بناء مهارات ذكاء اصطناعي قابلة لإعادة الاستخدام: من الأوامر العشوائية إلى الأتمتة الاحترافية

المقدمة

معظم الفرق التي تستخدم أدوات الذكاء الاصطناعي لا تزال عالقة في عصر الأوامر العشوائية. يكتب شخص ما أمرًا، يحصل على نتيجة مقبولة، ثم ينتقل إلى مهمة أخرى. في الأسبوع التالي، يكتب نفس الشخص أمرًا مختلفًا قليلًا لنفس المهمة ويحصل على نتيجة مختلفة تمامًا. لا اتساق، ولا تتبع للجودة، ولا تراكم للمعرفة.

الأرقام تؤكد هذه الفجوة. وفقًا لتقرير McKinsey حول حالة الذكاء الاصطناعي لعام 2025، تستخدم 88 بالمئة من المؤسسات الذكاء الاصطناعي في وظيفة عمل واحدة على الأقل، لكن حوالي 6 بالمئة فقط — ما يُسمى “أبطال الذكاء الاصطناعي” — ينسبون أكثر من 5 بالمئة من إيراداتهم إلى الذكاء الاصطناعي. الغالبية تُجرّب دون التوسع. أحد أبرز الأسباب هو أن معظم استخدامات الذكاء الاصطناعي تبقى عشوائية: أوامر فردية تُوجَّه لمشكلات فردية، دون نظام لالتقاط ما ينجح واستبعاد ما لا ينجح.

هكذا كانت معظم الشركات تستخدم جداول البيانات في عام 1995 — ملفات فردية، بلا قوالب، بلا صيغ، بلا معرفة مشتركة. يعمل الأمر حتى يتوقف عن العمل، ولا يعمل على نطاق واسع.

التحول الجاري حاليًا هو الانتقال من الأوامر العشوائية إلى ما تسميه الصناعة بشكل متزايد هندسة السياق — بناء أنظمة مهارات ذكاء اصطناعي منظمة ومُختبَرة ومُدارة بالإصدارات تُنتج نتائج متسقة وتتحسن مع الوقت. كشف استطلاع State of Agent Engineering 2025 من LangChain، الذي شمل أكثر من 1300 ممارس، أن 32 بالمئة يعتبرون جودة المخرجات العائق الأول في الإنتاج، حيث تُعزى معظم الإخفاقات ليس إلى قدرات النماذج بل إلى سوء إدارة السياق. الحل ليس نماذج أفضل. بل أنظمة أفضل حول تلك النماذج.

ما هي مهارة الذكاء الاصطناعي القابلة لإعادة الاستخدام فعلًا؟

المهارة أكثر من مجرد أمر. إنها حزمة من المكونات التي تعمل معًا لإنتاج مخرجات موثوقة. فكّر فيها كالفرق بين كتابة استعلام في شريط بحث وبناء نقطة نهاية API موثقة. كلاهما يعطي نتائج؛ واحدة فقط بمستوى الإنتاج.

مجموعة التعليمات

الأمر الأساسي — تعليمات مفصلة تُخبر الذكاء الاصطناعي بما يجب إنتاجه، وكيفية تنظيمه، وما يجب تضمينه، وما يجب تجنبه. على عكس الأمر العشوائي، يتم صقل تعليمات المهارة عبر تكرارات متعددة وتُشفّر الدروس المستفادة من عشرات المخرجات.

قد يقول أمر عشوائي: “اكتب منشورًا على LinkedIn حول الأتمتة.”

أما مجموعة تعليمات المهارة فتقول: “اكتب منشورًا على LinkedIn وفقًا لقواعد بنية العلامة التجارية. يجب أن يكون السطر الأول جملة جذب مستقلة، وليس جزءًا من فقرة. يجب تضمين رقم أو إحصائية محددة واحدة على الأقل. يجب ألا يكون السطر الأخير سؤالًا. يجب ألا يتجاوز إجمالي عدد الكلمات 300. يجب الإشارة إلى تقنيات الإقناع من ملف المرجع. استخدم فقرات قصيرة مع فواصل سطور مرئية.”

الفرق هو التحديد الدقيق، والتحديد الدقيق يُولّد الاتساق.

