Mastering prompt engineering
Version 1.0 - 05/14/2025

جدول المحتويات

مقدمة

في عصر التكنولوجيا الرقمية الحالي، أصبح استغلال القوة الكاملة للذكاء الاصطناعي من خلال تقنية الـ prompt أمرًا بالغ الأهمية. ومع ذلك، هناك العديد من المصادر التي تنشر نصائح عامة غير مدعومة أو تفسيرات غير واضحة، مما يؤدي إلى سوء الفهم والتطبيق غير الفعال. هذا يسبب إهدارًا للوقت والجهد، ويقلل من القدرة على استغلال الإمكانات الحقيقية للذكاء الاصطناعي.

مع أكثر من عشر سنوات من الخبرة في مجال تكنولوجيا البرمجيات، وبعد البحث والتحليل من مصادر موثوقة مثل OpenAI وGoogle وAnthropic، أود مشاركة القراء بالمعرفة الأساسية والأساليب العملية لتحسين تصميم الـ prompt. هدفي هو مساعدتكم على الوصول إلى تكنولوجيا الذكاء الاصطناعي بشكل صحيح وفعال، وتحقيق أقصى قيمة في العمل والمشاريع الشخصية.

المصادر غير الرسمية تجعلك تصدق النصائح السريعة، ولكنها في الواقع غير فعالة. أو الأسوأ من ذلك، تجعلك تفهم بشكل خاطئ كيفية عمل الذكاء الاصطناعي. معظمها يعتمد على zero-shot prompting ويعتمد بشكل كبير على قدرة النموذج. إذن، ما هو zero-shot prompting؟

الاستدعاء بدون أمثلة

الاستدعاء بدون أمثلة هو تقنية للتفاعل مع النماذج اللغوية الكبيرة (LLM) دون تقديم أي أمثلة توضيحية. يعتمد على قدرة النموذج على تعميم المعرفة.

بشكل أساسي، تعمل النماذج اللغوية الكبيرة من خلال توقع الكلمة التالية بناءً على السياق، لذا عندما تتلقى استدعاءً واضحًا، يمكنها تطبيق المعرفة المكتسبة لتوليد استجابة مناسبة.

لا أعتقد أن تقنية الاستدعاء بدون أمثلة خاطئة. في الواقع، سيكون رائعًا إذا استطعنا العمل مع الذكاء الاصطناعي باستخدام طلبات بسيطة، دون الحاجة إلى فهم كيفية القيام بذلك. ومع ذلك، في الوقت الحالي، لم يصل الذكاء الاصطناعي إلى هذا المستوى بعد.

المزايا

1. البساطة: الاستدعاء بدون أمثلة لا يتطلب بيانات إضافية، مما يجعله ذا قيمة في الحالات التي يصعب فيها العثور على البيانات ذات الصلة أو تكون نادرة.

2. المرونة: يمكن تعديل الاستدعاء بسهولة عند الحاجة. تحسين أو تحديث الاستدعاء يتطلب جهدًا قليلاً.

3. التنوع: يظهر الاستدعاء بدون أمثلة قدرة مذهلة في استغلال معرفة النماذج اللغوية الكبيرة في مجالات متنوعة.

القيود

1. الاعتماد الكبير على قدرة النموذج: قد لا يفهم النموذج الاستدعاء أو لا يمتلك المعرفة في المجال المطلوب.

مثال مع Llama 3.1: الاستدعاء: اكتب قصة مضحكة بطول حوالي 200 كلمة باللغة العربية. النتيجة هي تكرار لا نهائي للرموز أو سلسلة من الأحرف العشوائية.
ثم ضع هذه الوثيقة نفسها في السياق. مطالبة: ما هو التوجيه الصفري؟ النتيجة: التوجيه الصفري هو تقنية في تصميم الأسئلة (المطالبات) لنماذج الذكاء الاصطناعي (AI)، خاصة النماذج اللغوية الكبيرة (LLM)، حيث يُطلب من النموذج تنفيذ مهمة دون أي أمثلة محددة حول كيفية تنفيذ تلك المهمة. ليون وجارمان (2000) عرّفا التعلم الصفري كطريقة يمكن للنموذج من خلالها تطبيق المعرفة المكتسبة من مهام أخرى على مهمة جديدة دون الحاجة إلى إعادة التدريب...
إذن، ليس أن Llama 3.1 لا يفهم اللغة الفيتنامية. في الوثيقة، لم أكتب بالضبط ما أجاب عليه Llama. ذلك لأنني قدمت وثيقة كاملة عن الإجابة التي كنت أتوقعها.

