لماذا لم يعد Prompt Engineering كافيًا؟ وكيف قادنا إلى عصر AI Agents
رحلة تطور التعامل مع الذكاء الاصطناعي (2023–2026+)
لم يتغير الذكاء الاصطناعي فجأة من مجرد روبوت محادثة إلى وكيل ذكي مستقل، بل مر بعدة مراحل متتالية، حيث جاءت كل مرحلة لحل مشكلة واجهت المرحلة السابقة.
| الفترة | المفهوم | أبرز ما ميّزه |
|---|---|---|
| 2023–2024 | Prompt Engineering | التركيز على كتابة أوامر دقيقة للحصول على أفضل استجابة من النموذج. |
| 2025 | Context Engineering | إدارة المعلومات والسياق والملفات بحيث يرى النموذج ما يحتاج إليه فقط. |
| 2025–2026 | Harness Engineering | إضافة القيود والقواعد وسير العمل لضمان تنفيذ المهام بطريقة آمنة ومنظمة. |
| 2026 | Loop Engineering | إدخال حلقات التخطيط والتنفيذ والاختبار وإعادة المحاولة بصورة تلقائية. |
| 2026+ | AI Agents | أنظمة تجمع جميع المراحل السابقة لتنفذ أهدافاً معقدة بدرجة عالية من الاستقلالية. |
يمكن النظر إلى هذا التطور على أنه انتقال من تحسين طريقة طرح السؤال إلى تصميم منظومة متكاملة لإدارة وتنفيذ المهمة.
رحلة شاملة لفهم كيف تطور التعامل مع الذكاء الاصطناعي من مجرد كتابة الأوامر إلى بناء وكلاء ذكيين قادرين على التخطيط والتنفيذ والتعلم، مع شرح Prompt Engineering وContext Engineering وHarness Engineering وLoop Engineering بطريقة مبسطة وعملية.
| المستوى | متوسط إلى متقدم |
| مدة القراءة | حوالي 20 دقيقة |
| الموضوع | Prompt Engineering – Context Engineering – AI Agents |
| آخر تحديث | يوليو 2026 |
هل انتهى عصر كتابة الـ Prompt أم أن القصة أكبر مما نعتقد؟
قبل سنوات قليلة فقط، كان الجميع يتحدث عن مهارة واحدة باعتبارها مفتاح النجاح مع الذكاء الاصطناعي: Prompt Engineering. كانت الفكرة بسيطة؛ كلما كتبت أمراً أكثر دقة، حصلت على نتيجة أفضل. انتشرت آلاف القوالب، والدورات، والمواقع التي تبيع "أفضل البرومبتات"، حتى أصبح البعض يعتقد أن السر الحقيقي للذكاء الاصطناعي يكمن في اختيار الكلمات المناسبة فقط.
لكن مع تطور نماذج اللغة الكبيرة (LLMs)، بدأت طبيعة الاستخدام تتغير. لم يعد المستخدم يطلب من النموذج كتابة فقرة أو ترجمة نص، بل أصبح يطلب منه إنشاء مشروع برمجي كامل، أو تحليل آلاف الملفات، أو تشغيل أدوات خارجية، أو تنفيذ سلسلة طويلة من المهام المترابطة.
وهنا ظهرت الحقيقة التي غيرت طريقة التفكير بالكامل:
لهذا السبب بدأت تظهر خلال عامي 2025 و2026 مصطلحات جديدة مثل Context Engineering وHarness Engineering وLoop Engineering، ثم ظهر مفهوم أكبر يجمعها جميعاً وهو AI Agents.
إذا كنت تسمع هذه المصطلحات لأول مرة، فلا تقلق. لن نشرحها كتعريفات منفصلة، بل سنسافر معاً في رحلة توضح لماذا ظهر كل مفهوم، وما المشكلة التي جاء ليحلها، وكيف قادنا هذا التطور إلى عصر الوكلاء الأذكياء.
هذا المخطط يلخص الفكرة الأساسية للمقالة: كل مرحلة لم تلغِ المرحلة التي قبلها، بل جاءت لأنها لم تعد وحدها قادرة على التعامل مع تعقيد المشاريع الحديثة.
هناك اعتقاد شائع يقول إن الذكاء الاصطناعي أصبح أذكى لأننا تعلمنا كتابة Prompt أفضل. لكن الحقيقة مختلفة قليلاً. فالذكاء الاصطناعي لم يتطور لأن المستخدمين أصبحوا يكتبون أوامر أفضل، بل لأن طريقة بناء الأنظمة التي تعمل حوله تطورت بشكل كبير.
ولهذا السبب، فإن فهم Prompt Engineering وحده لم يعد كافياً لفهم الطريقة التي تعمل بها أنظمة الذكاء الاصطناعي الحديثة.
لماذا يجب أن تقرأ هذا الدليل؟
إذا كنت تستخدم ChatGPT أو Gemini أو Claude أو أي نموذج لغوي آخر، فمن المحتمل أنك مررت بإحدى هذه المواقف:
- كتبت Prompt ممتازاً، لكن النموذج نسي التعليمات بعد عدة رسائل.
- أعدت شرح المشروع بالكامل أكثر من مرة.
- طلبت إنشاء مشروع كبير، فبدأ النموذج يكرر نفسه أو ينسى أجزاءً مهمة.
- احتجت إلى نسخ ملفات كثيرة داخل المحادثة حتى يفهم المهمة.
- شعرت أن الذكاء الاصطناعي ذكي جداً في البداية ثم بدأ يرتكب أخطاء غريبة كلما كبر المشروع.
إذا حدث لك أي موقف من هذه المواقف، فأنت واجهت حدود Prompt Engineering دون أن تشعر. وهذا هو السبب الحقيقي لظهور المفاهيم الجديدة التي سنشرحها في هذا الدليل.
ماذا ستتعلم من هذه المقالة؟
بنهاية هذا الدليل ستكون قادراً على فهم الصورة الكاملة لتطور التعامل مع نماذج الذكاء الاصطناعي، وليس مجرد تعلم مصطلحات جديدة.
| السؤال | ستجد الإجابة في |
|---|---|
| لماذا نجح Prompt Engineering بهذه السرعة؟ | الفصل الأول |
| لماذا لم يعد Prompt وحده كافياً؟ | الفصل الثاني |
| ما المقصود بـ Context Engineering؟ | الفصل الثالث |
| كيف يعمل Harness Engineering؟ | الفصل الرابع |
| كيف تتعلم AI Agents من أخطائها؟ | الفصل الخامس |
| كيف تجتمع جميع هذه المفاهيم داخل AI Agent واحد؟ | الفصول الأخيرة |
رحلة تطور الذكاء الاصطناعي في نظرة واحدة
لفهم الموضوع بسهولة، تخيل أن رحلة الذكاء الاصطناعي تشبه تطور وسائل النقل. في البداية كان الهدف الوصول إلى الوجهة فقط. ثم أصبح المهم معرفة الطريق. ثم ظهرت أنظمة الملاحة. ثم السيارات ذاتية القيادة. الشيء نفسه حدث تقريباً مع الذكاء الاصطناعي.
