ما يزال كثيرون يدرسون هندسة الـ Prompt.
لكن صناعة الذكاء الاصطناعي بدأت بالفعل في الدخول إلى المرحلة التالية.
هندسة السياق.
خلال العامين الماضيين، كنا نؤمن دائماً بـ:
كلما كانت صياغة الـ Prompt أفضل، كانت مخرجات الذكاء الاصطناعي أفضل.
وهكذا ظهرت شتى قوالب الـ Prompt، والأدعية السحرية العامة، وتقنيات كتابة عبارات التوجيه.
لكن مع زيادة قدرات النماذج، أصبح هناك أمر واحد واضحاً.
أهمية الـ Prompt آخذة في الانخفاض.
ما يحدد قدرات الـ Agent فعلاً لم يعد مجرد عبارة توجيهية.
بل ما إذا كان بإمكانه الحصول على قدرٍ كافٍ من السياق الصحيح (Context).
لنفترض مثالاً.
إذا طلبت من Claude أو GPT مساعدتك في تعديل Bug.
أنت لا تعطيه سوى جزءًا من سجلّ الأخطاء.
يمكنه حل جزء من المشكلات.
إذا أعطيته أيضًا كامل كود المشروع.
سيكون أكثر دقة.
إذا أعطيته أيضًا تاريخ Git Commit.
بدأ يفهم لماذا تم تصميمه بهذه الطريقة.
إذا أعطيته أيضًا وثائق المنتج وبنية قاعدة البيانات وتعليقات المستخدمين وسجلات الـ Issue.
ويمكنها حتى أن تتنبأ بما يحاول فريق التطوير تحقيقه فعليًا.
لم يصبح النموذج أكثر ذكاءً.
الذي يزيد حقًا هو السياق.
يعتقد الكثيرون أن قدرات النماذج الكبيرة تأتي من المعلمات.
لكن المزيد والمزيد من الأبحاث تشير إلى أن.
بالنسبة للعمل الحقيقي.
أهمية السياق بدأت تتجاوز أهمية النموذج نفسه.
لماذا يكون Cursor أكثر فائدة من ChatGPT العادي؟
ليس لأن النموذج مختلف.
في كثير من الأحيان، يستدعون نفس النموذج.
الفرق الحقيقي يكمن في ذلك.
سيقوم Cursor بالقراءة تلقائيًا لـ:
مستودع الشيفرة بالكامل.
علاقات الاعتماد.
بنية الملفات.
Git Diff.
إخراج طرفي.
Linter.
سجلّات الأخطاء.
هذه المعلومات مجتمعة تشكل Context كاملًا.
لا يحتاج الذكاء الاصطناعي إلى التخمين.
إنه يفهم.
وهذا أيضًا سبب دفع المزيد والمزيد من منتجات الذكاء الاصطناعي إلى استثمار مجنون في Memory.
OpenAI يقوم ببناء Memory.
Claude يطبق التعزيز بالذاكرة طويلة الأجل.
يستكشف Google أيضًا سياقًا عبر الجلسات.
أصبح الجميع يدركون المشكلة نفسها.
المنافسة في المستقبل ليست حول من يملك أكبر نموذج.
بل من يمتلك السياق الأكثر اكتمالًا.
أعتقد أن قدرات الـ Agent في المستقبل يمكن تقسيمها إلى ثلاثة أجزاء.
الطبقة الأولى.
Model.
مسؤول عن التفكير.
الطبقة الثانية.
Tool.
مسؤول عن التنفيذ/القيام بالأفعال.
الطبقة الثالثة.
Context.
مسؤول عن فهم العالم.
خلال السنتين الماضيتين، خصصت الصناعة تقريبًا كل مواردها للطبقة الأولى.
خلال السنوات القليلة القادمة، قد تكون الطبقة الثالثة هي التي تفتح فجوة الفرق الحقيقي.
لأن الواقع ليس مسألة رياضيات.
بدون معلومات كاملة، حتى أكثر نموذج ذكاءً لا يمكنه إلا أن يتكهن.
نموذج متوسط لديه سياق كامل.
غالبًا ما يتمكن من إنجاز المهام المعقدة بسهولة أكبر من نموذج متفوق يفتقر إلى السياق.
لذلك أصبحت أكثر اقتناعًا بجملة واحدة.
Prompt Engineering هو تعليم الذكاء الاصطناعي كيف يفكر.
يحدد Context Engineering ما الذي يمكن للذكاء الاصطناعي رؤيته.
وفي العالم الحقيقي.
ماذا ترى؟
غالبًا ما يكون أهم من كيفية تفكيرك أنت.
في السنوات المقبلة، قد نسمع أقل وأقل عن Prompt Engineering.
وسيحل مكان ذلك Context Engineering.
لأن منافسة الذكاء الاصطناعي تنتقل من قدرات النموذج إلى قدرات تنظيم المعلومات.
من يستطيع بناء Context الأكثر اكتمالًا والأكثر آنيةً والأدق.
ومن لديه فرصة أكبر لبناء Agent ذكاء اصطناعي موثوق حقًا.
ربما هذا هو السبب أيضًا في أن عددًا متزايدًا من شركات الذكاء الاصطناعي بدأت تضع Memory وWorkspace وKnowledge وBrowser وMCP في مكانة أهم من تحديثات النموذج نفسه.
لأن الخندق/الحاجز الحقيقي لم يعد مجرد نموذج.
بل عمق فهم الذكاء الاصطناعي للعالم.
#ContextEngineering #LLM #Agent