2. يعتمد على جودة المطالبة: فعالية التوجيه الصفري تعتمد بشكل كبير على مدى وضوح وتحديد المطالبة.

في المثال أعلاه، لم أتمكن من العثور على معلومات عن ليون وجارمان على جوجل. لذا كان علي أن أطلب بوضوح ما كنت أريده.

المطالبة: ما هو المطالبة الصفرية؟ أجب بإيجاز باستخدام المعلومات المقدمة باللغة الفيتنامية. النتيجة: المطالبة الصفرية هي تقنية تطلب من الذكاء الاصطناعي تنفيذ مهمة دون تقديم أمثلة محددة. سيعتمد الذكاء الاصطناعي على المعرفة الموجودة من عملية التدريب لتقديم استجابة، دون الحاجة إلى بيانات مرجعية أو إرشادات محددة من المستخدم. مثال: "اكتب قصيدة عن الربيع" دون تقديم أي أمثلة للقصيدة.

3. صعوبة مع المهام المعقدة: بالنسبة للمهام التي تتطلب تفكيرًا معقدًا أو تنسيقًا خاصًا، قد لا تكون المطالبة الصفرية فعالة مثل الطرق الأخرى مثل المطالبة القليلة.

المطالبة: قم بتركيب الأحرف التالية للحصول على كلمة فيتنامية كاملة: o / ã / h / h / n / à النتيجة: الكلمة الفيتنامية الكاملة المكونة من الأحرف: hoành

4. نتائج غير متسقة: بدون أمثلة للإرشاد، قد ينتج النموذج نتائج مختلفة لنفس المطالبة، اعتمادًا على طريقة التعبير.

لا يزال المثال نفسه، في كل مرة أقوم به، تكون النتيجة مختلفة.

1. الكلمة الفيتنامية الكاملة التي يمكن تركيبها من الأحرف: hoàn hả. 2. الأحرف التي قدمتها هي: o / ã / h / h / n / à كلمة فيتنامية كاملة يمكن تركيبها هي: "hành hạ"; 3. الأحرف التي قدمتها هي: o / ã / h / h / n / à. عند تركيبها، كلمة فيتنامية كاملة محتملة هي: "hào hãn"

بعض التطبيقات التي يمكن أن تكون المطالبة الصفرية فعالة فيها

1. تصنيف النصوص:

صنّف الفقرة التالية في إحدى الفئات: سياسة، اقتصاد، رياضة، ترفيه: [الفقرة]

2. تلخيص النصوص:

لخص المقال التالي في 3 نقاط رئيسية: [محتوى المقال]

3. تحليل المشاعر:

حلل مشاعر تعليق العميل التالي وحدد ما إذا كانت إيجابية، سلبية أو محايدة: [تعليق العميل]

4. تحويل تنسيق البيانات:

حول النص التالي إلى جدول JSON مع الحقول: الاسم، العمر، المهنة والاهتمامات: [النص الوصفي]

المطالبة الصفرية مفيدة جدًا للمهام البسيطة. لقد انتظرت طويلاً لأتمكن من تنفيذ مهام أكثر تعقيدًا باستخدام بضع مطالبات بسيطة. ولكن للاستفادة من الذكاء الاصطناعي اليوم، نحتاج إلى استراتيجية.

تحديد المعايير

قبل البدء في تصميم الـ prompt، من المهم جدًا أن تحدد بوضوح هدفك ومعايير النجاح. وإلا، ستقيم النتائج بشكل ذاتي وبدون قياس. بدلًا من ترك الـ LLM يجد طريقه بنفسه، حدد بالضبط ما تريده وكيف تعرف أنك قد حققت الهدف.

المعايير الجيدة هي:

محدد (Specific): يجب أن يكون واضحًا ودقيقًا حول هدفك.

مثال: اكتب مقالة مدونة بطول 500 كلمة عن فوائد القهوة على الصحة، موجهة للقراء غير المتخصصين. قم بتضمين 3 مراجع على الأقل.

قابل للقياس (Measurable): يجب أن يكون هناك مؤشرات أو مقاييس واضحة.

كما في المثال أعلاه، معيار النجاح هو أن تكون المقالة بطول 500 كلمة وتحتوي على 3 مراجع على الأقل.

