مقدمة تفصيلية لمواد تعلم هندسة السياق

نظرة عامة على المشروع

هندسة السياق (Context Engineering) هو مجال ناشئ صاغه أندريه كارباثي، ويركز على تجاوز هندسة الأوامر التقليدية (Prompt Engineering) نحو تخصص أوسع يشمل تصميم السياق وتنسيقه وتحسينه. يوفر مشروع GitHub هذا دليلاً تعليمياً عملياً مبنياً على المبادئ الأولى.

الفلسفة الأساسية

وفقاً لتعريف أندريه كارباثي:

"هندسة السياق هي الفن والعلم الدقيقان لملء نافذة السياق بالمعلومات الصحيحة تماماً للخطوة التالية."

مقارنة بين هندسة الأوامر وهندسة السياق

هندسة الأوامر (Prompt Engineering)      |  هندسة السياق (Context Engineering)
-----------------------------------|----------------------------------
تركز على "ماذا تقول"                 |  تركز على "كل المحتوى الآخر الذي يراه النموذج"
تعليمات فردية                       |  أمثلة، ذاكرة، استرجاع، أدوات، حالة، تدفق تحكم

بنية الاستعارة البيولوجية

يعتمد المشروع استعارة بيولوجية لبناء نظام تعلم تدريجي:

ذرات ← جزيئات ← خلايا ← أعضاء ← أنظمة عصبية بيولوجية ← نظرية المجال العصبي
 |      |      |      |         |              |
أمر    أمثلة   ذاكرة   متعددة    أدوات معرفية +    مجال عصبي +
فردي   قليلة   حالة   الخطوات    برامج أوامر     استمرارية ورنين

شرح تفصيلي لهيكل المشروع

1. وحدة النظريات الأساسية (00_foundations/)

• 01_atoms_prompting.md - وحدات تعليمات على مستوى الذرة
• 02_molecules_context.md - أمثلة قليلة/سياق
• 03_cells_memory.md - طبقة حوار ذات حالة
• 04_organs_applications.md - تدفق تحكم متعدد الخطوات
• 05_cognitive_tools.md - توسيع النماذج الذهنية
• 06_advanced_applications.md - تطبيقات العالم الحقيقي
• 07_prompt_programming.md - أنماط استدلال مبرمجة
• 08_neural_fields_foundations.md - السياق كمجال مستمر
• 09_persistence_and_resonance.md - ديناميكيات المجال والجواذب
• 10_field_orchestration.md - تنسيق مجالات متعددة

2. دليل من الصفر إلى الخبير (10_guides_zero_to_hero/)

يحتوي على 8 دروس عملية، من تجارب الأوامر الأساسية إلى معالجة المجال العصبي المتقدمة:

• 01_min_prompt.ipynb - تجربة أمر أدنى
• 02_expand_context.ipynb - تقنيات توسيع السياق
• 03_control_loops.ipynb - آليات التحكم في التدفق
• 04_rag_recipes.ipynb - أنماط التوليد المعزز بالاسترجاع (RAG)
• 05_prompt_programs.ipynb - برامج استدلال منظمة
• 06_schema_design.ipynb - أنماط تصميم المخططات
• 07_recursive_patterns.ipynb - سياقات ذاتية المرجعية
• 08_neural_fields.ipynb - معالجة السياق القائمة على المجال

3. قوالب المكونات القابلة لإعادة الاستخدام (20_templates/)

يوفر قوالب مكونات جاهزة للاستخدام:

• minimal_context.yaml - هيكل سياق أساسي
• control_loop.py - قالب تنسيق
• scoring_functions.py - مقاييس التقييم
• prompt_program_template.py - قالب هيكل البرنامج
• schema_template.yaml - قالب تعريف المخطط
• neural_field_context.yaml - قالب سياق قائم على المجال

4. أمثلة على التطبيقات العملية (30_examples/)

مشاريع عملية من بسيطة إلى معقدة:

• 00_toy_chatbot/ - وكيل محادثة بسيط
• 01_data_annotator/ - نظام ترميز البيانات
• 02_multi_agent_orchestrator/ - نظام تنسيق الوكلاء المتعددين
• 03_cognitive_assistant/ - مساعد استدلال متقدم
• 04_rag_minimal/ - تطبيق RAG أدنى
• 05_neural_field_orchestrator/ - تنسيق قائم على المجال

