تشخيص المطالبات السيئة وإصلاحها
قائمة فحص منهجية لتحسين المطالبات ضعيفة الأداء
تشخيص المطالبات السيئة وإصلاحها درس مجاني في AI Prompt Engineering على CoddyKit. هذا هو الدرس 4 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في AI Prompt Engineering، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Prompt Engineering 4 دروس في المجموع.
عقلية تصحيح الأخطاء
عندما تنتج مطالبة مخرجات سيئة، تكون أول غريزة لدى معظم الأشخاص هي إلقاء اللوم على النموذج. لكن في معظم الحالات، تكمن المشكلة في المطالبة، بينما يتصرف النموذج تمامًا كما ينبغي له وفقًا للتعليمات التي تلقاها.
إن التعامل مع إخفاقات المطالبات على أنها مشكلات تصحيح أخطاء أكثر إنتاجية. فكما هو الحال عند تصحيح أخطاء التعليمات البرمجية، تحددون السبب الجذري بشكل منهجي، وتضعون فرضية لإصلاحه، وتختبرونها، ثم تتحققون من النتيجة. وتؤدي هذه العقلية إلى تحسين أسرع من التجربة العشوائية التي يرافقها الإحباط.
قائمة التحقق لتصحيح أخطاء المطالبات
عندما تفشل مطالبة، اعملوا بشكل منهجي على قائمة التحقق ذات الأبعاد الخمسة التالية:
- التحديد الدقيق — هل المطالبة غامضة أكثر من اللازم؟ هل تحتاج المهمة إلى تعريف أكثر دقة؟
- السياق — هل تنقص معلومات أساسية يحتاج إليها النموذج؟
- التنسيق — هل حُدِّد تنسيق المخرجات وطولها المطلوبان؟
- القيود — هل ذُكرت القيود بوضوح؟ هل يتعارض بعضها مع بعض؟
- الأمثلة — هل سيؤدي تقديم مثال على مخرجات جيدة إلى إزالة الغموض؟
يرتبط كل بُعد بنوع محدد من الإصلاح. حددوا البُعد الذي أخفق وطبّقوا الإصلاح المقابل له.
البُعد الأول: التحقق من التحديد الدقيق
تؤدي إخفاقات التحديد الدقيق إلى: اختيار موضوع خاطئ، أو معالجة الموضوع من زاوية خاطئة، أو استهداف مستوى جمهور غير مناسب، أو إغفال جوانب أساسية من المهمة.
أسئلة التشخيص:
- هل يمكن لشخص ذكي لا يعرف السياق أن يفسر هذه المطالبة بطريقة مختلفة عما قصدته؟
- هل توجد كلمات غامضة مثل «جيد» و«أفضل» و«مناسب» و«احترافي» تحتاج إلى استبدال؟
- هل حُدِّد نوع المهمة، مثل مقال أو رسالة بريد إلكتروني أو ملخص أو تحليل؟
- هل حُدِّد الجمهور بدقة كافية؟
الإصلاح: استبدلوا الكلمات الغامضة بأخرى محددة. وسمّوا نوع المهمة. وحددوا خلفية الجمهور. وأضيفوا مثالًا في جملة واحدة على المخرجات المطلوبة.
البُعد الثاني: التحقق من السياق
تؤدي إخفاقات السياق إلى: نصائح عامة تتجاهل وضعكم المحدد، أو افتراضات خاطئة حول مكدس التقنيات أو الشركة أو الجمهور، أو استجابات قد تنجح في سياق مختلف لكنها لا تناسب سياقكم.
أسئلة التشخيص:
- ما الذي يحتاج النموذج إلى معرفته عن وضعي المحدد ولا يمكنه معرفته من التدريب العام؟
- هل قدّمت التعليمات البرمجية أو المستند أو البيانات ذات الصلة بالمهمة؟
- هل شرحت قيود بيئتي؟
الإصلاح: أضيفوا قسمًا بعنوان «الخلفية» قبل تعليمات المهمة. والصقوا التعليمات البرمجية أو المحتوى ذي الصلة مباشرةً في المطالبة.
البُعد الثالث: التحقق من التنسيق
تؤدي إخفاقات التنسيق إلى: محتوى صحيح ببنية خاطئة — نص نثري عندما تحتاجون إلى نقاط، أو مقالًا عندما تحتاجون إلى دليل خطوة بخطوة، أو مخرجات بلا عناوين عندما تكون سهولة التنقل مطلوبة.