قابل للتحقيق (Achievable): يجب أن يكون الهدف مبنيًا على الخبرة، معايير الصناعة، أو الأبحاث السابقة. لا ينبغي وضع أهداف عالية جدًا تتجاوز قدرات النموذج الحالية.

ملائم (Relevant): قم بضبط المعايير وفقًا لهدفك واحتياجاتك. الدقة العالية قد تكون مهمة جدًا للتطبيقات الطبية ولكنها أقل أهمية للـ chatbots العادية.

القاعدة الذهبية للـ prompt الواضح
قدم الـ prompt كما لو كنت تشرح لزميل لا يفهم المهمة بشكل كامل، ثم اطلب منه اتباع التعليمات. إذا كان مرتبكًا، فمن المحتمل أن يكون الذكاء الاصطناعي كذلك.

Prompt Areas

أربعة عناصر يجب مراعاتها لكتابة أمر فعال

للاستفادة القصوى من قوة الذكاء الاصطناعي (AI)، هناك أربعة عناصر أساسية يجب التركيز عليها بشكل خاص. هذه العناصر ستجعل أمرك واضحًا ودقيقًا وملائمًا للهدف المطلوب. عند فهمها وتطبيقها بشكل جيد، ستتمكن بسهولة من إنشاء أوامر عالية الجودة، وتقليل سوء الفهم من قبل الذكاء الاصطناعي، وبالتالي تحسين كفاءة العمل.

1. الشخصية (الدور أو الشخصية)

تعيين الدور هو تحديد دور الذكاء الاصطناعي في الأمر بشكل واضح. من خلال تحديد "شخصية" أو دور محدد للذكاء الاصطناعي، تساعد على فهمه الصحيح للنطاق والأسلوب والهدف المطلوب. على سبيل المثال:

• "أنت محامٍ متخصص في العقود التجارية."

• "أنت خبير تحليل بيانات في مجال البنوك."

• "أنت مسوق إبداعي."

2. المهمة (المهمة أو العمل)

أمر واضح حول المهمة يساعد الذكاء الاصطناعي على عدم التشتت، والتركيز بسهولة على النتيجة المطلوبة. بدلاً من التحدث بشكل عام، تحتاج إلى وصف المهمة بشكل واضح ومحدد كما تم تحليله في القسم السابق.

3. السياق (السياق)

السياق هو الجزء الذي يوفر المعلومات والبيانات والمواقف المحددة المتعلقة بالمهمة. هذا العنصر يساعد الذكاء الاصطناعي على فهم أفضل للمحتوى والسياق والبيانات ذات الصلة لتقديم إجابة مناسبة ودقيقة.

4. التنسيق (التنسيق)

التنسيق هو الشكل أو نمط الإجابة الذي ترغب فيه. اعتمادًا على الهدف والنتيجة النهائية التي تحتاجها، تحديد التنسيق بوضوح يجعل النتيجة واضحة وأسهل في الاستخدام.

الشخصية - الدور

تعيين دور (الشخصية) للذكاء الاصطناعي هو تقنية مهمة في تصميم النصوص الفعالة. عندما تضع الذكاء الاصطناعي في دور محدد، فإنه يتصرف ويجيب بأسلوب وأهداف ذلك الدور.

لماذا نحتاج إلى تعيين دور للذكاء الاصطناعي؟

تعيين دور للذكاء الاصطناعي يوفر العديد من الفوائد المهمة:

1. زيادة الدقة: سيركز الذكاء الاصطناعي على نطاق تخصص الدور المحدد، مما يقلل من الأخطاء

2. ضبط النبرة: سيكون أسلوب الإجابة مناسبًا للدور (مختصر، رسمي، سهل الفهم).

3. التركيز على المهمة: سيفهم الذكاء الاصطناعي نطاق العمل بوضوح، ولن يتشتت بالمعلومات غير ذات الصلة.

تعيين الدور المناسب للذكاء الاصطناعي هو المفتاح لاستغلال أقصى إمكاناته. فقط بتعيين الدور الصحيح، يمكنك تحويل الذكاء الاصطناعي إلى خبير في مجال محدد، مما يساعد في إنتاج تحليلات وإجابات دقيقة ومناسبة لاحتياجاتك. هذه طريقة فعالة لتوفير الوقت، وتحسين جودة العمل، والحفاظ على سيطرة جيدة أثناء العمل مع الذكاء الاصطناعي.

