هندسة الطلبات: التعريف والمبادئ الأساسية
هندسة الطلبات هي ممارسة تصميم وبناء المدخلات النصية — المسماة طلبات — للحصول على مخرجات دقيقة ومفيدة وقابلة للتكرار من نماذج اللغة الكبيرة (LLMs). تُطبَّق على GPT-5.5 وClaude وGemini والنماذج التي تعمل محليًا عبر Ollama أو LM Studio. الفرق بين هندسة الطلبات و"مجرد طرح سؤال على الذكاء الاصطناعي" هو الفرق بين طلب مبهم وتعليمة دقيقة مع هدف محدد وسياق وتنسيق مخرجات.
اليوم، هندسة الطلبات هي تخصص منظم بتقنيات ذات أسماء محددة وأطر قابلة لإعادة الاستخدام ونتائج قابلة للقياس. لا يتعلق الأمر بخداع أنظمة الذكاء الاصطناعي أو إيجاد أوامر مخفية — بل يتعلق بإعطاء نموذج احتمالي الإشارة الأوضح الممكنة لما تحتاجه. الطلب المصمم جيدًا يُنتج بشكل متسق مخرجات قابلة للاستخدام في المحاولة الأولى.
تبدأ أسس هندسة الطلبات بفهم أن نماذج LLM هي محركات لإكمال الأنماط. تُنتج المخرجات بناءً على الاحتمالية الإحصائية لما يجب أن يتبع مدخلاتك. كلما حددت المهمة والسياق والقيود والتنسيق المطلوب بدقة أكبر، كان على النموذج تخمين أقل — وكانت النتيجة أفضل.
🔍 يعمل مع النماذج المحلية
جميع التقنيات في هذا الدليل تعمل مع Ollama وLM Studio وغيرها من نماذج LLM المحلية. لا تحتاج إلى مفتاح API.
لماذا تهم هندسة الطلبات
نفس نموذج الذكاء الاصطناعي يُنتج مخرجات مختلفة جذريًا حسب طريقة صياغة السؤال. طلب مبهم يُعيد إجابة مبهمة. طلب منظم بهدف واضح وسياق ذي صلة وقيود صريحة وتنسيق مخرجات محدد يُنتج نتيجة لا تحتاج إلى تعديل.
هذه هي المزايا الرئيسية لتطبيق أسس هندسة الطلبات بشكل متسق:
⚠️ الطلبات المبهمة مكلفة
كل مخرجة فاشلة في المحاولة الأولى تستهلك رموزًا وتتطلب إعادة المحاولة. الطلب المنظم يلغي رحلات التوضيح ذهابًا وإيابًا ويقلل تكاليف API المهدرة بنسبة 40–60% في المتوسط.
- الموثوقية: الطلبات المنظمة تُنتج مخرجات متسقة عبر عدة تشغيلات ونماذج — نفس الطلب يعمل يوم الاثنين ويوم الجمعة
- جودة مخرجات أعلى: التعليمات الصريحة تقلل غموض النموذج وتلغي التخمينات حول النية
- السرعة: الطلبات المصاغة جيدًا تلغي حلقات التوضيح ذهابًا وإيابًا → إجابات ذكاء اصطناعي أسرع: كيف تستدعي للسرعة
- التحكم في التكاليف: الطلبات الدقيقة تستخدم رموزًا أقل لكل مهمة وتقلل إعادة المحاولات → الرموز والتكاليف والحدود: اقتصاديات استدعاء الذكاء الاصطناعي
- تقليل الهلوسات: التأسيس الواضح وقيود المصادر والأسئلة المحدودة تقلل الحقائق المخترعة → هلوسات الذكاء الاصطناعي: لماذا يخترع الذكاء الاصطناعي الأشياء
- التوافق متعدد النماذج: نفس الطلب المنظم جيدًا يعمل على GPT-5.5 وClaude وGemini ونماذج LLM المحلية — مما يقلل الاعتماد على مزود بعينه
- قابلية التكرار: الطلب المصمم جيدًا هو أصل قابل لإعادة الاستخدام. الفرق يمكنه مشاركة الطلبات ونسخها وتحسينها بمرور الوقت
عناصر البناء الأساسية لطلب
كل طلب فعّال يتكوّن من مزيج من هذه العناصر السبعة. نادرًا ما تحتاج إلى السبعة في آنٍ واحد — المهارة تكمن في معرفة أيٍّها تضمّن لمهمة معينة.
