Context Engineering

هندسة السياق هي فن وعلم تنسيق وإدارة وهيكلة المعلومات المقدمة لنماذج الذكاء الاصطناعي أثناء الاستدلال. وفي حين تركّز Prompt Engineering في المقام الأول على كتابة توجيهات فعالة، فإن هندسة السياق تخطو خطوة إلى الأمام من خلال تحسين حمولة الرموز بشكل منهجي—مثل البيانات الحية، والمعارف الخارجية، وتعليقات الأدوات—التي تملأ context window الخاص بالنموذج. والهدف هو ضمان تلقي Large Language Model (LLM) أو Vision-Language Model (VLM) الخلفية الدقيقة التي يحتاجها للاستدلال بدقة دون المعاناة من الحمل الزائد للمعلومات.

وكما هو موضح في survey on context engineering for LLMs شامل حديث، فإن هذا التخصص يتضمن إضفاء الطابع الرسمي على استرجاع المعلومات ومعالجتها وإدارتها. وهي بمثابة خط أنابيب الذاكرة والذكاء لتطبيقات الذكاء الاصطناعي الحديثة.

تحسين سياق أعمال الذكاء الاصطناعي#

بالنسبة للمؤسسات، غالباً ما تكون نماذج الذكاء الاصطناعي العامة مقيدة بعزلها عن البيانات الخاصة. وتسهل هندسة السياق تنقيح سياق أعمال الذكاء الاصطناعي، مما يعني تخصيص مخرجات النموذج خصيصاً لسير العمل الفريد للمؤسسة وتدفقات البيانات الحية. ومن خلال دمج Retrieval-Augmented Generation (RAG)، يمكن للشركات سحب سياق السياق بسلاسة—من الويكي الداخلي، أو أنظمة إدارة علاقات العملاء، أو واجهات برمجة التطبيقات في الوقت الفعلي—مباشرة إلى خط معالجة النموذج.

يُعد أحد أهم الانجازات في هذا المجال هو Model Context Protocol (MCP)، وهو معيار مفتوح قدمته مؤخراً Anthropic وتستضيفه Linux Foundation. يحل بروتوكول MCP مشكلة تكامل البيانات الهائلة من خلال توفير موصل عالمي لمساعدي الذكاء الاصطناعي، مما يتيح للمطورين توحيد طريقة حقن المعرفة التنظيمية السياقية في Agentic Workflows الخاصة بهم دون بناء خطوط أنابيب مخصصة لكل مصدر بيانات جديد.

الاستراتيجيات: ذاكرة سياق الدور والتحسين#

تعتمد هندسة السياق الفعالة على إدارة الذاكرة الاستراتيجية لمنع النموذج من نسيان التعليمات الحاسمة أو الهلوسة. من خلال الاستخدام الصحيح لهذه التقنيات، يمكن للمطورين الانتقال من استعلامات الدردشة لمرة واحدة إلى أنظمة مستقلة وموثوقة للغاية قادرة على تنفيذ سير عمل مؤسسي متعدد الخطوات:

• Write Context: حقن بيانات محددة وعالية القيمة مباشرة في موجه النظام لتوجيه السلوك الفوري.
• Select Context: استرجاع المقاطع الأكثر صلة فقط بشكل ديناميكي من قاعدة بيانات متجهة لتوفير المعرفة التنظيمية في الوقت الفعلي.
• Compress Context: تلخيص المستندات الطويلة لتناسب حدود الذاكرة للنماذج ذات السعة الكبيرة مثل GPT-4o أو Google Gemini.
• Isolate Context: تقسيم المهام بين وكلاء فرعيين متعددين بحيث يتلقى كل وكيل الخلفية اللازمة لدوره المحدد فقط، وغالباً ما يُشار إلى ذلك بإدارة ذاكرة سياق الدور.

تطبيقات الذكاء الاصطناعي في العالم الحقيقي#

تعمل هندسة السياق حاليًا على تحويل حلول الذكاء الاصطناعي المستندة إلى النصوص والرؤية عبر صناعات متعددة:

• Enterprise Multi-Tool Agents: يستخدم مساعد شركة داخلي هندسة السياق لدعم فرق المبيعات. وبدلاً من قيام المستخدم لصق المعلومات ذهاباً وإياباً، يسترجع الذكاء الاصطناعي بلطف بيانات العملاء الحية من نظام CRM عبر بروتوكول MCP. ثم يقوم بتلخيص الاتصالات الحديثة وصياغة رسالة متابعة مستهدفة، مما يسهل العمليات اليومية بشكل كبير.
• Context-Aware Medical Imaging: في الرعاية الصحية، نادراً ما تكون البيانات المرئية وحدها كافية. قد يستخدم خط أنابيب computer vision نموذج Ultralytics YOLO26 لالكشف عن الحالات الشاذة في الأشعة السينية. تجمع هندسة السياق هذه الصناديق المحيطية المرئية مع السجلات الصحية الإلكترونية للمريض (العمر، الحالات السابقة، الأدوية الحالية) قبل تمرير الحمولة الموحدة إلى نموذج التعلم العميق لإجراء استدلال تشخيصي شامل.

هندسة السياق في الرؤية الحاسوبية#

في حين يتم ربط هندسة السياق غالباً بنماذج اللغة، إلا أنها تصبح ضرورية لنشر أنظمة object detection القوية. عند دمج نماذج مثل Ultralytics YOLO26 المبنية باستخدام PyTorch أو TensorFlow، يمكن للمطورين استخدام السياق لإثراء تنبؤاتهم للتحليلات اللاحقة.

يوضح مثال Python التالي كيفية استخراج استدلال predict باستخدام حزمة ultralytics وتنسيقه جنباً إلى جنب مع بيانات التعريف الخارجية لإنشاء حمولة سياق غنية:

import json

from ultralytics import YOLO

# Load the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Execute inference on an image
results = model("patient_scan.jpg")

# Extract human-readable class names from the detected bounding boxes
detected_objects = [model.names[int(box.cls[0])] for box in results[0].boxes]

# Apply context engineering: merge visual AI outputs with external metadata
enriched_context = {
    "patient_id": "PX-8923",
    "clinical_history": "Chronic cough, non-smoker",
    "yolo_visual_findings": detected_objects,
    "scan_timestamp": "2026-06-25T09:03:00Z",
}

# Output the structured context, ready to be ingested by an MCP server or LLM
print(json.dumps(enriched_context, indent=4))

لبناء مجموعات البيانات لهذه الخطوط البصرية المعقدة وتعليقها وإدارتها بسهولة، يمكن للفرق الاستفادة من Ultralytics Platform. بالنسبة للمؤسسات التي تنشر هذه الحلول تجارياً في بيئات خاصة، يضمن Enterprise license تكاملاً آمناً ومتوافقاً لهندسات هندسة السياق المتقدمة.