من وجهة نظري، إضافة شخصية وعلاقة بين الذكاء الاصطناعي والمستخدم لا يجعل الجلسة أكثر حيوية فحسب، بل يخلق أيضًا قربًا وطبيعية في الحوار. عندما يفهم الذكاء الاصطناعي أنه يلعب دور شخصية محددة، لها شخصيتها الخاصة وعلاقة محددة مع المستخدم، سيكون من السهل عليه التعبير عن وجهات نظر أو آراء أوضح، وفي نفس الوقت يكون أكثر ملاءمة لأسلوب التواصل الذي تريده. في اللغة العربية، هناك العديد من الفروق الدقيقة والأساليب المختلفة في التعبير عن العلاقات والمواقف، وليس فقط "أنت" أو "أنا" كما في اللغة الإنجليزية. على سبيل المثال، عندما تريد بناء حوار حميمي وقريب، يمكنك اختيار أسلوب مخاطبة مثل "أنت" بدلاً من "حضرتك"، والتعبير عن نفسك بـ "أنا" بدلاً من "أنا".

مثال:

أنت مستثمر صعب الإرضاء. أنت وأنا في نفس العمر، لذا دعنا نتعامل بشكل حميمي، قل "أنا" وادعني "أنت".

السياق - السياق

يساعد السياق الذكاء الاصطناعي على فهم الموقف والأهداف ونطاق المهمة التي يجب تنفيذها. سياق جيد يساعد الذكاء الاصطناعي على فهم "لماذا" و"كيف"، وبالتالي تقديم الحلول المناسبة والفعالة.

مثال: عندما تتلقى مكالمة تخبرك بأنك فزت بجائزة. عادةً ستشعر بالحماس لهذا النوع من الأخبار السارة. ولكن إذا كانت هناك مؤخرًا معلومات متزايدة عن عمليات الاحتيال المتعلقة بالفوز بجوائز، فستشك وترفض تلقي هذه المكالمة.

لماذا السياق مهم؟

توفير السياق الكامل يوفر العديد من الفوائد:

1. زيادة الدقة: يمكن للذكاء الاصطناعي تقديم إجابات أكثر ملاءمة عند فهم سياق المشكلة

2. تقليل سوء الفهم: السياق الواضح يساعد الذكاء الاصطناعي على تجنب الاستنتاجات الخاطئة

3. تحسين النتائج: يمكن للذكاء الاصطناعي التركيز على المعلومات الأكثر أهمية وملاءمة

كيفية التحسين

1. هيكلة واضحة: تنظيم المعلومات بترتيب منطقي، واستخدام العناوين والتنسيق المناسب

مثال على استخدام markdown لتحديد الفقرات

فيما يلي المقالات الأخيرة: ## المقالة 1 **عنوان المقالة 1 (بالخط العريض)** محتوى المقالة 1 ## المقالة 2 **عنوان المقالة 2 (بالخط العريض)** محتوى المقالة 2 ## المقالة 3 **عنوان المقالة 3 (بالخط العريض)** محتوى المقالة 3

2. اختيار المعلومات: تضمين المعلومات الضرورية فقط، وتجنب تشويش السياق

3. استخدام التنسيق المناسب: Markdown، XML أو الفواصل للتمييز بين أجزاء المعلومات

مثال على استخدام XML لتحديد النص الطويل

<document> {{محتوى المقالة الطويلة}} </document>

هناك سباق حول حجم السياق الذي قد لا تلاحظه. نماذج LLM الحالية تميل إلى زيادة حجم السياق بشكل كبير. الهدف الرئيسي هو احتواء سياق أكبر. في الواقع، لكي يكون الذكاء الاصطناعي خبيرًا حقيقيًا في مجال ما، يميل المستخدمون إلى توفير أكبر قدر ممكن من الوثائق.

السياق الكبير وكيفية استخدامه بفعالية

في العديد من المهام المعقدة، توفير سياق طويل وواضح هو عامل حاسم لفهم الذكاء الاصطناعي لمتطلباتك بشكل صحيح. نماذج LLM تصبح أقوى في معالجة سلاسل البيانات الطويلة، مما يساعد في الحفاظ على المعلومات ذات الصلة طوال المحادثة أو المهمة.

