هل يعمل هندسة السياق في التسويق؟

الهندسة التحفيزية وبرمجة الأجواء. مصطلحان يتم تداولهما كثيراً عبر الإنترنت. الأول يتعلق بصياغة أسئلتك بطريقة تحصل على الاستجابة المثالية من نماذج الذكاء الاصطناعي. والآخر يتيح للأشخاص، وخاصة غير المطورين، إنشاء وظائف دون كتابة سطر برمجي واحد.

الآن، لدينا مصطلح ثالث - هندسة السياق.

هندسة السياق هي المجموعة الشاملة للهندسة التحفيزية. منهجية حيث تقوم ببناء أنظمة لنماذج اللغة الكبيرة (LLMs) التي تزود وكلاء الذكاء الاصطناعي بالمعلومات والأدوات المناسبة، بالتنسيق الصحيح، حتى يتمكنوا من إكمال المهمة.

مهما كانت معقدة.

نظراً لأن هندسة السياق تعمل من خلال مزامنة البيانات والذاكرة والأدوات ونية المستخدم، فهي طريقة مضمونة للحصول على نتائج مهمة حقاً، وكلما تحسنت جودة السياق، تحسن الأداء. حالياً، يتم استخدامها لإنشاء مساعدي برمجة بالذكاء الاصطناعي وروبوتات دردشة للخدمة تسرع من تطوير المنتجات وخدمة العملاء.

ولكن ماذا عن هندسة السياق في التسويق - كيف تعمل؟ في هذا المقال، ستجد إجابات على هذا السؤال وتتعلم كيف يمكن للمسوقين استخدامها لتقليل عبء العمل وتحقيق التخصيص على نطاق واسع.

ما هي هندسة السياق؟

على الرغم من حداثتها، تتجذر هندسة السياق في مبادئ إدارة تدفق المعلومات لأنظمة الذكاء الاصطناعي. إنها ليست أكثر من ممارسة تغذية نموذج الذكاء الاصطناعي بكل ما يحتاجه، سواء كانت بيانات أو أدوات أو تعليمات، حتى يمكنه أداء عمله بموثوقية في كل مرة.

هذه تغريدة من أندريج كارباثي، عضو سابق في فريق تأسيس OpenAI، عن طبيعة هندسة السياق:

"يربط الناس الإرشادات بأوصاف المهام القصيرة التي تقدمها لـ LLM في استخدامك اليومي. بينما في كل تطبيق LLM صناعي قوي، هندسة السياق هي الفن والعلم الدقيق لملء نافذة السياق بالمعلومات المناسبة تماماً للخطوة التالية."

إنها ليست مثل هندسة الإرشادات، حيث تكتب أمراً. بعد كل شيء، الإرشاد الواحد له حدود. لأنه، ماذا يحدث عندما يحتاج الذكاء الاصطناعي إلى تذكر المحادثات السابقة، وسحب بيانات المستخدم، وتلخيص المناقشات السابقة، ثم كتابة بريد إلكتروني مخصص للمستخدم؟

ليس في أجزاء، ولكن في سير عمل واحد؟

هذا ما صُممت له هندسة السياق. إنها تنقل السرد من التصميمات المرتكزة على الإرشادات نحو أنظمة شاملة تمنح نماذج LLM "دماغاً خارجياً" - مكتمل بالسياق المنظم، وسجلات المحادثات، ومخازن الوثائق، وواجهات برمجة التطبيقات، والبيانات في الوقت الفعلي.

كيف تعمل هندسة السياق؟

دعونا نبدأ بما يعنيه "السياق" في هندسة السياق. السياق هو كل ما تشير إليه نماذج الذكاء الاصطناعي قبل إنتاج المخرجات. وليس فقط استفسارات المستخدم؛ بل يشمل أيضاً إرشادات النظام حول كيفية تصرف العميل، إلى جانب سجلات تفاعل المستخدم، والبيانات المستردة عند الطلب، والأدوات التي يمكن للنموذج استخدامها.

مع السياق المناسب، يتحول LLM عديم الحالة إلى عميل يبدو وكأنه "يتذكر" و"يفهم" و"يتصرف" بناءً على توجيهاتك.

