الكاتب التقني ووكلاء الذكاء الاصطناعي: ما تعلمته أثناء تطوير Artie

معظم الكُتّاب التقنيين لا يقومون بإنشاء وكلاء الذكاء الاصطناعي. بل نقوم بتوثيقهم. نحضر اجتماعات مراجعة السبرينت ونقرأ سجلات قرارات الهندسة المعمارية. ثم نحاول إيجاد طريقة لشرح مسار الاسترجاع لشخص ما يحتاج فقط إلى إنجاز عملية التكامل بحلول يوم الجمعة.

لكنني قمت بإنشاء واحد على أي حال.

اسمه Artie، وهو مساعد توثيق يعمل بالذكاء الاصطناعي قمت بإنشائه باستخدام Algolia وتم تضمينه في موقع محفظتي هذا. علمتني عملية إنشائه المزيد عن التقاطع بين الكتابة والذكاء الاصطناعي أكثر مما يمكن لأي محاضرة في مؤتمر أو ورقة بحثية أن تعلمه لي.

هذا ليس شرحًا تفصيليًّا لتصميم «أرتي» — فهذا هو الغرض من دراسة الحالة. بل يتعلق هذا بالمحاضرات الأوسع نطاقًا حول:

• ما هي وكالات الذكاء الاصطناعي في الواقع
• كيف يعمل «التوليد المعزز بالاسترجاع» من الناحية الفنية
• لماذا تعتبر هندسة المطالبات أقرب إلى الكتابة التقنية أكثر مما يدركه معظم الناس
• وماذا يعني كل هذا بالنسبة لنا في هذا المجال الصغير الذي نعمل فيه

ما هو الوكيل الذكي، وما ليس كذلك؟

يُستخدم مصطلح "الوكيل الذكي" بشكل فضفاض لدرجة أنه يستحق التعريف. فليست كل ميزة مدعومة بالذكاء الاصطناعي وكيلًا. فمدقق الإملاء الذي يستخدم التعلم الآلي ليس وكيلًا. واقتراحات الإكمال التلقائي ليست وكيلًا. وحتى روبوت الدردشة الذي يتبع شجرة قرارات صارمة ليس وكيلًا في الحقيقة — إنه مجرد مخطط انسيابي مع إدخال نصي.

الوكيل الذكي هو نظام قادر على تفسير هدف ما، والتفكير في كيفية تحقيقه، واتخاذ الإجراءات ضمن بيئة محددة. والتمييز الرئيسي هو الاستقلالية ضمن القيود. لا يكتفي الوكيل بالرد على موجه؛ بل يقيّم السياق، ويختار استراتيجية، وينفذها — غالبًا عبر خطوات متعددة.

إذن، أين يقع «أرتي» في هذا النطاق؟

إنه وكيل مركّز. فهو لا يتصفح الويب، ولا ينفذ أكواد برمجية، ولا يربط بين استدعاءات أدوات متعددة الخطوات. لكنه يفسر نية المستخدم («هل هذا سؤال تقني أم استفسار عن محفظة الأعمال؟»)، ويختار استراتيجية للرد، ويطبق ضوابط الحماية بشكل مستقل. وهذا أكثر من مجرد روبوت دردشة. لكنه أقل من وكيل مستقل تمامًا يمكنه، على سبيل المثال، تقديم تقرير عن خطأ بناءً على سؤال المستخدم.

هذا التمييز مهم لأن فهم أدوات ووكلاء الذكاء الاصطناعي أصبح جزءًا متزايد الأهمية من عمل الكاتب التقني. عندما تقوم بتوثيق منتج مدعوم بالذكاء الاصطناعي، عليك أن تعرف أين يقع هذا المنتج على هذا الطيف. بعد ذلك، عليك توضيح هذا التمييز للمستخدمين الذين قد تكون لديهم توقعات مختلفة حول معنى مصطلح «الذكاء الاصطناعي».

كيف يعمل «التوليد المعزز بالاسترجاع» فعليًّا

«التوليد المعزز بالاسترجاع» (RAG) هو النمط المعماري الكامن وراء Artie وعدد متزايد من أدوات التوثيق المدعومة بالذكاء الاصطناعي. يعالج هذا المفهوم قيدًا أساسيًّا في نماذج اللغة الكبيرة (LLMs): فهي تُدرَّب على مجموعة بيانات ثابتة ولا تحتوي على أي بيانات تتعلق بمحتواك المحدد.

تعمل التفاعلات القياسية مع نماذج اللغة الكبيرة (LLMs) على النحو التالي: يرسل المستخدم استفسارًا، ويقوم النموذج بتوليد استجابة من بيانات التدريب الخاصة به. وهذا جيد بالنسبة للمعرفة العامة، لكنه يفشل في الأسئلة المتعلقة بمجال معين. اسأل نموذجًا أساسيًّا عن واجهة برمجة تطبيقات (API) منتجك، فإما أن يختلق إجابةً عشوائية أو يرفض الرد بأدب.

