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 ←

توقف عن التخمين وابدأ في القياس: سير عمل منهجي لتعزيز الـ Prompts لأنظمة الذكاء الاصطناعي الإنتاجية

Updated: November 3, 2026

Published: July 2, 2026

في كثير من الحالات، تطور الفرق الـ Prompts بـ أسلوب غير متصلب، يشبه كتابة رسائل البريد الإلكتروني غير الرسمية. هذا مسار طبيعي، ولا يتم إيلاء الكثير من التفكير لـ العناصر الهيكلية. هذا الأسلوب المرن مناسب لـ التطوير الاستكشافي أو حتى التطوير السريع للنماذج الأولية.

ولكن عندما يبدأ المرء في استخدام ميزة مبنية على نموذج لغوي كبير (LLM) أمام مستخدمين فعليين، تصبح الـ Prompts عنصرًا حاسمًا. إذا لم يتم تصميم الـ Prompts بشكل جيد، فقد يؤدي ذلك إلى الفشل، وقد لا تكون الاستجابات متسقة، وقد لا تتضمن معلومات مهمة، وقد لا تكون موثوقة.

بالإضافة إلى ذلك، فإن تصحيح الأخطاء (debugging) يكون معقدًا بشكل غير متوقع عند حدوث مشكلة. غالبًا ما يُطلب من المرء معرفة ما إذا كانت المشكلة متعلقة بـ النموذج، أو المدخلات، أو حتى الـ Prompt نفسه.

سينتقل هذا المنشور إلى العملية الدقيقة التي أنشأناها لنقل الـ Prompts من "ربما جيدة بما فيه الكفاية" إلى "بالتأكيد جيدة بما فيه الكفاية للإنتاج" مع معايير حقيقية، ومجموعات بيانات تقييم حقيقية، ومقاييس مرجعية حقيقية عبر نماذج متعددة. ليست ضربًا من السحر، بل مجرد هندسة مهيكلة مُطبقة على الـ Prompts.

لماذا تعد الـ Prompts أكثر من مجرد تعليمات

عندما يفكر معظم الناس في الـ Prompt، فإنهم يفكرون في طلب بسيط، مثل "لخّص هذا المستند" أو "استخرج الكيانات من هذا النص". ولكن في العالم الحقيقي، فإن الـ Prompt أكبر من ذلك بكثير. إنه الواجهة الأساسية بين برنامجك وسلوك النموذج. سيوفر الـ Prompt الجيد الشخصية للنموذج، وقواعد التفاعل، وتنسيق المخرجات، والحالات غير المتوقعة.

المشكلة في الـ Prompts هي أنها لا تُختبر بشكل شامل. يتم تصميمها وتنفيذها ثم التحقق منها فقط لمعرفة ما إذا كانت تعمل. تقوم بإجراء تغيير هنا وتضيف قاعدة هناك، ثم تأمل أن يسير الأمر على ما يرام. في بعض الأحيان ينجح الأمر، ولكن في الأغلب لا ينجح. وعندما يفشل، فإنه يفشل تمامًا وقد لا تلاحظ ذلك حتى.

ما الذي يجعل الـ Prompt "جيدًا" حقًا؟

الـ Prompt الجيد ليس مجرد نص واضح، بل هو نص مهيكل. فكر فيه كأنه عقد API بينك وبين النموذج. يجب أن يحدد:

  • الدور أو الشخصية: ما هو السياق الذي يجب أن يعمل النموذج من خلاله؟
  • التعليمات: ما الذي يجب عليه فعله بالضبط؟
  • القيود: ما الذي يجب ألا يفعله مطلقًا؟
  • مواصفات المخرجات: ما التنسيق والهيكل والطول المتوقع؟
  • التوجيه السياقي: ما هي الخلفية التي يحتاجها النموذج للعمل دون وضع افتراضات؟
  • الأمثلة: كيف يبدو المخرج الجيد؟

عندما تتوفر كل هذه العناصر، يمتلك النموذج كل ما يحتاجه ليصبح متسقًا وموثوقًا وقابلًا للتنبؤ عبر المدخلات المختلفة وحتى عبر إصدارات النماذج المختلفة.