مع ذلك، هذه هي المكونات الأساسية لـ "السياق" في هندسة السياق:

• إرشاد النظام: يحدد دور العميل وقواعده وصوته ("أنت مساعد تسويق...").
• إرشاد المستخدم: الطلب أو المهمة الفورية من المستخدم.
• الذاكرة قصيرة المدى: ملخص أو سجل المحادثة الحالية.
• الذاكرة طويلة المدى: تفضيلات المستخدم، وأرشيفات المشروع، وسجلات المحادثات السابقة المخزنة في قاعدة معرفية خارجية.
• التوليد المعزز بالاسترجاع (RAG): الجلب الديناميكي للوثائق الخارجية، وقواعد البيانات، أو واجهات برمجة التطبيقات لتوفير الحقائق المحدثة.
• الأدوات والتعريفات المتاحة: كتالوج الوظائف القابلة للاستدعاء (واجهات برمجة التطبيقات، مشغلات الكود، محللات الوثائق) مع الأسماء والأوصاف.
• المخرجات المنظمة: تنسيقات محددة مسبقاً (JSON، جداول، أو قوالب markdown) توجه شكل استجابة النموذج.
• البيانات الوصفية: إشارات سياقية مثل الطوابع الزمنية، موقع المستخدم، أو نوع الجهاز.

هنا كيف تجتمع هذه العناصر معاً. أولاً، يوجه النص التمهيدي للنظام مساعد الذكاء الاصطناعي حول كيفية التصرف. ثم يطرح المستخدم سؤالاً. هذا يبدأ عملية استرجاع البيانات التي تسترجع المعلومات ذات الصلة، بينما توفر الذاكرة ملخص المحادثة الحالية وتفضيلات المستخدم السابقة.

لدينا أيضاً كتالوج الأدوات في وضع الاستعداد. على سبيل المثال، APIs لإرسال رسائل البريد الإلكتروني، قواعد البيانات للاستعلام عن سجلات العملاء، أو محللات لاستخراج محتوى PDF.

تندمج كل هذه المكونات في "حزمة سياق" يستهلكها النموذج في استدعاء واحد. يعالج LLM كل شيء — تاريخ المحادثة، البيانات الخارجية، وتعليمات الأدوات — ككل موحد. ثم ينتج مخرجات تتوافق تماماً مع المخطط المحدد، سواء كان ذلك مسودة بريد إلكتروني تسويقي أو جدول ملخص المنتج.

بمجرد إنتاج استجابة، تبدأ حلقة التغذية الراجعة. إذا كانت الاستجابة تحتاج إلى تعديلات، يمكنك تحسين مكونات السياق. مع مرور الوقت، يضمن هذا التحسين التكراري أن تصبح كل حزمة سياق أكثر دقة ومضبوطة بدقة لاحتياجات المستخدم.

إذن، لماذا تهم هندسة السياق هذه الأيام؟

نماذج LLM، كما نعرفها، لا تحمل حقاً أي شيء من تفاعل إلى آخر. تبدأ دائماً تقريباً كل محادثة جديدة بدون ذاكرة للأحداث السابقة.

لا يمكن للذكاء الاصطناعي العامل أن يتنقل بين هوية المستخدم أو متطلبات المهمة بدون إطار واضح لتوفير السياق المناسب. بدلاً من ذلك، يحيد عن الموضوع، يكرر الأخطاء، أو يخمن ببساطة. هندسة السياق تملأ هذه الفجوات من خلال تجميع كل ما يحتاجه النموذج في وحدة واحدة منظمة جيداً.

مع حزم السياق، تقضي على الإخفاقات الأربعة الرئيسية المرتبطة بنماذج LLM: الهلوسة، انعدام الحالة، الاستجابات العامة، والإجابات القديمة.

• الهلوسات حيث تستند المخرجات على بيانات حقيقية.
• انعدام الحالة حيث تبني أنظمة ذاكرة قصيرة وطويلة المدى.
• الاستجابات العامة بسبب تفضيلات المستخدم وبيانات التفاعل السابقة.
• الإجابات القديمة بفضل المستندات المحدثة أو تغذيات API.

عادةً، يفشل وكيل الذكاء الاصطناعي ليس لأنه لا يملك البيانات أو الأدوات المناسبة للقيام بالمهمة، ولكن لأن نموذج LLM الذي يعمل عليه يفسد الأمور. يرجع ذلك في الغالب إلى عدم حصول نماذج LLM على السياق المناسب لتوليد استجابة جيدة.

