طلب القوائم والنقاط
اطلبوا من الذكاء الاصطناعي قوائم مرقمة أو نقطية بعدد محدد من العناصر
طلب القوائم والنقاط درس مجاني في AI Prompt Engineering على CoddyKit. هذا هو الدرس 1 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.
لماذا تعمل القوائم جيدًا مع الذكاء الاصطناعي
تُعد القوائم من أوضح تنسيقات المخرجات التي يمكنك طلبها من الذكاء الاصطناعي. فهي لا تترك مجالًا للالتباس، وسهلة التصفح والتحقق — إذ يمكنك فورًا عدّ العناصر لمعرفة ما إذا كنت قد حصلت على العدد المطلوب.
تساعدك معرفة الصياغة الدقيقة لطلبات القوائم في الحصول على مخرجات منسقة باستمرار من دون تصحيحات لاحقة.
طلبات القوائم الأساسية
أكثر صيغ طلب القوائم شيوعًا:
- «اذكر 5 طرق لـ...»
- «أعطني 10 نقاط تعداد حول...»
- «اذكر 7 أمثلة على...»
- «قدّم 3 أسباب تفسّر لماذا...»
حدّد العدد الدقيق دائمًا. فقولك «اذكر بعض الطرق» ينتج عددًا متغيرًا من العناصر — أحيانًا 3 وأحيانًا 12. أما تحديد العدد فيزيل هذا التفاوت.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=300,
messages=[{
'role': 'user',
'content': 'List exactly 5 ways a developer can improve Python code performance. Each item: one sentence only.'
}]
)
print(response.content[0].text)طلبات القوائم النقطية
عندما تريدون تنسيقًا على شكل نقاط تحديدًا، بدلًا من القوائم المرقمة، اذكروا ذلك صراحةً. تُعرض نقاط Markdown (- أو •) في معظم واجهات الدردشة، ولكن ليس في جميع البيئات.
- «قدّموا لي 8 نقاط حول...»
- «أنشئوا قائمة نقطية تتضمن...»
- «أخرجوا النتيجة على شكل نقاط، نقطة واحدة في كل سطر...»
أضيفوا «كل نقطة: بحد أقصى X كلمات» للتحكم في كثافة المحتوى.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Create a bulleted list of 8 best practices for writing REST APIs. '
'Format: each bullet starts with a bold action verb. '
'Each bullet: max 15 words. No sub-bullets.'
)
}]
)
print(response.choices[0].message.content)القوائم المرقمة والخطوات
تُعد القوائم المرقمة الأنسب للمحتوى المتسلسل الذي يكون فيه الترتيب مهمًا:
- التعليمات خطوةً بخطوة
- الخيارات المرتبة (من الأكثر توصيةً إلى الأقل)
- قوائم المهام ذات الأولوية
- خطوات استكشاف الأخطاء وإصلاحها بالترتيب
استخدموا: «رقّموا كل خطوة...»، «أدرجوا العناصر بالترتيب من الأكثر إلى الأقل...»، «قدّموا لي 6 خطوات مرقمة من أجل...»
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=400,
messages=[{
'role': 'user',
'content': (
'Give me 6 numbered steps to deploy a Python FastAPI app to AWS EC2. '
'Order: from initial setup to app accessible via browser. '
'Each step: 1-2 sentences + the specific command(s) to run. '
'Assume a fresh Ubuntu 22.04 server.'
)
}]
)
print(response.content[0].text)قوائم التحقق
قوائم التحقق هي نوع محدد من القوائم، إذ تتضمن عناصر يُراد وضع علامة عليها عند إنجازها. وهي مفيدة بوجه خاص في:
- قوائم التحقق لمراجعة التعليمات البرمجية
- قوائم التحقق من الجاهزية للإطلاق
- قوائم التحقق من التدقيق الأمني
- قوائم التحقق لتهيئة الأعضاء الجدد
اطلبوا: «أنشئوا قائمة تحقق تتضمن...» أو «أنشئوا قائمة تحقق قبل الإطلاق من أجل...» وسيُخرج النموذج العناصر بتنسيق يتضمن مربعات اختيار - [ ] (المعيار المتبع في Markdown).
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Create a pre-production launch checklist for a Python web API. '
'Format: markdown checkboxes (- [ ] item). '
'Group into sections: Security, Performance, Monitoring, Documentation. '
'4 items per section. Each item: specific and actionable in under 12 words.'
