هندسة الأوامر في عصر الذكاء الاصطناعي

الملخص

يناقش هذا المقال التحول من هندسة الأوامر بوصفها تحسينًا لصياغة الطلب إلى هندسة أوسع تشمل الغاية والسياق والمهمة والأدوات وسير العمل والتحقق وحوكمة القرار. ويستند إلى مراجعات منهجية عن تقنيات التوجيه، وإرشادات هندسية عن إدارة السياق والتقييم، وأطر رسمية لإدارة مخاطر الذكاء الاصطناعي، وأدبيات تأطير القرار. ثم يميّز بوضوح بين ما تنقله هذه الأدبيات وما يقترحه المقال من تركيب تحليلي. ويتمثل الإسهام الرئيس في معمارية من ثمانية مكونات لتصميم المهمة، وسير عمل معرفي متعدد المراحل، وسلسلة لحوكمة القرار، ونموذج نضج سداسي ينتقل من صياغة الطلب إلى حوكمة القرار. ويخلص المقال إلى أن تحسن النماذج قد يقلل الحاجة إلى الحيل اللغوية، لكنه يزيد أهمية تعريف الغاية والحدود والصلاحيات ومعايير القبول والمسؤولية البشرية.

الكلمات المفتاحية: هندسة الأوامر؛ هندسة السياق؛ هندسة المهمة؛ الأنظمة الوكيلة؛ تقييمات الذكاء الاصطناعي؛ حوكمة الذكاء الاصطناعي؛ جودة القرار.

هل تكمن جودة التعامل مع الذكاء الاصطناعي في أن نعرف كيف نسأله، أم في أن نعرف أولًا ماذا نريد منه، ولماذا، وتحت أي قيود، وكيف نتحقق مما ينتجه؟

مع الانتشار المتسارع للذكاء الاصطناعي التوليدي، برز مفهوم هندسة الأوامر (Prompt Engineering) بوصفه إحدى المهارات الأساسية للتفاعل مع النماذج اللغوية الكبيرة. وسرعان ما انتشرت القوالب الجاهزة والصيغ المحسّنة والتعليمات التي تعد المستخدم بإجابات أدق أو أكثر إبداعًا واحترافية.

غير أن اختزال هندسة الأوامر في البحث عن «الصياغة المثالية» أو «الأمر السحري» يقدم تصورًا محدودًا لمجال أصبح أكثر تعقيدًا مع تطور قدرات النماذج والأنظمة الوكيلة.

تتعامل المراجعات المنهجية الحديثة مع هندسة الأوامر باعتبارها مجموعة من الأساليب التي توجّه النموذج نحو سلوك أو مخرجات مطلوبة من خلال التعليمات والسياق، دون تعديل معلمات النموذج الأساسية [1]، [2]. لكن انتقال التطبيقات من محادثات قصيرة إلى أنظمة تسترجع المعلومات وتستخدم الأدوات وتعمل عبر خطوات متعددة أظهر أن المشكلة لم تعد محصورة في كيفية كتابة الأمر.

كيف نحوّل قصدًا بشريًا قد يكون عامًا أو ملتبسًا إلى مهمة واضحة، وسياق مناسب، وقيود محددة، وأدوات وصلاحيات مضبوطة، ومخرجات قابلة للتقييم والتحقق قبل أن تتحول إلى معرفة أو توصية أو قرار أو فعل؟

من هنا يمكن النظر إلى هندسة الأوامر، لا باعتبارها مجرد مهارة لغوية، بل بوصفها مدخلًا إلى حقل أوسع: هندسة العلاقة بين القصد البشري والقدرة الآلية.

محتويات المقال

1. الأمر ليس سؤالًا فقط
2. من هندسة الأوامر إلى هندسة السياق
3. معمارية الأمر المهني
4. ليست المسألة في طول الأمر
5. من الأمر الواحد إلى سير العمل المعرفي
6. جودة الأمر لا تعني صحة النتيجة
7. التحقق جزء من الهندسة
8. الأمر يصنع إطار القرار
9. السلطة المعرفية في تصميم السؤال
10. هندسة الأوامر بوصفها حوكمة
11. من هندسة الأوامر إلى هندسة القرار
12. المهارة الأعمق: هندسة المشكلة
13. ماذا يبقى للإنسان؟
14. حدود المقال ومجال صلاحيته

أولًا: الأمر ليس سؤالًا فقط

عندما نقول لنموذج ذكاء اصطناعي: «حلّل هذه الاستراتيجية»، فإننا نكون قد حددنا فعلًا عامًا، لكننا لم نحدد بالضرورة طبيعة المهمة.