إما أن السياق مفقود، أو أنه منسق بشكل سيء.

وحتى أفضل النماذج لن تساعد إذا كانت جودة السياق ضعيفة. لذلك، مع نمو سير عمل الذكاء الاصطناعي الخاص بك وتعقيدها، يضمن اتباع أفضل الممارسات، مثل تحديد مخطط واضح أو وضع علامات على مصادر البيانات، أن يكون لدى وكيلك دائماً المعلومات الصحيحة بالتنسيق الصحيح.

من خلال هندسة السياق وتحديد بالضبط ما "يراه" الوكيل وكيف يراه وبأي ترتيب، يمكنك تحويل منشئ نصوص أحادي إلى مساعد موثوق متعدد الخطوات. أفضل شيء في ذلك؟ إنه يتبع قواعدك ويتعلم من الأخطاء السابقة.

الهندسة السياقية مقابل هندسة الأوامر

قد تفكر، "أليست الهندسة السياقية مجرد هندسة أوامر متطورة؟" ليس تماماً. هندسة الأوامر تتعلق باختيار العبارات المناسبة والكلمات الرئيسية وتراكيب الجمل للحصول على أفضل استجابة ممكنة من نموذج اللغة الكبير.

ومع ذلك، فإن هذه الطريقة بحد ذاتها تعمل في فراغ: لا تزود النموذج بأي بيانات إضافية، ولا تدمج التعليمات أو تتصل بالأدوات الخارجية. كل ما تفعله هو ضبط أمر واحد دون إعطاء النموذج الذكاء الذي يحتاجه لحل التحديات المعقدة.

من ناحية أخرى، تدمج الهندسة السياقية القواعد والوثائق ومجموعات البيانات الديناميكية والأدوات في إطار عمل واحد. في التسويق، قد يتضمن ذلك تغذية نموذج اللغة الكبير بكتالوج المنتجات وإرشادات العلامة التجارية وبيانات سلوك المستخدم، جنباً إلى جنب مع تعليمات واضحة حول النبرة والتنسيق.

رسم توضيحي من ديكس هورثي، منشور على إكس/تويتر.

هذا لا يعني أن الأوامر ليست مهمة داخل نظام مهندس سياقياً.

إنشاء أسئلة محددة يساعد تطبيقات الذكاء الاصطناعي على التنقل في قاعدة معارفها الواسعة بشكل صحيح. لكن الأوامر هي مجرد جزء من الصورة الأكبر. عندما تبني وكيل ذكاء اصطناعي يمكنه تذكر المحادثات السابقة، أو سحب البيانات الخارجية، أو الاندماج مع CRM، فأنت تمارس الهندسة السياقية.

أوامرك توجه أفعال النموذج، لكن السياق يوفر "ذاكرة" النموذج وبياناته وقواعده.

أربعة تطبيقات رئيسية لهندسة السياق

وفقًا لـ توبي لوتك، الرئيس التنفيذي لـ Shopify، "[هندسة السياق]... تصف المهارة الأساسية (لهندسة الإرشادات) بشكل أفضل: فن توفير كل السياق للمهمة لتكون قابلة للحل من قبل الـ LLM."

تتيح الطريقة بناء أنظمة ديناميكية يمكنها ليس فقط الوصول إلى البيانات الخارجية ولكن أيضًا استخدام الأدوات الخارجية أثناء المحادثات. يمكنها البحث في المستندات، وإيجاد المعلومات ذات الصلة باستخدام APIs، وتضمينها في نافذة السياق إلى جانب السؤال أو المهمة. وكلما استخدمتها أكثر، كلما عملت بشكل أفضل.

لذلك، ليس من المستغرب أن هندسة السياق يمكن استخدامها لأغراض مختلفة، بعضها غطيناه أدناه.

مساعدي البرمجة بالذكاء الاصطناعي

تقع هندسة السياق في مركز مساعدي البرمجة الحديثة. Windsurf و Cursor هما أفضل الأمثلة في هذه الحالة، حيث يدمجان RAG مع السلوك الشبيه بالوكيل للتفاعل مع قواعد الشيفرة المنظمة والمترابطة بشكل كبير.