)
}]
)
print(response.choices[0].message.content)التحكم في طول العناصر وكثافتها
تتحسن جودة القائمة بدرجة كبيرة عندما تحددون مقدار التفاصيل التي ينبغي أن يتضمنها كل عنصر:
- «جملة واحدة لكل عنصر» — مختصر وسهل التصفح
- «جملتان: تصف الأولى ماهية العنصر، وتشرح الثانية السبب» — تفاصيل منظمة
- «عنوان العنصر + وصف من سطر واحد» — عنوان مع شرح
- «بحد أقصى 10 كلمات لكل عنصر» — لإجبار النموذج على الاختصار الشديد
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
# Two-sentence structure per list item
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=400,
messages=[{
'role': 'user',
'content': (
'List 5 common Python performance bottlenecks. '
'For each item, use exactly 2 sentences: '
'Sentence 1: describe the bottleneck. '
'Sentence 2: state the fix in one specific action.'
)
}]
)
print(response.content[0].text)القوائم المعنونة والمصنفة
تؤدي إضافة عناوين إلى عناصر القائمة إلى إنشاء قوائم مصنفة أو موسومة، تكون أسهل في التصفح والاستخدام:
- «صنّفوا كل عنصر على أنه EASY أو MEDIUM أو HARD»
- «أضيفوا إلى كل اقتراح وسم الفريق المعني: [FRONTEND] [BACKEND] [DEVOPS]»
- «حدّدوا لكل عنصر الوقت المتوقع لإنجازه: (5 min) (2 hr) (1 week)»
تحوّل العناوين القائمة المسطحة إلى مورد عملي قابل للتصفية.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'List 8 ways to reduce AWS costs for a startup. '
'Label each with: [IMMEDIATE] if doable today, [MEDIUM] if takes 1-2 weeks, or [LONG] if takes a month+. '
'Also label each with estimated monthly savings: ($50-200) ($200-500) ($500+). '
'Each item: one sentence.'
)
}]
)
print(response.choices[0].message.content)القوائم المتداخلة
تضيف القوائم المتداخلة مستوى واحدًا من التسلسل الهرمي، وهي مفيدة لتنظيم الأفكار التي تضم مجموعات طبيعية:
- الفئات الرئيسية في المستوى الأول
- أمثلة محددة أو نقاط فرعية في المستوى الثاني
اطلبوا: «أنشئوا مخططًا من مستويين يتضمن 4 أقسام رئيسية و3 نقاط فرعية لكل قسم». انتبهوا، إذ يصبح المحتوى الذي يتجاوز مستويين صعب القراءة في معظم السياقات.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=400,
messages=[{
'role': 'user',
'content': (
'Create a 2-level outline for a "Python for Data Science" beginner course. '
'Level 1: exactly 4 module titles. '
'Level 2: exactly 3 lesson titles under each module. '
'Format as nested markdown bullets. '
'Lesson titles should be specific — not generic like "Introduction".'
)
}]
)
print(response.content[0].text)القوائم المرتبة وفق تصنيف
عندما يحمل الترتيب معنى، حدّدوا معيار التصنيف صراحةً:
- «رتّبوا العناصر من الأكثر تأثيرًا إلى الأقل تأثيرًا»
- «رتّبوا العناصر من الأسرع تنفيذًا إلى الأكثر استهلاكًا للوقت»
- «أدرجوا العناصر وفق مستوى المخاطر، بدءًا من أعلى المخاطر»
- «رتّبوا العناصر أبجديًا»
من دون تحديد الترتيب صراحةً، قد يسرد النموذج العناصر بالترتيب الذي خطرت له، وهذا ليس بالضرورة الترتيب الأكثر فائدة لكم.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'List 6 database indexing strategies for PostgreSQL. '
'Order: from most commonly needed to most specialized. '
'Each item: strategy name in bold, followed by a 10-word description, '
'then a note of when NOT to use it in parentheses.'