1. الاحتفاظ بمزيد من المعلومات: في المهام التي تتطلب تحليل الكثير من البيانات، الأسئلة المعقدة، أو الوثائق الكبيرة، سياق طويل يساعد النموذج على عدم تفويت التفاصيل المهمة.

2. دقة أعلى: عند توفر البيانات الكافية، يمكن للذكاء الاصطناعي التجميع والاستنتاج بشكل صحيح، وتجنب سوء الفهم أو إغفال الأجزاء الرئيسية.

3. أكثر إثارة للاهتمام مع مهام متنوعة: من كتابة المحتوى الطويل، تحليل البيانات، إلى حل المشكلات، المحادثات طويلة الأمد تتطلب سياقًا كبيرًا.

الذكاء الاصطناعي غالبًا ما ينسى عند العمل مع سياق كبير. يشبه ذلك كيفية تذكرنا، حيث تكون البداية والنهاية هي الأجزاء الأكثر أهمية. لذا مع السياق الكبير، ضعه في الجزء الأوسط. وأعد الطلب في نهاية الـ prompt.

التنسيق - التنسيق

قم بتنسيق طريقة إجابة LLM بما يتناسب مع هدفك. تنسيق جيد يجعل النتائج واضحة وسهلة الاستخدام ويوفر وقت التعديل لاحقًا.

التنسيقات الشائعة

فيما يلي بعض الطرق البسيطة والشائعة لطلب إرجاع النتائج بالتنسيق المطلوب:

1. تنسيق JSON

استخدم عندما تحتاج إلى بيانات ذات هيكل واضح، وسهلة المعالجة للبرمجة أو التحليل.

مثال:

قم بإنشاء قائمة بالدول التي يزيد عدد سكانها عن 100 مليون، وأرجعها بتنسيق JSON مع الحقول: - name: اسم الدولة، - population: عدد السكان، - largest_city: أكبر مدينة. النتيجة: { "name": "الصين", "population": 1398000000, "largest_city": "شنغهاي" }

2. إجابة متعددة الخيارات

استخدم عندما تريد الحصول على عدة نتائج للمقارنة وإيجاد النتيجة الأفضل.

مثال:

أعطني 10 عناوين لمقالات عن القهوة لجذب القراء الشباب

3. نص أو قائمة بالنقاط الرئيسية

هذا هو الشكل الأساسي، ولكن يجب توضيح طريقة العرض للذكاء الاصطناعي لفهم طلبك.

مثال:

أجب بفقرة نصية أقل من 500 كلمة، مقسمة إلى 3 أجزاء صغيرة

فوائد استخدام التنسيق المناسب

1. زيادة الاتساق: يتم إرجاع النتائج بهيكل موحد، مما يسهل المعالجة والتحليل

2. توفير الوقت: تقليل وقت التعديل وإعادة التنسيق

3. سهولة التكامل: النتائج ذات الهيكل الواضح يسهل دمجها مع الأنظمة والأدوات الأخرى

حتى الآن، لدينا هيكل لـ prompt فعال. لتسهيل المتابعة، سألخصه كما يلي: [Persona] أنت خبير في... (تعيين دور محدد. يمكن إضافة لقب، شخصية) [Task] إنشاء مقال عن... (هدف واضح) [Context] فيما يلي المعلومات ذات الصلة... (إضافة معلومات، تحديد النص بالهيكل) [Format] أجب بـ... (تنسيق النتيجة)

Chain of Thought

سلسلة التفكير - تقنية التفكير المتسلسل

مع المهام المعقدة مثل البحث، التحليل أو حل المشكلات، يجب أن تمنح LLM مساحة للتفكير، مما يحسن أدائها بشكل كبير. هذه التقنية، التي تسمى سلسلة التفكير (CoT)، تشجع LLM على تقسيم المشكلة إلى خطوات صغيرة.

الطريقة الأبسط: إضافة جملة "فكر خطوة بخطوة" إلى الـ prompt

هذه الطريقة تفتقر إلى توجيهات محددة حول كيفية التفكير. لن تكون مثالية في العديد من الحالات.

توجيه خطوات التفكير

حدد الخطوات التي يجب على LLM اتباعها أثناء عملية التفكير.

مثال: فكر خطوة بخطوة قبل الرد على البريد الإلكتروني: 1. أولاً، فكر في الرسائل التي قد تجذب المساهم بناءً على تاريخ مساهماته والحملات التي دعمها في الماضي. 2. ثم، فكر في جوانب برنامج Care for Kids التي قد تجذبه، بناءً على تاريخه. 3. أخيراً، اكتب بريدًا إلكترونيًا مخصصًا للمساهم باستخدام تحليلك.