إذا خرجت من هذه المقدمة بفكرة واحدة فقط، فلتكن هذه:
لم يعد السؤال هو "كيف أكتب Prompt أفضل؟"
بل أصبح السؤال الحقيقي هو "كيف أبني نظاماً يجعل الذكاء الاصطناعي ينجز المهمة بأفضل طريقة ممكنة؟"
وللإجابة عن هذا السؤال، علينا أولاً العودة إلى البداية... إلى الوقت الذي كان فيه Prompt Engineering هو المهارة الأكثر أهمية في عالم الذكاء الاصطناعي، ولماذا حقق هذا النجاح الكبير خلال فترة قصيرة. وهذا ما سنبدأ به في الفصل الأول.
لماذا نجح Prompt Engineering في البداية؟
لفهم سبب ظهور جميع المصطلحات الحديثة مثل Context Engineering وAI Agents، يجب أن نعود قليلاً إلى عامي 2023 و2024، عندما كان Prompt Engineering هو النجم الحقيقي في عالم الذكاء الاصطناعي.
في تلك الفترة، كانت معظم استخدامات نماذج اللغة الكبيرة بسيطة نسبياً. كان المستخدم يفتح ChatGPT أو أي نموذج آخر، ثم يكتب سؤالاً أو يطلب مهمة محددة مثل:
- اكتب لي مقالاً.
- ترجم هذا النص.
- اكتب كود Python.
- لخص هذا المستند.
- اقترح أفكاراً لمشروع.
كل مهمة كانت تبدأ وتنتهي داخل محادثة واحدة. ولهذا السبب، كان تحسين صياغة السؤال يؤدي غالباً إلى تحسين الإجابة بشكل مباشر.
Prompt أفضل = نتيجة أفضل
ما هو Prompt Engineering؟
يشير مصطلح Prompt Engineering إلى عملية تصميم التعليمات أو الأوامر (Prompts) بطريقة تساعد نموذج الذكاء الاصطناعي على فهم المطلوب وإنتاج أفضل نتيجة ممكنة.
لا يتعلق الأمر باستخدام كلمات "سحرية"، وإنما بتقديم تعليمات واضحة ومنظمة تحدد الهدف، والسياق، ونوع المخرجات المطلوبة.
على سبيل المثال، لنفترض أنك طلبت من النموذج:
سيحصل النموذج على فكرة عامة فقط، وبالتالي ستكون النتيجة عامة أيضاً.
لكن إذا كتبت:
فإن جودة المخرجات سترتفع بشكل واضح لأنك زودت النموذج بمعلومات أكثر دقة حول المهمة المطلوبة.
لماذا انتشر Prompt Engineering بهذه السرعة؟
هناك عدة أسباب جعلت Prompt Engineering يتحول إلى واحدة من أكثر المهارات المطلوبة في بداية عصر الذكاء الاصطناعي التوليدي.
| السبب | التأثير |
|---|---|
| سهولة التعلم | لا يحتاج إلى خبرة برمجية. |
| تحسن النتائج بسرعة | مجرد تعديل بسيط في السؤال كان يحدث فرقاً كبيراً. |
| تنوع الاستخدامات | الكتابة، البرمجة، التصميم، الترجمة وغيرها. |
| انتشار الدورات | ظهرت آلاف القوالب والبرومبتات الجاهزة. |
كيف كانت طريقة العمل في ذلك الوقت؟
كما تلاحظ، كان تدفق العمل بسيطاً جداً. المستخدم يكتب أمراً. النموذج يعيد النتيجة. ثم تنتهي المهمة.
لكن ماذا يحدث عندما تصبح المهمة مشروعاً يتكون من عشرات الملفات؟ أو عندما يحتاج النموذج إلى استخدام أدوات خارجية؟ أو عندما يجب عليه تذكر ما حدث قبل مئات الرسائل؟ هنا بدأت تظهر أولى المشكلات الحقيقية.
كلما زاد حجم المشروع، أصبح الـ Prompt أطول. وكلما أصبح الـ Prompt أطول، ازدادت احتمالية نسيان النموذج لبعض التعليمات أو تجاهل أجزاء منها. بمعنى آخر... لم يعد تحسين صياغة السؤال وحده كافياً.
وهنا بدأ المجتمع التقني يطرح سؤالاً جديداً: إذا لم يكن الحل هو كتابة Prompt أطول... فما الحل؟ وهذا السؤال هو الذي قاد إلى ظهور مفهوم Context Engineering، والذي سنتعرف عليه في الفصل التالي.
لماذا لم يعد Prompt Engineering وحده كافيًا؟
لو عدنا إلى عام 2023 وسألنا أحد مستخدمي ChatGPT عن أهم مهارة يجب تعلمها، فمن المرجح أن تكون الإجابة: تعلم كتابة Prompt احترافي. وكانت هذه الإجابة صحيحة في ذلك الوقت. لكن مع مرور الأشهر، تغيرت طبيعة المهام التي نطلبها من الذكاء الاصطناعي بشكل جذري. لم نعد نطلب فقرة أو ترجمة أو كوداً صغيراً، بل بدأنا نطلب منه تنفيذ مشاريع كاملة تمتد لساعات أو حتى أيام من العمل. وهنا ظهرت أول نقطة تحول حقيقية.
بل في أن حجم وتعقيد المهمة أصبح أكبر بكثير من أن يحتويه Prompt واحد، مهما كان مكتوباً بإتقان.
كيف تغيرت طبيعة استخدام الذكاء الاصطناعي؟
لفهم المشكلة، لنقارن بين استخدام الذكاء الاصطناعي قبل عدة سنوات وبين طريقة استخدامه اليوم.
| الاستخدام التقليدي | الاستخدام الحديث |
|---|---|
| كتابة رسالة | بناء نظام مراسلة كامل |
| كتابة دالة برمجية | إنشاء مشروع برمجي متكامل |
| تلخيص مقال | تحليل عشرات الملفات والمراجع |
| إنشاء صورة | إنتاج حملة تسويقية كاملة |
| مهمة واحدة | سلسلة مهام مترابطة |
لاحظ أن الفرق الحقيقي ليس في قوة النموذج فقط، بل في حجم المسؤولية التي أصبحنا نضعها على عاتقه.
أين بدأ Prompt Engineering يفقد قوته؟
عندما يكون المطلوب إنشاء إجابة واحدة، فإن Prompt ممتاز غالباً يكفي. لكن عندما يصبح المشروع كبيراً، تبدأ المشاكل بالظهور واحدة تلو الأخرى.