التكلفة الحقيقية للـ Prompts ضعيفة الهيكلة في بيئة الإنتاج

إليك ما رأيناه يحدث مع الـ Prompts الضعيفة في عمليات النشر الحقيقية:

مخرجات تبدو صحيحة ولكنها ليست كذلك: ينتج النموذج إجابة تبدو وكأنها بالتنسيق الصحيح ولكن بها أخطاء دقيقة لأن المواصفات لم تكن واضحة.

إخفاقات عابرة للنماذج: يعمل الـ Prompt بشكل جيد مع GPT-4 ولكن لديه إجابات غير متسقة مع Claude ونماذج المصدر المفتوح (OSS). لم يختبره أحد عبر النماذج قبل النشر.

تراجعات صامتة (Silent regressions): تغيير كلمة واحدة لإصلاح مشكلة واحدة يتسبب في ثلاث مشاكل أخرى لا يلاحظها أحد حتى يشتكي شخص ما.

المشكلة هي نفسها دائمًا: لم يعامل أحد الـ Prompt كشيء يحتاج إلى اختبار والتحقق من صحته. لقد بنينا هذه العملية لإصلاح ذلك.

سير عمل تعزيز الـ Prompt لدينا: خطوة بخطوة

يتكون سير العمل من خمس خطوات. كل خطوة تبني على السابقة. إذا تخطيت واحدة، تصبح النتائج غير موثوقة بسرعة. وإليك كيف يعمل من البداية إلى النهاية.

الخطوة 1 - تقييم الـ Prompt

لذا، قبل إجراء أي تغييرات، نريد معرفة ما هو المعطل. نستخدم محرك تقييم مهيكل يعمل على كل Prompt ويمنحه درجة عبر أربعة أبعاد مختلفة ويقدم درجة جودة إجمالية تتراوح من 0 إلى 100.

نحن لا نستخدم التقييم الشخصي. لدينا معايير واضحة لجميع الأبعاد. لدينا قيود صارمة. على سبيل المثال، إذا لم تكن هناك مواصفات للمخرجات في الـ Prompt، فهناك حد أقصى لدرجة مواصفات المخرجات. يمكن أن تكون الدرجة عالية حتى لو كانت التعليمات في الـ Prompt مكتوبة بشكل جيد. إذا كانت الدرجة أقل من 75، فهي غير جاهزة للإنتاج. وإذا كانت أعلى من 90، فهي قوية على جميع الأبعاد.

الخطوة 2 - توليد التوصيات عبر 5 معايير

هذا هو محرك التشخيص لسير العمل. يتم تقييم كل Prompt من 0 إلى 100 عبر خمسة معايير محددة. الدرجة الإجمالية هي المتوسط الحسابي للخمسة. إليك ما يقيسه كل معيار ولماذا يهم:

1. الوضوح والتحديد (Clarity and Specificity)

هل التعليمات واضحة بما فيه الكفاية ليفهمها نموذجان مختلفان بنفس الطريقة تمامًا؟ تسبب التعليمات الغامضة عدم اتساق أكثر من أي عامل آخر. إذا لم تكن متأكدًا من كيفية تفسير الإنسان للـ Prompt الخاص بك، فمن المحتمل أنك غير متأكد من كيفية تفسير النموذج له. إذا كان هناك أكثر من طريقة قد يفسر بها الإنسان الأمر، فهناك أكثر من طريقة قد يفسر بها النموذج الأمر بشكل صحيح أو خاطئ.

2. الهيكل والتنظيم (Structure and Organization)

هل يتدفق الـ Prompt بشكل منطقي من السياق ← التعليمات ← القيود ← تنسيق المخرجات؟ يجبر الـ Prompt غير المنظم النموذج على محاولة اكتشاف ما هو المهم وبأي ترتيب. الهيكل الجيد يجعل عمل النموذج أسهل ومخرجاتك أكثر موثوقية.

