نصائح ثابتة مقابل الخبرة الظرفية: إعادة هيكلة بنية الذكاء الاصطناعي لديك

By Mirko Peters · 2026-08-13

مرحبًا بعودتكم إلى المرافق المكتوب لبودكاستنا. في مقال اليوم، نتعمق في عائق تقني تصطدم به تقريبًا كل فرق مؤسسية بعد نشر موجتها الأولى من حلول الذكاء الاصطناعي…

Automatically translated with AI from the original post. Read the English original

مرحبًا بعودتكم إلى المرافق المكتوب لبودكاستنا. في مقال اليوم، نتعمق في عائق تقني تصطدم به تقريبًا كل فرق مؤسسية بعد نشر أولى موجات حلول الذكاء الاصطناعي. تبني وكيلًا ذكيًا مخصصًا، وفي البداية يبدو الأمر كأنه سحر. فهو سريع ودقيق للغاية ويستجيب بفعالية كبيرة. لكن بعد ثلاثة إلى ستة أشهر يحدث شيء غريب. تبطؤ أوقات الاستجابة، وتتزايد التكاليف التشغيلية تدريجيًا، ويبدأ الوكيل في توليد معلومات غير دقيقة أو ينحرف عن السلوك المقصود منه. تتمثل الممارسة الشائعة في كثير من المؤسسات في زيادة قدرة الحوسبة أو الترقية إلى نموذج لغوي أكبر. لكن كما نستكشف بالتفصيل، فالمشكلة الجوهرية ليست في النموذج نفسه، بل في البنية الأساسية لمطالباتك (Prompts).

في هذا المقال، سنوضح لماذا تؤدي المطالبات الأحادية الكتلة إلى تدهور كارثي في السياق، وكيف نفصل السلوكيات الجوهرية العامة عن سير العمل الخاص بمهام محددة، ولماذا تعيد أنماط التصميم المعيارية تشكيل مشهد الذكاء الاصطناعي في المؤسسات.

مقدمة: التكلفة الخفية للمطالبات الأحادية الكتلة

عندما تبدأ فرق الهندسة بتصميم نماذج أولية لوكلاء ذكاء اصطناعي حواريين، تعتمد عادةً على مطالبة نظام واحدة شاملة. تحدد هذه المطالبة هوية الوكيل، وأسلوب حديثه، والقواعد التي يجب أن يلتزم بها، وكيفية التعامل مع الحالات الطرفية المعقدة. إنها طريقة بديهية للبدء. لكن مع تطور الأعمال، تتطور المطالبة معها. تضيف الموارد البشرية سياسات إجازات جديدة، ويضيف قسم الامتثال لوائح إقليمية، ويلحق فريق دعم العملاء إجراءات استرداد الأموال.

وقبل أن تدرك ذلك، تنتفخ مطالبة النظام لديك إلى آلاف الرموز (Tokens) من التعليمات المكثفة. في كل مرة يطرح فيها المستخدم سؤالًا بسيطًا، مثل الاستعلام عن ساعات الدوام المكتبي، يُجبر نموذج الذكاء الاصطناعي على استيعاب كل قاعدة وسياسة وحالة طرفية في مطالبة النظام بأكملها ومعالجتها والاستدلال عليها. ومع أن نحو خمسة وتسعين بالمئة من هذه التعليمات غير ذات صلة على الإطلاق بالاستعلام عن ساعات الدوام، فإن النموذج لا يزال مضطرًا إلى تحليلها. هذه الضريبة الخفية على الحوسبة والاستدلال هي ما نسميه "ضريبة السياق"، وهي تغيّر بشكل جوهري خصائص أداء وكيل الذكاء الاصطناعي مع مرور الوقت.

