برومبت للهندسة

هندسة الموجهات هي فن وعلم صياغة مدخلات (مطالبات) فعالة لتوجيه نماذج الذكاء الاصطناعي، وخاصة نماذج اللغات الكبيرة (LLMs)، نحو توليد المخرجات المطلوبة. ويتضمن ذلك فهم كيفية تفسير هذه النماذج للتعليمات والتصميم التكراري للمطالبات الواضحة والمحددة والتي توفر سياقًا كافيًا لاستنباط استجابات دقيقة وملائمة ومفيدة. نظرًا لأن نماذج الذكاء الاصطناعي أصبحت أكثر تكاملاً في مختلف الأدوات وسير العمل، فإن إتقان هندسة المطالبات أمر بالغ الأهمية لتحقيق أقصى قدر من إمكاناتها وضمان أداء موثوق به في مهام تتراوح بين الإجابة البسيطة عن الأسئلة وتوليد النصوص الإبداعية المعقدة.

كيف تعمل الهندسة الموقوتة

غالبًا ما تكون الهندسة السريعة الفعالة عملية تكرارية. فهي تبدأ بتحليل متطلبات المهمة وفهم قدرات وقيود نموذج الذكاء الاصطناعي المستهدف. ثم يقوم المهندس بعد ذلك بتصميم موجه أولي واختباره وتقييم المخرجات وتنقيح الموجه بناءً على النتائج. قد يتضمن هذا التنقيح إضافة تعليمات أكثر تحديدًا، أو تقديم أمثلة(التعلم من خلال لقطات قليلة)، أو تحديد تنسيق الإخراج المطلوب (مثل JSON)، أو وضع قيود، أو تعديل النبرة. غالبًا ما تعتمد التقنيات الرئيسية على مبادئ من معالجة اللغة الطبيعية (NLP) وتتطلب دراسة متأنية لكيفية تأثير الصياغة على سلوك النموذج، متأثرة ببيانات التدريب وبنيته، مثل نموذج المحول الموصوف في ورقة "الانتباه هو كل ما تحتاجه" الشهيرة.

تقنيات الموجهات الرئيسية

يتم استخدام العديد من الاستراتيجيات بشكل شائع في الهندسة السريعة:

• الموجهات الصفرية: مطالبة النموذج مباشرةً بأداء مهمة ما دون تقديم أمثلة مسبقة ضمن المطالبة نفسها. يعتمد هذا على معرفة النموذج الموجودة مسبقًا والمكتسبة أثناء التدريب. انظر التعلّم من الصفر.
• الموجهات قليلة العدد: تضمين عدد قليل من الأمثلة (أزواج المدخلات والمخرجات) مباشرةً داخل الموجه لتوجيه النموذج إلى المهمة والشكل المطلوبين.
• تحفيز سلسلة التفكير (CoT): تشجيع النموذج على "التفكير خطوة بخطوة" من خلال حثه على تحليل عملية التفكير قبل تقديم الإجابة النهائية، وغالبًا ما يؤدي ذلك إلى تحسين الأداء في المهام المعقدة.
• المطالبة بالدور: توجيه النموذج لتبني شخصية أو دور معين (على سبيل المثال، "تصرف كمطور Python خبير") لتخصيص أسلوب ومحتوى استجابته.
• تحديد بنية الإخراج: تحديد التنسيق المطلوب للمخرجات بوضوح، مثل طلب قائمة مرقمة أو جدول أو رمز منسق بلغة معينة. تقدم موارد مثل دليل هندسة موجهات OpenAI أفضل الممارسات.

التطبيقات الواقعية

الهندسة السريعة أمر أساسي للنشر الناجح للعديد من تطبيقات الذكاء الاصطناعي:

1. أتمتة خدمة العملاء: تصميم المطالبات لروبوتات الدردشة الآلية والمساعدين الافتراضيين للتعامل مع استفسارات العملاء بدقة، والحفاظ على صوت العلامة التجارية المحدد، وتصعيد المشكلات المعقدة بشكل مناسب. تستخدم الشركات هذه التقنيات لتحسين تجربة العملاء، كما رأينا في منصات مثل Zendesk AI.
2. إنشاء المحتوى وتلخيصه: صياغة مطالبات لأدوات الذكاء الاصطناعي التوليدي (مثل تلك التي طورتها Cohere أو Anthropic) لإنشاء نسخة تسويقية، أو كتابة رسائل البريد الإلكتروني، أو تلخيص المستندات الطويلة(تلخيص النص)، أو حتى إنشاء مقتطفات من التعليمات البرمجية باستخدام أدوات مثل GitHub Copilot.

وتتضمن التطبيقات الأخرى تشغيل محركات البحث الدلالي، وقيادة الأدوات التعليمية التفاعلية، وتمكين تحليل البيانات المتطورة من خلال واجهات اللغة الطبيعية.

الهندسة الفورية مقابل المفاهيم ذات الصلة

من المفيد التفريق بين الهندسة السريعة والمصطلحات ذات الصلة:

• إثراء المطالبة: يركز على تعزيز المطالبة الأولية للمستخدم تلقائيًا بسياق إضافي (على سبيل المثال، من قاعدة معرفية باستخدام RAG) قبل أن تصل إلى LLM. هندسة الموجهات هي الصياغة اليدوية للتعليمات الأساسية.
• ضبط الموجه: تقنية الضبط الدقيق الفعال للمعلمات (PEFT) حيث تتم إضافة التضمينات القابلة للتعلم (مطالبات ناعمة) إلى مدخلات النموذج وتحسينها، بدلاً من صياغة مطالبات نصية.
• الضبط الدقيق: يتضمن تحديث أوزان النموذج الفعلي من خلال تدريبه بشكل أكبر على مجموعة بيانات محددة، وتكييف النموذج نفسه بدلاً من مجرد المطالبة بالإدخال.

وعلى الرغم من اختلاف هذه التقنيات، إلا أنها يمكن أن تكون مكملة لبعضها البعض. على سبيل المثال، قد يتم إثراء المطالبة الأساسية المصممة جيدًا بالبيانات المسترجعة تلقائيًا قبل معالجتها بواسطة نموذج مضبوط بدقة. غالبًا ما تدمج أطر مثل LangChain هذه الأساليب المختلفة.

الملاءمة في الرؤية الحاسوبية

تقليديًا أقل بروزًا في مجال الرؤية الحاسوبية (CV) مقارنةً بالبرمجة اللغوية العصبية، أصبحت هندسة المطالبة ذات أهمية متزايدة مع ظهور نماذج متعددة الوسائط وأنظمة الرؤية القابلة للمطالبة. يمكن أن تؤدي نماذج مثل CLIP أو YOLO أو YOLOE مهام مثل اكتشاف الأجسام أو تجزئة الصور بناءً على أوصاف نصية. تُعد صياغة مطالبات نصية فعالة (على سبيل المثال، "اكتشاف جميع 'السيارات الحمراء' وتجاهل 'الشاحنات'") شكلاً من أشكال هندسة المطالبات الحاسمة لتوجيه نماذج لغة الرؤية هذه. تعمل منصات مثل Ultralytics HUB على تسهيل التفاعل مع النماذج المختلفة، بما في ذلك Ultralytics YOLO مثل نماذج مثل YOLOv8 و YOLO11حيث يمكن أن يستفيد تحديد المهام من خلال الواجهات من المبادئ الهندسية السريعة، خاصةً مع اكتساب النماذج المزيد من القدرات التفاعلية.