فصل التفكير عن الإجابة

هذا سيسهل علينا تصحيح الأخطاء وتحسين النتائج. ومع ذلك، لن يكون ضروريًا مع النماذج التي تعرف كيفية الاستدلال.

مثال: الرد بتنسيق JSON يتضمن الحقول التالية: 1. thought: تفكيرك 2. answer: إجابتك

أهمية سلسلة التفكير

هذه التقنية هي واحدة من أكثر التقنيات التي يتم ذكرها في الأدبيات الرسمية حول الـ prompt. لقد أصبحت معيارًا لتحسين الدقة وقدرة نماذج LLM الحالية على حل المشكلات المعقدة.

أظهرت الدراسات أن استخدام سلسلة التفكير يساعد النماذج على معالجة المشكلات التي تتطلب استدلالًا متعدد الخطوات، مما يزيد بشكل كبير من نسبة الدقة، ويقلل من الأخطاء، ويوفر ردودًا أكثر منطقية واتساقًا. لم تعد هذه التقنية جديدة، بل أصبحت دليلًا للمطورين ومهندسي الـ prompt المحترفين.

أظهرت أبحاث Google أن نماذج اللغة الكبيرة (LLM) غالبًا ما تتفاعل بشكل سيء مع التوجيهات السلبية مثل "لا تفعل هذا" أو "لا تفعل ذلك." لذا، بدلاً من استخدام التوجيهات السلبية، يجب عليك توجيه AI بشكل محدد وواضح حول كيفية تحقيق النتيجة المرجوة. على سبيل المثال، بدلاً من قول "لا تكتب بشكل مطول،" قل "اكتب بإيجاز في 3 جمل رئيسية." هذه الطريقة تساعد AI على فهم الاتجاه بشكل أفضل، وتقلل من سوء الفهم، وتوفر ردودًا أكثر دقة.

التحفيز القليل النماذج

التحفيز القليل النماذج هو تقنية للتفاعل مع نماذج اللغة الكبيرة (LLM) من خلال تقديم بعض الأمثلة التوضيحية الواضحة في الجزء التحفيزي قبل طلب النموذج لأداء المهمة الرئيسية. بدلاً من تقديم أمر واحد فقط (كما في التحفيز الصفري)، يساعد التحفيز القليل النماذج على فهم أفضل لكيفية معالجة وتنسيق النتائج المرجوة من خلال عرض بعض الأمثلة المحددة مسبقًا.

في هذه الطريقة، ستقوم بإرفاق أمثلة نموذجية في الجزء التحفيزي، مع وصف واضح للمدخلات والنتائج المتوقعة. عندما يرى النموذج هذه الأمثلة، تزداد قدرته على التوقع بشكل كبير، خاصة في المهام التي تتطلب استدلالًا معقدًا أو معالجة تنسيق أو متطلبات خاصة.

المزايا

1. تحسين الدقة: تساعد الأمثلة النموذج على فهم أفضل للتعبير أو التنسيق أو المحتوى المطلوب، مما يقلل من الاستجابات الخاطئة أو غير ذات الصلة.

2. مرونة وتخصيص عالي: يمكن بسهولة إضافة أو تعديل الأمثلة لتتناسب مع أغراض مختلفة.

3. لا يتطلب بيانات كبيرة: فقط عدد قليل من الأمثلة، ولا حاجة لإعادة تدريب النموذج كما في التعديل الدقيق.

القيود

يتطلب تصميم أمثلة واضحة: يجب أن تكون الأمثلة واضحة ومناسبة ودقيقة لتجنب سوء الفهم.

