Blank white background with no objects or features visible.

تحية إلى منطقة أوروبا والشرق الأوسط وأفريقيا! توسع TrueFoundry نطاق حضورها في هذه المنطقة الحيوية. اقرأ المزيد ←

Prompt Engineering: تعلم التفاعل مع LLMs

By أبهيشيك شودهاري

Updated: November 3, 2026

Published: July 2, 2026

أحدث ظهور ChatGPT / OpenAI وغيرها من Large Language Models (LLMs) ثورة في العالم، ويُعد واحدًا من أهم التقدمات التكنولوجية في العقد الماضي. بمساعدة AI، يمكننا الآن أتمتة العديد من المهام اليومية التي كانت روتينية وتستغرق وقتًا طويلاً. ومع ذلك، للاستفادة الكاملة من إمكانيات هذه التكنولوجيا، من الضروري فهم كيفية استخدامها بفعالية.

قبل ظهور AI، كانت لغات البرمجة هي الوسيلة الوحيدة لإعطاء التعليمات الآلات. ولكن مع ظهور Large Language Models (LLMs)، أصبح من الممكن الآن إنجاز الكثير باستخدام لغة إنجليزية بسيطة وواضحة. تم تجميع هذا المقال من مصادر مختلفة أثناء تعلمي المزيد عن هذا المجال المثير. أملي من هذه المدونة هو أن تساعد في تقليل الوقت الذي تستغرقه لفهم prompt engineering.

لنفترض أنك كتبت هذا في OpenAI Playground:

What is 965*590?

الإجابة غير صحيحة ومختلفة قليلاً في كل مرة. ولكن إذا قمت بتعديل التعليمات كما يلي وضبطت temperature على 0، فمن المرجح أن تحصل على الإجابة الصحيحة:

What is 965*590? Make sure your answer is exactly correct:

يُطلق على هذا الفن المتمثل في القدرة على تعديل المطالبات (prompts) لجعل AI يفعل ما نريده Prompt Engineering. لا يقتصر الأمر على الحصول على إجابات من OpenAI فحسب، بل يمكن أيضًا استخدامه لتنفيذ إجراءات نيابة عنا - مما يفتح المجال لأتمتة الكثير من الإجراءات في الحياة الواقعية.

إليك بضع طرق لإنجاز الأمور بواسطة AI:

تزويد النماذج بأمثلة تظهر ما تريد القيام به (Few-shot prompting)

قدم تعليمات واضحة للنموذج مع مثال. بناءً على عدد الأمثلة التي تقدمها، يُطلق عليه 0-shot prompting أو 1-shot prompting أو few-shot prompting. كلما زاد عدد الأمثلة، كانت مخرجات النموذج أفضل. كما يمكنك استخدام few-shot prompting لإخبار النموذج بالتنسيق الذي يجب أن يعيد المخرجات به.

0-shot prompting
2+2=
1-shot prompting
2+2=4
3+3=
few-shot prompting
2+3=5
10+30=40
3+1=4
1+11=

إليك مثالاً على كيفية استخدام few-shot prompts لتصنيف تغريدة على أنها إيجابية أو سلبية:

Twitter is a social media platform where users can post short messages called "tweets". Tweets can be positive or negative, and we would like to be able to classify tweets as positive or negative. Here are some examples of positive and negative tweets. Make sure to classify the last tweet correctly.

Q: Tweet: "What a beautiful day!" Is this tweet positive or negative?
A: positive

Q: Tweet: "I hate this class" Is this tweet positive or negative?
A: negative

Q: Tweet: "I love pockets on jeans"
A:

شرح منطقك للنموذج في الأمثلة (Chain of Thought Prompting)

لنفترض أننا قدمنا Prompt التالي:

Prompt:
Which is a faster way to get to work?
Option 1: Take a 1000 minute bus, then a half hour train, and finally a 10 minute bike ride.
Option 2: Take an 800 minute bus, then an hour train, and finally a 30 minute bike ride.