فهم ضريبة السياق ولماذا تتدهور الوكلاء مع مرور الوقت

تدهور الوكلاء في بيئات الإنتاج يمكن التنبؤ به إلى حد بعيد. فهو لا يحدث لأن النموذج الأساسي نسي كيفية الاستدلال، بل يحدث لأننا نثقل نافذة السياق النشطة للنموذج بضوضاء معرفية. عندما تُجبر الذكاء الاصطناعي على تمحيص أكوام من الوثائق الإجرائية غير المرتبطة في كل تفاعل مع المستخدم، تحدث عدة أمور في آنٍ واحد:

• ترتفع استهلاكات الرموز (Tokens)، مما يزيد بشكل مباشر من تكاليف الاستدلال لكل طلب.
• يزداد زمن الاستجابة لأن السياقات الأكبر تتطلب وقتًا أطول للمعالجة.
• يرتفع احتمال توليد معلومات غير صحيحة مع معاناة النموذج في وزن التعليمات المتعارضة أو غير ذات الصلة.
• يتراجع اتساق الاستدلال لأن انتباه النموذج يتشتت بين توجيهات متنافسة كثيرة.

لم يصبح النظام أقل ذكاءً؛ بل أُثقل مسار استدلاله ببيانات لا حاجة إليها. ولحل هذه المشكلة، علينا أن ننظر بعناية في كيفية توزيع المعلومات داخل بنيتنا.

النصائح الثابتة مقابل الخبرة الظرفية

من أقوى تحولات التفكير التي يمكنك تبنّيها في هندسة الذكاء الاصطناعي الحديثة هو فصل تعليمات النظام إلى فئتين متمايزتين: النصائح الثابتة والخبرة الظرفية.

تتكون النصائح الثابتة من الضوابط الشاملة وعلامات الهوية التي يجب أن تنطبق على كل تفاعل، بصرف النظر عن نية المستخدم. وتشمل:

• هوية الوكيل وشخصيته ونبرة صوته
• متطلبات الأمان المؤسسي الشاملة
• قواعد الامتثال الأساسية والحدود المطلقة
• تفضيلات التنسيق وصيغة المخرجات المعيارية

أما الخبرة الظرفية فهي سياقية بالكامل. وهي معلومات لا تكتسب قيمتها إلا عند تفعيل سيناريو أو سير عمل محدد. ومن أمثلتها: بروتوكولات تأهيل الموردين، وأنظمة احتساب الضرائب، وسياسات الإرجاع الإقليمية، أو إجراءات الاستجابة المعقدة لحوادث تقنية المعلومات.

في البنى القديمة، تُدمج الفئتان معًا في موجّه (prompt) ضخم واحد. أما في البنية الحديثة المُعاد هيكلتها، فيبقى التوجيه الدائم فقط محمّلًا باستمرار، بينما يُغلَّف كل ما عداه في مكوّنات معيارية تُحمَّل ديناميكيًا.

تشريح Skill: تغليف المعرفة للذكاء الاصطناعي

للقضاء على ضريبة السياق، نحتاج إلى آلية تُخزّن الخبرات الظرفية خارج الموجّه الأساسي، وتستدعيها فقط عند الحاجة. هذه الآلية هي Skill الذكاء الاصطناعي. فالـ Skill ليس مجرد مقطع من موجّه، بل هو حزمة شاملة قابلة لإعادة الاستخدام، تضم تعليمات وأصولًا خاصة بمهمة محددة. ويتضمن الـ Skill المصمَّم جيدًا عادةً ما يلي:

• أوصاف واضحة للمحفّزات تُخبر المُنسِّق (orchestrator) بمتى يكون الـ Skill ذا صلة
• تعليمات إجرائية منظَّمة لمعالجة المهمة
• مستندات مرجعية أو نماذج أو قوالب سياسات
• نصوص برمجية اختيارية أو تعريفات واجهات برمجة التطبيقات لتنفيذ الإجراءات

وفي قلب هذه الحزمة يقع ملف الإعداد الأساسي، الذي يُبنى غالبًا بصيغة ملف SKILL.md. يحدد هذا الملف النطاق الدقيق والغرض وخطوات التنفيذ لهذا المجال المعرفي المحدد. وبتقسيم المعرفة إلى وحدات بهذه الطريقة، تحصل على وحدات نظيفة وقابلة للصيانة من القدرات المؤسسية، يمكن تحديثها بشكل مستقل دون المخاطرة باستقرار الوكيل الأساسي.

