كتابة مطالبات متابعة فعالة
كيفية تصحيح المسار: «اجعلها أقصر» و«كن أكثر تحديدًا بشأن X»
كتابة مطالبات متابعة فعالة 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.
فن تصحيح المسار
مطالبة المتابعة ليست شكوى — بل هي إشارة تصحيح توجه النموذج نحو مخرجات أفضل.
تحدد مطالبات المتابعة الفعّالة بوضوح ما الذي كان خاطئًا وما الذي تريدونه بدلًا منه. أما مطالبات المتابعة الغامضة مثل "حاولوا مرة أخرى" أو "هذا ليس صحيحًا تمامًا" فلا تمنح النموذج شيئًا مفيدًا يستند إليه.
يسمح لكم تعلّم مجموعة صغيرة من أنماط تصحيح المسار بإصلاح أي نوع تقريبًا من مشكلات المخرجات بسرعة.
النمط 1: اجعلوها أقصر
عندما تكون الإجابة طويلة جدًا أو مسهبة أو محشوة، استخدموا أنماط تقليل الطول:
- "اجعلوها أقصر — استهدفوا 100 كلمة."
- "احذفوا الفقرة التمهيدية وأي جمل حشو."
- "لخّصوا ما سبق في ثلاث جمل."
- "اختصروا هذا إلى النصف من دون فقدان النقاط الأساسية."
تساعدكم الدقة: فإخبار النموذج بعدد كلمات مستهدف أو بشيء محدد ينبغي حذفه أكثر فعالية من مجرد قول "أقصر".
النمط 2: كونوا أكثر تحديدًا بشأن X
عندما تكون الإجابة عامة جدًا أو سطحية، استخدموا أنماطًا لإضافة التحديد:
- "كونوا أكثر تحديدًا بشأن نموذج التسعير."
- "اذكروا أرقامًا فعلية، لا نسبًا مئوية."
- "ركزوا على حالة المستخدم الذي يدير نشاطًا تجاريًا صغيرًا، لا المؤسسات."
- "النصيحة المتعلقة بالأمان غامضة جدًا — سمّوا الثغرة المحددة واذكروا كيفية إصلاحها."
تضيّق هذه الأنماط نطاق تركيز النموذج إلى الجانب الذي تحتاجون فيه إلى مزيد من العمق.
النمط 3: احذفوا الجزء المتعلق بـ Y
عندما تتضمن الإجابة محتوى لا تريدونه، استخدموا أنماط الحذف:
- "احذفوا الجزء المتعلق بالسياق التاريخي — أحتاج فقط إلى الوضع الحالي."
- "احذفوا نقطتي التعداد الأخيرتين، فهما خارج الموضوع."
- "أعيدوا الكتابة دون فقرة إخلاء المسؤولية في النهاية."
- "احذفوا كل ما يأتي بعد النقطة الثالثة وأنهِوا الإجابة هناك."
أشيروا إلى القسم المحدد الذي تريدون حذفه. فقول "احذفوا الأجزاء غير ذات الصلة" غامض — وقد لا يتفق النموذج معكم على ما هو غير ذي صلة.
النمط 4: أضيفوا مثالًا لكل نقطة
عندما تكون الإجابة صحيحة لكنها مجردة، استخدموا أنماط إضافة الأمثلة:
- "أضيفوا مثالًا ملموسًا بعد كل نقطة تعداد."
- "وضّحوا النقطة الثالثة بسيناريو من العالم الواقعي."
- "اذكروا مقطع كود واحدًا يوضح الحالة قبل وبعد تطبيق كل ممارسة جيدة."
- "أضيفوا مثالًا مضادًا يوضح ما لا ينبغي فعله لكل توصية."
تجعل الأمثلة النصائح المجردة قابلة للتطبيق. ويكون هذا النمط مفيدًا بصفة خاصة في المحتوى التعليمي والأدلة الإرشادية.
النمط 5: أعيدوا الكتابة في صورة نقاط تعداد
عندما تحتوي الإجابة على المحتوى الصحيح لكن بنيتها غير مناسبة، استخدموا أنماط إعادة التنسيق:
- "أعيدوا كتابة هذا في صورة قائمة ذات نقاط تعداد."
- "حوّلوا هذا إلى دليل مرقّم خطوة بخطوة."
- "قسّموا هذا إلى أقسام تحمل عناوين H2."
- "نسّقوا هذا في صورة جدول مقارنة: الميزة | الخيار A | الخيار B."
تحافظ مطالبات إعادة التنسيق على المحتوى ولا تغيّر سوى طريقة عرضه. وهي منخفضة المخاطر — فالمضمون جيد بالفعل.
دمج الأنماط في مطالبة متابعة واحدة
يمكنكم جمع عدة أنماط تصحيح في مطالبة متابعة واحدة:
"أعيدوا كتابة الإجابة السابقة في صورة نقاط تعداد، واحذفوا قسم الخلفية التاريخية، وأضيفوا مثال كود لكل نقطة. أبقوها دون 300 كلمة."
يُعدّ هذا أكثر كفاءة من إرسال أربع رسائل متابعة منفصلة. ومع ذلك، احرصوا على أن تكون مطالبة المتابعة المدمجة واضحة وسهلة القراءة — فإذا أصبحت معقدة، فقسّموها إلى مطالبتَي متابعة بدلًا من إرسال مطالبة واحدة مربكة.