المشكلة الأولى: النسيان
كل نموذج لغوي يعمل داخل مساحة محدودة تسمى نافذة السياق (Context Window). وعندما تصبح المحادثة طويلة جداً، قد يبدأ النموذج في فقدان بعض التفاصيل أو إعطاء أولوية للمعلومات الحديثة على حساب التعليمات القديمة. ولهذا قد تجد نفسك تعيد شرح المشروع أكثر من مرة.
المشكلة الثانية: غياب الذاكرة الحقيقية
كان Prompt Engineering يفترض أن كل ما يحتاجه النموذج موجود داخل الرسالة نفسها. لكن ماذا لو احتاج إلى:
- تذكر قرار اتخذته قبل ساعتين؟
- قراءة ملف PDF جديد؟
- تحليل قاعدة بيانات؟
- فتح مستودع GitHub؟
- استخدام نتائج بحث حديثة؟
هنا لم يعد Prompt وحده كافياً، لأنه لا يستطيع حمل كل هذه المعلومات بطريقة فعالة.
المشكلة الثالثة: المشاريع لم تعد خطية
في الماضي كانت العلاقة بسيطة:
أما اليوم فأصبحت المهمة أقرب إلى هذا الشكل:
لم يعد الأمر مجرد سؤال وجواب، بل أصبح سلسلة من الخطوات التي تعتمد كل واحدة منها على الأخرى.
بدلاً من كتابة Prompt أطول وأطول، أصبح الحل الأفضل هو تزويد النموذج بالمعلومات المناسبة في الوقت المناسب فقط. ومن هنا بدأت تظهر فكرة جديدة ستغير طريقة التعامل مع الذكاء الاصطناعي بالكامل... Context Engineering.
لكن ما المقصود بالسياق؟ وهل يعني ذلك إرسال جميع الملفات إلى النموذج دفعة واحدة؟ الإجابة ليست بهذه البساطة، وهذا ما سنتعرف عليه في الفصل التالي.
ما هو Context Engineering؟ ولماذا أصبح أهم من كتابة Prompt أطول؟
عندما بدأ المطورون في بناء تطبيقات تعتمد على نماذج اللغة الكبيرة، اكتشفوا حقيقة مهمة: لم تكن المشكلة أن النموذج لا يفهم اللغة، بل أن كمية المعلومات التي يحتاج إليها لإنجاز المهمة أصبحت أكبر بكثير من أن توضع داخل Prompt واحد. وهنا ظهر مفهوم جديد يسمى Context Engineering أو هندسة السياق.
Context Engineering هو فن تزويد نموذج الذكاء الاصطناعي بالمعلومات الصحيحة، في الوقت المناسب، وبالترتيب المناسب، بدلاً من وضع كل شيء داخل Prompt واحد.
هل المقصود بالسياق هو كتابة Prompt أطول؟
الإجابة القصيرة هي: لا.
في البداية، اعتقد كثير من المستخدمين أن الحل هو كتابة Prompt أطول يحتوي على جميع التعليمات والملفات والقواعد دفعة واحدة. لكن هذا الأسلوب سرعان ما كشف مشكلاته. كلما ازداد حجم الـ Prompt، أصبح النموذج يقضي جزءاً أكبر من موارده في قراءة المعلومات بدلاً من التفكير في الحل نفسه.
مثال عملي يوضح الفرق
تخيل أنك طلبت من الذكاء الاصطناعي تطوير متجر إلكتروني.
باستخدام Prompt Engineering التقليدي، قد ترسل له:
أما باستخدام Context Engineering، فسيتم إرسال المعلومات تدريجياً.
| المرحلة | السياق المرسل |
|---|---|
| تصميم الواجهة | ملفات التصميم فقط |
| برمجة API | توثيق الـ API فقط |
| قاعدة البيانات | الجداول والعلاقات فقط |
| الاختبار | نتائج الاختبارات والأخطاء |
لاحظ أن النموذج لا يرى المشروع كاملاً في كل لحظة، بل يرى فقط ما يحتاج إليه لإنجاز الخطوة الحالية. وهذا يجعل التفكير أكثر تركيزاً ويقلل من احتمال تجاهل المعلومات المهمة.
ما علاقة Context Window بالأمر؟
كل نموذج لغوي يمتلك ما يسمى نافذة السياق (Context Window)، وهي الحد الأقصى لكمية المعلومات التي يستطيع معالجتها أثناء تنفيذ المهمة.
ورغم أن النماذج الحديثة أصبحت تدعم نوافذ سياق أكبر بكثير مما كانت عليه قبل سنوات، فإن هذه المساحة تظل مورداً محدوداً. ولهذا يحرص المطورون على استخدام هذا المورد بكفاءة، تماماً كما يحرص المبرمج على إدارة الذاكرة في التطبيقات الكبيرة.
هل زيادة حجم نافذة السياق تحل المشكلة؟
قد يبدو الأمر كذلك، لكنه ليس صحيحاً دائماً. فحتى لو استطاع النموذج قراءة ملايين الكلمات، فهذا لا يعني أن إرسال كل شيء دفعة واحدة هو أفضل استراتيجية. تماماً كما أن الإنسان يستطيع قراءة كتاب كامل، لكنه لا يحتاج إلى الكتاب كله عندما يريد الإجابة عن سؤال واحد فقط.
أفضل سياق ليس أكبر سياق... بل هو أكثر سياق صلة بالمهمة الحالية.
من الذي يجهز هذا السياق؟
هنا تبدأ الصورة في الاتضاح. المستخدم لم يعد مسؤولاً عن كتابة Prompt فقط. أصبحت التطبيقات نفسها تجمع الملفات المناسبة، وتسترجع الوثائق المطلوبة، وتقرأ المحادثات السابقة، ثم ترسل كل ذلك إلى النموذج في الوقت المناسب. أي أن هناك نظاماً كاملاً يعمل خلف الكواليس قبل أن يبدأ النموذج في التفكير.
لكن يبقى سؤال مهم: إذا أصبح النموذج يمتلك المعلومات الصحيحة، فكيف نضمن أنه لن يخرج عن حدود المشروع أو يعدل أشياء لا يجب تعديلها؟ الإجابة تكمن في المرحلة التالية من رحلة التطور، وهي Harness Engineering، حيث لا نكتفي بإعطاء النموذج المعلومات، بل نضع له أيضاً القواعد والقيود التي يجب أن يلتزم بها طوال تنفيذ المهمة.
إذا كان النموذج يملك المعلومات الصحيحة، فلماذا نحتاج إلى Harness Engineering؟
بعد أن تعرفنا على مفهوم Context Engineering، قد يبدو أن المشكلة قد حُلَّت بالكامل. فالنموذج أصبح يحصل على المعلومات المناسبة، ويستطيع فهم المشروع بصورة أفضل من السابق. لكن الواقع العملي كشف تحدياً جديداً.