Output:
Option 1 is a faster way to get to work.

كما ترى، المخرجات خاطئة بوضوح. ومع ذلك، إذا شرحنا المنطق لـ AI، فيمكننا في الواقع جعله يجيب بشكل صحيح.

Which is a faster way to get home?
Option 1: Take an 10 minutes bus, then an 40 minute bus, and finally a 10 minute train.
Option 2: Take a 90 minutes train, then a 45 minute bike ride, and finally a 10 minute bus.
Option 1 will take 10+40+10 = 60 minutes.
Option 2 will take 90+45+10=145 minutes.
Since Option 1 takes 60 minutes and Option 2 takes 145 minutes, Option 1 is faster.

Which is a faster way to get to work?
Option 1: Take a 1000 minute bus, then a half hour train, and finally a 10 minute bike ride.
Option 2: Take an 800 minute bus, then an hour train, and finally a 30 minute bike ride.

Output:
Option 1 will take 1000+30+10 = 1040 minutes.Option 2 will take 800+60+30 = 890 minutes.Since Option 1 takes 1040 minutes and Option 2 takes 890 minutes, Option 2 is faster.

تزويد ChatGPT بنواة المعرفة الخاصة بك

يمكنك تقديم معلومات حول قاعدة المعرفة الخاصة بك إلى ChatGPT حتى يتمكن من الإجابة على الأسئلة المتعلقة بهذه المعرفة. هذا مفيد بشكل خاص إذا كنت تخطط لبناء روبوتات الدردشة الخاصة بك على بياناتك الخاصة. يمكنك تمرير المعلومات في السياق (context). ومع ذلك، هناك قيود حيث إن LLMs مثل GPT-3 لديها أقصى حجم للـ prompt يبلغ حوالي 4k من tokens، وبالتالي لا يمكنك تغذية الكثير من المعلومات مباشرة إلى ChatGPT في السياق.

يمكن أن يكون الحل لذلك هو فهرسة المستندات أولاً في قاعدة المعرفة. ثم استجابةً للـ prompt، نقوم أولاً بجلب المستندات ذات الصلة من الفهرس ثم السماح لـ ChatGPT بالإجابة على السؤال بناءً على مجموعة الفرعية من المعلومات المسترجعة من البحث. هذا في الأساس يستخدم البحث الدلالي (semantic-search) ثم توجيه النموذج بالمعلومات ذات الصلة في السياق. يمكن للعديد من المكتبات تمكين ذلك لك مثل Haystack وLangChain، والتي تُعتبر غالبًا من بين أفضل أدوات prompt engineering لسير عمل LLM القائم على الاسترجاع.

دمج الأدوات في LLMs لجعلها تنفذ الإجراءات (ReAct)

يمكنك تزويد LLMs بأدوات متعددة لتنفيذ الإجراءات ثم ترك LLM يقرر الطريقة الصحيحة للتفاعل مع هذه الأدوات لتحقيق الهدف المطلوب.

يسمى هذا نموذج الاستدلال والعمل (ReAct) وهو نوع من النسخ الأكثر تقدمًا من أنظمة MRKL (Modular Reasoning, Knowledge and Language، وتنطق "miracle").

دعنا نشرح MRKL أولاً بمثال. لنفترض أن لدينا API للاتصال بـ Google Calculator لإجراء الحسابات. نعلم الآن أن التعبيرات الصحيحة رياضيًا هي شيء يمكن لـ Google الإجابة عليه، ولكن ليس الاستعلامات باللغة الطبيعية. فإذا كان الـ prompt كما هو مذكور أدناه:

What is 20 times 5^6?

يمكننا توجيه LLM لإخراج التعبير بصيغة يمكن لـ Google Calculator فهمها. لذا فإن الـ prompt في هذه الحالة سيكون:

Translate the math problem below to a format that Google calculator can understand.

