دليل المبتدئين في الذكاء الاصطناعي: ابدأ من هنا

بنيت نظام RAG لكن جودة البحث متوسطة — وهنا بالضبط تساعد إعادة الترتيب. تعيد إعادة الترتيب تقييم المرشحين الذين جُمعوا بشكل تقريبي عبر البحث بالتضمين (المتجهات) حسب صلتهم بالاستعلام، ثم تعيد ترتيبهم وتُبقي الأفضل فقط؛ وهذه الخطوة الواحدة قد تُغيّر جذريًا جودة إجابات نظام RAG. يغطي هذا الدليل للمبتدئين ما هي إعادة الترتيب (بتشبيه الفرز الأولي والمقابلة النهائية)، ولماذا نحتاجها (البحث بالتضمين يحوّل الاستعلام والمستندات إلى متجهات بشكل منفصل، فيحكم على الصلة بخشونة فقط، والترتيب السيئ يخفض جودة الإجابة مباشرةً — وتُظهر الأبحاث أن إعادة الترتيب يمكن أن ترفع دقة الاسترجاع كثيرًا، وأصبح طبقها فوق البحث الهجين معيار 2026)، وكيف يعمل الاسترجاع على مرحلتين ("اجمع بسعة" بالبحث بالتضمين السريع من أجل الاستدعاء، ثم "صفِّ بذكاء" بالمُعيد للترتيب من أجل الدقة، ثم سلِّم الأعلى إلى نموذج اللغة الكبير)، ولماذا يكون المُعيد للترتيب أدق (المُرمِّز الثنائي bi-encoder يحوّل الاستعلام والمستند إلى متجهين على حدة وهو سريع لكنه تقريبي؛ والمُرمِّز المتقاطع cross-encoder يُدخلهما معًا ويُخرج درجة صلة 0–1، دقيق لكنه ثقيل — لذا تجمع بالمُرمِّز الثنائي السريع وتصفّي بالمُرمِّز المتقاطع الدقيق)، ثم النماذج والتنفيذ (نوع الـ API مثل Cohere Rerank وVoyage وJina؛ ومفتوح المصدر مثل BGE reranker وmixedbread وFlashRank؛ والتقييم بنموذج لغة كبير مثل RankLLM — فقط استرجع 50–100 وصفِّ إلى أعلى 5). المبدأ: اجمع بسعة، صفِّ بذكاء، واضبط الأعداد بتقييمات الذكاء الاصطناعي.

بعد أن تتمكّن من بناء تطبيقات الذكاء الاصطناعي، تأتي المرحلة التالية وهي تشغيلها بأمان. يمكن خداع نماذج اللغة الكبيرة بمدخلات خبيثة، أو تسريب بيانات سرية، أو الجزم بهراء بثقة؛ والآلية الأمنية التي تمنع ذلك هي حواجز الأمان للذكاء الاصطناعي، التي أصبحت جزءاً أساسياً من الإنتاج في 2026 مع وقوع حوادث وكلاء الذكاء الاصطناعي فعلياً. حواجز الأمان قواعد ومرشّحات تكبح المدخلات الخطيرة والمخرجات غير المرغوبة، فتفحص مدخلات المستخدم قبل أن تصل إلى النموذج والإجابة قبل أن تعود — طبقة أمان مستقلة منفصلة عن النموذج نفسه. التهديدات الرئيسية هي حقن الأوامر (الأكبر) وكسر القيود وتسريب البيانات (البيانات السرية، PII، موجّه النظام) والهلوسة أو المخرجات الضارة. تعمل الحماية على طبقتين: حواجز الإدخال (كشف الحقن وكسر القيود، كشف/إخفاء PII، تقييد المواضيع، التعقيم) وحواجز الإخراج (تصفية المحتوى الضار، منع التسريب، فحص الهلوسة، التحقق من التنسيق). حقن الأوامر — المصنّف الأكثر خطورة على OWASP LLM Top 10 — يأتي بصيغة مباشرة (يكتب المستخدم «تجاهل كل التعليمات السابقة») وغير مباشرة (أوامر مخفية في صفحة ويب أو مستند RAG)، والحقن غير المباشر لا يحجبه RAG وحده، لذا تحتاج المستندات المسترجعة إلى فحص خاص بها. يغطّي هذا الدليل للمبتدئين أيضاً الأدوات (LLM Guard، Guardrails AI، NeMo Guardrails، Llama Guard، وميزات الأمان السحابية من Azure وAWS وOpenAI) والمبادئ العملية للدفاع المتعمّق وأقل امتياز والموافقة البشرية والمراقبة المستمرة.