فهم المشروع لا يعني بالضرورة اتخاذ القرارات الصحيحة. قد يمتلك النموذج جميع الملفات التي يحتاج إليها، لكنه قد يعدل ملفاً لم يكن من المفترض تعديله، أو يحذف جزءاً حساساً من المشروع، أو يستخدم مكتبة لا تتوافق مع معايير الفريق، أو يغير أسلوب كتابة الكود الذي اتفق عليه المطورون. وهنا ظهرت الحاجة إلى مستوى جديد من التحكم.
Harness Engineering هو تصميم البيئة والقواعد والقيود التي يعمل داخلها الذكاء الاصطناعي، بحيث يستطيع تنفيذ المهمة دون الخروج عن الحدود المسموح بها.
لماذا لا نترك النموذج يعمل بحرية؟
لنفترض أنك طلبت من وكيل ذكاء اصطناعي تطوير موقع إلكتروني لشركتك. إذا قلت له فقط:
فقد يقرر تحديث جميع الملفات، أو استبدال مكتبات يعتمد عليها المشروع، أو إعادة تنظيم المجلدات، أو حذف أكواد يعتقد أنها غير مستخدمة. ورغم أن بعض هذه القرارات قد يكون صحيحاً تقنياً، فإنها قد تسبب مشكلات كبيرة داخل مشروع حقيقي يعمل عليه فريق كامل.
كيف يفكر المطورون في المشاريع الاحترافية؟
بدلاً من إعطاء النموذج حرية مطلقة، يتم وضع مجموعة من القواعد قبل أن يبدأ العمل. مثل:
- لا تعدل ملفات قاعدة البيانات.
- لا تستخدم أي مكتبة خارجية غير معتمدة.
- التزم بنظام التصميم الحالي.
- لا تغير أسماء الدوال العامة.
- نفذ التعديلات داخل هذا المجلد فقط.
- إذا واجهت مشكلة، اطلب المراجعة بدلاً من التخمين.
لاحظ أن هذه التعليمات لا تشرح المهمة، وإنما تحدد حدود الحركة داخل المشروع. وهذا هو جوهر Harness Engineering.
Harness Engineering ليس مجرد قيود
قد يوحي الاسم بأن الهدف هو تقييد الذكاء الاصطناعي فقط، لكن الحقيقة أوسع من ذلك. فهو يشمل أيضاً تنظيم طريقة تنفيذ المهمة، وتقسيمها إلى خطوات واضحة، وتحديد الأدوات التي يسمح باستخدامها، وآلية مراجعة النتائج قبل اعتمادها. بمعنى آخر، هو يشبه تصميم بيئة العمل التي يعمل داخلها الموظف الجديد.
تشبيه بسيط لفهم الفكرة
امتلاك محرك قوي لا يعني السماح للسائق بالقيادة في أي مكان وبأي سرعة. هناك إشارات مرور، وحدود سرعة، ومسارات، وقوانين يجب الالتزام بها. هذه القوانين لا تجعل السيارة أبطأ، بل تجعل الوصول إلى الوجهة أكثر أماناً وموثوقية. الأمر نفسه ينطبق على الذكاء الاصطناعي.
تقسيم المهمة إلى أجزاء صغيرة
إحدى أهم الأفكار التي يعتمد عليها Harness Engineering هي عدم إعطاء الوكيل هدفاً ضخماً دفعة واحدة. بدلاً من ذلك، يتم تقسيم الهدف إلى سلسلة من المهام الصغيرة يمكن تنفيذها ومراجعتها بسهولة.
هل Harness Engineering مصطلح أكاديمي؟
يُستخدم مصطلح Harness Engineering بشكل متزايد داخل مجتمع مطوري وكلاء الذكاء الاصطناعي لوصف تصميم بيئة التشغيل والقيود وآليات التحكم، لكنه ليس مصطلحاً أكاديمياً موحداً مثل Prompt Engineering. لذلك قد تجد بعض الشركات تدمج هذه الأفكار تحت أسماء أخرى مثل Guardrails أو Workflow Design أو Agent Orchestration. لكن الفكرة الأساسية واحدة: بناء إطار عمل يجعل الوكيل يعمل بطريقة آمنة ومنظمة وقابلة للتنبؤ.
حتى الآن أصبح لدينا ثلاثة عناصر أساسية:
- Prompt Engineering لتوضيح المطلوب.
- Context Engineering لتوفير المعلومات المناسبة.
- Harness Engineering لتنظيم طريقة العمل ووضع الحدود.
لكن بقي عنصر أخير يميز الوكلاء الحقيقيين عن روبوتات المحادثة التقليدية. ماذا يحدث إذا أخطأ الوكيل أثناء التنفيذ؟ هل ينتظر المستخدم ليخبره بالخطأ؟ أم يستطيع اكتشاف الخطأ بنفسه، ثم إصلاحه، ثم إعادة المحاولة؟ هنا ندخل إلى المرحلة التالية من رحلة التطور، وهي Loop Engineering.
كيف يتعلم الذكاء الاصطناعي من أخطائه؟ وما المقصود بـ Loop Engineering؟
حتى هذه المرحلة أصبح لدينا نموذج يفهم المطلوب من خلال Prompt Engineering، ويحصل على المعلومات المناسبة عبر Context Engineering، ويعمل داخل حدود واضحة بفضل Harness Engineering. لكن بقي سؤال مهم: ماذا يحدث إذا كانت النتيجة خاطئة؟
في أنظمة الذكاء الاصطناعي التقليدية، كانت الإجابة بسيطة. يعرض النموذج النتيجة، ثم يكتشف المستخدم الخطأ، ثم يكتب Prompt جديداً يشرح المشكلة، ويطلب إعادة التنفيذ. أي أن الإنسان كان يمثل حلقة التصحيح بأكملها.
إنسان ➜ يكتشف الخطأ ➜ يكتب Prompt جديد ➜ الذكاء الاصطناعي يعيد المحاولة.
لكن عندما أصبح الذكاء الاصطناعي ينفذ مشاريع تحتوي على مئات الخطوات، لم يعد هذا الأسلوب عملياً. فلا يمكن للمستخدم أن يراجع كل خطوة يدوياً. ومن هنا ظهرت فكرة جديدة تعتمد على جعل النظام يراجع نفسه بنفسه.
ما هو Loop Engineering؟
يقصد بـ Loop Engineering تصميم دورة عمل تسمح للوكيل بتنفيذ المهمة، ثم اختبار النتيجة، ثم اكتشاف الأخطاء، ثم إعادة المحاولة تلقائياً حتى يصل إلى نتيجة أفضل أو يستوفي معايير محددة.