3. مواصفات المخرجات (Output Specification)

هل تنسيق المخرجات وهيكلها وطولها المتوقع محدد جيدًا؟ إذا كانت المخرجات بحاجة إلى تحليل بواسطة أداة تحليل (parser) تالية، فهل تضمن عدم وجود غموض بشأن ما ستكون عليه المخرجات؟ يتحقق هذا من حالة الخطأ الأكثر شيوعًا: المخرجات التي تبدو صحيحة ولكن لا يمكن تحليلها برمجيًا.

4. التوجيه السياقي (Contextual Guidance)

هل يوفر هذا الـ Prompt للنموذج سياقًا كافيًا للأداء دون وضع افتراضات؟ النماذج التي تميل لفرض الافتراضات ستضع دائمًا افتراضات خاطئة. إن تقديم السياق مثل مصطلحات المجال والمعلومات الحدودية سيقضي على هذا النوع من الأخطاء تمامًا.

5. معالجة الأخطاء (Error Handling)

هل تم تغطية الحالات الحدية (edge cases)؟ هل يحدد هذا الـ Prompt ما يجب فعله في الحالات التي تكون فيها المدخلات غامضة أو غير مكتملة أو خارج الحدود؟ هذه هي الحالة الأكثر شيوعًا للإغفال والتسبب في المشاكل المتعلقة بالإنتاج. الهلوسة، وتنسيقات المدخلات غير المتوقعة، والمعلومات المفقودة - كل هذا يحتاج إلى تغطية في الـ Prompt.

مقياس التقييم: 90-100 جاهز للإنتاج. 75-89 به فجوات ولكنه يعمل. 50-74 يعمل ولكنه غير موثوق. أقل من 50 يعني وجود مشاكل هيكلية كبيرة يجب إصلاحها قبل النشر.

الخطوة 3 - تطبيق التوصيات

لدينا الدرجات والشروحات لكل معيار. بعد ذلك، ننتج نسخة ملموسة من الـ Prompt المحسن. التوصيات ليست مجرد أفكار مجردة، بل تتوافق مع التغييرات الفعلية في هيكل الـ Prompt. تتضمن هذه التغييرات إضافة مواصفات المخرجات التي كانت مفقودة، وجعل التعليمات غير الواضحة أكثر دقة، وفصل المشكلات المتعلقة بالمحتوى والتنسيق، وإيضاح البدائل للحالات الحدية.

القيد الرئيسي الذي نفرضه هو الحفاظ على القصد الأصلي. بعبارة أخرى، نحن لا نعيد كتابة الـ Prompt بالكامل، بل نملأ الفجوات التي أبرزها التقييم مع الحفاظ على القصد الأصلي والمجال.

الخطوة 4 - الاختبار على مجموعات بيانات التقييم

لا يتم تشغيل الـ Prompt المُعزز حتى يتم اختباره أولاً. يتم إجراء الاختبار باستخدام مجموعة بيانات مرجعية تمثل جميع السيناريوهات والإخفاقات المحتملة المتعلقة بالتطبيق.

هذه العملية ضرورية لأن إجراء تعديلات على الـ Prompts تبدو مفيدة في النظرية قد يتسبب في مشاكل غير مقصودة في التطبيق. في حين أن تشديد مواصفات المخرجات قد يتسبب في مشاكل غير مقصودة في التطبيق بسبب اعتماده على مرونة النموذج في مواقف أخرى، فإنه قد يتسبب في مشاكل عند دمجها مع أنواع معينة من المدخلات.

الخطوة 5 - مقارنة الأداء عبر المقاييس والنماذج

الخطوة الأخيرة هي التقييم المرجعي (benchmarking). نقارن بين الـ Prompts الأصلية والمحسنة عبر بُعدين:

  • المقاييس (Metrics):
  • الجودة العامة: الوضوح، الشمولية، الدقة، الإيجاز، النبرة المهنية
  • ضوابط الحماية / التصنيف: الامتثال لتنسيق المخرجات، تجنب الهلوسة
  • المحادثة: صلة الإجابة، الالتزام بتعليمات الـ Prompt، التعاطف والنبرة

الدرجة الإجمالية هي المتوسط الحسابي للمقاييس المحددة؛ يمكن للمستخدمين اختيار المقاييس ذات الصلة قبل التقييم.