يعتمد RAG والبحث الدلالي والتوصيات جميعًا على بطل خفي: embedding (التضمين / المتجه). embedding هو معنى النص (أو الصورة) مُحوَّلًا إلى سلسلة من الأرقام — أي متجه. تصبح كلمة «كلب» قائمة من مئات إلى آلاف الأرقام تعمل بوصفها «إحداثيات للمعنى»، فتقع الكلمات المتقاربة في المعنى قرب بعضها (كلب وجرو متقاربان؛ كلب وسيارة متباعدان)، ويُقاس القرب بمقاييس مثل cosine similarity. مثال شهير: «ملك − رجل + امرأة ≈ ملكة». ولذلك يمكن للآلة أن تحكم على قرب المعنى حتى عندما لا تتطابق الحروف. يغطي هذا الدليل للمبتدئين ما هو embedding («خريطة للمعنى»)، ولماذا يقيس القرب المعنى (الأبعاد وcosine similarity)، وفيمَ يُستخدم (RAG والبحث الدلالي والتصنيف وإزالة التكرار والتوصيات والوسائط المتعددة)، وكيف تختار نموذج embedding (نوع API مثل OpenAI text-embedding-3 وCohere وGemini وVoyage؛ ونوع مفتوح المصدر مثل BGE-M3 وNomic وQwen3؛ إضافةً إلى Matryoshka التي تتيح لبعض النماذج الأحدث تقليص الأبعاد لاحقًا، مثل خفض 3,072 بُعدًا لدى OpenAI إلى 1,024 مقابل قليل من الدقة وبنحو ثلث مساحة التخزين)، وقواعد بيانات المتجهات (Pinecone وWeaviate وQdrant وChroma وpgvector) مع بداية من ثلاث خطوات (اختر نموذجًا، حوّل الوثائق إلى متجهات وخزّنها، حوّل السؤال إلى متجه وابحث). التضمينات هي أساس تنفيذ RAG.

صقلت مطالباتك، وأضفت معرفة عبر RAG، وربما أجريت الضبط الدقيق — فكيف تتأكد أنه تحسّن فعلًا؟ هنا تتصدّر تقييمات الذكاء الاصطناعي المشهد، وبحلول 2026 صار التقييم جوهريًا إلى حدّ تسميته "بنية تحتية". تعني تقييمات الذكاء الاصطناعي قياس جودة مخرجات LLM بشكل منهجي (الدقة، الهلوسات، الالتزام بالصيغة، النبرة) على مقياس ثابت بدل الإحساس؛ وبدونها يبقى التحسين مجرد حدس. هناك طريقتان: التقييم القائم على الكود للعناصر القابلة للقياس آليًا (المطابقة التامة، الصيغة، الكلمات المطلوبة أو المحظورة — سريع ورخيص ومستقر)، وLLM-as-judge للعناصر الذاتية (استخدام نموذج LLM قوي بوصفه حَكَمًا لمنح درجات للمخرجات، عبر المقارنة الزوجية أو تسجيل مخرج واحد). والمبدأ: قِس بالكود كل ما يستطيع الكود قياسه. لـ LLM-as-judge تحيّزات الإطناب والموضع وتفضيل الذات؛ وحلولها استخدام عائلة نماذج مختلفة كمُقيّم، وتبديل الترتيب والتقييم مرتين، ووضع الإيجاز في معيار التصحيح، والمعايرة مقابل الحكم البشري. المقاييس الخشنة (pass/fail أو 1–3) يُنصح بها غالبًا بدل الدقيقة 1–10. وفي الممارسة، شغّل ثلاث طبقات — فحوصات كود فورية عند كل تغيير، واختبارات تراجع ليلية بـ LLM-as-judge، ومراقبة إنتاج مستمرة — مستخدمًا أدوات مثل DeepEval وPromptfoo وRAGAS لـ CI إضافةً إلى Braintrust وLangSmith وArize للمراقبة. ابدأ بجمع 10 مخرجات جيدة و10 سيئة وتقييمها.

الضبط الدقيق تقنية تُدرّب نموذجًا مدرّبًا مسبقًا أو تضيف إليه مهايئات، لتعديل الأسلوب والتصنيف وأنماط المخرجات. يوضح المقال الفرق عن RAG والتعليمات، والأساليب الكاملة وLoRA وQLoRA، والبيانات والتكاليف وخطوات التقييم. ويفصل الحد الأدنى في OpenAI SFT البالغ 10 أمثلة والتوصية بـ 50 مثالًا عن الشروط المشتركة لكل الأساليب، ويشرح إغلاق الخدمة الذاتية للمستخدمين الجدد وشروط المستخدمين الحاليين، مع مثال تصنيف الاستفسارات قبل قرار الاعتماد.