بدلاً من وجود محاولة واحدة فقط، أصبح التنفيذ عبارة عن سلسلة من الدورات المتكررة.
لماذا تسمى "Loop"؟
لأن العملية لا تنتهي بعد أول محاولة. بل تعود إلى البداية كلما اكتشف النظام مشكلة تحتاج إلى تصحيح. فكر فيها على أنها حلقة مغلقة:
- يضع الوكيل خطة.
- ينفذ المهمة.
- يفحص النتيجة.
- إذا وجد خطأ، يعود إلى التخطيط مرة أخرى.
- يكرر الدورة حتى تصبح النتيجة مقبولة.
ولهذا السبب أصبحنا نسمع كثيراً عن وكلاء يستطيعون كتابة الكود ثم تشغيل الاختبارات ثم إصلاح الأخطاء تلقائياً دون تدخل المستخدم في كل مرة.
مثال عملي من تطوير البرمجيات
لنفترض أن الوكيل طُلب منه إنشاء صفحة تسجيل دخول. بدلاً من كتابة الكود والتوقف، قد يعمل بالشكل التالي:
| الخطوة | ما الذي يحدث؟ |
|---|---|
| 1 | يكتب الكود. |
| 2 | يشغل اختبارات المشروع. |
| 3 | يكتشف أن أحد الاختبارات فشل. |
| 4 | يحلل سبب الفشل. |
| 5 | يعدل الكود. |
| 6 | يشغل الاختبارات مرة أخرى. |
لاحظ أن المستخدم لم يطلب إعادة المحاولة في كل مرة. النظام نفسه هو الذي قرر العودة خطوة إلى الوراء ثم إعادة التنفيذ.
هل هذا يعني أن الذكاء الاصطناعي أصبح يفكر مثل الإنسان؟
ليس بالضرورة. ما يحدث في معظم الأنظمة الحديثة هو أن الوكيل يتبع دورة عمل مصممة مسبقاً. أي أنه لا يمتلك وعياً ذاتياً، وإنما ينفذ سلسلة من الخطوات المنظمة، ويستخدم نتائج الاختبارات لتحديد ما إذا كان يجب الاستمرار أو إعادة المحاولة. وهذا فرق مهم يجب الانتباه إليه.
مصطلح Loop Engineering يُستخدم بكثرة في مجتمع مطوري الوكلاء الذكيين للإشارة إلى تصميم دورات التنفيذ والمراجعة الذاتية، لكنه ليس اسماً رسمياً لمجال أكاديمي مستقل. قد تجد شركات أو أطر عمل تستخدم أسماء مثل Agent Loops أو Execution Loops أو Self-Refinement أو Iterative Workflows، بينما تشير جميعها تقريباً إلى الفكرة نفسها: تنفيذ المهمة، تقييم النتيجة، ثم إعادة المحاولة بصورة منظمة.
من يساعد الوكيل على اكتشاف الأخطاء؟
في كثير من الحالات لا يكتشف الوكيل الأخطاء بنفسه، بل يعتمد على أدوات خارجية. قد تكون هذه الأدوات عبارة عن اختبارات برمجية، أو مدقق جودة، أو محلل أكواد، أو متصفح يشغل الموقع فعلياً، أو أداة تقيس الأداء. بمعنى آخر، فإن الذكاء الحقيقي لا يأتي من النموذج وحده، بل من التعاون بين النموذج وهذه الأدوات.
- Prompt Engineering يحدد المطلوب.
- Context Engineering يوفر المعلومات.
- Harness Engineering يضع القواعد والحدود.
- Loop Engineering يجعل النظام يراجع نفسه ويعيد المحاولة عند الحاجة.
وعندما تجتمع هذه العناصر الأربعة مع الذاكرة، والأدوات، والتخطيط، واتخاذ القرار... يظهر أمامنا مفهوم أكبر بكثير من مجرد روبوت محادثة. إنه ما يعرف اليوم باسم AI Agent. وهذا ما سننتقل إليه في الفصل التالي.
إذا كانت هذه المفاهيم تعمل معًا، فما هو AI Agent فعليًا؟
بعد استعراض Prompt Engineering وContext Engineering وHarness Engineering وLoop Engineering، قد يبدو أن كل واحد منها تقنية مستقلة. لكن في الواقع، هذه المفاهيم ليست منافسة لبعضها، وإنما تعمل معًا داخل منظومة واحدة. وهذه المنظومة هي ما يُعرف اليوم باسم AI Agent أو الوكيل الذكي.
الوكيل الذكي ليس نموذج ذكاء اصطناعي جديداً، بل هو نظام برمجي يستخدم نموذجاً لغوياً مع مجموعة من الأدوات والذاكرة وآليات التخطيط والتنفيذ لتحقيق هدف معين بصورة شبه مستقلة.
روبوت المحادثة ليس وكيلاً ذكياً
هذه من أكثر النقاط التي يحدث حولها سوء فهم. يعتقد البعض أن ChatGPT أو Gemini أو Claude هي نفسها وكلاء ذكاء اصطناعي. لكن الحقيقة أن روبوت المحادثة هو مجرد واجهة للتفاعل مع النموذج. أما الوكيل الذكي فهو تطبيق متكامل يستخدم هذا النموذج كـ "العقل" فقط.
| روبوت محادثة | AI Agent |
|---|---|
| يجيب عن الأسئلة. | ينفذ أهدافاً كاملة. |
| ينتظر التعليمات. | يخطط للخطوات بنفسه. |
| يولد نصوصاً. | يشغل أدوات ويتخذ إجراءات. |
| محادثة. | Workflow كامل. |
| استجابة واحدة. | سلسلة من القرارات والتنفيذ. |
مم يتكون الوكيل الذكي؟
يمكن تخيل الوكيل الذكي كفريق عمل صغير، حيث يؤدي كل عنصر دوراً مختلفاً.
كيف يعمل AI Agent خطوة بخطوة؟
بدلاً من تنفيذ أمر واحد، يمر الوكيل عادة بعدة مراحل مترابطة.
| المرحلة | ما الذي يحدث؟ |
|---|---|
| 1. فهم الهدف | تحليل طلب المستخدم. |
| 2. التخطيط | تقسيم الهدف إلى مهام صغيرة. |
| 3. جمع المعلومات | قراءة الملفات أو قواعد البيانات أو الإنترنت. |
| 4. التنفيذ | تشغيل الأدوات المناسبة. |
| 5. التقييم | اختبار النتائج. |
| 6. إعادة المحاولة | إصلاح الأخطاء عند الحاجة. |
مثال عملي
لنفترض أنك قلت للوكيل:
لن يكتب الوكيل المقال مباشرة. بل قد يعمل بهذا التسلسل:
- يحدد الكلمات المفتاحية.