تحليلها لماذا؟ ومن أي منظور؟ وبأي معايير؟ وفي ضوء أي بيانات؟ وما حدود التحليل؟ وما شكل المخرج المطلوب؟ وكيف نعرف أن النتيجة صحيحة أو كافية؟

تكشف هذه الأسئلة الفارق بين كتابة الأمر وهندسة المهمة. فالأمر المهني لا ينبغي النظر إليه باعتباره جملة مرسلة إلى النموذج، بل باعتباره مواصفة تشغيل معرفية تحدد ما نريده، والمعلومات اللازمة، والحدود، والأدوات، وشكل النتيجة.

فالاختلاف لا يعود دائمًا إلى «ذكاء النموذج» وحده، بل إلى جودة البيئة التي صُممت له كي يعمل داخلها.

ثانيًا: من هندسة الأوامر إلى هندسة السياق

لا يتعامل النموذج مع نية المستخدم كما توجد في ذهنه، وإنما مع السياق المتاح له لحظة التنفيذ. قد يكون الأمر مكتوبًا باحتراف، لكن النموذج يفتقد الوثائق أو البيانات أو التعريفات أو السياسات أو السوابق اللازمة، فينتج إجابة متماسكة لغويًا وضعيفة معرفيًا.

ومن هنا برز مفهوم هندسة السياق (Context Engineering). تصف Anthropic هندسة السياق بأنها تطور طبيعي لهندسة الأوامر: ينتقل الاهتمام من اختيار الكلمات إلى تنظيم كامل الحالة المعلوماتية المتاحة للنموذج، بما يشمل تعليمات النظام، والأدوات، والبيانات الخارجية، وسجل الرسائل، والمعلومات المسترجعة [3].

كلما ازدادت حساسية المهمة وتعقيدها، تراجعت كفاية الصياغة اللغوية وحدها، وازدادت أهمية هندسة البيئة المعرفية التي يعمل داخلها النموذج.

وعليه، لا تُبنى جودة الذكاء الاصطناعي التطبيقي على ما نقوله للنموذج فقط، بل كذلك على ما نتيحه له أن يعرفه، ومتى نتيحه، وبأي ترتيب، وتحت أي ضوابط.

ثالثًا: معمارية الأمر المهني

يقترح المقال تحليل التفاعل المتقدم مع الذكاء الاصطناعي من خلال ثمانية مكونات مترابطة:

1. الغاية – Purpose

ما النتيجة الحقيقية التي نسعى إليها؟ قد يكون المطلوب الظاهر «تحليل تقرير مالي»، بينما الغاية الفعلية هي تقدير قدرة المؤسسة على الاستمرار أو دعم قرار استثماري أو كشف مخاطر السيولة.

2. السياق – Context

ما المعلومات والظروف والخلفيات اللازمة لفهم الحالة؟ يشمل ذلك البيانات والوثائق والتعريفات واللوائح والافتراضات والسوابق.

3. المهمة – Task

ما المطلوب تحديدًا: تحليل، مقارنة، نقد، تصنيف، تصميم، تلخيص، تقدير، محاكاة أم توصية؟ هذه الأفعال تغيّر نوع العمليات المعرفية المطلوبة.

4. القيود – Constraints

ما الحدود النظامية أو الزمنية أو المالية أو المنهجية أو الأخلاقية أو التشغيلية التي يجب ألا يتجاوزها النظام؟

5. الموارد والأدوات – Resources & Tools

ما المصادر والملفات وقواعد البيانات والأدوات التي يجوز للنظام استخدامها؟ تزداد أهمية هذه الطبقة مع الأنظمة الوكيلة القادرة على البحث والتنفيذ.