What is 20 times 5^6

وبالمثل، يمكننا استخدام LLMs لتحويل إجراء موصوف باستخدام اللغة الطبيعية إلى تعبير تفهمه API حالية. تم تبسيط دمج APIs الخارجية والتفاعل معها من واجهة الدردشة داخل ChatGPT من خلال نظام الإضافات (plugins) الخاص بهم، والذي يمكنك قراءة المزيد عنه هنا.

بعض الأمثلة على تجربة متكاملة

  1. "اطلب المكونات لصنع بيتزا بيباروني." يمكن لـ ChatGPT التعرف تلقائيًا على المكونات اللازمة وتقديم طلب إلى متجر بقالة عبر الإنترنت.
  2. "أضف حدثًا إلى تقويمي في الساعة 8 مساءً." يمكن تحويل هذا الـ prompt إلى طلب CURL لتطبيق التقويم الخاص بك ثم تشغيله (إما من خلال إضافة أو يدويًا) لإنشاء حدث فعلي في تطبيق التقويم الخاص بك.
  3. "أحتاج إلى تدريب نموذج يعمل على ملف CSV هذا ويخرج السعر المتوقع للنموذج." يمكن لهذا الـ prompt إنتاج كود تدريب لنموذج ML تلقائيًا ثم يمكن تنفيذه لتدريب النموذج فعليًا إما عن طريق النسخ واللصق في بيئة البرمجة الخاصة بك أو استخدام إضافة مناسبة.

   نشر أي Large Language Model متاح تجاريًا

المراجع:

  1. https://learnprompting.org/docs (هذا مصدر ممتاز في حال كنت ترغب في التعمق أكثر في prompt engineering). تم أخذ جميع الأمثلة في المقال من هنا.
  2. https://til.simonwillison.net/llms/python-react-pattern

تحدث معنا

إذا كنت تتطلع إلى تعظيم العوائد من مشاريع LLM الخاصة بك وتمكين أعمالك من الاستفادة من AI بالطريقة الصحيحة، فنحن نحب التحدث وتبادل الملاحظات.

تناول ☕️ معنا

تعرف على كيفية مساعدة TrueFoundry لك في نشر LLMs في 5 دقائق:

‍

Try now.

One gateway for all your models, MCP servers, and agents. No credit card needed.

Start free
Table of Contents

One Gateway for Every LLM, Agent and MCP Server

Book a 30-min with our AI expert

Book a Demo

The fastest way to build, govern and scale your AI

Book Demo
Summarize with
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Discover More

August 26, 2026
|
5 min read

Gemini 3 Pro: معايير الأداء وكيفية استخدامه عبر البوابة (Gateway)

July 20, 2023
|
5 min read

LLMOps CoE: الحدود التالية في مشهد MLOps

May 25, 2023
|
5 min read

نماذج LLMs المفتوحة المصدر: تبنّها أو واجه اندثار أعمالك

August 27, 2025
|
5 min read

رسم خريطة سوق الذكاء الاصطناعي المحلي (On-Prem): من الشرائح إلى مستويات التحكم

November 17, 2026
|
5 min read

شرح قيود Claude Code (إصدار 2026)

No items found.
Guide to Langgraph vs Langchain
November 16, 2026
|
5 min read

مقارنة بين LangChain وLangGraph: أيهما الأفضل لك؟

مقارنة
A detailed guide on Claude Fable 5
November 16, 2026
|
5 min read

كلود فيبل 5: واجهة برمجة التطبيقات، المعايير، التسعير وكيفية استخدامه

الهندسة والمنتج
openrouter vs litellm
November 17, 2026
|
5 min read

LiteLLM مقابل OpenRouter: أيهما الأنسب لك؟

مقارنة
No items found.

Recent Blogs

Black left pointing arrow symbol on white background, directional indicator.
Black left pointing arrow symbol on white background, directional indicator.
Take a quick product tour
Start Product Tour
Product Tour