- يجمع المراجع.
- يكتب المسودة.
- يراجع الأسلوب.
- ينشئ الصورة.
- يضغط الصورة.
- يرفع الملفات.
- ينشئ المقال داخل النظام.
- يفحص النتيجة النهائية.
كل هذه الخطوات قد تتم دون أن يطلب المستخدم كل خطوة على حدة.
الوكيل الذكي لا يعتمد على Prompt واحد. بل يعتمد على منظومة كاملة تشمل التخطيط، والسياق، والذاكرة، والأدوات، وآليات المراجعة الذاتية. ولهذا السبب يصف كثير من الخبراء AI Agents بأنها تمثل الانتقال من توليد المحتوى إلى تنفيذ الأعمال.
لكن بعد كل هذا التطور، يبقى سؤال مهم: هل يعني ذلك أن Prompt Engineering أصبح بلا قيمة؟ الإجابة قد تفاجئك، لأن الحقيقة هي أن Prompt Engineering لم يمت... بل أصبح جزءاً من منظومة أكبر. وهذا ما سنناقشه في الفصل التالي.
هل انتهى عصر Prompt Engineering فعلًا؟
مع الانتشار السريع لوكلاء الذكاء الاصطناعي، بدأ كثير من الأشخاص يرددون عبارة أصبحت شائعة في 2026: "Prompt Engineering مات." لكن هذه العبارة، رغم انتشارها، ليست دقيقة.
ما حدث في الواقع ليس اختفاء Prompt Engineering، وإنما تغير دوره داخل المنظومة الحديثة. فبدلاً من أن يكون هو كل شيء، أصبح مجرد جزء من نظام أكبر وأكثر تعقيداً.
لم يعد النجاح يعتمد على كتابة Prompt عبقري، وإنما على تصميم منظومة كاملة تساعد النموذج على اتخاذ القرارات الصحيحة أثناء تنفيذ المهمة.
لماذا كان Prompt Engineering كافياً في الماضي؟
في بداية انتشار ChatGPT والأدوات المشابهة، كانت معظم الاستخدامات بسيطة نسبياً. كان المستخدم يريد:
- كتابة مقال.
- ترجمة نص.
- تلخيص كتاب.
- إنشاء صورة.
- كتابة كود صغير.
كل هذه المهام يمكن تنفيذها من خلال Prompt واحد. ولذلك أصبح تعلم كتابة Prompts مهارة مطلوبة في ذلك الوقت.
ما الذي تغير؟
مع تطور النماذج، تغيرت طبيعة المشكلات التي يحاول المستخدمون حلها. فبدلاً من سؤال واحد، أصبحت الطلبات أشبه بمشروعات كاملة. مثل:
- إنشاء تطبيق كامل.
- تحليل آلاف الملفات.
- إدارة مشروع برمجي.
- بناء مساعد يعمل طوال اليوم.
- تشغيل سلسلة من العمليات الآلية.
وهنا لم يعد Prompt واحد كافياً مهما كانت جودته.
Prompt ما زال موجوداً... لكنه يعمل في الخلفية
حتى أكثر الوكلاء تطوراً يعتمدون على Prompts. لكن الفرق أن المستخدم لم يعد يكتبها كلها بنفسه. فالمنصة قد تولد عشرات أو مئات الـ Prompts أثناء تنفيذ مهمة واحدة دون أن يراها المستخدم.
فعندما يقرر الوكيل قراءة ملف، أو البحث في قاعدة بيانات، أو تشغيل اختبار، أو تلخيص نتيجة، فإنه غالباً ينشئ Prompt داخلياً لكل خطوة من هذه الخطوات. أي أن Prompt Engineering لم يختف، بل أصبح جزءاً من البنية الداخلية للنظام.
المعادلة التي تلخص رحلة التطور
+
Context
+
Harness
+
Loop
=
AI Agent
قد تختلف أسماء بعض المكونات بين الشركات وأطر العمل، لكن الفكرة العامة أصبحت متفقاً عليها: كل عنصر يعالج مشكلة لم يكن Prompt وحده قادراً على حلها.
| المفهوم | المشكلة التي يحلها |
|---|---|
| Prompt Engineering | توضيح المطلوب. |
| Context Engineering | توفير المعلومات الصحيحة. |
| Harness Engineering | فرض القواعد والقيود. |
| Loop Engineering | المراجعة وإعادة المحاولة. |
لا توجد حتى الآن جهة أكاديمية أو معيار رسمي يعتمد هذه المعادلة بهذا الشكل الحرفي، لكنها أصبحت طريقة عملية يستخدمها كثير من المطورين لتبسيط رحلة تطور بناء وكلاء الذكاء الاصطناعي، ولذلك استخدمناها هنا كخريطة ذهنية وليست كتعريف علمي رسمي.
إذن... ما المهارة التي ينبغي تعلمها اليوم؟
إذا كنت تبدأ رحلتك مع الذكاء الاصطناعي، فلا تتوقف عند تعلم كتابة Prompts فقط. تعلم أيضاً:
- كيفية تنظيم المعلومات.
- كيفية تصميم سير العمل (Workflow).
- كيفية اختيار الأدوات المناسبة.
- كيفية اختبار النتائج.
- كيفية بناء وكلاء قادرين على تنفيذ المهام بصورة موثوقة.
ففي السنوات القادمة، لن تكون المنافسة بين من يكتب أفضل Prompt، بل بين من يستطيع بناء أفضل نظام يعمل حول النموذج.
ويبقى سؤال أخير: إلى أين يتجه هذا المجال بعد AI Agents؟ وهل ستبقى هناك حاجة للتدخل البشري مستقبلاً؟ هذا ما سنناقشه في خاتمة المقالة.
إلى أين يتجه الذكاء الاصطناعي بعد AI Agents؟ وما المهارة التي يجب أن تتعلمها اليوم؟
إذا نظرت إلى رحلة تطور التعامل مع الذكاء الاصطناعي خلال السنوات الثلاث الماضية، ستلاحظ أنها لم تكن مجرد تحسينات في جودة النماذج، بل كانت تحولاً في طريقة التفكير نفسها. في البداية كان السؤال هو: "كيف أكتب Prompt أفضل؟" ثم أصبح: "كيف أوفر للنموذج المعلومات الصحيحة؟" وبعد ذلك تحول إلى: "كيف أبني نظاماً يستطيع العمل دون أن أراقبه في كل خطوة؟" وهذا هو الاتجاه الذي تتحرك نحوه صناعة الذكاء الاصطناعي اليوم.