تحليل من 2024 لتقنيات الاستدعاء (Schulhoff et al., "The Prompt Report", arXiv:2406.06608) صنّف أكثر من 58 تقنية مستقلة مستخدمة في أنظمة الذكاء الاصطناعي في الإنتاج — كلها تنويعات منظمة على هذه العناصر السبعة مطبّقة في تركيبات مختلفة.
للاطلاع على تفصيل أعمق مع أمثلة على كل عنصر، راجع عناصر البناء الخمسة التي يحتاجها كل طلب.
- الهدف: المهمة أو السؤال، المُصاغ بدقة — ما تريد أن يُنتجه النموذج
- السياق: معلومات خلفية يحتاجها النموذج للإجابة بشكل صحيح — من يسأل، لأي غرض المخرجات، ما القيود المنطبقة
- التعليمات: خطوات أو قواعد محددة يجب على النموذج اتباعها — "ضع القائمة بترتيب الأهمية"، "اكتب بضمير المخاطب"، "استخدم البيانات المقدمة فقط"
- الأمثلة: 1–3 أزواج من المدخلات/المخرجات النموذجية تُظهر التنسيق أو الأسلوب الدقيق الذي تريده (few-shot prompting)
- القيود: حدود صريحة على ما يجب على النموذج عدم فعله — موضوعات محظورة، عبارات ممنوعة، حدود الطول، قيود الأسلوب
- تنسيق المخرجات: كيف يجب تنظيم الإجابة — قائمة نقطية، كائن JSON، جدول Markdown، خطوات مرقمة، فقرة بسيطة
- الدور / الشخصية: خبرة أو منظور محدد يجب على النموذج تبنّيه — "تصرف كمحلل بيانات أول" أو "أنت كاتب تقني موجز"
💡 لا تحتاج إلى السبعة
المهام البسيطة في الغالب تحتاج فقط إلى 2–3 عناصر بناء (هدف + سياق + تنسيق). الاستدلال المعقد متعدد الخطوات يحتاج إلى السبعة. ابدأ بالحد الأدنى وأضف فقط ما تتطلبه المهمة.
اختبار إجماع PromptQuorum: تأثير بنية الطلب
مُختبَر في PromptQuorum — 40 طلب تلخيص أُرسلت إلى GPT-5.5 وClaude Opus 4.8 وGemini 3.5 Pro: أنتجت الطلبات غير المنظمة طولًا وبنية غير متسقَين عبر النماذج الثلاثة في 37 من أصل 40 حالة. بعد إعادة الكتابة بعناصر البناء الخمسة أعلاه، أنتجت النماذج الثلاثة إجابات متسقة بتنسيق صحيح في المحاولة الأولى في 40 من أصل 40 حالة.
هذا التأثير التوافقي — حيث تُنتج الطلبات المنظمة سلوكًا متطابقًا عبر نماذج مختلفة — هو الفكرة المحورية لهندسة الطلبات. عناصر البناء الخمسة تعمل لأنها تستغل الطريقة التي تعالج بها جميع نماذج LLM الرئيسية التعليمات بشكل متطابق.
🔍 هل تعلم؟ تأثير الإجماع
تحسّن الاتساق بنسبة 92.5% (37→40 من 40) يأتي من البنية وحدها، لا من ضبط معاملات نموذج محدد. هذا يعني أن الطلب المصمم جيدًا يعمل عبر جميع المزودين دون تعديل.
بنية الطلب عمليًا
طلب سيئ "لخّص هذا المقال."