ملفات المرجع

مستندات سياقية تصل إليها المهارة في كل مرة تعمل فيها. قد تتضمن مهارة تسويقية دليل نبرة العلامة التجارية، ومجموعة أدوات تقنيات الإقناع، وأمثلة على منشورات ناجحة. قد تتضمن مهارة مراجعة الكود إرشادات البنية المعمارية، واتفاقيات التسمية، وأمثلة التنفيذ.

هذا أهم مما تدركه معظم الفرق. تُظهر الأبحاث حول فقدان المعرفة المؤسسية أن 42 بالمئة من المعرفة التنظيمية تكمن فقط لدى موظفين أفراد. عندما يغادر هؤلاء الموظفون، تختفي المعرفة. تؤدي ملفات المرجع وظيفة مزدوجة: تجعل مخرجات الذكاء الاصطناعي أكثر توافقًا مع توقعات المؤسسة، وتوثق المعرفة المؤسسية التي ستختفي مع الاستقالة التالية.

طبقة التشغيل والتفعيل

وصف منظم يُخبر نظام الذكاء الاصطناعي متى يُفعّل المهارة. أدوات تطوير الذكاء الاصطناعي الحديثة — من نظام المهارات في Claude Code إلى أطر عمل الوكلاء المبنية على LangChain — تقرأ هذه الأوصاف لتحديد مدى الصلة. عندما يتطابق طلب المستخدم مع غرض المهارة، تُفعَّل المهارة تلقائيًا.

ضبط وصف التشغيل بشكل صحيح هو مشكلة تحسين بحد ذاتها. إذا كان واسعًا جدًا، تُفعَّل المهارة عند طلبات غير ذات صلة. وإذا كان ضيقًا جدًا، تفوّت حالات استخدام مشروعة. أفضل المشغّلات تصف النتيجة وليس الطريقة: “أنشئ مقالة مدونة تقنية وفقًا لمعاييرنا التحريرية” بدلًا من “اكتب نصًا عن التكنولوجيا.”

مجموعة الاختبارات

مجموعة من أوامر الاختبار والتأكيدات التي تقيس جودة المخرجات. هذا ما يرفع المهارة من “أمر يعمل عادةً” إلى “أداة مُختبَرة بموثوقية معروفة.” أدوات مثل Promptfoo (واجهة سطر أوامر مفتوحة المصدر لتقييم مخرجات النماذج اللغوية الكبيرة مع تكامل CI/CD) ومنصات مثل Braintrust وLangSmith تُمكّن الآن من تشغيل تقييمات منظمة على أنظمة الأوامر — بنفس الطريقة التي تُشغّل بها فرق البرمجيات اختبارات الوحدة على الكود.

تجيب مجموعة الاختبارات على السؤال: “هل تُنتج هذه المهارة مخرجات عالية الجودة الآن؟” بدونها، يكون التدهور غير مرئي حتى يشتكي عميل.

نموذج النضج: خمس مراحل لتطوير مهارات الذكاء الاصطناعي

تتطور المهارات عبر مراحل يمكن التنبؤ بها. معظم المؤسسات في المرحلة الأولى أو الثانية. الميزة التنافسية تنتمي لمن يصلون إلى المرحلة الثالثة وما بعدها.

المرحلة الأولى: المسودة (الإصدار 0.1)

أمر بسيط يُنتج مخرجات صحيحة تقريبًا. بلا ملفات مرجعية، بلا اختبارات، بلا تحسين للتشغيل. هنا تتوقف معظم الفرق — وهنا تقف حاليًا غالبية تلك الـ 88 بالمئة من المؤسسات التي تتبنى الذكاء الاصطناعي.

الجودة: غير متسقة. تعمل أحيانًا، وتفشل بشكل غير متوقع.

الصيانة: معدومة. لا أحد يعرف إذا تدهورت الجودة.

المرحلة الثانية: الأمر المُحسَّن (الإصدار 1.0)

تم تحسين الأمر يدويًا عبر عدة تكرارات. تمت معالجة أوضاع الفشل الشائعة بتعليمات إضافية. أُضيفت بعض ملفات المرجع للسياق.

