من هندسة الأوامر (Prompt Engineering) إلى هندسة السياق (Context Engineering)
منذ إطلاق ChatGPT في أواخر عام 2022 وحتى أوائل عام 2024، استحوذت فكرة واحدة على صناعة الذكاء الاصطناعي: هندسة الأوامر (prompt engineering). تم بناء دورات تدريبية كاملة وشهادات ومسميات وظيفية حول مهارة صياغة التعليمات المثالية لنموذج لغوي كبير. ولكن في حوالي عام 2024، حدث تحول جوهري. انتقلت الصناعة إلى ما وراء الأوامر (prompts) ودخلت تخصصًا جديدًا: هندسة السياق (context engineering).
لم يكن هذا التحول اعتباطيًا. بل كان مدفوعًا بتوسع هائل في قدرات النماذج الأساسية. مع توسيع النماذج اللغوية الكبيرة لنوافذ السياق الخاصة بها لتتجاوز 200,000 رمز (token)، تغيرت اللعبة كليًا. بفضل هذا النوع من المساحة، يمكنك تضمين رواية كاملة، أو قاعدة بيانات برمجية متكاملة، أو مجموعة من الأوراق البحثية، أو سير عمل طويل الأمد في نافذة سياق واحدة. لم تعد نقطة الاختناق تتعلق بما تقوله للنموذج - بل بما تعرضه له.
الفرق بين الأمر (Prompt) والسياق (Context)
تتعلق هندسة الأوامر (Prompt engineering) بتوجيه النموذج اللغوي الكبير للتصرف بطريقة معينة. تطلب منه التصرف كمحامٍ، أن يكون موجزًا، وأن يتجنب التكهنات. أما هندسة السياق (Context engineering) فهي مختلفة جوهريًا. إنها تتعلق بتوفير المعلومات الصحيحة للنموذج لكي يقوم بالاستدلال عليها. يمكن أن تكون التعليمات مثالية، ولكن إذا كان السياق خاطئًا، فسيكون الناتج خاطئًا.
فكر في الأمر بهذه الطريقة: أمر (prompt) جيد الصياغة مع سياق ضعيف يؤدي إلى نتيجة ضعيفة. أمر (prompt) متوسط مع سياق ممتاز غالبًا ما يؤدي إلى نتيجة جيدة. السياق هو المادة الخام. الأمر (prompt) ليس سوى عجلة القيادة.
في مجال Legal AI، هذا التمييز بالغ الأهمية. يمكن للمحامي أن يكتب أمرًا (prompt) مثاليًا، ولكن إذا قام النظام بتزويد النموذج بسوابق قضائية قديمة، أو مستندات غير ذات صلة، أو تعليمات متضاربة، فسيكون الناتج غير موثوق به - بغض النظر عن مدى أناقة الأمر (prompt).
ماذا تعني 200,000 رمزًا (Token) في الواقع
نافذة السياق التي تبلغ 200,000 رمز (token) هائلة. للتوضيح، يبلغ متوسط الرواية حوالي 80,000 كلمة، وهو ما يعادل تقريبًا 100,000 رمز (token). هذا يعني أن أحدث النماذج يمكنها استيعاب معلومات تعادل روايتين كاملتين في محادثة واحدة. بالنسبة للعمل القانوني، هذا يعني أنه يمكنك تحميل ملفات قضايا كاملة، وأطر تنظيمية، ومذكرات داخلية، وسجل المحادثات بشكل متزامن.
ولكن مع هذه القدرة تأتي مشكلة جديدة: إدارة السياق. مجرد قدرتك على احتواء كل شيء لا يعني أنه يجب عليك ذلك. تتدهور جودة استدلال الذكاء الاصطناعي عندما يكون السياق سيء التنظيم، وقد ظهرت ثلاث حالات فشل محددة.
ثلاثة إخفاقات سياقية يجب على كل محامٍ معرفتها
تسميم السياق
يحدث تسميم السياق عندما تدخل معلومات قديمة أو غير صحيحة أو تم إلغاؤها نافذة السياق. تمامًا مثلما يؤدي ملء ذهنك بمعلومات سيئة إلى قرارات سيئة، فإن تغذية نموذج الذكاء الاصطناعي بسوابق قضائية عتيقة أو تفسيرات تنظيمية غير صحيحة يتسبب في استنتاجه بناءً على أساس معيب. لا يعرف النموذج أن المعلومات قديمة - بل يتعامل مع كل شيء في سياقه على أنه صالح بنفس القدر.