طلب جيد "أنت محلل بحثي. لخّص هذا المقال في 3 نقاط. ركّز على النتائج لا المنهجية. كل نقطة ≤ 25 كلمة."
تقنيات هندسة الطلبات الشائعة
| التقنية | الأنسب لـ | مثال |
|---|---|---|
| Few-shot prompting | التعليم من خلال الأمثلة | تقديم 2–3 أزواج نموذجية من المدخلات/المخرجات |
| Chain-of-thought | المنطق والمهام متعددة الخطوات | "فكّر خطوة بخطوة قبل الإجابة" |
| Role-prompting | الخبرة المتخصصة في نطاق معين | "تصرف كمحرر تسويقي" |
| Constraint-based | تقييد أسلوب المخرجات | "اكتب في 150 كلمة بالضبط، بلا مصطلحات تقنية" |
| Negative prompting | تجنب سلوكيات محددة | "لا تستخدم المصطلحات الرنانة أو الكليشيهات" |
| Self-consistency | تحسين الموثوقية | "أنشئ 5 إجابات وأعد الأكثر تكرارًا" |
| Structured output | نتائج قابلة للقراءة آليًا | "أجب بتنسيق JSON مع هذه الحقول..." |
| Prompt chaining | مسارات العمل متعددة الخطوات | تقسيم مهمة معقدة إلى 3–4 طلبات متسلسلة |
| Tree-of-thought | استكشاف مسارات متعددة | "فكّر في 3 مناهج مختلفة قبل الاختيار" |
| RAG (Retrieval-Augmented Generation) | التأسيس على الحقائق | إرفاق مستندات حديثة قبل الاستدعاء |
| Persona-based | أساليب تواصل مختلفة | "اشرح كما لو كان عمري 10 سنوات" |
💡 أفضل الممارسات: الجمع بين التقنيات
الطلبات الأكثر فعالية تستخدم 2–3 تقنيات معًا. مثال: دور (شخصية) + chain-of-thought (تقنية) + constraint-based (تنسيق). ابدأ بتقنية واحدة، أضف أخرى إذا افتقرت المخرجات إلى الجودة.
أطر هندسة الطلبات
إطار هندسة الطلبات هو قالب ذو اسم يحدد عناصر البناء التي تُضمَّن وبأي ترتيب. الأطر تحوّل هندسة الطلبات من مهارة ظرفية إلى عملية قابلة للتكرار. هي أسهل في التعليم، وأسهل في المشاركة بين الفريق، وأسرع في التطبيق تحت ضغط الوقت من بناء طلب من الصفر.
الجدول التالي يُظهر خمسة أطر هندسة طلبات مستخدمة على نطاق واسع والمواقف الأنسب لكل منها:
| الإطار | الأنسب لـ |
|---|---|
| Single-Line | المهام السريعة من سطر واحد حيث السرعة أهم من الدقة |
| CRAFT | التسويق والكتابة والمحتوى الإبداعي بصوت محدد |
| SPECS | البحث والتحليل والمخرجات المنظمة المبنية على الحقائق |
| CO-STAR | المهام المعقدة التي تحتاج سياقًا كاملًا وجمهورًا محددًا وتعليمات خطوة بخطوة |
| RISEN | الكتابة التعليمية ومواد التدريب والمحتوى التعليمي |
🔍 نقطة رئيسية: الإطار مقابل التقنية
الإطار هو البنية (أي عناصر تُملأ وبأي ترتيب). التقنية هي أسلوب لملء تلك العناصر. استخدم الإطار لتنظيم طلبك؛ استخدم التقنيات لتنقية كل قسم.
يوثّق هذا الموقع عشرة أطر — كل منها بدليله الخاص يغطي متى يُستخدم وكيفية بناء الطلب وأمثلة عملية. ابدأ بـ أي إطار طلب يجب استخدامه؟ للحصول على دليل القرار. ثم استكشف إطار CRAFT وإطار CO-STAR وإطار SPECS وإطار RISEN بشكل منفرد.