الجودة: أفضل لكنها لا تزال متغيرة. أوضاع الفشل الرئيسية مُعالَجة؛ الحالات الهامشية ليست كذلك.

الصيانة: عشوائية. يلاحظ شخص ما مشكلة أحيانًا ويصلحها.

المرحلة الثالثة: المهارة المُختبَرة (الإصدار 2.0)

تم تعريف التأكيدات ومجموعة الاختبارات. الجودة قابلة للقياس — درجة مثل 21/25 أو 24/25 يمكن تتبعها بمرور الوقت. الانحدارات قابلة للكشف. هذه هي المرحلة التي تبدأ فيها منصات إدارة الأوامر مثل PromptLayer وأطر التقييم مثل DeepEval في تقديم قيمة حقيقية، من خلال توفير التحكم في الإصدارات واختبارات الانحدار الآلية وتحليلات الأداء.

الجودة: جيدة وقابلة للقياس. نقاط الضعف المعروفة موثقة.

الصيانة: مدفوعة بالنتائج. عندما تنخفض الدرجة، يلزم الانتباه.

المرحلة الرابعة: المهارة ذاتية التحسين (الإصدار 3.0)

حلقات التغذية الراجعة المستقلة تُشغّل تقييمات ضد مجموعة الاختبارات وتُحسّن تعليمات المهارة. تقييم LLM-as-judge — حيث يُقيّم نموذج ذكاء اصطناعي مخرجات نموذج آخر — انتقل من التجريبي إلى الممارسة المعيارية، مما يتيح تشغيل آلاف التقييمات ليلًا دون مراجعين بشريين.

الجودة: عالية وفي تحسن مستمر. تقترب من السقف في الأبعاد القابلة للقياس.

الصيانة: دنيا للجودة الهيكلية. المراجعة البشرية تركز على الأبعاد الإبداعية والسياقية.

المرحلة الخامسة: الأصل التجاري (الإصدار 4.0+)

المهارة لديها تغطية اختبارات شاملة، وتاريخ أداء موثق، وتحكم في الإصدارات، ومقاييس موثوقية معروفة. يمكن مشاركتها بين الفرق، ومقارنتها بالبدائل، ومعاملتها كملكية فكرية مؤسسية.

الجودة: بمستوى الإنتاج. موثوقة بما يكفي للوثوق بها في المخرجات الموجهة للعملاء.

الصيانة: منهجية. مراجعات منتظمة لمجموعة الاختبارات، وتحديثات التأكيدات، ودورات تحسين مستقلة.

بناء مهارات تدوم: البنية العملية

ابدأ بالمخرجات وليس بالأمر

قبل كتابة تعليمة واحدة، حدد كيف يجب أن تبدو المخرجات. اجمع 5 إلى 10 أمثلة من المخرجات المثالية. حدد الخصائص المحددة التي تجعلها جيدة — البنية، الطول، العناصر، التنسيق، النبرة.

هذه الخصائص تصبح تأكيداتك، التي تصبح مجموعة اختباراتك، التي تصبح نظام القياس للتحسين. هذا نفس مبدأ التطوير الموجه بالاختبارات في هندسة البرمجيات، مُطبّقًا على مخرجات الذكاء الاصطناعي.

شفّر المعرفة المؤسسية في ملفات المرجع

كل مؤسسة لديها معرفة ضمنية تؤثر على جودة المخرجات — إرشادات العلامة التجارية، تفضيلات الأسلوب، المصطلحات القطاعية، التموضع التنافسي. هذه المعرفة تعيش في أذهان الناس حتى يُشفّرها شخص ما في ملفات المرجع.

التنفيذ العملي بسيط. نظام المهارات في Claude Code، على سبيل المثال، يُخزّن المهارات كمجلدات تحتوي على ملف تعليمات SKILL.md إلى جانب مستندات مرجعية وقوالب ونصوص مساعدة. يمكن للمهارة الوصول إلى جميع الملفات في مجلدها في كل مرة تعمل فيها. أنماط مماثلة موجودة في أطر العمل المبنية على LangChain ومنصات إدارة الأوامر المؤسسية.