مثال على التحفيز القليل النماذج

فيما يلي بعض الأمثلة لتصنيف الفقرات إلى فئات: السياسة، الاقتصاد، الرياضة، الترفيه. مثال 1: "الانتخابات البرلمانية تجري في جميع أنحاء البلاد." > السياسة مثال 2: "شهدت الأسهم نموًا قويًا هذا الربع." > الاقتصاد مثال 3: "تم إجراء المباراة النهائية لكأس العالم مؤخرًا." > الرياضة الآن، قم بتصنيف الفقرة التالية: "[الفقرة]"

وبالتالي، بتجميع جميع التقنيات الأقوى. لدينا النموذج النهائي للهيكل كما يلي: [الشخصية] أنت خبير في... (تعيين دور محدد. يمكن إضافة ألقاب، شخصية) [المهمة] إنشاء مقال عن... (هدف واضح) [السياق] فيما يلي المعلومات ذات الصلة... (إضافة معلومات، ترميز النص حسب الهيكل) [الأمثلة] (الأمثلة التوضيحية) [الإرشادات] (توجيه خطوات التفكير) [المهمة] (إعادة ذكر المهمة عندما يكون السياق طويلاً) [التنسيق] الرد بـ... (تنسيق النتيجة)

النظام الأساسي

النظام الأساسي هو أمر أو توجيه يتم تعيينه لنموذج LLM منذ البداية لتشكيل طريقة استجابته خلال المحادثة أو المهمة بأكملها. يعمل كـ "إطار خلفي" أو "قاعدة عامة" لفهم الذكاء الاصطناعي لأسلوبه، نطاقه، والغرض من عمله في جلسة الاتصال تلك.

دور النظام الأساسي

1. توجيه سلوك الذكاء الاصطناعي: يساعد الذكاء الاصطناعي على فهم النطاق، النغمة، وأسلوب الاستجابة المناسب لهدفك.

2. الحفاظ على الاتساق: في المحادثات الطويلة أو التفاعلات المتعددة، يساعد النظام الأساسي الذكاء الاصطناعي على الحفاظ على أسلوب استجابة مناسب، وتجنب الانحراف أو فقدان الهدف.

3. التحكم في المحتوى والقيود: يمكن وضع قواعد، حدود، أو معايير دنيا لاستجابة الذكاء الاصطناعي، مثل تجنب معالجة المحتويات الحساسة أو غير المناسبة.

4. تحسين فعالية استخدام الذكاء الاصطناعي: عند تعيين النظام الأساسي بشكل صحيح، سيكون استجابة الذكاء الاصطناعي أكثر دقة وملاءمة مقارنة بعدم استخدامه أو استخدامه بشكل غير صحيح.

الأخطاء الشائعة حالياً

تخفي تطبيقات الذكاء الاصطناعي غالباً هذا الجزء لتبسيط تجربة المستخدم. مما يجعل المستخدمين غالباً ما يضطرون إلى وضع كل الأمر في الرسالة العادية. دور وقوة النظام الأساسي مقارنة بالأمر العادي مختلف تماماً في المحادثة. الأمر الذي قمت ببنائه بعناية عندما يوضع في الرسالة العادية، سيضعف مع كل استجابة ولن يتم التعامل معه بنفس الأهمية مثل النظام الأساسي. بالنسبة لـ ChatGPT، يمكنك العثور عليه في Custom GPT أو OpenAI Platform. بالنسبة لـ Anthropic، يمكنك العثور عليه في Anthropic Console.

FeelAI Bot Builder يوفر لك ساحة لعب

تغيير الإعدادات بسهولة

تنوع النماذج، العديد من النماذج المجانية

تجربة العديد من الأدوات الجاهزة

التكامل مع منصات أخرى

مشاركة البوت مع الأصدقاء، الزملاء

System prompt

نماذج التفكير النظري

نماذج LLM التي تعرف كيف تفكر هي نوع خاص من الذكاء الاصطناعي، تتفوق في حل المشكلات المعقدة باستخدام المنطق والتفكير المنظم، تتجاوز النماذج العادية. يمكنها تحليل المشكلة، استكشاف طرق مختلفة، والتحقق من الحلول، غالبًا ما تتضمن عملية "سلسلة التفكير" (chain-of-thought)، حيث "تفكر" في كل خطوة من المشكلة قبل تقديم الإجابة.

الميزات الرئيسية

1. التفكير المنطقي: هذه النماذج لا تعتمد فقط على التنبؤ من أنماط البيانات، بل تستخدم أيضًا المنطق والاستدلال للوصول إلى إجابة أكثر دقة.

2. التفكير المنظم: غالبًا ما تطبق طريقة "سلسلة التفكير"، تقسيم المشكلة إلى خطوات أصغر وشرح عملية تفكيرها.

3. تحليل المشكلة: لديها القدرة على تقسيم المشكلات المعقدة إلى أجزاء أصغر وأكثر قابلية للإدارة.

