Context Engineering في الذكاء الاصطناعي: الدليل الشامل لهندسة السياق وبناء AI Agents أكثر ذكاءً

لم يعد تطوير تطبيقات الذكاء الاصطناعي يعتمد فقط على كتابة Prompt جيد. فمع انتقال نماذج الذكاء الاصطناعي من مجرد الإجابة عن الأسئلة إلى تنفيذ المهام واستخدام الأدوات والعمل لفترات طويلة، أصبحت هناك مشكلة أكبر:

  ما المعلومات التي يجب أن يحصل عليها النموذج في اللحظة المناسبة؟

هنا يظهر مفهوم Context Engineering أو هندسة السياق، وهو أحد المفاهيم المهمة في بناء تطبيقات الذكاء الاصطناعي الحديثة، خصوصًا AI Agents التي تعتمد على الأدوات والذاكرة واسترجاع المعلومات والتفاعل مع الأنظمة الخارجية.

ما هو Context Engineering؟

يمكن تعريف Context Engineering في الذكاء الاصطناعي بأنه عملية تصميم وإدارة المعلومات التي يحصل عليها نموذج الذكاء الاصطناعي أثناء تنفيذ مهمة معينة، بهدف إعطائه السياق الأكثر فائدة في الوقت المناسب.

بمعنى أبسط، Prompt Engineering يهتم كثيرًا بالسؤال: كيف أكتب التعليمات؟

أما Context Engineering فيضيف سؤالًا أكبر:

ما المعلومات والتعليمات والأدوات والذاكرة والبيانات التي يجب أن تكون أمام النموذج حتى يستطيع تنفيذ المهمة بشكل صحيح؟

وهذا الفرق يصبح مهمًا جدًا عندما نتعامل مع AI Agent يعمل في عدة خطوات بدلًا من نموذج يجيب عن سؤال واحد فقط.

الفرق بين Prompt Engineering وContext Engineering

وهذا لا يعني أن Prompt Engineering أصبح غير مهم. بالعكس، ما زالت التعليمات الواضحة والأمثلة الجيدة وتنظيم المدخلات عناصر أساسية. لكن Context Engineering ينظر إلى الصورة الأكبر.

وتوضح وثائق Anthropic الرسمية أهمية الوضوح والأمثلة وتنظيم السياق عند التعامل مع المهام المعقدة والسياقات الطويلة. راجع دليل Anthropic الرسمي لهندسة التعليمات.

لماذا أصبحت هندسة السياق مهمة مع AI Agents؟

تختلف AI Agents عن المحادثة التقليدية في أنها قد تعمل من خلال سلسلة من الخطوات. فقد تستقبل الهدف، ثم تبحث عن المعلومات، ثم تستخدم أداة، ثم تقرأ النتيجة، ثم تتخذ قرارًا جديدًا.

في هذه الحالة تتراكم المعلومات بسرعة، وليس كل ما تم جمعه في الخطوات السابقة مفيدًا للخطوة التالية.

وهنا تظهر مشكلة مهمة: السياق الكبير ليس دائمًا سياقًا أفضل.

كلما زادت المعلومات غير الضرورية، زادت احتمالية تشتيت النموذج أو صعوبة تحديد المعلومات المهمة. وتشير Anthropic إلى أن السياق مورد محدود، وأن الهدف من هندسة السياق هو اختيار أقل مجموعة ممكنة من المعلومات عالية القيمة التي تساعد النموذج على الوصول إلى النتيجة المطلوبة.

العناصر الأساسية في Context Engineering

يمكن بناء نظام Context Engineering فعال من مجموعة من العناصر تعمل معًا.

1. التعليمات الأساسية

تحدد التعليمات الدور الذي يؤديه النموذج، والهدف، والقواعد التي يجب اتباعها، وشكل الإجابة المطلوب.

بدل كتابة تعليمات ضخمة تحتوي على عشرات القواعد، من الأفضل تنظيمها إلى أجزاء واضحة مثل:

• هدف المهمة.
• المعلومات الأساسية.
• الأدوات المتاحة.
• القواعد والقيود.
• طريقة إخراج النتيجة.

هذا يجعل السياق أكثر وضوحًا وأسهل في الصيانة.