PromptQuorum يتضمن 9 أطر مدمجة وحيزَين لأطر مخصصة. يمكنك تطبيق أي إطار مباشرة داخل التطبيق، ومقارنة الطلب المنظم بأصله، وحفظ قوالبك الخاصة — راجع بناء إطار طلبك الخاص.
مكانة هندسة الطلبات في مسار العمل مع الذكاء الاصطناعي
هندسة الطلبات لا تعمل بمعزل. كل طلب موجود ضمن سياق تقني أوسع — النموذج الذي تختاره وميزانية الرموز المتاحة لك وبنية نظام الذكاء الاصطناعي تؤثر على ما يمكن أن يُحقّقه الطلب.
هذه هي القرارات التقنية الرئيسية التي تتفاعل مع هندسة الطلبات:
- اختيار النموذج: GPT-5.5 وClaude Opus 4.8 وGemini 3.5 Pro يستجيبون بشكل مختلف لنفس الطلب. اختيار النموذج الصحيح للمهمة هو جزء من عملية الهندسة. Mistral AI (أوروبا) وQwen (الصين) يتبعان نفس مبادئ الاستدعاء لكن قد يتطلبان تنسيق مخرجات مُعدَّل بسبب اختلافات في سلوك اتباع التعليمات. نفس الطلب المنظم يعمل عالميًا عبر جميع مجموعات النماذج الرئيسية → GPT أم Claude أم Gemini؟ كيف تختار النموذج الصحيح
- طلبات النظام مقابل طلبات المستخدم: طلب النظام يضع تعليمات دائمة لكامل الجلسة؛ طلب المستخدم هو المدخل لكل طلب. الوصول إلى هذا التقسيم بشكل صحيح يحدد الاتساق على نطاق واسع → طلب النظام مقابل طلب المستخدم: ما الفرق؟
- نوافذ السياق: كل نموذج له حد أقصى من الرموز للمدخلات + المخرجات مجتمعة. الطلبات الطويلة تقلل المساحة المتاحة لإجابة النموذج — وتبدأ النماذج في تجاهل المحتوى السابق مع امتلاء النافذة → نوافذ السياق: لماذا ينسى ذكاؤك الاصطناعي
- حدود الرموز والتكاليف: الطلبات الدقيقة والموجزة تستخدم رموزًا أقل لكل استدعاء وتقلل الكمون وتبقى ضمن حدود المعدل — مما يؤثر مباشرة على التكلفة على نطاق واسع → الرموز والتكاليف والحدود: اقتصاديات استدعاء الذكاء الاصطناعي
- الاستدعاء متعدد الوسائط: نماذج LLM الحديثة مثل GPT-5.5 وGemini تقبل الصور بالإضافة إلى النص. مبادئ هندسة الطلبات تنطبق بالتساوي على مدخلات الصور → ما وراء النص: كيف تستدعي بالصور
- النماذج المحلية مقابل السحابية: تقنيات هندسة الطلبات تنطبق بالتساوي على APIs السحابية والنماذج التي تعمل محليًا عبر Ollama أو LM Studio — رغم أن النماذج المحلية قد تتطلب تنسيقًا مُعدَّلًا بسبب نوافذ سياق أصغر وسلوك مختلف في اتباع التعليمات. PromptQuorum يدعم النماذج المحلية (Ollama وLM Studio وvLLM) وAPIs السحابية (OpenAI وAnthropic وGoogle Gemini) عبر واجهة واحدة — مما يتيح لك التبديل بين المزودين دون إعادة كتابة الطلبات، أو مقارنة نفس الطلب عبر نماذج متعددة في آنٍ واحد.