4. التحقق من الحل: مرنة في تجربة طرق مختلفة للعثور على الطريقة المثلى والتحقق من صحة الحل.

5. التراجع: عندما يؤدي مسار إلى طريق مسدود، يمكن لهذه النماذج العودة ومحاولة طريقة أخرى لتحقيق النتيجة.

6. تعزيز القدرة على حل المشكلات: مناسبة بشكل خاص للمهام التي تتطلب التفكير المنطقي، الحسابات الرياضية أو البرمجة.

مناسبة بشكل خاص للمهام التي تتطلب التفكير المنطقي، الحسابات الرياضية أو البرمجة.

فهم وتطبيق نماذج التفكير النظري في الذكاء الاصطناعي يساعدنا على حل المشكلات المعقدة بشكل منهجي وفعال، خاصة في المجالات التي تتطلب التفكير المنطقي والتحليل العميق.

تجربة مع FeelAI Bot Builder

يوفر FeelAI Bot Builder العديد من نماذج التفكير التي يمكنك تجربتها. قم بتغيير المحادثة لرؤية الفرق.

Reasoning models
Reasoning models

الخلاصة

أشكركم بصدق على الوقت الذي قضيتموه في قراءة محتويات هذا المستند. آمل أن تساعدكم مشاركاتي على فهم أفضل لكيفية العمل بكفاءة مع الذكاء الاصطناعي.

في الختام، أود مشاركة المزيد عن انطباعاتي حول نماذج LLM الحالية. على الرغم من أنني قمت بالكثير من الاختبارات، إلا أنها تظل تقييمات شخصية. آمل أن تساعدكم في العثور بسرعة على النموذج الذي يناسب احتياجاتكم.

كلود

كلود هو أقوى نموذج للإبداع وإنشاء المحتوى مع أفضل قدرة على فهم السياق. على الرغم من أن سعره أعلى بكثير من النماذج الأخرى، إلا أنه يستحق كل قرش. لقد جربت العديد من النماذج لنفس المهمة وأدركت ذلك.

جيميني

بسعر منخفض، بنية تحتية جيدة وسرعة عالية، جيميني هو أفضل نموذج للمهام التي تتطلب سرعة عالية. على الرغم من أنه يتجاهل أجزاء كثيرة من السياق، إلا أنه يضمن دائمًا نوع البيانات، مما يجعله مناسبًا جدًا لبناء الأنظمة.

جروك

جروك هو النموذج الأكثر ذكاءً وعاطفة بين النماذج الحالية. جيد جدًا في إنشاء المحتوى ومناقشة الأفكار الجديدة.

ديبسيك

في معالجة اللغة الطبيعية، ليس جيدًا مثل كلود ولكنه أفضل بكثير من جيميني. ومع ذلك، هناك عيب كبير وهو أن البنية التحتية غير مستقرة مما يؤدي إلى سرعة بطيئة. يمكن استخدامه كبديل لكلود لتوفير التكاليف.

كيوين

كيوين قوي جدًا في معالجة اللغة الطبيعية، على الرغم من أنه ليس بنفس مستوى كلود ولكنه أكثر استقرارًا من ديبسيك. سرعة كيوين سريعة جدًا، والسعر أيضًا منخفض، وغالبًا ما أستخدمه كبديل لجيميني في مهام النظام.

من المهم أن نتذكر أنه لا توجد وصفة واحدة تناسب جميع الحالات. تصميم الـ prompt لا يتطلب فهمًا عميقًا لنماذج الذكاء الاصطناعي، ولكن الأهم هو سياق الاستخدام والهدف المحدد لكل حالة. نحتاج إلى التجربة المستمرة والتقييم والضبط لتحقيق أفضل النتائج.

آمل أن تفهموا أن الـ prompt ليس مجرد مهارة تقنية، بل هو فن. يتطلب الإبداع والصبر والقدرة على التفكير النقدي. لا تترددوا في تجربة أفكار جديدة ومشاركة تجاربكم مع المجتمع.

أخيرًا، حافظوا دائمًا على روح التعلم والتحديث. مجال الذكاء الاصطناعي يتطور بسرعة كبيرة، وستستمر التقنيات الجديدة في الظهور. إتقان المبادئ الأساسية سيساعدكم على التكيف بسهولة وتطبيق التطورات الجديدة في المستقبل.

يرجى الاتصال بي مباشرة، وسأكون سعيدًا بمساعدتكم في مهامكم المحددة.