  • النماذج (Models): Gemini و GPT-5 و Claude والنماذج مفتوحة المصدر. بينما يتم تحسين الـ Prompt لنموذج معين، فقد يفشل مع نموذج آخر، ليس لأن الـ Prompt غير صحيح، ولكن لأن النماذج تختلف في مدى اتباعها للتعليمات، ومقدار الهيكل الذي يمكنها تحمله، وما تفترضه للمدخلات غير الواضحة.

يُظهر عرض المقارنة أين يكون التحسين حقيقيًا، وأين يكون خاصًا بنموذج معين، وأين يلزم إجراء المزيد من التكرار قبل أن نتمكن من اعتبار الـ Prompt قابلًا للنقل عبر المزودين.

الخطوة 6 - تطبيق الاقتراحات والتحسين الدقيق

بعد ذلك، يمنح LLM Judge درجات لكلا الـ Prompts، وتُقدم اقتراحات التحسين بترتيب الأولوية، ومصنفة إلى عالية (HIGH)، ومتوسطة (MEDIUM)، ومُنخفضة (LOW) بناءً على مكان ضعف الفارق في الدرجات بين الأصلي والمُحسن.

تحدد الاقتراحات التي تريد تطبيقها كتوصية، ويرسلها النظام مرة أخرى عبر خط أنابيب التعزيز نفسه لإنتاج Prompt مُعزز ومصقول. تعمل حلقة التغذية الراجعة هذه على تحسين الـ Prompt باستمرار من خلال إعادة تقييمه وتحسينه.

هذه ليست اقتراحات عامة؛ بل هي خاصة بحالات الاختبار. والسبب هو أن نموذج التقييم (Evaluator) يقيم مدى جودة أداء الـ Prompts الأصلية والمُعززة في حالات الاختبار الخاصة بك. الاقتراحات التي تراها مرتبطة مباشرة بما كان مفقودًا في تقييم حالة الاختبار الخاصة بك. إذا قمت بإضافة حالات اختبار إضافية إلى هذا التقييم، فقد ترى اقتراحات مختلفة.

يمكنك تكرار هذه العملية عدة مرات حسب الحاجة. تستخدم كل دورة الـ Prompt المُعزز سابقًا كخط أساس جديد، مما يسمح بتراكم التحسينات. يمكن تنزيل الـ Prompt النهائي المحسن مباشرة من واجهة المستخدم ونشره باستخدام True Foundry Gateway.

لماذا يتصرف الـ Prompt نفسه بشكل مختلف عبر النماذج

عندما نتحدث عن الهندسة، هناك شيء لا نفكر فيه غالبًا. الحقيقة هي أن نماذج مثل Gemini و GPT-5 و Claude و LLaMA لا تفهم الأشياء بنفس الطريقة. هذا لأنها تدربت جميعًا بطرق مختلفة وتعلمت من مجموعات مختلفة من المعلومات وصُممت لتمارس المهام بشكل مختلف قليلًا. لذلك عندما نسألها شيئًا ما، فقد تعطينا إجابات مختلفة. هذا ليس لأن السؤال سيء، بل لأن كل نموذج له طريقته الخاصة في التعامل.

بعض النماذج جيدة جدًا في اتباع القواعد وفعل ما نقوله. نماذج GPT-4 على سبيل المثال قد تكون حرفية للغاية. قد تكون نماذج LLaMA أكثر توليدية وتحاول ملء الفجوات. قد تكون نماذج Claude جيدة في التعامل مع الأسئلة المعقدة. قد تكون النماذج الأخرى أفضل في الإجابة على الأسئلة البسيطة.

الطريقة الوحيدة لمعرفة كيفية تصرف الـ Prompt عبر النماذج هي اختباره. والطريقة الوحيدة لجعل هذا الاختبار منهجيًا هي توفر سير عمل تقييم مثل هذا.