6. بنية المخرج – Output Architecture

هل المطلوب تقرير، أم مصفوفة، أم سيناريوهات، أم مذكرة قرار، أم تقييم مخاطر؟ فبنية المخرج تؤثر في قابليته للاستخدام لا في شكله فقط.

7. معايير التقييم – Evaluation Criteria

ما الذي يجعل المخرج مقبولًا: الدقة، الشمول، سلامة الاستدلال، الالتزام بالسياسة، الاتساق، القابلية للتطبيق، أم مزيج منها؟

8. الإشراف البشري – Human Oversight

أين ينتهي دور النظام، وأين يبدأ التحقق أو الاعتماد أو التدخل البشري؟ هذه الطبقة تفصل بين الاستخدام التوليدي البسيط والاستخدام المؤسسي المسؤول.

تنقل هذه المعمارية هندسة الأوامر من صياغة الطلب إلى تصميم بيئة تنفيذ المهمة. وهي اقتراح تحليلي في هذا المقال، وليست قائمة معيارية منقولة عن مصدر واحد.

رابعًا: ليست المسألة في طول الأمر

من الأخطاء الشائعة الاعتقاد بأن الأمر الأطول أكثر احترافية. فقد يكون طويلًا لكنه مزدحم بتعليمات متكررة أو متعارضة، أو يخلط بين الغاية والمنهج والنتيجة، أو يفرض استنتاجًا مسبقًا ثم يطلب إثباته.

كما أن الإفراط في التوجيه قد يقيد مساحة الاستدلال، تمامًا كما قد يؤدي نقص التوجيه إلى مخرجات عامة أو بعيدة عن الغرض. وتشدد هندسة السياق عمليًا على انتقاء أصغر مجموعة عالية الإشارة من المعلومات التي تزيد احتمال السلوك المطلوب [3].

الأمر الجيد ليس الأكثر تفصيلًا، بل الأكثر كفايةً للمهمة.

المهارة ليست في كثرة التعليمات، وإنما في اقتصادها ودقتها وترتيبها واتساقها مع طبيعة المهمة.

خامسًا: من الأمر الواحد إلى سير العمل المعرفي

في المهام البسيطة قد يكفي أمر واحد. لكن في الاستراتيجية والسياسات وتحليل المخاطر والبحث والقانون والمال، يصبح النموذج التقليدي Prompt → Answer محدودًا.

تبدأ العملية بتعريف المشكلة، ثم جمع السياق، وتفكيك المهمة، وتحليل عناصرها، وبناء البدائل، وتقييمها، والتحقق من النتائج، وأخيرًا صياغة المخرج. عندئذ يتحول الذكاء الاصطناعي من مولد إجابة إلى مكوّن داخل عملية معرفية مصممة.

ويزداد ذلك أهمية مع الأنظمة الوكيلة التي تعمل عبر مراحل متتابعة، وتستخدم الأدوات، وتسترجع المعلومات، وتحافظ على حالة عمل عبر أفق زمني أطول؛ وهي خصائص تجعل إدارة السياق والحالة والأدوات ضرورة هندسية لا تحسينًا لغويًا فحسب [3].

كلما انتقلت الآلة من القول إلى الفعل، ارتفعت أهمية جودة تعريف المهمة وحدودها.

سادسًا: جودة الأمر لا تعني صحة النتيجة

يمكن لأمر ممتاز أن ينتج إجابة ممتازة في التنظيم واللغة، لكنها قائمة على معلومة خاطئة أو افتراض غير مثبت أو مصدر غير مناسب أو استنتاج يتجاوز الأدلة. بل إن جودة اللغة قد تجعل الخطأ أكثر إقناعًا.

يصنف NIST «الاختلاق الواثق» أو Confabulation ضمن مخاطر الذكاء الاصطناعي التوليدي: قد يقدم النظام محتوى خاطئًا بثقة، وقد يضيف منطقًا أو مراجع مختلقة تبدو مبررة، بما يزيد احتمال الثقة غير الملائمة في المخرج [5].