تقوم تقنية RAG بإدراج خطوة استرجاع بين سؤال المستخدم واستجابة النموذج. وتبدو سلسلة العمليات كما يلي:

1. معالجة الاستعلام. يتم استلام سؤال المستخدم وتحويله إلى صيغة مناسبة للبحث. ويتم ذلك عن طريق تحويل الاستعلام إلى تضمين متجه، وهو تمثيل رقمي للمعنى الدلالي للسؤال.
2. الاسترجاع. يبحث النظام في قاعدة المعرفة عن محتوى مشابه دلاليًا للاستعلام. في هذه الحالة، تمثل قاعدة المعرفة فهرسًا مُعدًّا مسبقًا لوثائقك. يعتمد البحث على التشابه القائم على المعنى، وليس على مطابقة الكلمات المفتاحية؛ لذا فإن «كيف أقوم بإعداد المصادقة؟» و«تكوين بيانات اعتماد تسجيل الدخول» سيتطابقان مع نفس صفحة الوثيقة.
3. تجميع السياق. يتم تجميع المستندات المسترجعة (أو أجزاء من المستندات) في نافذة سياق جنبًا إلى جنب مع السؤال الأصلي للمستخدم وموجه النظام. هذه الحزمة المجمعة هي ما يعالجه النموذج.
4. التوليد. يقوم النموذج بتوليد استجابة تستند إلى السياق المسترجع بدلاً من بيانات التدريب العامة الخاصة به. وعندما يكون النظام مُهيأً بشكل جيد، يذكر النموذج مصادره ويبقى ضمن حدود ما تقوله المستندات المسترجعة فعليًّا.

Mermaid (image)

Mermaid (code)

flowchart TD
    A["🔍 سؤال المستخدم"] --> B["معالجة الاستعلام"]
    B -->|تضمين موجه| C["استرجاع"]
    KB[("📚 قاعدة المعرفة")] -.-> C
    C -->|مستندات ذات صلة| D["تجميع السياق"]
    D -->|الموجه + السياق| E["توليد"]
    E --> F["📄 إجابة موثقة"]

تتحدد جودة نظام RAG في الخطوة الثانية. فإذا عرضت طبقة الاسترجاع مستندات خاطئة، أو صنّفتها بشكل سيئ، فلن يهم مدى كفاءة النموذج. فسيُنتج إجابة معقولة ومنظمة جيدًا من مصدر خاطئ. ولهذا السبب، فإن استراتيجية الفهرسة ونهج تقسيم النص إلى أجزاء واختيار نموذج التضمين تكتسي أهمية أكبر مما يتوقعه معظم الناس. يُنسب الفضل إلى نموذج التوليد، لكن طبقة الاسترجاع هي التي تقوم بالجزء الأكبر من العمل.

في حالة Artie، قاعدة المعرفة هي الوثائق المنشورة على هذا الموقع — والتي يتم فهرستها واسترجاعها عبر Algolia. وهذا قيد متعمد: لا يمكن لـ Artie الإجابة عن أسئلة تتعلق بأمور غير موثقة هنا. تتناول دراسة الحالة كيفية تطبيق هذا القيد عمليًّا، لكن النقطة الأساسية المتعلقة بالبنية هي: RAG لا يجعل النموذج أكثر ذكاءً. بل يجعل النموذج أكثر مسؤولية من خلال ربط إجاباته بمصدر قابل للتحقق.

هندسة المطالبات هي كتابة تقنية

كانت هذه هي الفكرة الأهم التي استخلصناها من المشروع بأكمله: كتابة مطالبة النظام هي، في جوهرها، تمرين في الكتابة التقنية.

فكر فيما يتضمنه موجه النظام المصاغ جيدًا. عليك تحديد الجمهور المستهدف. عليك وضع إرشادات بشأن النبرة والأسلوب. عليك تحديد حدود النطاق — ما يجب على النظام معالجته وما لا يجب عليه معالجته. عليك توقع الحالات الاستثنائية وكتابة تعليمات دقيقة بما يكفي لكي تتبعها الآلة دون الحاجة إلى تدخل بشري. عليك تنظيم المعلومات بشكل هرمي بحيث تحظى القواعد الأكثر أهمية بالأولوية.

هذا ليس هندسة المطالبات. بل هو تحليل للجمهور، ودليل أسلوب، ومواصفات للمحتوى، مدمجة في وثيقة واحدة.

