0Pricing
AI Prompt Engineering · درس

أقسام المطالبة المعيارية

افصلوا السياق والتعليمات والقيود وتنسيق المخرجات بوضوح

أقسام المطالبة المعيارية درس مجاني في AI Prompt Engineering على CoddyKit. هذا هو الدرس 2 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.

مشكلة المطالبات أحادية الكتلة

تحشر المطالبة أحادية الكتلة كل شيء في فقرة واحدة: الخلفية والمهمة والقواعد والأمثلة وتنسيق المخرجات، وكلها مختلطة معًا. ومع ازدياد تعقيد المطالبات، تؤدي البنية أحادية الكتلة إلى ما يلي:

  • تطبيق النماذج للقواعد على الأقسام الخطأ
  • صعوبة تحديد الجزء الذي تسبب في المخرجات السيئة
  • سلاسل مطالبات يستحيل صيانتها
  • سلوك غير متسق بين إصدارات النموذج

تحل المطالبات المعيارية كل هذه المشكلات.

الأقسام الأساسية الخمسة للمطالبة

تتكون المطالبة جيدة التنظيم من خمسة أقسام متميزة، لكل منها غرض واضح:

  • السياق — المعلومات الأساسية التي يحتاج النموذج إلى فهم الموقف
  • المهمة — ما يجب على النموذج فعله، بصياغة واضحة
  • القيود — القواعد والحدود المفروضة على الاستجابة
  • تنسيق المخرجات — بنية الاستجابة المتوقعة وطولها ومخططها
  • الأمثلة — أمثلة توضيحية للسلوك الصحيح

لا تحتاج كل مطالبة إلى الأقسام الخمسة جميعها. استخدم ما يلزم فقط.

قسم السياق

يوفر قسم السياق معلومات أساسية من دون إخبار النموذج بما ينبغي فعله. ويتضمن السياق الجيد ما يلي:

  • هوية المستخدم النهائي
  • المنصة أو المنتج المخصص له هذا الاستخدام
  • المعرفة ذات الصلة بالمجال
  • أي حالة سابقة ينبغي أن يكون النموذج على علم بها
context_section = '''
<context>
You are assisting a customer support agent at a B2B SaaS company.
The company sells project management software used by engineering teams.
Customers are typically CTOs, engineering managers, or senior developers.
The support agent is handling a live chat conversation with a customer.
</context>
'''

print(context_section)

قسم المهمة

يحدد قسم المهمة بدقة ما يجب على النموذج إنتاجه. وينبغي أن يكون محددًا وموجهًا نحو التنفيذ وخاليًا من المعلومات الخلفية غير الضرورية.

task_section = '''
<task>
Draft a response to the customer message below.
The response should:
1. Acknowledge the customer's issue
2. Provide a concrete next step
3. Set a realistic expectation for resolution time
</task>

<customer_message>
Our Gantt chart view stopped loading after the last update.
This is blocking our sprint planning session today.
</customer_message>
'''

print(task_section)

قسم القيود

تحدد القيود الضوابط الوقائية — ما يجب على النموذج عدم فعله والحدود الصريحة التي يجب عليه احترامها.

constraints_section = '''
<constraints>
- Do not promise a fix by a specific date unless you are certain.
- Do not mention competitor products by name.
- Keep the response under 100 words.
- Use a professional but empathetic tone.
- Do not ask the customer for information already provided in their message.
</constraints>
'''

print(constraints_section)

قسم تنسيق المخرجات

يخبر قسم تنسيق المخرجات النموذج بدقة بكيفية تنظيم استجابته — مثل مخطط JSON أو عناوين Markdown أو نص عادي أو قوائم مرقمة.

output_format_section = '''
<output_format>
Respond with a JSON object containing:
{
  "subject": "string (email subject line)",
  "body": "string (email body, plain text, under 150 words)",
  "priority": "high | medium | low",
  "escalate": true | false
}
Do not include any text outside the JSON object.
</output_format>
'''

print(output_format_section)

قسم الأمثلة

توضح الأمثلة للنموذج زوجًا صحيحًا من المدخلات والمخرجات. ضع الأمثلة بعد القيود حتى يطلع النموذج على القواعد قبل المثال التوضيحي.

examples_section = '''
<examples>
  <example>
    <input>Customer: My invoices are not downloading.</input>
    <output>{
      "subject": "Invoice Download Issue",
      "body": "Thank you for reaching out. We see the issue with invoice downloads and our team is investigating. We expect a fix within 2 hours. We will email you once resolved.",
      "priority": "high",
      "escalate": true
    }</output>
  </example>
</examples>
'''

print(examples_section)

تجميع مطالبة معيارية

يجعل النهج المعياري عملية التجميع والتحرير مباشرة. ويمكن تعديل كل قسم بشكل مستقل.

