الـ Prompt الذكي يحسّن الإجابة، لكنه ما يكفي وحده ليحوّل نموذج اللغة إلى Agent يُعتمد عليه. لما يحتاج نظام الذكاء الاصطناعي يدعم شغل حقيقي، السؤال الأهم مو بس وش التعليمات اللي وصلته، بل وش السياق المفيد اللي كان حول هذه التعليمات.
الـ Prompt مجرد طبقة واحدة
الـ Prompt يقول للنموذج وش يسوي الآن. أما الـ Context Engineering فهي اللي تحدد وش يعرفه النظام قبل ما يرد، ووش يقدر يسترجعه من معلومات، وأي أدوات مسموح له يستخدمها، ووين لازم يوقف. هذا هو الفرق بين Demo مرتب ونظام يقدر الناس يثقون فيه.
- قواعد النظام تحدد الهدف والأسلوب والحدود.
- استرجاع المعرفة يجيب المستندات الصحيحة في اللحظة المناسبة.
- الذاكرة تحفظ التاريخ المفيد بدون كشف بيانات ما لها داعي.
- الأدوات تخلي الـ Agent يتعامل مع أنظمة موثوقة بدل ما يخمّن.
السياق يغيّر جودة القرارات
تخيل مساعدين جامعيين يجاوبون على نفس سؤال الطالب. الأول ما يشوف إلا Prompt عام، والثاني يقدر يبحث في اللوائح الرسمية، ويفهم وضع الطالب، ويحترم قواعد الخصوصية، ويوضح من وين جاب إجابته. المساعد الثاني مو أفضل لأن صياغته أكثر إبداعًا، بل لأن بيئته أكثر مسؤولية.
بنية الـ Agent العملية
الـ Agent المفيد عادة يجمع النموذج مع مجموعة صغيرة من الطبقات المدروسة، وكل طبقة لازم تستحق مكانها بتحسين الدقة أو الأمان أو سهولة الاستخدام.
- التعليمات: وش وظيفة الـ Agent ووش الممنوع عليه.
- الاسترجاع (Retrieval): مصادر المعرفة الموثوقة المتاحة للمهمة.
- الذاكرة: أقل قدر مفيد من التاريخ يضمن استمرارية المحادثة.
- الأدوات: الإجراءات اللي مسموح للـ Agent ينفذها.
- التقييم: فحوصات تكشف متى يكون الـ Agent غير متأكد أو غلطان.
ابنِ البيئة، مو بس الـ Prompt
كثير من الفرق تقضي وقت طويل في تعديل عبارات الـ Prompt بينما الفجوات الحقيقية في مكان ثاني: مستندات ناقصة، أو صلاحيات غير واضحة، أو تعريفات أدوات ضعيفة، أو غياب حلقة تغذية راجعة. تصميم الـ Prompt يظل مهم، لكنه يشتغل أفضل كجزء من استراتيجية سياق أوسع.