هندسة Context أصبحت المهارة الحقيقية في الذكاء الاصطناعي للمؤسسات

يتجاوز الذكاء الاصطناعي للمؤسسات المرحلة التي كان النجاح فيها يعتمد أساسًا على اختيار النموذج. اليوم تستطيع معظم الفرق الكبيرة الوصول إلى LLMs قوية عبر APIs تجارية أو Open Weights أو منصات مُدارة. الفجوة التنافسية تتحرك إلى مكان آخر. الفرق التي تحقق نتائج موثوقة هي التي تعرف كيف تجمع Context الصحيح للنموذج في اللحظة المناسبة.

لهذا السبب أصبحت هندسة Context المهارة الحقيقية في AI للمؤسسات. فهي تقع بين هندسة البيانات وRetrieval وتصميم Workflow والأمن وحكم المنتج. ما زال Prompt مهمًا، لكن Prompt جيدًا لا يستطيع إنقاذ مستندات قديمة أو صلاحيات ناقصة أو Retrieval مليئًا بالضوضاء أو Agent يسحب عشر نتائج غير مرتبطة إلى Context Window. في الواقع، جودة AI في المؤسسات تتحدد أكثر فأكثر من خلال اختيار Context، لا من خلال صياغة Prompt فقط.

Prompt Engineering حل الموجة الأولى، لا مشكلة Production

في الموجة الأولى من Generative AI، برز Prompt Engineering لأنه حقق مكاسب سريعة. كان Prompt أفضل قادرًا على تحسين النبرة والبنية وإكمال المهمة من دون عمل بنيوي كبير. كان ذلك مفيدًا، لكنه شجع فكرة مضللة مفادها أن جودة AI في المؤسسات تأتي أساسًا من صياغة ذكية.

أنظمة Production كشفت حدود هذا التصور. مساعد مالي يحتاج إلى أحدث Policy Memo، والدليل المحاسبي الصحيح، ونطاق وصول المستخدم، وذاكرة عن المهمة السابقة. Support Agent يحتاج إلى إصدار المنتج الحالي، ومقالة Knowledge Base المناسبة، ومستوى خطة العميل، وسجل Tickets المفتوحة. عند العمل في البيئة الحقيقية، يتغير السؤال من «ماذا يجب أن يقول النموذج؟» إلى «ماذا يجب أن يعرف النموذج الآن؟»

ماذا تشمل هندسة Context فعليًا

هندسة Context هي فن وعملية تحديد أي معلومات تدخل بيئة عمل النموذج، وبأي بنية، وتحت أي قواعد، وبأي تكلفة. وهذا يشمل Retrieval Strategy وChunking وRanking وSummarization وMetadata Filtering وتشكيل مخرجات الأدوات وإدارة Memory وحدود Permission.

كما تشمل قرارات الاستبعاد. الفرق الجيدة لا تجيد إضافة Context فقط، بل تجيد أيضًا استبعاد Context الذي يربك النموذج أو يرفع Latency أو يسرّب معلومات حساسة أو يدفع النموذج للاعتماد على مواد قديمة. Context Windows الأكبر تساعد، لكنها لا تلغي المشكلة.

لماذا تهتم المؤسسات الآن

لأن أنماط الفشل ملموسة جدًا. ضعف هندسة Context يظهر على شكل Citations مختلقة، وإجابات خاطئة عن السياسات، وTool Calls مكررة، وWorkflows بطيئة، وفواتير Inference مرتفعة. هذه ليست مشاكل أكاديمية. إنها تؤثر في الدعم والمراجعة القانونية والبحث الداخلي وعمليات الشراء.

الجانب الاقتصادي مهم أيضًا. Agents الحديثة تسترجع مستندات، وتستدعي أدوات، وتفحص نتائج وسيطة، وتعيد المحاولة. كل خطوة تضيف Tokens وLatency وتكلفة. وإذا حمل النظام Context غير مرتبط في كل خطوة، تدفع الشركة الثمن مرتين: دقة أقل وإنفاق أعلى.

مثال عملي: النموذج نفسه، لكن نتيجتان مختلفتان

تخيل شركتين تطوران Copilot داخليًا للمشتريات باستخدام Frontier Model نفسه. الشركة الأولى تفهرس كل ملفات Policy بصيغة PDF، وتضع أفضل عشر نتائج داخل Prompt، وتترك القرار للنموذج. الشركة الثانية تضع Tags للمستندات حسب المنطقة وحجم العقد وتاريخ السياسة وصلاحية الموافقة ووحدة العمل. تسترجع فقط المستندات المناسبة، ثم تعيد ترتيبها، وتلخص البنود المتكررة، وتضيف دور المستخدم وحالة Workflow الحالية.

النموذج نفسه، لكن النتيجة مختلفة تمامًا. الشركة الأولى تحصل على إجابات مطولة وتعارضات في السياسات وتصعيدات بشرية كثيرة. الشركة الثانية تحصل على إجابات أقصر وCitations أوضح وتوجيه أكثر موثوقية إلى خطوة الموافقة التالية. هذه ليست قصة ذكاء نموذج بقدر ما هي قصة تصميم Context.

Workflowات Agent تجعل هندسة Context أكثر أهمية

الأنظمة Agentic ترفع مستوى التحدي لأن Context لم يعد مشكلة تجميع Prompt واحد. كل خطوة في Workflow تخلق قرارات جديدة حول Context. هل يجب أن يحمل Agent كامل Transcript أم Summary مضغوط للحالة؟ هل تكون مخرجات الأداة JSON خامًا أم حقولًا موحدة أم Digest قابلًا للقراءة؟ وهل يجب أن تبقى Memory بين الجلسات؟ وإذا بقيت، فما الحقائق التي تستحق التخزين الطويل؟

هذه الاختيارات تشكل الموثوقية أكثر مما تعترف به معظم العروض. Agent للمبيعات يتذكر Pricing Exception خاطئًا يصبح خطرًا. Agent أمني يحمل Incident Notes قديمة يصبح مزعجًا. هندسة Context هي طبقة التحكم التي تمنع Agents من التحول إلى مرتجلين مكلفين.

ما الذي تفعله الفرق القوية بشكل مختلف

الفرق القوية تتعامل مع Context كنظام، لا ككتلة بيانات. تقيس Retrieval Precision، وتختبر بمستندات قديمة وحالات Adversarial، وتسجل المصادر المستخدمة في التشغيلات الناجحة والفاشلة، وتفصل بين الذاكرة الدائمة وTask Memory، وتحافظ على خفة التدفقات الروتينية.

الميزة القادمة في AI للمؤسسات لن تأتي من Prompt سري. ستأتي من Pipeline أفضل لـ Context، ومنضبط Retrieval، وحدود أنظف لـ Memory، وOrchestration أذكى بين الأدوات والنماذج. الشركات التي تتقن هذا مبكرًا لن تحصل فقط على إجابات أفضل، بل ستبني أنظمة AI أرخص وأكثر موثوقية وأصعب على المنافسين تقليدها.