2. سجل المحادثة

في التطبيقات الحوارية، يمثل تاريخ المحادثة جزءًا مهمًا من السياق. لكن إرسال كل الرسائل القديمة في كل مرة قد يكون غير ضروري.

يمكن استخدام التلخيص والضغط والاحتفاظ بالمعلومات المهمة فقط، خصوصًا في المهام الطويلة.

3. الذاكرة

الذاكرة تسمح للنظام بالاحتفاظ بمعلومات مهمة خارج نافذة السياق الحالية ثم استعادتها عند الحاجة.

إذا كنت تريد فهم هذا الجزء بشكل أعمق، يمكنك قراءة مقالنا عن الذاكرة في الذكاء الاصطناعي وكيف تتذكر أدوات AI المعلومات.

الفكرة الأساسية هي عدم إجبار النموذج على الاحتفاظ بكل شيء داخل المحادثة الحالية، وإنما تخزين المعلومات المهمة واستعادتها عندما تصبح ذات صلة بالمهمة.

4. RAG واسترجاع المعلومات

يعد RAG من أهم التقنيات المرتبطة بهندسة السياق. بدلًا من الاعتماد على المعرفة الداخلية للنموذج فقط، يستطيع النظام استرجاع معلومات من قاعدة بيانات أو مستندات ثم إضافتها إلى السياق قبل إنشاء الإجابة.

يمكنك قراءة شرح أكثر تفصيلًا في مقالنا: RAG في الذكاء الاصطناعي: ما هو وكيف يجعل إجابات AI أكثر دقة؟

وتشرح Anthropic مفهوم Contextual Retrieval باعتباره أسلوبًا لتحسين استرجاع المعلومات من قواعد المعرفة الكبيرة، خصوصًا عندما يكون السياق المحيط بالمعلومات مهمًا لفهمها. المصدر الرسمي من Anthropic.

5. الأدوات وFunction Calling

لا يقتصر AI Agent على قراءة المعلومات؛ فقد يحتاج إلى تنفيذ إجراء فعلي مثل استدعاء API أو البحث في قاعدة بيانات أو إنشاء ملف أو إرسال طلب إلى خدمة خارجية.

وهنا يأتي دور Function Calling وTool Calling، حيث يستطيع النموذج اختيار أداة مناسبة وإرسال المعاملات المطلوبة إليها، ثم استخدام النتيجة ضمن السياق.

لمعرفة التفاصيل التقنية، راجع مقالنا: Function Calling في الذكاء الاصطناعي: كيف تجعل AI ينفذ الأوامر ويستخدم الأدوات؟

6. MCP وربط الذكاء الاصطناعي بالأدوات

أصبح Model Context Protocol – MCP من التقنيات المهمة في بناء الأنظمة التي تحتاج إلى ربط تطبيقات الذكاء الاصطناعي بمصادر البيانات والأدوات.

يمكنك التعرف على الفكرة بالتفصيل في مقالنا: MCP في الذكاء الاصطناعي: ما هو Model Context Protocol وكيف يربط AI بالأدوات؟

ووفق وثائق MCP الرسمية، فهو معيار مفتوح يهدف إلى ربط تطبيقات الذكاء الاصطناعي بالأنظمة التي توجد فيها البيانات والأدوات، بما يسمح ببناء تكاملات أكثر تنظيمًا. موقع Model Context Protocol الرسمي. كما صدرت مواصفة MCP بتاريخ 28 يوليو 2026 مع تحديثات مهمة في البنية والامتدادات وآليات التفويض.

7. الأمثلة Few-Shot

الأمثلة من أفضل الطرق لتوضيح النتيجة التي تريدها من النموذج.

فبدل أن تقول فقط: "اكتب إجابة احترافية"، يمكنك تقديم مثال أو مثالين يوضحان شكل الإجابة، ثم تطلب من النموذج اتباع النمط نفسه.

لكن لا يعني ذلك إضافة عشرات الأمثلة. الهدف هو اختيار أمثلة تمثل المهمة بشكل جيد دون تضخيم السياق بلا فائدة.

كيف تعمل Context Engineering عمليًا؟

لنفترض أنك تريد إنشاء Agent لخدمة العملاء.

