مصطلحًا
هندسة السياق (Context Engineering)
- الفئة
- Prompt Engineering
- الصعوبة
- متوسط
التعريف
العملية المنهجية لاختيار وهيكلة وتحسين المعلومات المقدمة لنموذج لغوي كبير (LLM) لتوجيه استدلاله وتحسين جودة مخرجاته. تركز على إدارة نافذة الإدخال لضمان حصول النموذج على البيانات الأكثر صلة بمهمة معينة.
آلية العمل والسياق
تتجاوز هندسة السياق كتابة الأوامر البسيطة من خلال التركيز على "ماذا" وليس فقط "كيف" في تفاعل الذكاء الاصطناعي. نظراً لأن النماذج اللغوية الكبيرة لها نوافذ سياق محدودة، تتضمن هندسة السياق تقنيات مثل التوليد المعزز بالاسترجاع (RAG)، وتلخيص البيانات، والتقطيع الاستراتيجي للمستندات لتحديد أولويات المعلومات الأكثر أهمية. إنها تتطلب فهماً عميقاً لكيفية انتباه النماذج لأجزاء مختلفة من المدخلات. من خلال تصفية الضوضاء، وهيكلة البيانات في تسلسلات هرمية منطقية، وتقديم أمثلة أو بيانات وصفية ذات صلة، يمكن للمهندسين تقليل الهلوسة بشكل كبير وتحسين التزام النموذج بقيود محددة. تعد هذه الممارسة ضرورية لتطبيقات المؤسسات حيث تكون الدقة والمعرفة الخاصة بالمجال أمراً بالغ الأهمية، لأنها تسمح للمطورين بحقن معرفة خارجية في عملية استدلال النموذج دون الحاجة إلى ضبط دقيق مكلف.
لماذا هو مهم
في أنظمة الذكاء الاصطناعي الإنتاجية، ترتبط جودة المخرجات ارتباطاً مباشراً بجودة المدخلات. تسمح هندسة السياق للمطورين ببناء تطبيقات موثوقة تستفيد من البيانات الخاصة أو البيانات في الوقت الفعلي. إنها الآلية الأساسية لربط نماذج الذكاء الاصطناعي بالحقائق، مما يضمن بقاءها ذات صلة بمجالات عمل محددة، وإدارة التكاليف وزمن الاستجابة المرتبط بمدخلات الرموز الكبيرة.
مثال واقعي
تستخدم شركة تكنولوجيا قانونية تبني مساعد ذكاء اصطناعي لمراجعة العقود هندسة السياق لاستخراج البنود ذات الصلة فقط من مستند مكون من 100 صفحة. بدلاً من تغذية المستند بالكامل، يستخدمون نظام استرجاع لتحديد الأقسام المحددة المتعلقة بـ "التعويض" و"الإنهاء"، ثم هيكلة هذه المقتطفات برؤوس وبيانات وصفية واضحة قبل إرسالها إلى النموذج اللغوي الكبير، مما يضمن تقديم النموذج لتحليل دقيق ومؤسس.
أخطاء شائعة
- إثقال نافذة السياق بمعلومات غير ذات صلة، مما قد يؤدي إلى ظاهرة "الضياع في المنتصف" حيث يتجاهل النموذج البيانات المهمة.
- الفشل في هيكلة بيانات الإدخال، مما يجبر النموذج على تحليل نصوص غير مهيكلة وصاخبة مما يؤدي إلى تدهور أداء الاستدلال.
- افتراض أن النموذج يعرف بطبيعته أهمية نقاط بيانات معينة دون تسمية أو تسلسل هرمي صريح.
- إهمال تحديث السياق ديناميكياً، مما يؤدي إلى استجابات ذكاء اصطناعي قديمة أو غير محدثة.
الأسئلة الشائعة
كيف تختلف هندسة السياق عن هندسة الأوامر؟
تركز هندسة الأوامر على صياغة وهيكل التعليمات المعطاة للنموذج، بينما تركز هندسة السياق على اختيار وتنظيم البيانات المقدمة للنموذج لإعلام استجابته.
هل هندسة السياق هي نفسها الضبط الدقيق (Fine-tuning)؟
لا. يتضمن الضبط الدقيق تحديث الأوزان الداخلية للنموذج من خلال التدريب على مجموعة بيانات محددة. بينما توفر هندسة السياق المعلومات في وقت الاستدلال، مما يسمح للنموذج بالوصول إلى بيانات جديدة أو خاصة دون تعديل معاييره الأساسية.
ما هي القيود الرئيسية لهندسة السياق؟
القيد الرئيسي هو حجم نافذة سياق النموذج، الذي يقيد مقدار المعلومات التي يمكن معالجتها في وقت واحد. بالإضافة إلى ذلك، يمكن لأنظمة الاسترجاع المستخدمة في هندسة السياق أن تقدم أخطاء إذا فشلت في جلب البيانات الأكثر صلة.