حدود هندسة الطلبات: ما تستطيع وما لا تستطيع فعله
ما تُحسّنه هندسة الطلبات بشكل موثوق:
- اتساق المخرجات — نفس الطلب المنظم يُنتج نتائج مشابهة عبر عدة تشغيلات وبين أعضاء الفريق
- تقليل الهلوسات — التأسيس وقيود المصادر والتحديد الصريح تقلل الحقائق المخترعة. وظيفة Quorum في PromptQuorum تُجري فحوصات التوافق على إجابات النماذج، مكتشفةً الهلوسات والتناقضات بمقارنة كيفية إجابة النماذج المختلفة على نفس الطلب المنظم.
- التحكم في التنسيق — تحديد تنسيق المخرجات يعني وصول النتائج جاهزة للاستخدام، لا جاهزة للتحرير
- سرعة التكرار — جولات توضيح أقل، ونجاحات أكثر في المحاولة الأولى
- نقل عبر النماذج — الطلب المنظم جيدًا يعمل على GPT-5.5 وClaude وGemini دون إعادة كتابة
ما لا يزال يتطلب مناهج أخرى:
- الوصول إلى البيانات الخاصة أو الآنية: عندما يحتاج النموذج إلى مستندات أو قواعد بيانات أو معلومات مباشرة لا تناسب الطلب — استخدم RAG → RAG موضّح: كيف تُرسّخ إجابات الذكاء الاصطناعي في البيانات الحقيقية
- التخصص العميق في مجال: عندما يحتاج النموذج إلى تبنّي مفردات أو أسلوب محدد بشكل موثوق عبر جميع الجلسات — استخدم الضبط الدقيق، لا الطلبات
- المعرفة المفقودة: هندسة الطلبات لا تستطيع منح النموذج معرفة لم يُدرَّب عليها. إذا لم يعرف النموذج الأساسي موضوعًا، لن يُعلّمه أي طلب
- التقييم المنهجي للجودة: التحقق من جودة مخرجات الذكاء الاصطناعي على نطاق آلاف التشغيلات يتطلب أنابيب تقييم وأدوات تتجاوز الاستدعاء اليدوي
هندسة الطلبات هي الرافعة الأسرع والأكثر سهولة لتحسين جودة مخرجات الذكاء الاصطناعي — لا تتطلب تغييرات في البنية التحتية أو إعادة التدريب. للمشكلات التي لا تستطيع حلّها، تُشير بوضوح إلى الأداة الصحيحة التالية.
كيف تبدأ في تعلّم هندسة الطلبات
هذه الخطوات الست تأخذ مبتدئًا ذكيًا من الصفر إلى الإنتاجية عبر أقصر مسار عبر مواد هذا الموقع:
- 1اقرأ الأساسيات. قبل كتابة طلبات معقدة، افهم كيف تعالج نماذج LLM النص، وما هي الرموز، وما معنى نافذة السياق، ولماذا تُهلوس النماذج. قسم الأساسيات يغطي كل هذا في مقالات مخصصة — ابدأ بـ عناصر البناء الخمسة التي يحتاجها كل طلب ومن GPT-2 حتى اليوم: كيف تطورت هندسة الطلبات.
- 2ابدأ بطلبات من سطر واحد. اكتب جملة واحدة واضحة تصف مهمتك بدقة. لاحظ ما يُعيده النموذج قبل إضافة البنية. هذا يُرسي خط أساس — تحتاج إلى معرفة ما يُنتجه طلب أساسي قبل أن تتمكن من تحسينه.
- 3طبّق إطارًا على مهمة حقيقية. اختر CRAFT لمهمة كتابة أو CO-STAR لتعليمة معقدة. الأطر تُجبرك على التفكير في جميع العناصر التي يحتاجها الطلب. قسم الأطر يغطي كل إطار بأمثلة → ابدأ بـ أي إطار طلب يجب استخدامه؟.
- 4أضف تقنية واحدة في كل مرة. جرّب أمثلة few-shot في مهمة. أضف قيدًا إلى مهمة أخرى. جرّب Chain-of-Thought على مشكلة استدلال. عزل التغييرات يتيح لك رؤية أي تقنية حسّنت المخرجات فعلًا. قسم التقنيات يغطي كل تقنية بعمق.