الرؤية الجوهرية هي أن ملفات المرجع لا تتعلق فقط بجودة الذكاء الاصطناعي — إنها نظام لإدارة المعرفة. عندما تُشفَّر خبرة عضو كبير في الفريق في ملفات مرجع المهارة، تستمر تلك الخبرة حتى عندما يغادر الشخص.

أدِر إصدارات كل شيء

عامل ملفات المهارات كالكود. استخدم التحكم في الإصدارات. لا تكتب فوق مهارة تعمل أبدًا — أنشئ فرعًا، عدّل الفرع، اختبر الفرع، وادمج فقط عندما يحقق الإصدار الجديد درجة مساوية أو أعلى من الإصدار السابق.

تتتبع منصات إدارة إصدارات الأوامر كل تغيير وتربطه بمقاييس الأداء. إذا حققت النسخة 2.3 من مهارة درجة أسوأ من 2.2 في مجموعة اختباراتك، تتراجع. هذا الانضباط في التحكم بالإصدارات يمنع وضع الفشل الشائع حيث “يُحسّن” شخص ما مهارة ويكسرها عن غير قصد لنصف حالات استخدامها.

صمم وفق قاعدة 80/20

المهارة لا تحتاج للتعامل مع كل مدخل محتمل بشكل مثالي. صمم للـ 80 بالمئة من حالات الاستخدام التي تمثل سير عملك الفعلي. وثّق الحالات الهامشية التي تتطلب معالجة يدوية بدلًا من محاولة تشفير منطق معقد بشكل متزايد لتغطية سيناريوهات نادرة.

المهارات الأكثر فعالية ضيقة وعميقة، وليست واسعة وسطحية. مهارة تكتب أوصاف منتجات ممتازة لفئة التجارة الإلكترونية الخاصة بك ستتفوق على مهارة تحاول كتابة أي نوع من النصوص التسويقية.

التأثير المؤسسي

من المعرفة الفردية إلى القدرة الجماعية

عندما تكون المهارات موثقة ومُختبَرة ومُشاركة، تصبح خبرة الفرد قدرة للفريق. غرائز الكتابة الإعلانية لمسوّق كبير، المُشفَّرة في تعليمات المهارة وملفات المرجع، تصبح متاحة لكل عضو في الفريق.

هذا ذو قيمة خاصة في عملية الإدماج الوظيفي. بدلًا من قضاء أشهر في تعلم أسلوب المؤسسة وتفضيلاتها، يصل أعضاء الفريق الجدد إلى مهارات تُشفّر تلك التفضيلات مباشرة. نظرًا لأن الشركات الأمريكية تخسر ما يُقدَّر بـ 31.5 مليار دولار سنويًا بسبب سوء مشاركة المعرفة، فإن العائد على الاستثمار في توثيق المهارات كبير.

من الجودة غير المتسقة إلى المخرجات المتوقعة

الأوامر العشوائية تُنتج مخرجات متغيرة بشكل كبير. المهارات المُختبَرة تُنتج مخرجات متوقعة ضمن نطاق جودة معروف. بالنسبة للشركات التي تعتمد على جودة ثابتة — الوكالات، فرق المحتوى، التواصل مع العملاء — هذه القابلية للتنبؤ تحويلية.

كشفت أبحاث McKinsey أن إعادة تصميم سير العمل لها التأثير الأكبر على قدرة المؤسسة في تحقيق تأثير الأرباح التشغيلية من الذكاء الاصطناعي التوليدي. المهارات هي لبنات إعادة تصميم سير العمل تلك: وحدات معيارية وقابلة للاختبار من قدرة الذكاء الاصطناعي يمكن تركيبها في سير عمل آلي أوسع.

من التوسع اليدوي إلى التوسع الآلي

سير عمل الأوامر اليدوية يتوسع خطيًا: المزيد من المخرجات يتطلب المزيد من الوقت البشري. سير العمل المبني على المهارات يتوسع بكفاءة أكبر: نفس المهارة تتعامل مع حجم متزايد دون جهد بشري متناسب. الاستثمار الأولي في بناء واختبار المهارة يؤتي ثماره مع زيادة الحجم.

