Context Engineering

هندسة السياق هي فن وعلم تنظيم وإدارة وهيكلة المعلومات المقدمة لنماذج الذكاء الاصطناعي أثناء الاستدلال. بينما تركز هندسة الأوامر (Prompt Engineering) بشكل أساسي على كتابة تعليمات فعالة، تذهب هندسة السياق خطوة إلى الأمام من خلال التحسين المنهجي لحمولة الرموز—مثل البيانات الحية، والمعرفة الخارجية، وملاحظات الأدوات—التي تملأ نافذة سياق (context window) النموذج. الهدف هو ضمان حصول نموذج لغوي كبير (LLM) أو نموذج لغوي بصري (VLM) على الخلفية الدقيقة التي يحتاجها للاستنتاج بدقة دون التعرض لزيادة المعلومات.

كما ورد في دراسة شاملة حديثة حول هندسة السياق لنماذج LLMs، يتضمن هذا التخصص إضفاء طابع رسمي على استرجاع المعلومات ومعالجتها وإدارتها. إنها تعمل بشكل أساسي كذاكرة وخط أنابيب ذكاء لتطبيقات الذكاء الاصطناعي الحديثة.

Link to this sectionتحسين سياق أعمال الذكاء الاصطناعي#

بالنسبة للمؤسسات، غالبًا ما تكون نماذج الذكاء الاصطناعي العامة محدودة بسبب عزلتها عن البيانات الخاصة. تسهل هندسة السياق تحسين سياق أعمال الذكاء الاصطناعي، مما يعني أن مخرجات النموذج يتم ضبطها خصيصًا لسير عمل المؤسسة وتدفقات البيانات الحية. من خلال دمج التوليد المعزز بالاسترجاع (RAG)، يمكن للشركات سحب سياق السياق بسلاسة—من الويكي الداخلية، أو أنظمة إدارة علاقات العملاء، أو واجهات برمجة تطبيقات (APIs) في الوقت الفعلي—مباشرة إلى خط معالجة النموذج.

تعد بروتوكول سياق النموذج (MCP) واحدة من أهم الاختراقات في هذا المجال، وهي معيار مفتوح تم تقديمه مؤخرًا بواسطة Anthropic وتستضيفه مؤسسة Linux. يحل بروتوكول MCP مشكلة تكامل البيانات الضخمة من خلال توفير موصل عالمي لمساعدي الذكاء الاصطناعي، مما يسمح للمطورين بتوحيد كيفية إدخال المعرفة التنظيمية السياقية في سير العمل الوكيل (Agentic Workflows) الخاصة بهم دون بناء خطوط أنابيب مخصصة لكل مصدر بيانات جديد.

Link to this sectionالاستراتيجيات: 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:

• كتابة السياق (Write Context): حقن بيانات محددة وعالية القيمة مباشرة في نظام التوجيه لتوجيه السلوك الفوري.
• اختيار السياق (Select Context): استرداد أكثر المقتطفات صلة فقط ديناميكيًا من قاعدة بيانات متجهية لتوفير معرفة تنظيمية في الوقت الفعلي.
• ضغط السياق (Compress Context): تلخيص المستندات الطويلة لتتناسب مع حدود الذاكرة لنماذج ذات سعة كبيرة مثل GPT-4o أو Google Gemini.
• عزل السياق (Isolate Context): تقسيم المهام بين وكلاء فرعيين متعددين بحيث لا يتلقى كل منهم سوى الخلفية الضرورية لدوره المحدد، وهو ما يشار إليه غالبًا بإدارة ذاكرة سياق الدور.

Link to this sectionتطبيقات الذكاء الاصطناعي في العالم الحقيقي#

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

• وكلاء المؤسسات متعددة الأدوات (Enterprise Multi-Tool Agents): يستخدم مساعد شركة داخلي هندسة السياق لدعم فرق المبيعات. بدلًا من قيام المستخدم بلصق المعلومات ذهابًا وإيابًا، يسترجع الذكاء الاصطناعي بشكل آمن بيانات العملاء الحية من نظام CRM عبر MCP. ثم يقوم بتلخيص الاتصالات الأخيرة وصياغة بريد إلكتروني متابعة مستهدف، مما يبسط العمليات اليومية بشكل كبير.
• التصوير الطبي المدرك للسياق (Context-Aware Medical Imaging): في الرعاية الصحية، نادرًا ما تكون البيانات البصرية وحدها كافية. قد يستخدم خط أنابيب رؤية حاسوبية (computer vision) نموذج Ultralytics YOLO26 للكشف عن الشذوذ في الأشعة السينية. تجمع هندسة السياق بين مربعات الإحاطة البصرية هذه والسجلات الصحية الإلكترونية للمريض (العمر، الحالات السابقة، الأدوية الحالية) قبل تمرير الحمولة الموحدة إلى نموذج تعلم عميق للحصول على استنتاج تشخيصي شامل.

Link to this sectionهندسة السياق في الرؤية الحاسوبية#

بينما غالبًا ما ترتبط بالنماذج اللغوية، أصبحت هندسة السياق ضرورية لنشر أنظمة قوية للكشف عن الأشياء (object detection). عند دمج نماذج مثل YOLO26 المبنية باستخدام PyTorch أو TensorFlow، يمكن للمطورين استخدام السياق لإثراء توقعاتهم للتحليلات اللاحقة.

يوضح مثال Python التالي كيفية استخراج استدلال predict باستخدام حزمة ultralytics وتنسيقه جنبًا إلى جنب مع البيانات الوصفية 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 الأنابيب البصرية المعقدة وتسميتها وإدارتها بسهولة، يمكن للفرق الاستفادة من منصة Ultralytics (Ultralytics Platform). بالنسبة للمؤسسات التي تنشر هذه الحلول تجاريًا في بيئات خاصة، يضمن ترخيص المؤسسة (Enterprise license) تكاملًا آمنًا ومتوافقًا لهندسات هندسة السياق المتقدمة.