خذ طلبًا مثل إعادة هيكلة دالة. قد يبدو أنك تعيد كتابة بضعة أسطر فقط. لكن مساعد الذكاء الاصطناعي يحتاج إلى سياق أكثر. يحتاج إلى معرفة أين يتم استخدام تلك الدالة في قاعدة الشيفرة، وأنواع البيانات التي تتعامل معها، وكيف تتفاعل مع التبعيات الخارجية، وما قد يتعطل إذا تغير المنطق، ولو بشكل طفيف.

إدارة المعرفة

بالنسبة للشركات التي توظف أنظمة وكيلة داخليًا، تجمع هندسة السياق بين صوامع البيانات المجزأة - سجلات CRM، وتذاكر Jira، والويكي الداخلي، والمزيد - لتقديم إجابات محدثة دون إرهاق نظرائها البشريين.

تقوم هذه الأنظمة تلقائيًا بتلخيص سجلات الجلسات، وجلب المستندات ذات الصلة فوريًا، وتطبيق قواعد مخصصة بحيث تتوافق كل استجابة مع الإرشادات الداخلية. في نفس الوقت، تنسق الذاكرة وتبديل المهام عبر الأقسام، بحيث يمكن للذكاء الاصطناعي التعامل مع الاستعلامات متعددة الخطوات والمتداخلة والرد بإجابة واحدة.

روبوت(ات) دردشة خدمة العملاء

في خدمة العملاء، يمكن استخدام هندسة السياق لبناء روبوتات دردشة بديهية وأنظمة محادثة ذكاء اصطناعي توجه كل تفاعل مع العملاء.

اعلم أن روبوت الدردشة الأساسي يقدم ردودًا عامة، أحيانًا ببيانات قديمة.

ومع ذلك، تحول هندسة السياق روبوتات الدردشة الأساسية هذه إلى أنظمة تعطي شعورًا بالألفة.

نظراً لأنهم يتمتعون بإمكانية الوصول إلى مجموعة من البيانات، مثل نصوص الدعم، واستفسارات الفواتير، وحالات حسابات المستخدمين، والتفضيلات، ووثائق المنتجات، يمكنهم تقديم معلومات مخصصة للمستخدم بشكل مستمر.

لذا، في النهاية، لديك وكلاء دعم يخاطبونك باسمك، ويتذكرون استفساراتك السابقة، ويتحققون من حالة حسابك قبل اقتراح حل.

عملاء الذكاء الاصطناعي

عملاء الذكاء الاصطناعي المستقلون هم الخطوة التالية في هندسة السياق. إنهم يتجاوزون أنظمة راج الأساسية ويصبحون كيانات ديناميكية موجهة نحو الأهداف يمكنها التفكير والتخطيط واتخاذ الإجراءات.

هؤلاء العملاء لا يستجيبون فقط للتوجيهات؛ بل يحلون المشكلات.

هندسة السياق تدعم قدرتهم على إدارة الذاكرة، وتحديد الأهداف، واستخدام الأدوات المناسبة، حتى خلال الجلسات الطويلة أو المعقدة. على سبيل المثال، قد يقومون باستدعاء واجهة برمجة تطبيقات التسويق لاستخراج رؤى الإعلانات أو ربط أدوات متعددة لإكمال سير عمل الحملة بالكامل. يقررون أي الأدوات يستخدمون بناءً على المهمة المطروحة في الوقت الفعلي.

بدلاً من تقديم إجابات لمرة واحدة، يتكيف هؤلاء العملاء مع المواقف المتغيرة وينفذون مهام متعددة الخطوات في بيئات العالم الحقيقي. يتصرفون مثل زملاء العمل الرقميين، يكتشفون المشكلات ويقدمون النتائج مع إشراف بشري محدود.

حتى الآن، تناولنا أربع حالات استخدام لهندسة السياق في قطاعات مختلفة.

إذن، هل يمكن تطبيق هندسة السياق على التسويق؟ بالتأكيد. في القسم التالي، سننظر في كيفية تحويل التواصل العام إلى تجارب مخصصة تدفع المشاركة بشكل فعال.

السياق والعملاء الآليين وتدفقات العمل التسويقية

قبل فترة، قامت كريستينا ج. إنج، مدرّسة التسويق في جامعة هارفارد، بتسليط الضوء على Delve AI في أخبار التسويق والذكاء الاصطناعي والتحليلات على لينكد إن.