لهذا السبب تتوقع Gartner أن 40 بالمئة من تطبيقات المؤسسات ستتضمن وكلاء ذكاء اصطناعي متخصصين بحلول 2026، ارتفاعًا من أقل من 5 بالمئة في 2025. هؤلاء الوكلاء يحتاجون إلى مكونات مهارات موثوقة ومُختبَرة للعمل — وليس أوامر عشوائية تنهار تحت حمل الإنتاج.

أخطاء شائعة يجب تجنبها

الإفراط في هندسة الإصدار الأول

يجب أن يكون الإصدار الأول من المهارة بسيطًا. ضع التدفق الأساسي، حدد التأكيدات الأولية، وابدأ في التكرار. الفرق التي تقضي أسابيع في تحسين الإصدار 1.0 تكتشف غالبًا أنها كانت تُحسّن الأشياء الخاطئة. أطلق المسودة، قِسها، ثم حسّن ما تقوله البيانات أنه مهم.

تجاهل مشكلة التشغيل

المهارة التي تُنتج مخرجات مثالية عديمة الفائدة إذا لم تُفعَّل عند الحاجة. في الأنظمة القائمة على الوكلاء، موثوقية التشغيل هي نصف المعركة. اختبر التفعيل بجدية مساوية لجودة المخرجات — مهارة بجودة مخرجات 95 بالمئة لكن بدقة تشغيل 60 بالمئة هي فعليًا نظام موثوق بنسبة 57 بالمئة.

عدم الاختبار مع مدخلات متنوعة

مهارة مُختبَرة ضد نوع واحد من الأوامر ستفشل مع الأنواع الأخرى. استخدم أوامر اختبار متنوعة تغطي نطاق المدخلات الواقعية التي ستواجهها المهارة. Promptfoo وأدوات التقييم المماثلة تدعم مجموعات اختبار مُعلمَنة تُشغّل نفس المهارة تلقائيًا ضد عشرات من تنويعات المدخلات.

معاملة المهارات كأصول ثابتة

المهارات تحتاج إلى صيانة. البيانات المصدرية تتغير، وتفضيلات المؤسسة تتطور، وتحديثات نماذج الذكاء الاصطناعي يمكن أن تُغيّر خصائص المخرجات. كشف استطلاع LangChain أن 89 بالمئة من المؤسسات التي لديها وكلاء في الإنتاج طبّقت المراقبة — القدرة على مراقبة أداء المهارات في الوقت الفعلي واكتشاف التدهور قبل وصوله إلى العملاء.

الخلاصة

الفجوة بين المؤسسات التي تستخدم أوامر عشوائية وتلك التي تبني مهارات ذكاء اصطناعي قابلة لإعادة الاستخدام ومُختبَرة تتسع بسرعة. الفرق في المرحلة الأولى تُكرر نفس العمل بشكل غير متسق ودون تراكم للتحسينات. الفرق في المرحلة الثالثة وما فوق تبني مزايا تراكمية — مهارات تتحسن مع الوقت، وتُشفّر المعرفة المؤسسية، وتُنتج نتائج موثوقة على نطاق واسع.

المسار نحو الأمام ليس صعبًا تقنيًا. يتطلب انضباطًا: تحديد متطلبات المخرجات كتأكيدات قابلة للاختبار، وبناء مجموعات تقييم، واستخدام ملفات المرجع لتشفير المعرفة المؤسسية، والتحكم بإصدارات كل شيء، والتكرار بشكل منهجي. الأدوات موجودة اليوم — من أطر العمل مفتوحة المصدر مثل Promptfoo وDeepEval إلى المنصات التجارية مثل PromptLayer وLangSmith، إلى أنظمة المهارات المدمجة في أدوات مثل Claude Code. الميزة تذهب للفرق التي تتبناها أولًا.

المصادر والقراءات الإضافية

• • The State of AI in 2025: Agents, Innovation, and Transformation — McKinsey
  • State of Agent Engineering 2025 — LangChain
  • 40% of Enterprise Apps Will Feature AI Agents by 2026 — Gartner
  • Agentic AI Strategy: Tech Trends 2026 — Deloitte
  • The Rise of Context Engineering — LangChain Blog
  • Extend Claude with Skills — Claude Code Documentation
  • The 5 Best Prompt Versioning Tools in 2025 — Braintrust
  • Promptfoo: Test Your Prompts, Agents, and RAGs — GitHub