def build_support_prompt(customer_message):
    context = '<context>B2B SaaS customer support for project management software.</context>'
    task = f'<task>Draft a JSON response to this customer message.</task>\n<customer_message>{customer_message}</customer_message>'
    constraints = '<constraints>Under 100 words. Professional tone. No competitor names.</constraints>'
    output_fmt = '<output_format>Return JSON: {"subject": str, "body": str, "priority": str, "escalate": bool}</output_format>'
    return '\n\n'.join([context, task, constraints, output_fmt])

message = 'The Gantt chart stopped loading after your last update.'
print(build_support_prompt(message))

فوائد تصحيح الأخطاء

عندما تنتج مطالبة معيارية مخرجات سيئة، يمكنك عزل القسم الذي يسبب المشكلة:

  • هل نُفذت مهمة خاطئة؟ — راجع قسم المهمة
  • هل جرى انتهاك قاعدة؟ — راجع قسم القيود
  • هل بنية المخرجات خاطئة؟ — راجع قسم تنسيق المخرجات
  • هل الجودة منخفضة؟ — راجع قسم الأمثلة أو أضف مزيدًا من السياق

يمكنك تغيير قسم واحد في كل مرة وإعادة الاختبار من دون إعادة كتابة المطالبة بأكملها.

فوائد الصيانة

تُعد المطالبات المعيارية المخزنة ككائنات أو دوال منظمة أسهل بكثير في الصيانة من القيم النصية الحرفية الطويلة:

  • حدّث السياق عند تغير منتجك من دون المساس بمنطق المهمة
  • بدّل تنسيق المخرجات من JSON إلى Markdown من دون تغيير القيود
  • اختبر مجموعات أمثلة مختلفة بطريقة A/B مع إبقاء كل شيء آخر ثابتًا
  • أدر إصدارات الأقسام الفردية بشكل مستقل
class Prompt:
    def __init__(self):
        self.context = ''
        self.task = ''
        self.constraints = []
        self.output_format = ''
        self.examples = []

    def build(self):
        parts = []
        if self.context:
            parts.append(f'<context>\n{self.context}\n</context>')
        if self.task:
            parts.append(f'<task>\n{self.task}\n</task>')
        if self.constraints:
            c = '\n'.join(f'- {r}' for r in self.constraints)
            parts.append(f'<constraints>\n{c}\n</constraints>')
        if self.output_format:
            parts.append(f'<output_format>\n{self.output_format}\n</output_format>')
        return '\n\n'.join(parts)

متى تتجاوز بعض الأقسام

لا تحتاج كل مطالبة إلى الأقسام الخمسة جميعها. استخدم الدليل التالي:

  • تجاوز قسم السياق عندما تكون المهمة واضحة بذاتها (مثل: ترجم هذه الجملة)
  • تجاوز قسم القيود في مهام الاستخراج البسيطة التي لا تتضمن حالات حدية
  • تجاوز قسم الأمثلة عندما تكون المهمة مباشرة أو عندما ينفذها النموذج جيدًا من دون أمثلة مسبقة
  • أدرج دائمًا قسمَي المهمة وتنسيق المخرجات — فهما الحد الأدنى من الأقسام اللازمة

تؤدي زيادة مواصفات المطالبات البسيطة إلى إضافة ضوضاء من دون فائدة.

تحقق سريع

تنتج مطالبة معيارية بنية مخرجات غير صحيحة. أي قسم ينبغي أن تراجعه أولًا؟

الأقسام المعيارية — أهم النقاط

تشكل أقسام المطالبة المعيارية أساس هندسة المطالبات القابلة للصيانة والتصحيح:

  • الأقسام الأساسية الخمسة: السياق، والمهمة، والقيود، وتنسيق المخرجات، والأمثلة
  • لكل قسم مسؤولية واحدة؛ وخلط الأقسام يسبب الالتباس
  • تتيح البنية المعيارية تصحيح الأخطاء واختبار A/B قسمًا تلو الآخر
  • خزّن المطالبات ككائنات أو دوال منظمة، لا كسلاسل نصية خام
  • تجاوز الأقسام غير اللازمة — فالإفراط في التحديد يضيف ضوضاء
  • أدرج دائمًا قسمَي المهمة وتنسيق المخرجات على الأقل في كل مطالبة غير بسيطة

الأسئلة الشائعة

هل درس «أقسام المطالبة المعيارية» مجاني؟

نعم — نص درس «أقسام المطالبة المعيارية» 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 «أقسام المطالبة المعيارية»؟

افصلوا السياق والتعليمات والقيود وتنسيق المخرجات بوضوح 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 2 من أصل 4.

كم من الوقت يستغرق درس «أقسام المطالبة المعيارية»؟

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

  1. استخدام وسوم XML كفواصل
  2. أقسام المطالبة المعيارية
  3. نمط مطالبة: ترويسة-متن-تذييل
  4. أفضل ممارسات تنظيم المطالبات
← العودة إلى AI Prompt Engineering