)
}]
)
print(response.choices[0].message.content)أنماط مضادة: قوائم تفشل
أخطاء شائعة في طلب القوائم تؤدي إلى مخرجات رديئة:
- عدم تحديد العدد: «قدّموا لي بعض النقاط» ← طول متغير، وغالبًا ما تكون القائمة قصيرة جدًا أو طويلة جدًا
- عدم تحديد بنية العناصر: يختار النموذج مزيجًا من العناصر الطويلة والقصيرة من تلقاء نفسه
- طلب عدد كبير جدًا من العناصر: «أدرجوا 50 فكرة» ← تكون آخر 30 فكرة حشوًا لإكمال العدد
- التداخل بعمق كبير: 3 مستويات أو أكثر ← يصبح الناتج غير قابل للقراءة
أفضل ممارسة: يُعدّ طلب 5 إلى 15 عنصرًا مع تحديد بنية كل عنصر الحل الأمثل لمعظم حالات الاستخدام.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
# Anti-pattern: no count, no structure
bad_prompt = 'Give me some ideas for blog posts about Python.'
# Good pattern: count + structure + ordering
good_prompt = (
'Generate 8 Python blog post title ideas. '
'Target audience: intermediate Python developers (2-3 years experience). '
'Mix: 4 practical how-to titles, 4 conceptual deep-dive titles. '
'Label each [HOW-TO] or [DEEP DIVE]. '
'Each title: max 10 words. No clickbait.'
)
for label, prompt in [('BAD', bad_prompt), ('GOOD', good_prompt)]:
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=200,
messages=[{'role': 'user', 'content': prompt}]
)
print(f'--- {label} ---')
print(response.content[0].text.strip())
print()إخراج القوائم في السياقات البرمجية
عند استخدام الذكاء الاصطناعي لإنشاء قوائم ستعالجها التعليمات البرمجية، اطلبوا إخراجها بتنسيق قابل للتحليل آليًا:
- مصفوفة JSON: «أخرجوا النتيجة على شكل مصفوفة JSON من السلاسل النصية»
- عنصر واحد في كل سطر: «أخرجوا عنصرًا واحدًا بالضبط في كل سطر، من دون نقاط أو أرقام»
- CSV: «أخرجوا النتيجة في سطر واحد مفصول بفواصل»
يؤدي ذلك إلى تجنب الحاجة إلى تحليل نقاط Markdown من سلسلة الاستجابة.
import openai
import json
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'List 8 Python standard library modules that every developer should know. '
'Output as a valid JSON array of strings only. '
'No explanation, no formatting, no markdown — just the raw JSON array.'
)
}]
)
raw = response.choices[0].message.content.strip()
try:
modules = json.loads(raw)
print(f'Parsed successfully: {len(modules)} modules')
for m in modules:
print(f' - {m}')
except json.JSONDecodeError as e:
print(f'Parse error: {e}')
print('Raw output:', raw)اختبار المعرفة
يريد قائد فريق إنشاء قائمة بعناصر العمل من مساعد للذكاء الاصطناعي. وقد أرسل: «قدّموا لي بعض عناصر العمل». فجاءت النتيجة في 4 نقاط غامضة. أي إعادة صياغة ستنتج المخرجات الأكثر فائدة؟
مراجعة طلب القوائم
تُعد القوائم من أوضح تنسيقات المخرجات التي يمكن طلبها. ويتطلب إتقان طلب القوائم تحديد ما يلي:
- العدد الدقيق: قدّموا دائمًا رقمًا، لا كلمات مثل «بعض» أو «عدة»
- التنسيق: نقاط، أرقام، قائمة تحقق، أو قائمة متداخلة
- بنية كل عنصر: جملة واحدة أو جملتان أو عنوان مع وصف
- العناوين: مستوى الصعوبة، والوقت، والفريق، والفئة
- الترتيب: الأهم أولًا، أو وفق تصنيف حسب X، أو أبجديًا
- التنسيق الآلي: مصفوفة JSON أو عنصر واحد في كل سطر للاستخدام البرمجي
الأسئلة الشائعة
هل درس «طلب القوائم والنقاط» مجاني؟
نعم — نص درس «طلب القوائم والنقاط» 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 «طلب القوائم والنقاط»؟
اطلبوا من الذكاء الاصطناعي قوائم مرقمة أو نقطية بعدد محدد من العناصر 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 1 من أصل 4.
كم من الوقت يستغرق درس «طلب القوائم والنقاط»؟
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
- طلب القوائم والنقاط
- طلب الجداول والبيانات المنظمة
- تنسيق Markdown في المطالبات
- المخرجات النصية العادية مقابل المنسقة