قد تحسن هندسة الأوامر المستوى الأول، وقد يحسن تصميم المهمة والسياق المستوى الثاني، أما صحة النتيجة فتحتاج إلى مصادر وأدلة واختبارات وتحقيق وحكم بشري بحسب طبيعة المهمة.

يصبح هذا الفصل حاسمًا في الصحة والقانون والمال والحوكمة والقرارات الاستراتيجية؛ فالخطر الأكبر ليس دائمًا إجابة رديئة، بل إجابة خاطئة تبدو ممتازة.

سابعًا: التحقق جزء من الهندسة وليس مرحلة لاحقة

إذا كانت المخرجات ستؤثر في قرار، فلا ينبغي أن يكون التحقق إضافة اختيارية بعد اكتمال المهمة، بل يجب تصميمه داخلها منذ البداية.

تعرض OpenAI دورة مبسطة للتقييم: Specify → Measure → Improve؛ أي تحديد معنى الأداء الجيد، وقياسه في ظروف واقعية، ثم تحسين النظام استنادًا إلى الأخطاء والنتائج [4].

إذا لم نستطع تعريف معنى «النتيجة الجيدة»، فمن الصعب أن نزعم أننا حصلنا عليها.

يعني ذلك أن الأمر المتقدم لا يحدد ما ينبغي إنتاجه فقط، بل يحدد — بحسب طبيعة المهمة — كيف سيُختبر ما تم إنتاجه. ومن أدوات ذلك:

• مقارنة النتيجة بالمصادر.
• كشف الافتراضات الضمنية ومواضع عدم اليقين.
• اختبار التناقضات وفصل الحقائق عن الاستنتاجات.
• عرض البدائل المنافسة والأدلة التي قد تنقض الاستنتاج.

وهكذا ننتقل من «أعطني إجابة جيدة» إلى: «أعطني نتيجة يمكن فحص أسباب قبولها أو رفضها».

ثامنًا: الأمر يصنع إطار القرار قبل أن يصنع الإجابة

لا تؤثر صياغة المهمة في الإجابة فقط، بل قد تؤثر في البدائل التي تدخل مجال التحليل أصلًا. فطلب «اذكر مزايا هذا القرار» يختلف عن «قيّم هذا القرار»، وكلاهما يختلف عن «اختبر مبررات القرار وحدد مخاطره وابحث عن البدائل وبيّن متى يكون عدم اتخاذه أفضل».

تثبت أدبيات تأطير القرار أن طريقة عرض المشكلة يمكن أن تغيّر التفضيلات حتى عندما تظل المعلومات الجوهرية ثابتة [6]. ويطبّق هذا المقال الفكرة على تصميم مهام الذكاء الاصطناعي: إطار السؤال قد يعيد تشكيل الافتراضات والبدائل والأدلة التي تدخل عملية التحليل.

قبل أن نسأل: هل كانت إجابة الذكاء الاصطناعي صحيحة؟ ينبغي أن نسأل: هل كانت المشكلة التي طلبنا من النظام حلها مصاغة بصورة صحيحة أصلًا؟

تاسعًا: من يحدد السؤال يمارس قدرًا من السلطة المعرفية

من يحدد صيغة السؤال لا يتحكم بالضرورة في الإجابة، لكنه قد يتحكم جزئيًا فيما يدخل مجال التحليل وما يستبعد منه، وما يعد ذا صلة، وما البدائل المطلوب فحصها، وما المعايير المستخدمة في المفاضلة.

هذا يعني أن هندسة الأوامر لا تخلو من سلطة معرفية. ومن يملك تصميم المهمة قد يؤثر في المجال الذي تتحرك داخله النتيجة، بقصد أو دون قصد.

لذلك يجب الانتباه إلى الأسئلة الموجهة، والافتراضات غير المفحوصة، والتحيز التأكيدي، والانتقائية في المصادر، وتضييق البدائل قبل بدء التحليل. الاستخدام الناضج يراجع السؤال الذي أنتج الإجابة، لا الإجابة وحدها.

عاشرًا: عندما تصبح هندسة الأوامر مسألة حوكمة

في الاستخدام الشخصي قد يكون أثر الأمر محدودًا. أما في المؤسسات، فقد يصبح الأمر والسياق والأدوات المرتبطة به جزءًا من بنية القرار والرقابة المؤسسية.