إرساء حدود استدلال واضحة

لا يقتصر تقسيم وكيل الذكاء الاصطناعي إلى Skills مختلفة على توفير الرموز (tokens)، بل يُرسي حدودًا صارمة للاستدلال. فعندما يُعطى النموذج موجّهًا ضخمًا واحدًا، يحاول حل كل مشكلة من خلال كل القواعد في آنٍ واحد. أما عند استخدام الـ Skills، فإنك تعزل مجال الاستدلال.

فعلى سبيل المثال، عندما يبدأ المستخدم سير عمل للمشتريات، يُحمَّل Skill المشتريات، ويركّز محرك الاستدلال لدى الوكيل تمامًا على سياسات الشراء وتسلسلات الاعتماد وإرشادات الموردين. وأثناء تفعيل هذا الـ Skill، تُستبعد من نافذة السياق النشطة القواعد غير ذات الصلة المتعلقة بالخصومات الضريبية أو سياسات الموارد البشرية. ويعزز هذا الحد الصارم بشكل كبير دقة مخرجات الذكاء الاصطناعي واتساقها معًا، ويضمن اتباعه للإجراءات المتخصصة دون تداخل من أجزاء أخرى من العمل.

تطبيق الكشف التدريجي لتحقيق الكفاءة

كيف ندير هذه الـ Skills دون إرهاق النظام؟ الجواب يكمن في نمط تصميمي يُعرف بالكشف التدريجي (progressive disclosure). فبدلًا من تحميل كل التعليمات وسير العمل عند بدء التشغيل، يحتفظ وكيلك بكتالوج خفيف يحتوي فقط على أسماء الـ Skills المتاحة وأوصافها.

عندما يرسل المستخدم موجّهًا، يتبع سير العمل تسلسلًا دقيقًا:

1. يحلل المُنسِّق طلب المستخدم مقارنةً بكتالوج الـ Skills الخفيف.
2. يحدد الـ Skill المطلوب للتعامل مع السيناريو.
3. يحمّل النظام ذلك الـ Skill الواحد ديناميكيًا إلى نافذة السياق.
4. يُنفّذ الوكيل المهمة بدقة عالية.
5. بعد إكمال المهمة، يُفرَّغ الـ Skill من السياق، فيعود الوكيل إلى حالته الأساسية الخفيفة.

يقلل هذا النمط التصميمي بشكل كبير متطلبات الحوسبة، ويخفض زمن الاستجابة، ويُبقي التكاليف التشغيلية تحت السيطرة، مع ضمان حصول وكلائك على المعرفة المؤسسية العميقة والمتخصصة التي يحتاجونها.

الخاتمة: إعادة هيكلة بنية الذكاء الاصطناعي لديك لمستقبل أفضل

خدمت الموجّهات الضخمة الأحادية جيدًا في الأيام الأولى لتجارب الذكاء التوليدي، لكن عمليات النشر المؤسسية تتطلب قابلية أعلى للتوسع، وزمن استجابة أقل، وموثوقية أكبر. وبفصل التوجيه الدائم عن الخبرات الظرفية، واعتماد Skills معيارية من خلال الكشف التدريجي، يمكنك القضاء على ضريبة السياق، ومنع تدهور أداء الوكلاء، وبناء أنظمة ذكاء اصطناعي قوية تتوسع بسلاسة مع تنامي مؤسستك.

لسماع شرح كامل لهذه الأنماط المعمارية، وأمثلة تطبيقية من الواقع، وكيفية انطباق هذه المفاهيم على منصات مثل Microsoft Copilot Studio وGitHub Copilot وClaude Code، تأكد من متابعة حلقتنا ذات الصلة: The End of AI Bloat: Why Modern Agents Need Skills. تابعنا، واشترك، وأخبرنا كيف تُهيكل وكلاء الذكاء الاصطناعي في مؤسستك!