أسئلة التشخيص:
- هل حددت تنسيق المخرجات، مثل النقاط أو القائمة المرقمة أو النص النثري أو الجدول أو كتلة التعليمات البرمجية؟
- هل حددت الطول؟
- هل حددت الأقسام المطلوبة أو البنية المطلوبة؟
الإصلاح: أضيفوا تعليمات واضحة للتنسيق. استخدموا النمط التالي: «التنسيق: [البنية]. الطول: [الطول المستهدف]. الأقسام: [القائمة].» وبالنسبة إلى التنسيقات المعقدة، قدّموا قالبًا يحتوي على نصوص نائبة ينبغي للنموذج تعبئتها.
البُعد الرابع: التحقق من القيود
تؤدي إخفاقات القيود إلى: محتوى يتضمن ما أردتم استبعاده، أو مخرجات تبدو آلية بسبب تعارض القيود.
أسئلة التشخيص:
- هل ذُكرت قيودي بوضوح، أم أنها مفهومة ضمنًا؟
- هل تتعارض أي قيود مع بعضها؟
- هل تتعارض قيودي مع نطاق المحتوى أو طوله؟
- هل توجد تعليمات تحدد الأولوية عند اقتراب القيود من التعارض؟
الإصلاح: اجعلوا القيود المفهومة ضمنًا صريحة. وأضيفوا تعليمات لتحديد الأولويات. وحلّوا التعارضات باختيار القيد الذي تكون له الأولوية. وتحققوا من توافق النطاق والطول.
البُعد الخامس: التحقق من الأمثلة
عندما تبدو الأبعاد الأربعة الأولى سليمة، لكن المخرجات لا تزال غير مناسبة، تكون الأمثلة غالبًا هي العنصر المفقود. فهي توضّح ما لا تستطيع الكلمات توضيحه.
أسئلة التشخيص:
- هل سيؤدي عرض مثال على مخرجات جيدة إلى توضيح الأسلوب أو النبرة أو التنسيق المتوقع؟
- هل سيساعد مثال سلبي، أي مثال لما ينبغي عدم إنتاجه؟
- هل توجد مخرجات سابقة من نوع المهمة هذا يمكنكم استخدامها مرجعًا؟
الإصلاح: أضيفوا مثالًا أو مثالين على المخرجات المثالية إلى المطالبة. استخدموا النمط التالي: «إليكم مثالًا على ما أبحث عنه: [المثال]. والآن نفّذوا الشيء نفسه للمهمة الفعلية: [مهمتكم].»
سير عمل لتصحيح أخطاء المطالبات
إليكم سير عمل تشخيصيًا كاملًا يمكنكم تطبيقه على أي مطالبة تفشل:
def diagnose_prompt(original_prompt, failed_output, problem_description):
'''
Use a second LLM call to diagnose why a prompt produced a bad output.
Returns a diagnosis and an improved prompt.
'''
import openai
client = openai.OpenAI(api_key='sk-...')
diagnosis_prompt = f'''You are a prompt engineering expert.
A user ran this prompt:
---PROMPT---
{original_prompt}
---END PROMPT---
It produced this output (which was unsatisfactory):
---OUTPUT---
{failed_output[:500]}...
---END OUTPUT---
The problem the user identified: {problem_description}
Diagnose the prompt failure using this framework:
1. Specificity: Is anything too vague?
2. Context: What background information is missing?
3. Format: Is the desired format/length unclear?
4. Constraints: Are there missing or conflicting constraints?
5. Examples: Would an example help?
Then write an improved version of the prompt that addresses the root cause.
Format: Diagnosis: [analysis] || Improved prompt: [new prompt]'''
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': diagnosis_prompt}]
)
return response.choices[0].message.contentالسبب الجذري في مقابل العَرَض
من الأخطاء الشائعة عند تصحيح الأخطاء معالجة العَرَض بدلًا من السبب الجذري.
العَرَض: المخرجات عامة أكثر من اللازم.
إصلاح العَرَض: إضافة عبارة «كونوا أكثر تحديدًا» إلى المطالبة.
السبب الجذري: لم يُحدَّد الجمهور، لذلك افترض النموذج جمهورًا عامًا.
إصلاح السبب الجذري: إضافة تحديد دقيق للجمهور.
تؤدي معالجة الأعراض إلى تحسين هامشي، بينما تؤدي معالجة الأسباب الجذرية إلى تحسين موثوق. اسألوا «لماذا يحدث هذا العَرَض؟» بمستوى أعمق قبل كتابة الإصلاح.
