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 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. ويميّز بوضوح بين ما تنقله هذه الأدبيات وما يقترحه المقال من تركيب تحليلي. ويتمثل إسهامه في إطارين مترابطين: معمارية من ثمانية مكونات لتصميم المهمة، ونموذج نضج سداسي لتشخيص انتقال المؤسسة من صياغة الطلب إلى حوكمة القرار. ويختبر المقال المعمارية على حالة واحدة متدرجة، ويحوّل التحقق والمسؤولية البشرية إلى اختبارات وقواعد توقف قابلة للتطبيق.

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. اختبار المعمارية على حالة واحدة
5. ليست المسألة في طول الأمر
6. تشغيل المعمارية عبر سير العمل
7. جودة الأمر لا تعني صحة النتيجة
8. التحقق جزء من الهندسة
9. الأمر يصنع إطار القرار
10. السلطة المعرفية في تصميم السؤال
11. هندسة الأوامر بوصفها حوكمة
12. من هندسة الأوامر إلى هندسة القرار
13. المهارة الأعمق: هندسة المشكلة
14. ماذا يبقى للإنسان؟
15. حدود المقال ومجال صلاحيته

أولًا: الأمر ليس سؤالًا فقط

عندما نقول لنموذج ذكاء اصطناعي: «حلّل هذه الاستراتيجية»، نكون قد سمّينا فعلًا عامًا، لكننا لم نحدد القرار الذي سيخدمه التحليل، ولا البيانات والحدود ومعايير القبول.

هنا يظهر الفارق بين كتابة الأمر وهندسة المهمة. فالأمر المهني مواصفة تشغيل معرفية تحدد الغاية والسياق والفعل المطلوب والقيود والموارد وشكل المخرج وطريقة اختباره وحدود الاعتماد البشري.

لذلك لا يفسر تفاوت النتائج «ذكاء النموذج» وحده؛ فقد يكون الخلل في البيئة التي صُممت له كي يعمل داخلها. يحوّل القسم الثالث هذا التمهيد إلى أداة تصميم قابلة للفحص.

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

تمثل المعمارية الثمانية العمود الفقري الأول للمقال: أداة لتصميم المهمة قبل تشغيلها، لا قائمة لغوية لتحسين صياغة الأمر. ويكشف العمود الثالث علامة الغياب التي يمكن ملاحظتها عند إهمال كل مكوّن.

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. أما سير العمل وسلسلة الحوكمة الآتيان لاحقًا فهما طريقتان لتشغيل مكوناتها، لا إطاران إضافيان.

اختبار المعمارية على مهمة واحدة: التوسع في السوق X

لإظهار ما يتغير عمليًا، نستخدم المهمة نفسها عبر أربعة مستويات. «السوق X» تسمية افتراضية؛ لذلك لا يقدم المثال حقائق عن سوق بعينه، بل يختبر بنية المهمة وحدود الاعتماد.

لا يثبت المثال أن المعمارية تضمن قرارًا صحيحًا؛ بل يثبت ما هو أضيق وأكثر قابلية للفحص: أنها توسع البدائل، وتكشف المخاطر والافتراضات، وتوضح ما لا يزال خارج صلاحية النظام.

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: تشغيل المعمارية عبر سير العمل

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].

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].

تشغيليًا، لا يمر المخرج إلى الاعتماد قبل أربعة اختبارات:

1. فصل الوقائع عن الاستنتاجات: يضع النظام كل ادعاء في فئته ويصل الواقعة بمصدرها.
2. إبراز الافتراضات الحرجة: يحدد الافتراضات التي يتغير الحكم إذا ثبت خطؤها.
3. البحث عن الأدلة الناقضة: يفحص ما يعارض التوصية، لا ما يؤيدها فقط.
4. تحديد شرط السقوط: يصرح بالبيانات أو الظروف التي تجعل التوصية غير صالحة.

الهدف ليس «إجابة جيدة» في ظاهرها، بل 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].

توزيع المسؤولية عند الإخفاق: إذا اعتُمد مخرج آلي ثم تبيّن أن دليلًا ناقضًا كان واهيًا أو أن افتراضًا حرجًا سقط لاحقًا، فلا تُختزل المسؤولية في المعتمد البشري وحده. تشغيليًا، يوثّق مالك المهمة الغاية وحدود التفويض، ويتحمل مالك البيانات مسؤولية سلامة المصادر وحداثتها، ويسجل مشغّل النظام الأدوات والصلاحيات ومسار التنفيذ، ويبيّن المعتمد البشري وزن الأدلة والافتراضات وسبب الاعتماد، بينما تضع القيادة المؤسسية السياسة ومسارات التصعيد والمعالجة. ويُقيّم الإخفاق في ضوء المعلومات والضوابط المتاحة وقت القرار، للتمييز بين تقصير واجب العناية وتغيّر لاحق لم يكن متوقعًا بصورة معقولة. هذا توزيع للمساءلة التشغيلية مستند إلى مبادئ وضوح الأدوار والتوثيق والإشراف في NIST [5]، وليس حكمًا قانونيًا موحدًا؛ إذ يظل الإسناد القانوني خاضعًا للنظام والقطاع والاختصاص.