- 5اختبر على نماذج متعددة. نفس الطلب يُنتج نتائج مختلفة على GPT-5.5 وClaude وGemini. استخدم PromptQuorum لإرسال طلب إلى نماذج متعددة في آنٍ واحد ومقارنة الإجابات جنبًا إلى جنب — هذه هي أسرع طريقة لمعرفة أي نموذج وصياغة تعمل بشكل أفضل لمهمة محددة.
- 6ابنِ مكتبة طلبات لحالات استخدامك. احفظ الطلبات التي تعمل. نقّحها بمرور الوقت. مكتبة طلبات مجربة لنطاقك المحدد هي أصل دائم. راجع بناء مكتبة طلبات توفر ساعات للحصول على دليل حول كيفية هيكلتها وصيانتها.
قراءات ذات صلة
- هلوسات الذكاء الاصطناعي — لماذا يخترع الذكاء الاصطناعي الأشياء — فهم قيد أساسي لنماذج LLM
- استدعاء Chain-of-Thought — اجعل الذكاء الاصطناعي يُظهر استدلاله — التقنية خطوة بخطوة التي تحسّن الدقة
- إطار CO-STAR — قالب منظم ينظّم الأساسيات في تسلسل مُجرَّب
- قيود الذكاء الاصطناعي: ما لا تستطيع نماذج LLM فعله — القيود الهيكلية الثمانية المشتركة بين جميع نماذج LLM وحل الهندسة لكل منها
الأسئلة الشائعة: أسس هندسة الطلبات
هل لا تزال هندسة الطلبات مفيدة مع نماذج الذكاء الاصطناعي الجديدة؟
نعم، وبشكل متزايد. النماذج الأكثر قدرة تتبع التعليمات الدقيقة بفعالية أكبر، مما يعني أن عائد الطلبات المنظمة جيدًا يزداد مع تحسّن النماذج. حتى اليوم، تُنتج النماذج الأكثر قدرة مخرجات غير متسقة أو مبهمة عند إعطائها مدخلات مبهمة. الطلبات المنظمة لا تزال الطريقة الأكثر موثوقية للحصول على مخرجات بجودة احترافية في المحاولة الأولى.
هل أحتاج إلى البرمجة لتعلّم هندسة الطلبات؟
لا. هندسة الطلبات هي في الأساس مهارة لغوية ومنطقية — القدرة على صياغة مهمة بدقة وتوقع أوجه الفشل وتحديد ما تريد. البرمجة مفيدة عند بناء أنابيب آلية أو معالجة المخرجات المنظمة، لكن الغالبية العظمى من عمل هندسة الطلبات لا تتطلب أي معرفة بالكود.
ما الفرق بين هندسة الطلبات والبرمجة التقليدية؟
البرمجة التقليدية تعطي الحاسوب تعليمات حتمية تُنتج نفس المخرجات في كل مرة لنفس المدخلات. هندسة الطلبات تعطي نموذجًا احتماليًا توجيهًا منظمًا يزيد احتمالية الحصول على مخرجات مفيدة — لكنها لا تستطيع ضمانها. المهارة تكمن في تصميم طلبات تُنتج نتائج موثوقة رغم تلك الحالة من عدم اليقين الكامنة.
ما الفرق بين تقنية هندسة الطلبات وإطار العمل؟
التقنية هي نمط محدد يُطبَّق لتحقيق جودة معينة في المخرجات — مثلًا، استدعاء Chain-of-Thought يحسّن دقة الاستدلال. الإطار هو قالب هيكلي ينظّم جميع عناصر الطلب — مثلًا، CO-STAR يحدد الترتيب الذي يُحدَّد فيه السياق والهدف والأسلوب والنبرة والجمهور وتنسيق الإجابة. الأطر تساعد في بناء الطلب؛ التقنيات تساعد في تنقية ما يفعله النموذج به.