بدل إرسال Prompt ضخم يحتوي على جميع بيانات الشركة، يمكن تصميم النظام بهذه الصورة:

1. تعليمات أساسية تحدد دور المساعد.
2. بيانات العميل الحالية.
3. استرجاع المعلومات المتعلقة بسؤال العميل.
4. الأداة المناسبة لتنفيذ الإجراء المطلوب.
5. تاريخ مختصر للمحادثة السابقة.
6. سياسة واضحة للتعامل مع المعلومات غير المؤكدة.
7. تنسيق محدد للإجابة النهائية.

إذا سأل العميل عن حالة طلبه، لا يحتاج النموذج إلى جميع بيانات الشركة. يحتاج فقط إلى المعلومات المتعلقة بهذا الطلب.

هذه هي الفكرة الأساسية في هندسة السياق: أعطِ النموذج المعلومات التي يحتاج إليها، عندما يحتاج إليها، وبأقل قدر ممكن من الضوضاء.

مثال عملي مبسط

لو تم إرسال قاعدة البيانات بالكامل إلى النموذج، فقد يصبح السياق ضخمًا وغير فعال. أما إذا تم استرجاع البيانات الخاصة بالطلب فقط، يصبح السياق أكثر تركيزًا.

Context Engineering وGraphRAG

عندما تصبح العلاقات بين المعلومات أكثر تعقيدًا، يمكن استخدام تقنيات مثل GraphRAG للمساعدة في فهم الروابط بين الكيانات والمعلومات.

لذلك يمكن أن تعمل هندسة السياق مع RAG أو GraphRAG أو الذاكرة بدل أن تكون تقنية منفصلة تمامًا.

للمزيد، يمكنك قراءة: GraphRAG في الذكاء الاصطناعي: ما هو وكيف يربط المعلومات ببعضها؟

أخطاء شائعة في هندسة السياق

إرسال كل المعلومات إلى النموذج

وجود معلومات كثيرة لا يعني أن النظام سيصبح أفضل. يجب اختيار المعلومات التي ترتبط بالمهمة الحالية.

إنشاء Prompt ضخم

الـPrompt الطويل جدًا قد يحتوي على تعليمات متكررة أو متعارضة. الأفضل تنظيم التعليمات واختبارها ثم إضافة المعلومات المطلوبة بناءً على حالات الفشل الحقيقية.

استخدام عدد كبير من الأدوات

عندما يكون أمام Agent عدد ضخم من الأدوات المتشابهة، قد يصبح اختيار الأداة المناسبة أكثر صعوبة. وتشير Anthropic إلى أهمية تصميم أدوات واضحة ومحددة وتقليل التداخل بينها.

عدم تنظيف نتائج الأدوات

إذا أعادت الأداة كمية ضخمة من البيانات بينما يحتاج النموذج إلى ثلاثة أسطر فقط، فأنت تهدر جزءًا من السياق.

نسيان المعلومات المهمة أثناء التلخيص

عند تلخيص محادثة طويلة يجب الحفاظ على القرارات والمعلومات المهمة والمشكلات المفتوحة، وليس مجرد تقليل عدد الكلمات.

كيف تبني نظام Context Engineering جيدًا؟

يمكن اتباع الخطوات التالية:

1. حدد المهمة: ما الذي يجب أن ينجزه النموذج؟
2. حدد المعلومات المطلوبة: ما البيانات التي يحتاجها فعلًا؟
3. حدد الأدوات: ما الإجراءات التي يستطيع Agent تنفيذها؟
4. أنشئ طبقة استرجاع: استخدم RAG أو البحث المناسب عندما تكون المعلومات خارج السياق.
5. أضف الذاكرة: احتفظ بالمعلومات طويلة الأجل التي تستحق الاستمرار.
6. قلل الضوضاء: لا ترسل المعلومات غير المرتبطة بالمهمة.
7. اختبر الحالات الواقعية: راقب أين يفشل النظام وعدّل السياق بناءً على ذلك.
8. قِس النتائج: تابع الدقة، استهلاك السياق، زمن الاستجابة وجودة استخدام الأدوات.

Context Engineering وAI Agents: العلاقة بينهما

كلما أصبح Agent أكثر استقلالية، أصبحت إدارة السياق أكثر أهمية.

فالـAgent قد يبدأ بمهمة صغيرة ثم يبحث في ملفات، ويستدعي أدوات، ويتلقى نتائج، ويغير خطته، ثم يحتاج إلى تذكر قرارات سابقة. لذلك لا يكفي أن يكون النموذج قويًا؛ يجب أن يكون النظام المحيط به قادرًا على إدارة المعلومات التي تصل إليه.