يؤكد ملف NIST لإدارة مخاطر الذكاء الاصطناعي التوليدي أهمية إدماج الموثوقية والمسؤولية وإدارة المخاطر في تصميم الأنظمة وتطويرها واستخدامها وتقييمها عبر دورة حياتها [5].

وعندئذ تصبح الأسئلة التالية ضرورية:

• من يملك صلاحية تصميم التعليمات وتحديد البيانات والمصادر؟
• ما الأدوات التي يستطيع النظام الوصول إليها، وما حدود التفويض؟
• متى تكون المراجعة البشرية إلزامية؟
• كيف تحفظ المدخلات والمخرجات، وهل يمكن إعادة بناء مسار التوصية؟
• من يتحمل المسؤولية عندما يؤدي مخرج آلي إلى فعل مؤسسي؟

فالخلل قد لا يكون في النموذج نفسه؛ قد يكون في البيانات أو السياق أو الصلاحيات أو تأطير السؤال أو غياب التحقق. لذلك تنتقل الحوكمة، كلما ارتفعت استقلالية النظام، من مراقبة المخرج النهائي إلى حوكمة السلسلة التي أنتجته.

الحادي عشر: من هندسة الأوامر إلى هندسة القرار

استنادًا إلى التحليل السابق، يقترح المقال نموذج نضج يصف تطور العلاقة بين الإنسان والأنظمة الذكية:

1. المستوى الأول: Prompting — صياغة الطلب.
   التركيز على مخاطبة النموذج بصورة مفهومة.
2. المستوى الثاني: Prompt Engineering — هندسة التعليمات.
   تصميم الأوامر بدقة وتنظيم للوصول إلى سلوك مرغوب.
3. المستوى الثالث: Context Engineering — هندسة البيئة المعرفية.
   إدارة المعلومات والذاكرة والأدوات والبيانات المتاحة أثناء التنفيذ.
4. المستوى الرابع: Task Engineering — هندسة المهمة.
   تفكيك المهمة إلى أهداف وشروط وحدود ومدخلات ومخرجات ومعايير نجاح.
5. المستوى الخامس: Workflow Engineering — هندسة سير التنفيذ.
   تصميم العمليات ونقاط استخدام الأدوات والتوقف والمراجعة والتقييم والتحقق.
6. المستوى السادس: Decision Governance — حوكمة القرار.
   ضبط العلاقة بين المخرجات الآلية والسلطة البشرية وحدود التفويض وقابلية التتبع والمسؤولية.

الثاني عشر: المهارة الأعمق هي هندسة المشكلة

تسبق هندسة الأوامر والسياق والمهمة مرحلة أعمق: تعريف المشكلة نفسها. يستطيع الذكاء الاصطناعي تحليل مشكلة سيئة التعريف بكفاءة كبيرة، لكنه قد يمنحنا إجابة متقدمة لسؤال لم يكن ينبغي أن يُطرح بهذه الصورة أصلًا.

وقد تسهم قدرته على إنتاج لغة مترابطة في ترسيخ تعريف خاطئ للمشكلة بدل كشفه. وهنا تظهر مفارقة مهمة:

كلما ازدادت قدرة الذكاء الاصطناعي على الإجابة، ازدادت قيمة الإنسان القادر على صياغة المشكلة الصحيحة.

فالمهارة الأعلى ليست امتلاك «Prompt سحري»، بل القدرة على التمييز بين العرض والمشكلة، والافتراض والحقيقة، والسبب والنتيجة، والهدف والوسيلة، وما يحتاج إلى إجابة وما يحتاج أولًا إلى إعادة تعريف.

الثالث عشر: ماذا يبقى للإنسان عندما تتحسن النماذج؟

قد تتراجع هندسة الأوامر بمعناها الضيق: البحث عن الصياغات الخاصة التي تستثير أداءً أفضل. لكن الحاجة إلى تصميم الغاية والسياق والمهمة والصلاحيات والمعايير والتحقق والمساءلة لن تختفي بمجرد تحسن النماذج؛ بل قد تزداد.