5. إطار الأدوات المعرفية (cognitive-tools/)

إطار معرفي متقدم، يتضمن:

• cognitive-templates/ - قوالب استدلال
• cognitive-programs/ - برامج أوامر منظمة
• cognitive-schemas/ - تمثيل المعرفة
• cognitive-architectures/ - أنظمة استدلال كاملة

6. البروتوكولات والأطر (60_protocols/)

• shells/ - تعريفات قوالب البروتوكولات
• digests/ - وثائق بروتوكول مبسطة
• schemas/ - مخططات البروتوكولات

شرح المفاهيم الأساسية

المفهوم	التعريف	الأهمية
ميزانية الرموز (Token Budget)	تحسين كل رمز في السياق	المزيد من الرموز = تكلفة أعلى واستجابة أبطأ
التعلم من أمثلة قليلة (Few-Shot Learning)	التعليم من خلال عرض الأمثلة	عادة ما يكون أكثر فعالية من مجرد الشرح
أنظمة الذاكرة (Memory Systems)	استمرارية المعلومات عبر الجولات	تحقيق تفاعل متماسك وذو حالة
التوليد المعزز بالاسترجاع (Retrieval Augmentation)	البحث عن المستندات ذات الصلة وحقنها	استجابات قائمة على الحقائق، تقلل الهلوسة
تدفق التحكم (Control Flow)	تقسيم المهام المعقدة إلى خطوات	حل المشكلات المعقدة بأوامر بسيطة
تقليم السياق (Context Pruning)	حذف المعلومات غير ذات الصلة	الاحتفاظ فقط بما هو ضروري للأداء
المقاييس والتقييم (Metrics & Evaluation)	قياس فعالية السياق	التحسين التكراري لاستخدام الرموز والجودة

مسار التعلم

يوفر المشروع مسار تعلم واضحاً:

1. قراءة النظريات الأساسية (00_foundations/01_atoms_prompting.md) - 5 دقائق
   ↓
2. تشغيل المثال الأدنى (10_guides_zero_to_one/01_min_prompt.py)
   ↓
3. استكشاف القوالب (20_templates/minimal_context.yaml)
   ↓
4. دراسة التنفيذ الكامل (30_examples/00_toy_chatbot/)

مبادئ التصميم

• المبادئ الأولى - البدء من السياق الأساسي
• الإضافة التكرارية - إضافة ما يفتقر إليه النموذج بوضوح فقط
• قياس كل شيء - تكلفة الرموز، التأخير، تقييم الجودة
• الحذف بلا هوادة - التقليم أهم من الملء
• الكود بدلاً من الشرائح - كل مفهوم له كود قابل للتشغيل
• تصور كل شيء - تصور كل مفهوم باستخدام رسوم ASCII البيانية والرسوم الرمزية

الجمهور المستهدف

• باحثو ومهندسو الذكاء الاصطناعي/تعلم الآلة
• المطورون الذين لديهم فهم أساسي لهندسة الأوامر
• الممارسون الذين يرغبون في بناء تطبيقات نماذج لغة كبيرة (LLM) أكثر قوة
• المتعلمون المهتمون بتحسين السياق

مميزات المشروع

1. منهجية نظامية - إطار عمل كامل من المستوى الذري إلى مستوى النظام
2. موجه نحو الممارسة - كل مفهوم له أمثلة قابلة للتشغيل
3. تعلم تدريجي - مسار تعلم من البسيط إلى المعقد
4. مساهمة مفتوحة المصدر - نرحب بمساهمات المجتمع وتحسيناته
5. نظرية متطورة - مبني على أحدث نتائج أبحاث الذكاء الاصطناعي

الخلاصة

يمثل هذا المشروع تحولاً من هندسة الأوامر التقليدية إلى منهج أكثر منهجية وهندسية لتصميم السياق. فهو لا يوفر إطاراً نظرياً فحسب، بل يتضمن أيضاً العديد من الإرشادات العملية والمكونات القابلة لإعادة الاستخدام، مما يجعله مورداً ممتازاً لتعلم وإتقان هندسة السياق. بالنسبة للمطورين الذين يأملون في بناء تطبيقات نماذج لغة كبيرة (LLM) أكثر قوة وموثوقية، تعد هذه مادة تعليمية لا تقدر بثمن.