هل سيختفي دور الإنسان مستقبلاً؟
الإجابة هي: لا. بل على العكس، كلما أصبحت الوكلاء أكثر استقلالية، ازدادت أهمية الإنسان في تصميم الأنظمة التي تعمل داخلها. فالوكيل يستطيع تنفيذ المهام، لكنه لا يحدد دائماً الهدف التجاري، ولا يقرر الأولويات، ولا يتحمل مسؤولية النتائج. ولهذا يبقى الإنسان هو من يحدد:
- ما المشكلة التي يجب حلها.
- ما القواعد التي يجب احترامها.
- ما الأدوات التي يسمح باستخدامها.
- متى تكون النتيجة مقبولة.
- ومتى يجب إيقاف الوكيل أو التدخل لتصحيح مساره.
كلما زادت استقلالية الذكاء الاصطناعي، زادت أهمية الرقابة البشرية، لأن الأخطاء الآلية يمكن أن تتكرر بسرعة أكبر من الأخطاء البشرية.
ما المهارة التي ستكون الأكثر قيمة في السنوات القادمة؟
إذا كنت صانع محتوى، أو مطوراً، أو مصمماً، أو حتى تستخدم الذكاء الاصطناعي في عملك اليومي، فمن المفيد أن تنظر إلى هذه المهارات كترتيب طبيعي للتعلم:
| ابدأ بـ | ثم تعلم | ثم انتقل إلى |
|---|---|---|
| Prompt Engineering | Context Engineering | تصميم AI Agents وWorkflows |
هذا لا يعني أن الجميع يحتاج إلى بناء وكلاء معقدين، لكن فهم طريقة عملهم أصبح ميزة مهمة حتى لمن يستخدم أدوات الذكاء الاصطناعي في الكتابة أو التصميم أو التسويق.
الخلاصة النهائية
يمكن تلخيص رحلة تطور التعامل مع الذكاء الاصطناعي في فكرة واحدة:
بل أضفنا طبقة جديدة فوق كل مرحلة سابقة.
فـ Prompt Engineering ما زال يمثل نقطة البداية. ثم يأتي Context Engineering لتوفير المعلومات المناسبة. ويضيف Harness Engineering القواعد التي تحكم التنفيذ. ثم يتولى Loop Engineering مراجعة النتائج وتحسينها. وعندما تعمل هذه العناصر مع الذاكرة والأدوات والتخطيط، نحصل على ما نسميه اليوم AI Agent.
في عام 2023 كان السؤال هو: "كيف أكتب Prompt أفضل؟" وفي عام 2026 أصبح السؤال: "كيف أصمم نظاماً يجعل الذكاء الاصطناعي يعمل بطريقة صحيحة حتى عندما لا أكون أمام الشاشة؟" وهذا هو الفرق الحقيقي بين استخدام الذكاء الاصطناعي... وبناء أنظمة تعتمد عليه.
شاهد شرح الفيديو الذي ألهم فكرة هذا المقال
إذا كنت تفضل الشرح المرئي، فيمكنك مشاهدة الفيديو التالي الذي يناقش انتقال المجال من Prompt Engineering إلى مفاهيم مثل Context Engineering وAI Agents، مع أمثلة عملية على كيفية تطور طريقة بناء التطبيقات الحديثة.
يعتمد هذا المقال على مجموعة من المفاهيم المتداولة حالياً في مجتمع تطوير تطبيقات الذكاء الاصطناعي، إضافة إلى ما تنشره شركات مثل OpenAI وAnthropic وGoogle Cloud وغيرها. بعض المصطلحات مثل Harness Engineering وLoop Engineering لا تُعد حتى الآن مصطلحات أكاديمية موحدة، لكنها تُستخدم على نطاق واسع داخل مجتمع المطورين لوصف أنماط تصميم الوكلاء الذكيين وسير العمل الحديثة.
الأسئلة الشائعة
هل انتهى عصر Prompt Engineering؟
لا. ما زال Prompt Engineering يمثل نقطة البداية لأي تفاعل مع نماذج الذكاء الاصطناعي، لكنه لم يعد كافياً وحده عند بناء التطبيقات والأنظمة المعقدة. فقد أصبحت المشاريع الحديثة تعتمد أيضاً على إدارة السياق، والقيود، والتخطيط، والتكرار الآلي.
ما الفرق بين Prompt Engineering وContext Engineering؟
يركز Prompt Engineering على صياغة التعليمات بطريقة واضحة، بينما يهتم Context Engineering بتوفير المعلومات والملفات والبيانات المناسبة للنموذج أثناء تنفيذ المهمة، بحيث يحصل على كل ما يحتاج إليه دون إغراقه بمعلومات غير ضرورية.
هل Context Engineering بديل عن Prompt Engineering؟
لا، بل هو مكمل له. حتى أفضل أنظمة Context Engineering تبدأ دائماً بـ Prompt يحدد الهدف المطلوب.
ما هو AI Agent؟
الوكيل الذكي هو نظام برمجي يستخدم نموذجاً لغوياً مع الذاكرة والأدوات وآليات التخطيط والتنفيذ والاختبار، ليتمكن من تنفيذ أهداف متعددة الخطوات بصورة شبه مستقلة.
هل ChatGPT يعتبر AI Agent؟
ليس بحد ذاته. ChatGPT هو واجهة تفاعل مع نموذج لغوي، بينما يصبح Agent عندما يتم ربط النموذج بالأدوات والذاكرة وسير العمل والقدرة على تنفيذ إجراءات حقيقية.
ما المقصود بـ Harness Engineering؟
هو تصميم القواعد والقيود وبيئة التشغيل التي يعمل داخلها الوكيل الذكي، لضمان عدم تجاوزه للحدود المسموح بها أثناء تنفيذ المهام.
هل Harness Engineering مصطلح رسمي؟
ليس مصطلحاً أكاديمياً موحداً حتى الآن، لكنه يستخدم داخل مجتمع مطوري الوكلاء الذكيين لوصف تصميم القيود وبيئة التشغيل، وقد تجد مفاهيم مشابهة مثل Guardrails أو Agent Orchestration.
ما هو Loop Engineering؟
هو تصميم دورة عمل تسمح للوكيل بالتخطيط والتنفيذ والاختبار وإصلاح الأخطاء ثم إعادة المحاولة تلقائياً حتى يصل إلى نتيجة أفضل.
هل يستطيع AI Agent العمل دون تدخل بشري؟
في بعض المهام نعم، لكنه ما يزال يحتاج إلى رقابة بشرية عند تنفيذ العمليات الحساسة أو اتخاذ القرارات التي قد تؤثر في البيانات أو المستخدمين.
ما المهارة التي يجب تعلمها في 2026؟
ابدأ بتعلم Prompt Engineering، ثم انتقل إلى Context Engineering، وبعدها تعلّم تصميم Workflows ووكلاء الذكاء الاصطناعي، لأن مستقبل المجال يعتمد على بناء الأنظمة أكثر من كتابة الأوامر فقط.