في البداية، تحدثت عن كيفية الاستفادة من البرنامج لـإنشاء بيرسونا باستخدام بيانات موقعك الإلكتروني. المثير للاهتمام هو حالة الاستخدام التي ذكرتها لاحقاً: تغذية بيرسونا التي تم إنشاؤها إلى ChatGPT وتوجيهه لإنشاء تقويمات المحتوى، واختبار استراتيجيات الرسائل، ومحاكاة استجابات مجموعات التركيز.

هذا ليس مجرد مثال على تجربة أخرى في الأتمتة؛ إنه تمرين في هندسة السياق.

نوع الدمج الذي تراه هنا بين بيرسونا والذكاء الاصطناعي التوليدي، حيث تقوم أداة بتغذية نص غني بالبيانات إلى أداة أخرى لإنشاء استراتيجية تسويقية، هو ما تدور حوله هندسة السياق في التسويق.

عندما يتم دمج هذا النهج مع العملاء - كيانات الذكاء الاصطناعي المستقلة القادرة على استخدام الأدوات واتخاذ القرارات بأقل تدخل بشري - يصبح من الممكن أتمتة أجزاء كبيرة من تدفقات عملك التسويقية دون فقدان العمق الاستراتيجي المتوقع من فريق يقوده البشر.

قد يعني هذا تشغيل حملة بريد إلكتروني من البداية إلى النهاية.

لن يقوم عميل البريد الإلكتروني بكتابة رسائل البريد الإلكتروني فحسب؛ بل سيقوم بتقسيم جمهورك، وفحص تقويمك، والاستفادة من نظام إدارة علاقات العملاء الخاص بك، والتكيف مع العروض الترويجية، وقياس المشاركة. سيستخدم كل أداة ونقطة بيانات متاحة لتحقيق أهدافك التسويقية.

لكن على عكس البشر، لن يشعر بالإرهاق عند إدارة آلاف العملاء. لن ينسى التفاصيل أو يفقد السياق.

ماذا تعني هندسة السياق للمسوقين...

يعني ذلك إنشاء عميل تسويقي، أو مساعد طيار، يعمل على نظام يحتوي على السياق ذي الصلة: ملفات تعريف جمهورك، وبيانات أداء الحملة، وأصول العلامة التجارية، والتحليل التنافسي، وأهداف العمل، وإشارات السوق، والمزيد.

لذلك فهو ليس مجرد مولد نصوص عام ولكنه مساعد ديناميكي يدرك السياق.

هندسة التوجيه أصبحت من الماضي. يحتاج المسوقون إلى تجاوز الاستخدام السطحي لأدوات مثل ChatGPT و Claude، وزيادة المشاركة والتحويلات من خلال هندسة السياق.

بدلاً من النظر إلى البيانات والوظائف والأدوات كمكونات معزولة، تحتاج إلى بناء نظام مترابط وشامل يفهم: من هو العميل، وأين هو في رحلته، وما الذي تمثله العلامة التجارية، وكيف أداء الحملات السابقة لإكمال المهام واتخاذ القرارات.

بمجرد الانتهاء من بناء السياق وتوحيد الأصول والأدوات وبيانات السوق والقواعد ومؤشرات الأداء الرئيسية للأعمال، يمكن لوكيل الذكاء الاصطناعي الخاص بك:

• إنشاء مواد تسويقية تتوافق مع صوت العلامة التجارية ورسائلها.
• تقديم محتوى مخصص وتوصيات المنتجات بناءً على سجل التصفح وسلوك الشراء.
• الاستفادة من البيانات في الوقت الفعلي مثل الموقع أو الطقس لتقديم خصومات أو كوبونات.
• أتمتة المهام التسويقية المتكررة مثل التقاط العملاء المحتملين والمتابعات وتدفقات التنمية.
• التنبؤ باحتياجات المستخدم والتوصية بالمنتج أو المحتوى الأفضل التالي قبل أن يطلبه المستخدم.

تمنحك وكلاء الذكاء الاصطناعي هؤلاء القدرة على تخصيص كل شيء على نطاق واسع وتحسين خططك التسويقية تلقائياً بناءً على بيانات السوق في الوقت الفعلي، مع حلقة تغذية راجعة مستجيبة تستمر في التحسن.