ربما تفترض أن نموذج LLM لا بد أن يعمل في السحابة، لكن النماذج الصغيرة لا يتجاوز حجمها بضعة غيغابايت وتعمل حتى على حاسوب محمول عادي. ويعني نموذج LLM المحلي تشغيل نموذج ذكاء اصطناعي مباشرةً على جهازك بدلًا من السحابة. مزاياه الخصوصية (المدخلات لا تغادر جهازك)، وغياب رسوم API، والعمل دون اتصال؛ أما عيوبه فهي أنه ليس بذكاء الذكاء الاصطناعي السحابي من الطراز الأول ويحتاج إلى جهاز بقدرات معقولة. يغطي هذا الدليل للمبتدئين الكمّنة (Q4_K_M نحو 30% من حجم fp16: من 16 GB إلى 4.9 GB في Llama 3.1 8B)، وجدولًا بأحجام التنزيل الفعلية من قوائم وسوم Ollama (حتى 30 سبتمبر 2026)، والمتطلبات الرسمية لـ Ollama وLM Studio، وخطوات Ollama الرسمية (install.sh على macOS وLinux، وinstall.ps1 على Windows، ثم ollama run gemma4 وollama ps للتحقق من أنه على GPU)، وتنبيهًا إلى أن نماذج ":cloud" لا تعمل على جهازك، وكيف تختار نموذجًا (بأمثلة Llama 3.1 وGemma 4 وQwen3.8 وDeepSeek-R1)، ومتى تستخدم المحلي مقابل السحابة.

في عصرٍ تكتب فيه الذكاء الاصطناعية الشيفرة، تنتقل المهارة الأعلى قيمة من «كتابة الشيفرة» إلى «كتابة المواصفات» — والممارسة التي تجسّد هذا التحوّل هي التطوير المدفوع بالمواصفات (Spec-Driven Development، SDD). يضع SDD المواصفات في قلب المشروع بوصفها مصدر الحقيقة، فيشتقّ منها وكيل الذكاء الاصطناعي التصميم والتقسيم والتنفيذ بدلًا من كتابة الشيفرة فورًا. والأساس أنّ كل خطوة تترك وثيقة (غالبًا Markdown) تقرؤها الخطوة التالية. يشرح هذا الدليل المبسّط للمبتدئين ما هو SDD (المواصفات هي المعيار، والشيفرة مشتقّ منها)، ولماذا صار مهمًّا الآن (إذ يمنع «جدار الأشهر الثلاثة» من الدَّيْن التقني وانجراف المتطلبات في vibe coding عند مرحلة التصميم)، والخطوات الأربع الأساسية (Specify → Plan → Tasks → Implement)، والأدوات الرئيسية (GitHub Spec Kit بأكثر من 140,000 نجمة ودعم أكثر من 30 وكيلًا، و AWS Kiro بتدفّق Requirements → Design → Tasks وموجّه Auto، إضافةً إلى BMAD و OpenSpec و Tessl و Google Antigravity و Cursor)، ومتى تستخدمه مقابل vibe coding (مزجٌ: vibe للاستكشاف، والمدفوع بالمواصفات للإطلاق، مع مراجعة بشرية إلزامية)، وكيف تجربه اليوم. ففي عصر الذكاء الاصطناعي، لا يصعد مَن يكتب الشيفرة الأسرع، بل مَن يستطيع تحديد ما سيُبنى بدقّة.

يتحوّل مركز الثقل في العمل مع الذكاء الاصطناعي من هندسة الـ prompt إلى هندسة السياق. وباستعارة تعريف Anthropic، هندسة السياق هي «مجموعة الاستراتيجيات الخاصة بانتقاء وصيانة المجموعة المثلى من الرموز (tokens) (أي المعلومات) التي تسلّمها للنموذج أثناء الاستدلال» — وهي لا تشمل الـ prompt وحده، بل كلّ ما يدخل نافذة السياق: الـ system prompt، والأدوات، وسجلّ المحادثة، والبيانات الخارجية. وتهمّ بسبب «context rot»: كلّما أضفتَ مزيدًا من الـ tokens، تراجعت الدقّة فعليًا. فقد اختبرت دراسة Chroma لعام 2025 ثمانية عشر نموذجًا رائدًا (GPT وClaude وGemini وغيرها)، وتدهور كلّ واحد منها كلّما طال المدخل، مع كون المعلومات في منتصف السياقات الطويلة سهلة الإغفال على وجه الخصوص («lost in the middle»). يغطّي هذا الدليل المبسّط للمبتدئين ما هي هندسة السياق وعلاقتها بهندسة الـ prompt، ولماذا يحدث الـ context rot (الانتباه ميزانية محدودة)، وماذا يوجد فعليًا داخل السياق، وستّ تقنيات أساسية (تعليمات على المستوى الصحيح، وانتقاء الأدوات، والاسترجاع عند الطلب، والضغط بالتلخيص، وملاحظات الذاكرة الخارجية، والعزل عبر الوكلاء الفرعيين)، وعلاقتها بالـ RAG وبـ Claude Skills، وعادات يمكنك استخدامها اليوم مثل بدء جلسة جديدة حين يتغيّر الموضوع ولصق النقاط الأساسية فقط. والفكرة الجوهرية: أبقِ على أصغر قدر من الـ tokens الأعلى قيمةً فقط.

