Context Engineering

هندسة السياق هي فن وعلم انتقاء المعلومات المقدَّمة إلى نماذج الذكاء الاصطناعي وإدارتها وهيكلتها أثناء الاستدلال. وبينما تركز هندسة المطالبات أساسًا على كتابة تعليمات فعّالة، تتجاوز هندسة السياق ذلك بخطوة من خلال تحسين حمولة الرموز المميزة—مثل البيانات المباشرة، والمعرفة الخارجية، وملاحظات الأدوات—التي تملأ نافذة السياق للنموذج بطريقة منهجية. والهدف هو ضمان تلقّي نموذج لغوي كبير (LLM) أو نموذج رؤية ولغة (VLM) للخلفية الدقيقة التي يحتاج إليها للاستدلال بدقة، من دون المعاناة من فرط المعلومات.

وكما ورد في استطلاع شامل حديث حول هندسة السياق لنماذج LLM، ينطوي هذا المجال على إضفاء الطابع الرسمي على استرجاع المعلومات ومعالجتها وإدارتها. وهو يعمل في جوهره بوصفه مسار الذاكرة والذكاء لتطبيقات الذكاء الاصطناعي الحديثة.

تحسين سياق الذكاء الاصطناعي للأعمال#

بالنسبة إلى المؤسسات، غالبًا ما تكون نماذج الذكاء الاصطناعي العامة محدودة بسبب عزلتها عن البيانات المملوكة. وتيسّر هندسة السياق تحسين سياق الذكاء الاصطناعي للأعمال، ما يعني أن مخرجات النموذج تُضبط تحديدًا بما يلائم مسارات العمل الفريدة للمؤسسة وتدفقات بياناتها المباشرة. ومن خلال دمج التوليد المعزَّز بالاسترجاع (RAG)، يمكن للشركات استجلاب سياق السياق بسلاسة—من الويكي الداخلية، أو أنظمة إدارة علاقات العملاء، أو واجهات برمجة التطبيقات الآنية—مباشرةً إلى مسار معالجة النموذج.

يتمثل أحد أهم الاختراقات في هذا المجال في بروتوكول سياق النموذج (MCP)، وهو معيار مفتوح قدمته مؤخرًا Anthropic وتستضيفه Linux Foundation. يحل MCP مشكلة تكامل البيانات الهائلة من خلال توفير موصل عالمي للمساعدين المعتمدين على الذكاء الاصطناعي، ما يتيح للمطورين توحيد طريقة حقن المعرفة التنظيمية السياقية في مسارات العمل الوكيلة لديهم، من دون إنشاء مسارات مخصصة لكل مصدر بيانات جديد.

الاستراتيجيات: سياق الدور وذاكرته وتحسينهما#

تعتمد هندسة السياق الفعّالة على إدارة الذاكرة الاستراتيجية لمنع النموذج من نسيان التعليمات المهمة أو توليد معلومات وهمية. ومن خلال الاستخدام السليم لهذه التقنيات، يستطيع المطورون الانتقال من استعلامات الدردشة لمرة واحدة إلى أنظمة مستقلة عالية الموثوقية قادرة على تنفيذ مسارات عمل مؤسسية متعددة الخطوات:

• كتابة السياق: حقن بيانات محددة وعالية القيمة مباشرةً في مطالبة النظام لتوجيه السلوك الفوري.
• اختيار السياق: استرجاع المقاطع الأكثر صلة فقط بصورة ديناميكية من قاعدة بيانات متجهية لتوفير المعرفة التنظيمية الآنية.
• ضغط السياق: تلخيص المستندات الطويلة لتلائم حدود ذاكرة النماذج الكبيرة السعة مثل GPT-4o أو Google Gemini.
• عزل السياق: تقسيم المهام بين وكلاء فرعيين متعددين بحيث لا يتلقى كل منهم سوى الخلفية اللازمة لدوره المحدد، وهو ما يُشار إليه غالبًا بإدارة ذاكرة سياق الدور.

تطبيقات الذكاء الاصطناعي في العالم الحقيقي#

تعمل هندسة السياق بنشاط على تحويل حلول الذكاء الاصطناعي النصية والمرئية على حد سواء عبر صناعات متعددة:

• الوكلاء المؤسسيون متعددو الأدوات: يستخدم مساعد داخلي للشركة هندسة السياق لدعم فرق المبيعات. وبدلًا من أن ينسخ المستخدم المعلومات ويلصقها ذهابًا وإيابًا، يسترجع الذكاء الاصطناعي بأمان بيانات العملاء المباشرة من نظام CRM عبر MCP. ثم يلخص الاتصالات الأخيرة ويصوغ رسالة بريد إلكتروني موجهة للمتابعة، ما يبسّط العمليات اليومية بدرجة كبيرة.
• التصوير الطبي المدرك للسياق: في مجال الرعاية الصحية، نادرًا ما تكون البيانات المرئية وحدها كافية. قد يستخدم مسار الرؤية الحاسوبية Ultralytics YOLO26 لاكتشاف الحالات الشاذة في صور الأشعة السينية. وتجمع هندسة السياق مربعات الإحاطة المرئية هذه مع السجلات الصحية الإلكترونية للمريض (العمر، والحالات السابقة، والأدوية الحالية) قبل تمرير الحمولة الموحدة إلى نموذج للتعلم العميق من أجل استدلال تشخيصي شامل.

هندسة السياق في الرؤية الحاسوبية#

رغم ارتباط هندسة السياق غالبًا بنماذج اللغة، فإنها تصبح ضرورية لنشر أنظمة قوية لـاكتشاف الأجسام. وعند دمج نماذج مثل Ultralytics YOLO26 المبنية باستخدام PyTorch أو TensorFlow، يمكن للمطورين استخدام السياق لإثراء تنبؤاتهم من أجل التحليلات اللاحقة.

يوضح مثال Python التالي كيفية استخراج استدلال predict وتنسيقه إلى جانب البيانات الوصفية الخارجية لإنشاء حمولة سياق مُثرية باستخدام الحزمة ultralytics:

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 المعقدة لمسارات الرؤية هذه وإضافة التعليقات التوضيحية إليها وإدارتها بسهولة، يمكن للفرق الاستفادة من Ultralytics Platform. وبالنسبة إلى المؤسسات التي تنشر هذه الحلول تجاريًا في بيئات خاصة، يضمن ترخيص المؤسسات تكاملًا آمنًا ومتوافقًا مع المتطلبات لهندسات هندسة السياق المتقدمة.