هل ستظل هندسة الطلبات ذات صلة على المدى البعيد؟
جميع الأدلة المتاحة تشير إلى نعم. نماذج LLM لا تزال غير قادرة على إنتاج مخرجات بجودة احترافية بشكل موثوق من اللغة الطبيعية غير المنظمة وحدها. حتى مع أصبحت واجهات الذكاء الاصطناعي أكثر تحادثية، تظل المبادئ الأساسية للطلبات الجيدة — هدف واضح وسياق ذو صلة وقيود صريحة وتنسيق مخرجات محدد — هي الفارق بين إجابة ذكاء اصطناعي مفيدة وغير مفيدة.
ما الفرق بين هندسة الطلبات والضبط الدقيق؟
هندسة الطلبات تُشكّل مخرجات نموذج موجود دون تغيير النموذج نفسه — تعمل في وقت الاستدلال ولا تتطلب تدريبًا. الضبط الدقيق يُعدّل أوزان النموذج بتدريبه على مجموعة بيانات جديدة، مما يغير سلوكه الافتراضي بشكل دائم. هندسة الطلبات أسرع وأرخص ولا تتطلب خبرة في تعلّم الآلة؛ الضبط الدقيق أفضل عندما تحتاج إلى تخصص عميق ومتسق لا يمكن تحقيقه بالطلبات وحدها.
كيف ترتبط هندسة الطلبات بأداة مثل PromptQuorum؟
PromptQuorum هي أداة إرسال متعددة النماذج مبنية حول مبادئ هندسة الطلبات. تتضمن 9 أطر طلبات مدمجة ومحسّن طلبات بالذكاء الاصطناعي والقدرة على إرسال طلب إلى نماذج متعددة في آنٍ واحد — GPT-5.5 وClaude وGemini والنماذج المحلية — ومقارنة النتائج بالتوازي. تجعل هندسة الطلبات قابلة للتكرار وتلغي احتكاك اختبار النماذج يدويًا.
هل هندسة الطلبات لا تزال ذات صلة الآن بوجود وكلاء الذكاء الاصطناعي؟
نعم. وكلاء الذكاء الاصطناعي — الأنظمة المستقلة التي تخطط وتنفذ مهام متعددة الخطوات — مبنية على هندسة الطلبات. لكل وكيل طلب نظام يحدد دوره وقيوده وأدواته المتاحة. كل استدعاء أداة يُشغَّل بتعليمات منظمة. هندسة الطلبات هي الأساس الذي يجعل الوكلاء قابلين للتحكم والتنبؤ. مع انتشار الوكلاء أكثر، تصبح المهارة أكثر أهمية، لا أقل.
ما الفرق بين طلب المستخدم وطلب النظام؟
طلب النظام هو مجموعة تعليمات دائمة تنطبق على كامل الجلسة — تحدد دور النموذج وقيوده وسلوكه الافتراضي قبل أن يقول المستخدم أي شيء. طلب المستخدم هو المدخل لكل طلب — المهمة أو السؤال المحدد لذلك التفاعل. في معظم منتجات الذكاء الاصطناعي، يكتب المطورون طلب النظام؛ ويكتب المستخدمون النهائيون طلب المستخدم. كلاهما يستفيد من هندسة الطلبات، لكنهما يخدمان وظائف مختلفة ويتطلبان مناهج تصميم مختلفة. → طلب النظام مقابل طلب المستخدم: ما الفرق؟
المصادر والقراءات الإضافية
- Wei, J., Wang, X., Schuurmans, D., et al. (2022). "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" — المقالة الأساسية التي تُثبت أن الاستدلال خطوة بخطوة يقلل الهلوسات في مهام الرياضيات والمنطق.
- Maynez, J., Narayan, S., Hashimoto, B., & Hardt, D. (2021). "On Faithfulness and Factuality in Abstractive Summarization" — دراسة تجريبية لمعدلات وآليات الهلوسة في توليد النص العصبي.
- Anthropic (2024). "Constitutional AI" — نهج Anthropic لتقليل المخرجات الضارة والهلوسات من خلال التدريب المبني على المبادئ.