دليل مبسّط للمبتدئين حول Claude Skills (مهارات الوكيل)، الآلية التي تنهي عناء إعادة شرح الإجراء نفسه لـ Claude في كل مرّة. تغلّف المهارة التعليمات والنصوص البرمجية والمراجع داخل مجلّد واحد محوره ملف SKILL.md الذي يحتوي على اسم ووصف وخطوات. في معظم الوقت يقرأ Claude الوصف القصير لكل مهارة فقط، ولا يوسّع المحتوى إلا عندما يطابق طلبك ذلك الوصف — تصميمٌ يُسمّى الكشف التدريجي يبقي سياقك خفيفاً حتى مع تثبيت عشرات المهارات. يتناول هذا المقال ما هي Skills، ولماذا تهمّ (نهاية لصق الموجّهات في كل مرّة)، وكيفية كتابة SKILL.md وبنية مجلّد بسيطة، وكيفية بناء واحدة (عبر skill-creator الرسمية أو يدوياً، بوضعها في ‎.claude/skills، مع إعادة التحميل الفورية في يناير 2026)، والفرق بين Skills وبين MCP (الاتصال) والوكلاء الفرعيين (عزل السياق)، والمعيار المفتوح الذي تبنّته Codex CLI وCursor وGemini CLI وGitHub Copilot إلى جانب تطبيقات Claude وClaude Code وAPI وAgent SDK، إضافةً إلى استخدامات ملموسة مثل توليد المستندات وفرض القواعد الداخلية. أعلنت عنها Anthropic في 16 أكتوبر 2025، ووصفها Simon Willison بأنها "ربما أهمّ من MCP".

"حسنًا، وكلاء الذكاء الاصطناعي رائعون — لكن فيمَ يمكنني استخدامهم فعليًا؟" سؤال يصطدم به الجميع بعد تعلّم الأساسيات، وفي 2026 لم يعد الجواب من المستقبل: عبر الدعم والمبيعات والمحاسبة والتطوير والموارد البشرية، بدأ الوكلاء فعلًا في تولّي الأعمال الروتينية، مع استطلاع يفيد بأن 65% من الشركات أتمتت سير عمل ما. يقدّم هذا المقال 10 حالات استخدام ملموسة بحسب الوظيفة مع أمثلة وأرقام واقعية: لماذا تهمّ حالات الاستخدام الآن، وكيف تكتشف الأعمال القابلة للأتمتة (متكرر × حجم كبير × يتطلّب حكمًا)، والحالات العشر، وواقع العائد (3.5x خلال 3 سنوات، استرداد 3–14 شهرًا، خفض 30–60%)، وكيف تبدأ بأمان بأقل امتياز وموافقة الإنسان.