الخلاصة
قبل سنوات قليلة، كان النجاح في استخدام الذكاء الاصطناعي يعتمد على كتابة Prompt جيد. أما اليوم، فقد أصبحت الصورة أكبر بكثير. لم يعد السؤال هو "كيف أكتب أمراً أفضل؟"، بل أصبح "كيف أبني نظاماً يستطيع التفكير، والتنفيذ، والمراجعة، والتحسن باستمرار؟". ولهذا السبب ظهرت مفاهيم مثل Context Engineering وHarness Engineering وLoop Engineering، وصولاً إلى عصر AI Agents الذي بدأ يغير طريقة تطوير البرمجيات وصناعة المحتوى وأتمتة الأعمال.
إذا خرجت من هذا المقال بفكرة واحدة فقط، فلتكن هذه:
ومع استمرار تطور نماذج الذكاء الاصطناعي، من المرجح أن يصبح التركيز في السنوات القادمة على تصميم الأنظمة وسير العمل والاختبارات أكثر من التركيز على كتابة الأوامر نفسها. ولهذا فإن فهم هذه المفاهيم اليوم يمنحك أساساً قوياً لفهم أي تقنية جديدة ستظهر غداً.
اقرأ أيضًا
- دليل احترافي لتعلم Prompt Engineering خطوة بخطوة
- شرح Prompt بصيغة JSON وCGI وكيفية استخدامه باحتراف
- أفضل طرق كتابة أوامر توليد الصور بالذكاء الاصطناعي
- كيفية تحويل المقالات المكتوبة بالذكاء الاصطناعي إلى كتابة بشرية متوافقة مع SEO
هل انتهى Prompt Engineering فعلًا؟
قد يظن البعض أن ظهور Context Engineering وAI Agents يعني نهاية عصر Prompt Engineering، لكن الواقع مختلف تماماً.
فحتى أكثر الوكلاء الذكيين تطوراً يبدأون العمل من Prompt يحدد الهدف المطلوب، ثم يعتمدون على طبقات إضافية مثل السياق، والذاكرة، والأدوات، والتخطيط، وآليات التقييم للوصول إلى أفضل نتيجة ممكنة.
- ✅ Prompt Engineering لم يمت.
- ✅ لكنه لم يعد كافياً وحده.
- ✅ أصبح جزءاً من منظومة أكبر تضم إدارة السياق، والذاكرة، والأدوات، والقيود، والتخطيط.
- ✅ تعتمد أنظمة AI Agents الحديثة على جميع هذه العناصر معاً لتنفيذ المهام بكفاءة وموثوقية أعلى.
لهذا السبب، ما زال تعلم Prompt Engineering خطوة أساسية لأي شخص يعمل مع الذكاء الاصطناعي، لكنه لم يعد يمثل نهاية الطريق، بل أصبح الأساس الذي تُبنى فوقه أنظمة الذكاء الاصطناعي الوكيلة الحديثة.
الخاتمة: لم يعد السؤال كيف تكتب Prompt... بل كيف تبني نظامًا كاملاً؟
لم يعد السؤال اليوم: "كيف أكتب Prompt أفضل؟"، بل أصبح: "كيف أصمم نظامًا يزوّد النموذج بالمعلومات الصحيحة، ويستخدم الأدوات المناسبة، ويتذكر ما يحتاج إليه، ويقيّم نتائجه، ثم يحسنها باستمرار؟"
قبل سنوات قليلة، كان تعلم كتابة Prompt احترافي كافياً للحصول على نتائج مبهرة من نماذج الذكاء الاصطناعي. أما اليوم، فقد أصبحت الصورة أكثر تعقيداً؛ فالمشروعات الحديثة لم تعد تعتمد على أمر واحد، بل على منظومة متكاملة تضم السياق، والذاكرة، والأدوات، والقيود، وآليات التحقق وإعادة المحاولة. ولهذا السبب ظهرت مفاهيم مثل Context Engineering وHarness Engineering وLoop Engineering. ولم تأتِ هذه المفاهيم لتحل محل Prompt Engineering، بل لتبني فوقه طبقات جديدة تجعل الذكاء الاصطناعي قادراً على تنفيذ أعمال حقيقية بدلاً من الاكتفاء بإنتاج إجابات أو نصوص.
قد تبدو سرعة تطور الذكاء الاصطناعي مربكة، فكل بضعة أشهر تظهر مصطلحات وأطر عمل جديدة، لكن إذا تأملت رحلة هذا التطور ستكتشف أن الفكرة الأساسية لم تتغير.
قد تتغير أسماء الأدوات وأطر العمل، لكن المبدأ سيبقى ثابتًا: قيمة الذكاء الاصطناعي لم تعد تُقاس بجودة الإجابة التي ينتجها، بل بقدرته على تنفيذ المهام داخل نظام مصمم بعناية وموثوق في نتائجه.
لم يعد النجاح يقاس بقدرتك على كتابة Prompt مثالي... بل بقدرتك على تصميم منظومة كاملة تجعل الذكاء الاصطناعي يفكر، ويخطط، ويستخدم الأدوات، ويختبر عمله، ثم يحسن نتائجه باستمرار.
وربما بعد عام أو عامين ستظهر مصطلحات جديدة تحل محل بعض الأسماء الحالية، لكن المبادئ الأساسية ستبقى كما هي. فكلما ازدادت قدرة الذكاء الاصطناعي على العمل باستقلالية، ازدادت أهمية الإنسان في تصميم النظام الذي يعمل داخله، وتحديد أهدافه، ووضع قواعده، ومراقبة جودة نتائجه.
Prompt Engineering لم يمت... بل أصبح أول لبنة في منظومة أكبر تشمل Context Engineering وHarness Engineering وLoop Engineering، والتي تعمل معاً لبناء AI Agents القادرة على تنفيذ المهام المعقدة بصورة أكثر استقلالية وموثوقية.
إذا وصلت إلى هذه النقطة، فأنت لم تتعلم مجرد مجموعة من المصطلحات، بل أصبحت تمتلك خريطة ذهنية تساعدك على فهم أي تقنية جديدة ستظهر في عالم الذكاء الاصطناعي خلال السنوات القادمة، سواء حملت اسماً جديداً أو اعتمدت إطار عمل مختلفاً. فالأدوات ستتغير، والنماذج ستصبح أكثر قوة، لكن القدرة على التفكير المنهجي وتصميم سير العمل الذكي ستظل المهارة الأكثر قيمة في هذا المجال.
شكراً لقراءتك.
نأمل أن يكون هذا الدليل قد ساعدك على فهم رحلة تطور التعامل مع الذكاء الاصطناعي، من Prompt Engineering إلى عصر AI Agents.
نلتقي في شرح تقني جديد على درة تك.