الأكثر قدرة والأدوات التلقائية، هو المبدأ الجوهري: كلما كان المدخل أوضح وأكثر تنظيمًا، كان المخرج أكثر موثوقية وفائدة.

الجدول أدناه يلخّص المعالم الرئيسية من 2018 إلى 2026.

كل مرحلة من مراحل تطور هندسة البرومبت تركت رسوبًا دائمًا في الممارسة الحالية.

أعطتنا حقبة RAG وتصميم السياق الفهم القائل بأن البرومبتات لا توجد بمعزل عن غيرها — بل تتركّب مع البيانات المسترجعة وتعليمات النظام ومخرجات الأدوات لتشكيل سياق كامل.