الخروج صعب، والحديث مع الناس مرهق، ولست تعمل الآن — ومع ذلك، اتّسعت فعلًا فرصة تحويل «العمل من المنزل، من دون لقاء أحد، وعلى وتيرتك الخاصة» إلى دخل مع الذكاء الاصطناعي. يعرض هذا الدليل الموجّه لجمهور بعينه، بأقصى ما يمكن من الصدق واللطف، الخطوة الأولى لمن هو في وضع hikikomori (انعزال وانطواء) أو من المنقطعين عن العمل والتعليم (NEET) كي يكسب من المنزل، من الصفر، بالذكاء الاصطناعي. ويَعِد منذ البداية بألّا يقول «بإمكان أي شخص أن يجني آلاف الدولارات شهريًا بسهولة» (وهو عادةً كذب أو طُعم بيع)، ويكتب الصعوبة الواقعية والوقت والتحذيرات صراحةً. يغطّي لماذا يناسبك ثنائي الذكاء الاصطناعي × العمل من المنزل (يُنجَز بلا لقاء وجهًا لوجه، سهل البدء من الصفر، على وتيرتك — الذكاء الاصطناعي يخفّض الجدار بصفته شريكًا)، والحقائق الصادقة الثلاث (لن تكسب على الفور والهدف الأول أوّل بضعة دولارات؛ الذكاء الاصطناعي مُضخِّم للجهد لا سحر؛ من يثابر لا الأذكى يحصد النتائج)، وطرقًا للكسب بلا حديث مع أحد (كتابة، تفريغ صوتي/ترجمة مرئية، أصول صور بالذكاء الاصطناعي، ترتيب بيانات، مراجعة ترجمة، منتجات رقمية — اختر واحدًا أولًا)، والخطوة الأولى اليوم (جرّب ذكاءً اصطناعيًا مجانيًا، اختر مجالًا، اصنع عملًا تدريبيًا — اصنع قبل أن تكسب)، وكيف تراكم الانتصارات الصغيرة (معرض أعمال، عمل واحد بأجر منخفض، مراكمة التقييمات، رفع الأجر/الحجم — اجمع الانتصارات لا المبالغ، وأوّل عمل هو الأثمن)، وكيف تستمر وتحمي نفسك نفسيًا (لا تقارن، جزّئه صغيرًا، لا بأس بالراحة، تخلَّ عن الكمالية، لا تحمل الأمر وحدك — دعم التوظيف وخدمات الاستشارة)، وتحذيرات بشأن الاحتيال والمبالغات وخطر ترك الأمر للذكاء الاصطناعي والضرائب/الإعالة (تجنّب العروض التي تطلب الدفع أولًا، التسجيل والعرض في منصات التعهيد الجماعي المشروعة مجانيان في الأساس، تحقّق من المعلومات الرسمية). إنه ليس «أي شخص، بسهولة»، لكن خطوة تستطيع اتخاذها موجودة فعلًا — استعد «أنا أيضًا أستطيع»، واحدةً تلو الأخرى.

يكفي أن تطلب من وكيل الذكاء الاصطناعي «اقرأ هذا البريد ورُدّ عليه» فيفكّر بنفسه، ويستخدم الأدوات، وينفّذ العمل فعليًا — لكن لأنه يتصرّف من تلقاء نفسه بالتحديد، أصبح نوع من الحوادث لم يكن موجودًا لدى أنظمة المحادثة ممكنًا، ومنذ نحو 2025 بدأ ذلك الخطر بالانتقال من النظرية إلى أذى واقعي. يصنّف دليل المبتدئين هذا حوادث أمن وكلاء الذكاء الاصطناعي في ثلاث فئات: الصلاحيات، والتسريب، والتشغيل الخاطئ. يغطّي سبب وقوع الحوادث (الوكيل لا يجيب فقط بل يتصرّف — الكلمة المفتاحية؛ مُشبَّهًا بموظف جديد لامع لكنه ساذج)، ولماذا الوكلاء أخطر من ذكاء المحادثة (حاصل ضرب استخدام الأدوات والعمل المستقل وقراءة المُدخل الخارجي؛ جمّعت OWASP المخاطر الخاصة بالوكلاء في ديسمبر 2025 وتدعو إلى «أقل قدر من الفاعلية»)، والحادث 1 الصلاحيات (الفاعلية المفرطة — صلاحية إرسال/حذف حين تكفي القراءة، وراثة صلاحيات حساب بشري القوية، تضخّم الضرر عند الجموح، ووكيل مكلّف بخفض التكاليف قد يحذف حتى النسخ الاحتياطية)، والحادث 2 التسريب (الحقن غير المباشر للأوامر الذي يزرع أوامر في المحتوى الخارجي — حالات أثبتها باحثون في 2025: تعليمات مخفية خلف وسم الحرق في تعليق عام على Reddit تسرّب كلمة مرور لمرة واحدة، تذكرة دعم بأمر مخفي تسرّب بيانات SQL عبر MCP، وكيل داخل IDE يسرق أسرارًا بمجرد فتح مستند)، والحادث 3 التشغيل الخاطئ (عمليات مدمّرة وسلاسل أخطاء حتى دون نيّة خبيثة)، ومسار الهجوم في 4 خطوات، والدفاعات الأساسية الخمس (أقل قدر من الامتيازات، موافقة بشرية، بيئة معزولة، تحديد الحدود، عدم الثقة بالمُدخل الخارجي)، وقائمة تحقق للمبتدئين. الشعار: لا تسلّم صلاحية مفرطة، واجعل إنسانًا يوقف العمليات الخطيرة، ولا تفرط في الثقة بالنصّ الخارجي.