المشاكل المتعلقة بهندسة السياق

على الرغم من أن هندسة السياق تقدم فوائد كبيرة، إلا أنها تجلب أيضاً تحديات تحتاج إلى حلول ذكية للعمل بشكل جيد.

١. تسمم السياق

عندما يهلوس الذكاء الاصطناعي أو يسيء تفسير بيانات تدريبه، يمكن أن تتسلل تلك الاستجابة السيئة إلى سياقه. من تلك النقطة، قد يستمر النظام في الاستشهاد بالتفاصيل الخاطئة أو البناء عليها. مع مرور الوقت، تتراكم هذه الأخطاء، ويصبح إزالتها أمراً مزعجاً.

الحل: بناء عمليات تحقق صارمة ومخازن سياق مُنسخة. عند اكتشاف مقطع سيء، يمكنك التراجع أو استبدال ذلك الجزء فقط، دون مسح كل شيء آخر.

٢. تشتت السياق

عندما تبدأ في تغذية المزيد من البيانات للنموذج، قد تظهر مواقف حيث يبدأ في التركيز على التاريخ المتراكم. بدلاً من الاعتماد على تدريبه، يكرر الردود القديمة.

الحل: استخدام تلخيص السياق والتجريد. قم دورياً بضغط التواريخ الطويلة إلى ملخصات موجزة. هذا يبقي الذكاء الاصطناعي مركزاً على المعلومات الجديدة والمناسبة.

٣. ارتباك السياق

يمكن أن يؤدي تحميل السياق بمعلومات إضافية إلى إجابات مختلطة. يمكن أن تؤدي البيانات غير ذات الصلة، مثل إرشادات التسويق عند صياغة بريد إلكتروني للدعم، إلى توجيه الذكاء الاصطناعي خارج المسار. ينتهي بك الأمر بردود تخلط بين مهمتين أو أكثر.

الحل: تطبيق مرشحات السياق. قبل كل مكالمة، قم بتصفية أي مستندات غير ذات صلة أو أوصاف أدوات بحيث يرى النموذج فقط ما يحتاجه لتلك المهمة.

٤. تضارب السياق

أحياناً، يتناقض مصدران في السياق مع بعضهما البعض، مثل نسختين من مواصفات المنتج أو الأسعار القديمة مقابل الأسعار الحالية. يتعين على الذكاء الاصطناعي حينها تخمين أيهما يثق به، مما يؤدي إلى ردود مشوشة.

الحل: استخدام تقليم السياق. قم بالفحص المنتظم للإدخالات القديمة أو المتضاربة وإزالتها. هذا يحافظ على "الذاكرة" متماسكة وموثوقة.

معالجة هذه التحديات هي المفتاح لبناء تدفقات عمل تسويقية فعالة ودقيقة.

الطريق إلى الأمام

هندسة السياق هي واحدة من أهم المهارات في عصر الذكاء الاصطناعي. لقد تجاوزت، بشكل واضح، هندسة التوجيه التقليدية، مما منح مستخدميها ميزة كبيرة على منافسيهم.

لم تعد بحاجة إلى توجيه مثالي لكتابة نص إعلاني؛ أنت بحاجة إلى نظام ذكي يدير وينفذ الحملات بأكملها.

من خلال هندسة السياق وعملاء الذكاء الاصطناعي، يمكنك تخصيص المحتوى على نطاق واسع، والتكيف مع تفضيلات العملاء المتطورة، وتقديم إجابات متخصصة تبني قيمة العلامة التجارية، دون أي تدخل يدوي.

هذا ليس مستقبلاً بعيداً. مع هندسة السياق، يمكنك بناء سير عمل حيث يعمل عملاء الذكاء الاصطناعي كمساعدين تسويقيين. إنهم يعرفون عملاءك، ويتحدثون لغة علامتك التجارية، ويتخذون قرارات مبنية على البيانات.

بالطبع، لا يزال هناك أشخاص في المركز، يوجهون العميل ويحسنون نتائج الحملة. لكن المهام المتكررة الثقيلة بالسياق؟ يمكن الآن معالجتها من قبل زملائك المدعومين بالذكاء الاصطناعي.

وبالنسبة للمسوقين الذين يريدون التحرك بسرعة دون فقدان الدقة، فهذا فوز كبير.