تشتيت السياق
يحدث تشتيت السياق عندما يتم خلط الكثير من المعلومات غير ذات الصلة في نافذة السياق. على عكس التسميم، فإن المعلومات ليست خاطئة بالضرورة - إنها مجرد ضوضاء. يجب على النموذج العمل من خلال تصفية ما هو مهم وما هو غير مهم، وهذا التصفية غير كاملة. والنتيجة هي أداء أضعف، ومخرجات أقل تركيزًا، وزيادة خطر الهلوسة بينما يكافح النموذج لتحديد الإشارة بين الضوضاء.
تضارب السياق
يحدث تضارب السياق عندما تتناقض المعلومات أو التعليمات في السياق مع بعضها البعض. إذا قال جزء من السياق 'كن موجزًا' وقال جزء آخر 'غَطِ كل التفاصيل'، فيجب على النموذج حل هذا التناقض بمفرده - وغالبًا ما يفعل ذلك بطريقة غير متسقة. في العمل القانوني، يمكن أن يظهر هذا في شكل نصائح متناقضة، أو مسودات عقود غير متسقة داخليًا، أو تحليلات تتغير نبرتها وعمقها بشكل غير متوقع.
تقنيات هندسة السياق الفعالة
لقد أنتج مجال هندسة السياق العديد من التقنيات المثبتة لإدارة هذه المزالق. هذه ليست نظرية - إنها الأساليب المستخدمة من قبل أفضل منصات Legal AI لضمان مخرجات موثوقة ومبنية على أسس.
جرّب HAQQ AI مجاناً
اختبر الصياغة والبحث القانوني بالذكاء الاصطناعي
RAG: التوليد المعزز بالاسترجاع
RAG هي تقنية هندسة السياق الأكثر اعتمادًا على نطاق واسع. فبدلاً من حشو مكتبة المستندات بأكملها في نافذة السياق، تسترجع RAG بشكل انتقائي فقط المستندات والمقاطع ذات الصلة بالاستعلام الحالي. هذا شكل من أشكال السياق الانتقائي - أنت تجلب ما يهم وتستبعد ما لا يهم. والنتيجة هي نافذة سياق أنظف، وتقليل مخاطر التشتت، واستدلال ذكاء اصطناعي أكثر تركيزًا.
ضغط السياق
تقنية قوية أخرى هي ضغط السياق الحالي عن طريق تلخيصه أو تقليمه. يمكن تكثيف سجلات المحادثات الطويلة، والمستندات المطولة، والمعلومات الزائدة عن الحاجة دون فقدان المحتوى الحاسم. وهذا مهم بشكل خاص لسير العمل القانوني حيث يمكن أن تمتد المحادثات لعشرات التبادلات ويمكن أن تصل المستندات إلى مئات الصفحات.
طبقات السياق وتحديد الأولويات
تستخدم الأنظمة المتقدمة طبقات السياق - تنظيم نافذة السياق في مستويات ذات أولوية. تكون تعليمات النظام في أعلى مستوى أولوية، تليها المستندات الأكثر صلة، ثم السياق الداعم، وأخيرًا سجل المحادثة. وهذا يضمن أن النموذج يولي اهتمامًا للمعلومات الأكثر أهمية حتى عندما تكون نافذة السياق كبيرة.
لماذا يهم هذا للذكاء الاصطناعي القانوني
بالنسبة للمحامين، هندسة السياق ليست مفهومًا مجردًا. إنها الفرق بين أداة ذكاء اصطناعي تنتج استشهادات حالات قضائية موهومة وواحدة تنتج تحليلاً موثوقًا ومدعومًا بالمصادر. إنها الفرق بين مراجعة عقد تفوت مخاطر رئيسية لأن الذكاء الاصطناعي تشتت بسبب بنود غير ذات صلة، وواحدة تكشف بدقة عن القضايا الهامة.
في HAQQ، هندسة السياق مدمجة في البنية الأساسية. يستخدم محرك Justinian تقنية RAG لسحب المستندات ذات الصلة، ويضغط ويصنف السياق بذكاء، ويحافظ على نوافذ سياق نظيفة ومنظمة طوال المحادثات القانونية متعددة الأدوار. وهذا هو السبب في أن مخرجات HAQQ تستند باستمرار إلى المستندات الفعلية والقواعد القضائية - وليس في بيانات تدريب النموذج العامة.
انتهى عصر الذكاء الاصطناعي حيث كان الموجه هو كل شيء. وبدأ عصر حيث يحدد السياق الجودة. المحامون الذين يفهمون هذا التحول سيستخدمون الذكاء الاصطناعي بشكل أكثر فعالية ممن لا يزالون يعملون على تحسين موجهاته.