فالآلة محدودة القدرة تحتاج إلى تعليمات جيدة كي تنتج شيئًا مفيدًا، أما الآلة عالية القدرة فتحتاج إلى تعريف أدق لما يجوز لها أن تفعله أصلًا.

كلما اتسعت قدرة النظام، ازدادت خطورة الغاية الغامضة والسياق الخاطئ والصلاحية غير المنضبطة.

لذلك لا يلغي تطور الذكاء الاصطناعي هندسة التفاعل، بل ينقلها من مستوى اللغة إلى مستوى المعمارية والقرار والحوكمة.

حدود المقال ومجال صلاحيته

هذا المقال مفاهيمي تحليلي وليس دراسة تجريبية، ولا يدّعي أن المعمارية أو نموذج النضج المقترحين قد خضعا لاختبارات كمية أو تحقق ميداني. كما أن بعض الأدبيات المستخدمة مسودات علمية أو إرشادات هندسية مؤسسية، وليست جميعها معايير رسمية أو أبحاثًا محكّمة.

وعليه، تُستخدم النماذج المقترحة بوصفها أدوات للتفكير وتصميم العمل والحوكمة، لا بوصفها مقاييس تشخيصية معتمدة أو بديلًا عن المراجعة القانونية أو الطبية أو المالية أو التنظيمية المتخصصة. ويحتاج تطويرها اللاحق إلى تعريف متغيرات قابلة للقياس، وبناء حالات اختبار، ومقارنة أدائها بمناهج بديلة في بيئات فعلية.

الخاتمة: من يكتب الأمر لا يكتب كلمات فقط

هندسة الأوامر ليست فن الحصول على إجابات جميلة، وليست قوالب تبدأ بعبارة «تصرّف كخبير». إنها، في صورتها الأكثر نضجًا، عملية لتحويل القصد البشري إلى بنية معرفية وتنفيذية قابلة للفهم والتنفيذ والفحص والمساءلة.

ومع تطور الذكاء الاصطناعي من نماذج تجيب إلى أنظمة تبحث وتخطط وتستخدم الأدوات، ستتراجع مركزية الأمر بوصفه نصًا منفردًا، بينما تزداد أهمية هندسة السياق والمهمة وسير العمل والصلاحيات والتقييم والتحقق.

كيف نصمم علاقة أكثر انضباطًا بين ما يقصده الإنسان، وما تفهمه الآلة، وما تستطيع تنفيذه، وما يجوز أن يتحول من مخرجاتها إلى قرار؟

هذه النقلة ليست لغوية فحسب، بل معرفية وتنظيمية وحوكمية. فالآلة الأكثر قدرة لا تقلل الحاجة إلى دقة الإنسان؛ بل ترفع كلفة غموضه.

المراجع

1. Sahoo, P., Singh, A. K., Saha, S., Jain, V., Mondal, S., & Chadha, A. (2024; revised 2025). A systematic survey of prompt engineering in large language models: Techniques and applications (arXiv:2402.07927). arXiv. https://doi.org/10.48550/arXiv.2402.07927
2. Schulhoff, S., Ilie, M., Balepur, N., Kahadze, K., Liu, A., Si, C., Li, Y., Gupta, A., Han, H., Schulhoff, S., Dulepet, P. S., Vidyadhara, S., Ki, D., Agrawal, S., Pham, C., Kroiz, G., Li, F., Tao, H., Srivastava, A., et al. (2024). The Prompt Report: A systematic survey of prompting techniques (arXiv:2406.06608). arXiv. https://doi.org/10.48550/arXiv.2406.06608
3. Anthropic. (2025, September 29). Effective context engineering for AI agents. Anthropic Engineering. المصدر الرسمي.
4. OpenAI. (2025, November 19). How evals drive the next chapter in AI for businesses. OpenAI. المصدر الرسمي.
5. Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.600-1
6. Tversky, A., & Kahneman, D. (1981). The framing of decisions and the psychology of choice. Science, 211(4481), 453–458. https://doi.org/10.1126/science.7455683

🌐 روابط التواصل