الاحتفاظ بسجل إخفاقات المطالبات
بالنسبة إلى أنواع المهام المتكررة، يسرّع الاحتفاظ بسجل لإخفاقات المطالبات عملية التحسين بمرور الوقت. ويسجل كل إدخال ما يلي:
- المطالبة الأصلية
- المخرجات السيئة، أو وصفًا لما كان خاطئًا
- السبب الجذري المشخَّص: التحديد الدقيق أو السياق أو التنسيق أو القيود أو الأمثلة
- الإصلاح المطبَّق
- النتيجة
بعد تسجيل 10–20 إدخالًا، تبدأ الأنماط في الظهور. وقد تجدون أن السبب الجذري نفسه، مثل غياب سياق الجمهور، يفسر 60% من الإخفاقات في فئة معينة. أصلحوه في القالب، وسيختفي هذا النمط.
قالب المطالبة المحسَّن
تتبع معظم المطالبات جيدة البنية قالبًا متسقًا يعالج أبعاد تصحيح الأخطاء الخمسة كلها بشكل استباقي:
ROBUST_PROMPT_TEMPLATE = '''
## Role
[Who the model should act as — establishes expertise level and perspective]
## Context
[Background the model needs: company, audience, product, prior decisions, constraints]
## Task
[Specific, precise description of what to produce]
## Format
[Output structure: bullet points / prose / numbered list / table]
[Length: word count or sentence count]
[Required sections: list them if the output needs specific sections]
## Constraints
[What to include: required elements]
[What to exclude: off-limits content or approaches]
[Priority: if constraints conflict, X takes priority over Y]
## Example
[One example of good output for this task type — optional but powerful]
'''
print(ROBUST_PROMPT_TEMPLATE)اختبار المعرفة: تصحيح أخطاء المطالبات
تنتج مطالبة مخرجات مكتوبة جيدًا، لكنها تركز على أفضل الممارسات العامة للموضوع بدلًا من الوضع المحدد الموصوف في المهمة. التنسيق والطول صحيحان، ولم تُنتهك القيود. ما بُعد تصحيح الأخطاء الذي يمثل السبب الجذري؟
مراجعة: تشخيص المطالبات السيئة وإصلاحها
تصحيح أخطاء المطالبات عملية منهجية، وليس تجربة عشوائية. فقائمة التحقق ذات الأبعاد الخمسة — التحديد الدقيق، والسياق، والتنسيق، والقيود، والأمثلة — تربط كل نوع شائع من الإخفاقات بإصلاح محدد.
يعالج قالب المطالبة المتين الأبعاد الخمسة كلها بشكل استباقي، مما يمنع معظم الإخفاقات قبل حدوثها. ويؤدي سير عمل تصحيح الأخطاء، أي تحديد العَرَض ← العثور على السبب الجذري ← تطبيق الإصلاح ← التحقق، إلى تحسين موثوق. كما يسرّع سجل إخفاقات المطالبات عملية التعلم عبر الجلسات.
باستخدام هذه الأدوات، يمكنكم تشخيص أي إخفاق في المطالبات وإصلاحه بطريقة منهجية ومتسقة.
تعلم AI Prompt Engineering مع معلم ذكاء اصطناعي — مجانًا
اكتب وقم بتشغيل أكوادك الفعلية في المتصفح، واحصل على مساعدة فورية من معلم ذكاء اصطناعي متاح 24/7، واستمر من حيث توقفت على الويب أو في التطبيق.
- الدورات
- 53
- الدروس
- 199
الأسئلة الشائعة
هل درس «تشخيص المطالبات السيئة وإصلاحها» مجاني؟
نعم — نص درس «تشخيص المطالبات السيئة وإصلاحها» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Prompt Engineering، انتقل إلى CoddyKit PRO. تتضمن دورة AI Prompt Engineering 4 دروس في المجموع.
ماذا ستتعلم في «تشخيص المطالبات السيئة وإصلاحها»؟
قائمة فحص منهجية لتحسين المطالبات ضعيفة الأداء تتمرن على AI Prompt Engineering مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ AI Prompt Engineering؟
لا تُشترط خبرة سابقة. AI Prompt Engineering على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 4 من أصل 4.
كم من الوقت يستغرق درس «تشخيص المطالبات السيئة وإصلاحها»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس AI Prompt Engineering هذا؟
نعم. كل درس في AI Prompt Engineering يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- التعليمات الغامضة للغاية
- المتطلبات المتناقضة
- أخطاء السياق المفقود
- تشخيص المطالبات السيئة وإصلاحها