قد يقع الخلل في البيانات أو السياق أو الصلاحيات أو تأطير السؤال أو غياب التحقق، لا في النموذج وحده. لذلك تراقب الحوكمة المؤسسية السلسلة التي أنتجت التوصية، بدل الاكتفاء بمراجعة المخرج النهائي.

الحادي عشر: من هندسة الأوامر إلى هندسة القرار

يمثل نموذج النضج السداسي العمود الفقري الثاني للمقال. فالمعمارية الثمانية تصمم المهمة الواحدة، بينما يشخّص هذا النموذج نوعيًا قدرة المؤسسة على تكرار ذلك التصميم وضبطه عبر أعمالها:

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 المعمارية كلها خطوة بشرية أعمق: تعريف المشكلة. فقد ينفذ النظام مهمة مصممة جيدًا، بينما تظل المشكلة المختارة خاطئة أو ضيقة أو مبنية على افتراض غير مفحوص.

لذلك تعمل المعمارية بعد التأطير لا بدلًا منه. ويظل على الإنسان التمييز بين العرض والمشكلة، والافتراض والحقيقة، والسبب والنتيجة، والهدف والوسيلة، ثم تقرير ما يحتاج إلى إجابة وما يحتاج أولًا إلى إعادة تعريف.

الثالث عشر: ماذا يبقى للإنسان عندما تتحسن النماذج؟

قد تتراجع هندسة الأوامر بمعناها الضيق، أي البحث عن صياغات خاصة تستثير أداءً أفضل. لكن الحاجة إلى تصميم الغاية والسياق والمهمة والصلاحيات والمعايير والتحقق والمساءلة تزداد مع قدرة النظام على استخدام الأدوات والتنفيذ.

فالآلة محدودة القدرة تحتاج إلى تعليمات جيدة كي تنتج شيئًا مفيدًا، أما الآلة عالية القدرة فتحتاج إلى تعريف أدق لما يجوز لها أن تفعله، وما يستلزم توقفها، ومن يعتمد نتيجتها.

الآلة الأكثر قدرة ترفع كلفة غموض الإنسان.

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.

مجال الصلاحية المقصود: تساعد المعمارية في تصميم المهام التحليلية والتوصوية المؤسسية، لكنها لا تكفي بذاتها للاعتماد الطبي أو القانوني أو الائتماني، ولا تحل محل المختص أو السياسات النظامية. كما أن نموذج النضج أداة تشخيص نوعي لا مقياس نضج معتمدًا.

تُستخدم الأداتان للتفكير وتصميم العمل والرقابة، لا بوصفهما ضمانًا لصحة القرار. ويحتاج تطويرهما اللاحق إلى متغيرات قابلة للقياس، وحالات اختبار، ومقارنة بمناهج بديلة في بيئات فعلية.

الخاتمة: من يكتب الأمر لا يكتب كلمات فقط

هندسة الأوامر ليست فن الحصول على إجابات جميلة، بل تحويل القصد البشري إلى مهمة قابلة للتنفيذ والفحص والمساءلة. وتقدم المعمارية الثمانية أداة لتصميم المهمة، بينما يضع نموذج النضج السداسي هذا التصميم في سياق القدرة المؤسسية.

أظهرت حالة التوسع في السوق X أن تحسين اللغة وحده لا يوسّع البدائل ولا يكشف حدود الاعتماد. الذي أحدث الفرق هو تحديد القرار والموارد والقيود ومعايير القبول، ثم فرض اختبارات تحقق وقواعد توقف واعتماد بشري.

السؤال المهني ليس كيف نجعل النظام يجيب بصورة أفضل فقط، بل كيف نعرف متى تقبل توصيته، ومتى نرفضها، ومتى يجب أن يتوقف.

وتبقى هذه الأطر أدوات للفحص والتوجيه التفكيري والرقابي، لا قوالب جاهزة تضمن بذاتها جودة النتائج أو تنقل المسؤولية من أصحاب القرار.

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