أنماط مطالبات المتابعة في الكود
يمكنكم أتمتة تصحيح المتابعة في مسار Python بإلحاق تعليمات التصحيح بسجل المحادثة:
import openai
client = openai.OpenAI(api_key='sk-...')
def apply_correction(conversation_history, correction_pattern):
# Append the follow-up prompt to the existing conversation
updated_history = conversation_history + [
{'role': 'user', 'content': correction_pattern}
]
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=updated_history
)
assistant_reply = response.choices[0].message.content
# Return updated history for chaining
updated_history.append({'role': 'assistant', 'content': assistant_reply})
return assistant_reply, updated_history
# Example usage
history = [{'role': 'user', 'content': 'Explain REST APIs.'},
{'role': 'assistant', 'content': '... (long explanation) ...'}]
corrected, history = apply_correction(history, 'Make it shorter — 3 bullet points only.')
print(corrected)ربط مطالبة المتابعة بالإجابة
تربط مطالبات المتابعة الأكثر فعالية بأجزاء محددة من الإجابة السابقة. وهذا يزيل الغموض:
- ضعيفة: "هل يمكنكم تحسين الجزء الثاني؟"
- قوية: "في القسم المعنون 'اعتبارات الأمان'، النصيحة عامة جدًا. أعيدوا كتابة ذلك القسم مع ثلاث قواعد محددة لجدار الحماية."
إن ربط المطالبة باقتباس قسم أو جملة أو نقطة محددة أو تسميتها يجبر النموذج على التركيز في ما تقصدونه بالضبط.
عندما تتوقف مطالبات المتابعة عن العمل
أحيانًا لا يحقق نمط المتابعة التحسين الذي تريدونه. ومن علامات تعثر المحادثة:
- يعود النموذج إلى البنية نفسها بعد تصحيحين
- يقرّ النموذج بتصحيحكم لكنه يستمر في ارتكاب الخطأ نفسه
- يؤدي كل تصحيح إلى إنشاء مشكلة جديدة أثناء إصلاح المشكلة القديمة
عند هذه النقطة، يكون البدء من جديد بمطالبة أصلية معاد صياغتها أسرع غالبًا من الاستمرار في التصحيح. وسنتناول هذا القرار في درس لاحق.
بناء مكتبة شخصية لمطالبات المتابعة
نظرًا إلى إمكانية إعادة استخدام أنماط التصحيح، يجدر بكم الاحتفاظ بمكتبة شخصية صغيرة لعبارات المتابعة التي تلجؤون إليها مرارًا:
- "اجعلوها أقصر — استهدفوا X كلمة."
- "أضيفوا مثالًا ملموسًا لكل نقطة."
- "أعيدوا الكتابة في صورة نقاط تعداد مع ملخص من سطر واحد في الأعلى."
- "احذفوا إخلاء المسؤولية / الخلفية التاريخية / الحشو التمهيدي."
- "كونوا أكثر تحديدًا بشأن [X] — اذكروا أرقامًا / خطوات / كودًا فعليًا."
يوفّر تخزين هذه العبارات في ملف نصي أو تطبيق لتدوين الملاحظات وقتًا في كل جلسة لاحقة.
اختبار المعرفة: أنماط التصحيح
طلبتم من النموذج كتابة وصف لمنتج عبارة عن تطبيق لإدارة المشاريع. فأعاد مقالة من 600 كلمة تغطي تاريخ التطبيق وفلسفته وميزاته الأساسية وتسعيره ومقارنته بالمنافسين. لكنكم كنتم تحتاجون فقط إلى وصف من 100 كلمة للميزات الأساسية، لاستخدامه في القسم الرئيسي من موقع إلكتروني.
ما مطالبة المتابعة الأكثر فعالية؟
مراجعة: كتابة مطالبات متابعة فعّالة
مطالبات المتابعة إشارات تصحيح وليست شكاوى. وتغطي الأنماط الأساسية الخمسة — الاختصار، والتحديد، والحذف، وإضافة الأمثلة، وإعادة التنسيق — الغالبية العظمى من مشكلات المخرجات التي ستواجهونها.
المبادئ الأساسية هي: حددوا بوضوح ما الذي كان خاطئًا، واربطوا المطالبة بالقسم ذي الصلة، وادمجوا الأنماط عند الحاجة. وعندما تتوقف مطالبات المتابعة عن العمل، فكروا في البدء من جديد.
في الدرس التالي، ستتدربون على محادثات متعددة الأدوار تبني على الإجابات السابقة بدلًا من تصحيحها.
الأسئلة الشائعة
هل درس «كتابة مطالبات متابعة فعالة» مجاني؟
نعم — نص درس «كتابة مطالبات متابعة فعالة» 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 «كتابة مطالبات متابعة فعالة»؟
كيفية تصحيح المسار: «اجعلها أقصر» و«كن أكثر تحديدًا بشأن X» 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 «كتابة مطالبات متابعة فعالة»؟
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
- قراءة مخرجات الذكاء الاصطناعي وتقييمها
- كتابة مطالبات متابعة فعالة
- البناء على الاستجابات السابقة
- متى تُنقّح ومتى تبدأ من جديد