إدارة إصدارات الـ Prompts في الإنتاج باستخدام TrueFoundry Gateway

بمجرد تقييم الـ Prompt وتحسينه واختباره، تحتاج إلى نظام لإدارته بمرور الوقت: تحديد الإصدارات (versioning)، والنشر الخاص بالبيئة، والقدرة على التراجع عن التغييرات السيئة دون إعادة نشر تطبيقك بالكامل.

وهنا يأتي دور AI Gateway من TrueFoundry. توفر TrueFoundry نظامًا مركزيًا لإدارة الـ Prompts مع ميزة تحديد الإصدارات المدمجة؛ يتم تتبع كل تغيير على الـ Prompt، ويمكنك الإشارة إلى إصدارات محددة باستخدام أسماء مستعارة سهلة القراءة مثل v1-prod أو v2-staging. تقوم البوابة (Gateway) بحل إصدار الـ Prompt أثناء التشغيل (runtime)، مما يعني أن تحديثات الـ Prompt لم تعد تتطلب إعادة نشر الكود.

الدروس المستفادة وأفضل الممارسات

مع تطبيق سير العمل على مجموعة متنوعة من الـ Prompts والمشاريع، أصبحت عدة نقاط رئيسية واضحة:

  1. من الضروري دائمًا ضمان الحصول على درجات التقييم التشخيصية قبل التعديل. الاستجابة الطبيعية للمشكلة هي البدء في إجراء التغييرات بمجرد التعرف على المشكلة. يجب تجنب ذلك. قبل إجراء أي تغييرات، تأكد من جمع البيانات التشخيصية. غالبًا ما تكمن المشكلة الرئيسية في منطقة لم تكن موضع شك في الأصل.
  2. فصل نمط المخرجات عن المحتوى. يؤدي دمجهما إلى غموض يضعف الاتساق بشكل خفي. يجب إعلام النموذج بالمحتوى وأنماط المخرجات بشكل منفصل.
  3. عدم تخطي معالجة الأخطاء. لا يظهر الجهد الإضافي إلا عندما تتسبب المدخلات غير المتوقعة في سلوك غير مقصود. حدد مسارات معالجة الأخطاء لضمان كفاءة التكلفة.
  4. معاملة الـ Prompts ككود برمجي. قم بتنفيذ إصدارات الـ Prompts والمراجعة قبل الإصدار باستخدام مجموعة الأدوات الحالية.
  5. دمج الاختبار العابر للنماذج مبكرًا. إن اكتشاف أن الـ Prompt يعمل لنموذج واحد دون غيره بعد التغيير ليس أمرًا مثاليًا. اجعل الاختبارات العابرة للنماذج جزءًا من سير العمل القياسي.

إلى أين يتجه هذا مستقبلاً: هندسة الـ Prompt كـ نظام

الهدف الذي نعمل على تحقيقه هو جعل جودة الـ Prompt قابلة للقياس والمراجعة تمامًا مثل أي جزء آخر من نظام البرمجيات لديك. يعني ذلك إجراء اختبارات تراجع مؤتمتة (automated regression testing) للـ Prompts عند تغيير إصدار النموذج الأساسي، وإدارة إصدارات الـ Prompt بشكل مدمج في خط إنتاج النشر، ولوحات تحكم للتقييم تمنح رؤية كاملة لأداء الـ Prompt بمرور الوقت.

هندسة الـ Prompts لم تعد تُعتبر حرفة يدوية، بل أصبحت علمًا قائمًا بذاته. المؤسسات التي تتعامل معها على هذا النحو، وتطبق عملية رسمية للتقييم، والتكرار، والاختبار، ستكون في موقع أفضل لبناء أنظمة ذكاء اصطناعي أكثر موثوقية مقارنة بتلك التي لا تفعل ذلك. العملية الموضحة في سير العمل هذا هي جهد نحو تحقيق هذه الغاية.

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

No items found.
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