ولهذا تعتبر AI Agents ووكلاء الذكاء الاصطناعي من أكثر المجالات ارتباطًا بهندسة السياق.

وفي المهام الطويلة، يمكن استخدام تقنيات مثل التلخيص والضغط وكتابة الملاحظات المنظمة للحفاظ على المعلومات المهمة دون الاحتفاظ بكل تفاصيل التنفيذ السابقة داخل السياق.

هل Context Engineering بديل عن Prompt Engineering؟

لا.

الأدق أن ننظر إلى Context Engineering باعتباره إطارًا أوسع لإدارة السياق الذي يعتمد عليه النموذج، بينما يظل Prompt Engineering جزءًا مهمًا من عملية تصميم هذا السياق.

يمكن تشبيه الأمر ببناء سيارة:

• Prompt Engineering يشبه تصميم تعليمات القيادة.
• Context Engineering يهتم أيضًا بما يوجد داخل السيارة، وما المعلومات المتاحة للسائق، والأدوات، والبيانات، وما الذي يجب إظهاره في كل لحظة.

مستقبل Context Engineering

مع تطور AI Agents، من المتوقع أن تصبح إدارة السياق جزءًا أساسيًا من تصميم تطبيقات الذكاء الاصطناعي، خصوصًا التطبيقات التي تتعامل مع بيانات كثيرة وتعمل عبر خطوات متعددة.

وسيكون التركيز أقل على محاولة وضع كل شيء في Prompt واحد، وأكثر على بناء نظام يستطيع اكتشاف المعلومات المطلوبة واسترجاعها وتنظيمها وتحديثها أثناء تنفيذ المهمة.

وهذا يجعل تقنيات مثل RAG والذاكرة وFunction Calling وMCP أجزاء مترابطة من منظومة واحدة.

أسئلة شائعة حول Context Engineering

ما معنى Context Engineering في الذكاء الاصطناعي؟

هو تصميم وإدارة المعلومات التي يتم تقديمها لنموذج الذكاء الاصطناعي أثناء تنفيذ المهمة، بما يشمل التعليمات والبيانات والذاكرة والأدوات وسجل المحادثة والمعلومات المسترجعة.

ما الفرق بين Context Engineering وPrompt Engineering؟

Prompt Engineering يركز بصورة أساسية على كتابة وتحسين التعليمات، بينما Context Engineering يهتم بالسياق الكامل الذي يصل إلى النموذج أثناء التشغيل.

هل Context Engineering مهم لـAI Agents؟

نعم، لأنه يساعد Agent على الحصول على المعلومات المناسبة واستخدام الأدوات والاحتفاظ بالمعلومات المهمة أثناء تنفيذ المهام متعددة الخطوات.

هل RAG جزء من Context Engineering؟

يمكن استخدام RAG كجزء من استراتيجية هندسة السياق، لأنه يسمح باسترجاع المعلومات ذات الصلة وإدخالها إلى سياق النموذج عند الحاجة.

هل الذاكرة جزء من Context Engineering؟

نعم. يمكن للذاكرة تخزين معلومات مهمة خارج نافذة السياق ثم استعادتها عند الحاجة، وهو أمر مفيد خصوصًا في المهام الطويلة والتطبيقات التي تتعامل مع المستخدم نفسه عبر جلسات متعددة.

هل Context Engineering مناسب للمبتدئين؟

نعم، ويمكن البدء به بشكل بسيط من خلال تنظيم Prompt، وتقليل المعلومات غير الضرورية، واستخدام أمثلة واضحة، ثم الانتقال تدريجيًا إلى RAG والذاكرة والأدوات وAI Agents.

الخلاصة

وعندما تجمع بين التعليمات الواضحة، والذاكرة، وRAG، وFunction Calling، وMCP، والأدوات المصممة جيدًا، يصبح من الممكن بناء أنظمة AI أكثر تنظيمًا وقدرة على تنفيذ المهام المعقدة.

والقاعدة الأهم التي يمكن البدء بها هي: لا تعطِ النموذج أكبر قدر ممكن من المعلومات؛ أعطه المعلومات الأكثر فائدة للمهمة الحالية.