نقل المهارات يكاد يكون واحدًا إلى واحد:

• تحليل الجمهور → توجيه الجمهور. يحدد الكاتب الفني الجمهور المستهدف ويصمم المحتوى وفقًا لذلك. وتقوم موجهة النظام بنفس الشيء بالنسبة للذكاء الاصطناعي. تقوم موجهة «أرتي» بالتوجيه بين المستخدمين التقنيين ومسؤولي التوظيف، تمامًا بالطريقة التي يوجه بها موقع التوثيق جيد التنظيم بين الشخصيات المختلفة للقراء.
• دليل الأسلوب → معايرة الشخصية. كل فريق توثيق لديه إرشادات خاصة بالصوت والنبرة. التوجيه النظامي هو دليل الأسلوب للذكاء الاصطناعي: كن موجزًا هنا، وكن دافئًا هناك، ولا تستخدم هذه العبارة أبدًا، واحرص دائمًا على تضمين رابط المصدر.
• بنية المعلومات → التسلسل الهرمي للتعليمات. يدرك الكُتّاب التقنيون أن ترتيب المعلومات وهيكلها يؤثران على الفهم. وينطبق الأمر نفسه على تلميحات النظام — حيث يتأثر امتثال النموذج للتعليمات بمكان ظهور تلك التعليمات وكيفية تنظيمها.
• توثيق الحالات الاستثنائية → تصميم الحواجز الوقائية. التوثيق الجيد يتوقع قيام المستخدم بأمر غير متوقع ويقدم إرشادات واضحة. التصميم الجيد للمطالبات يتوقع محاولة المستخدم اختراق النظام ويضع حدودًا واضحة.

أنا لا أقول إن كل كاتب تقني يجب أن يصبح مهندس تلميحات. ما أقوله هو أن مجال هندسة التلميحات يستعير بشكل كبير من المهارات التي طورها الكتّاب التقنيون على مدى عقود. إذا كنت قادرًا على كتابة وثيقة واضحة ومنظمة ومراعية للجمهور، فأنت بالفعل أكثر استعدادًا لهذا العمل مما قد تتصور.

الحواجز الوقائية هي مشكلة لغوية

عندما يفكر الناس في أمن الذكاء الاصطناعي، فإنهم يميلون إلى اعتباره مشكلة هندسية: تحديد معدل الاستخدام، والمصادقة، وضوابط الوصول إلى النماذج. هذه الأمور مهمة. لكن بالنسبة للذكاء الاصطناعي التخاطبي الموجه للجمهور، فإن جزءًا كبيرًا من السطح الأمني هو لغوي.

يُعد «حقن المطالبات» (Prompt injection) في جوهره محاولة لاستخدام اللغة لتخريب الضوابط القائمة على اللغة. ويتطلب الدفاع ضده كتابة قواعد لا لبس فيها بدرجة كافية بحيث لا تتمكن المدخلات العدائية من تضليل النموذج.

معلومات

يحدث «حقن المطالبات» عندما يحاول المستخدم تجاوز مطالبة النظام بتعليمات مثل «تجاهل جميع التعليمات السابقة».

يُحدد تقرير أهم 10 مخاطر لتطبيقات نماذج اللغة الكبيرة الصادر عن مشروع أمن التطبيقات العالمي المفتوح (OWASP) حقن الأوامر باعتباره الخطر الأكبر. لكن إذا قرأت القائمة، ستلاحظ أن العديد من المخاطر هي، في جوهرها، مشاكل لغوية:

• المعالجة غير الآمنة للمخرجات (ما يخرجه النموذج)
• تلوث بيانات التدريب (ما تعلمه النموذج من النص)
• الفاعلية المفرطة (ما تم توجيه النموذج للقيام به)

إن نواقل الهجوم تقنية، لكن الدفاعات غالبًا ما تُكتب بلغة طبيعية، وتُدمج في موجه النظام.

وهذا يعيد صياغة النقاش حول الأمن بطريقة مفيدة للكتاب التقنيين. لا يُتوقع منا تصميم أنظمة المصادقة. لكننا في وضع جيد لكتابة قواعد اللغة الطبيعية التي تحكم سلوك الذكاء الاصطناعي. لكتابتها بالدقة المطلوبة لمقاومة إساءة الاستخدام العدائية.

إلى أين يتجه هذا الأمر

لن أتظاهر بالتنبؤ بمستقبل الذكاء الاصطناعي. لكن يمكنني وصف المسار الذي يظهر بوضوح في الوقت الحالي وما يعنيه ذلك للأشخاص الذين يعملون في مجال التوثيق كمهنة.

تتحول مساعدات التوثيق المدعومة بالذكاء الاصطناعي من كونها مجرد حداثة إلى أمر متوقع. يتزايد استياء المستخدمين من البحث الثابت على مواقع التوثيق. فهم يريدون طرح سؤال باللغة الطبيعية والحصول على إجابة ملموسة ومحددة — وليس عشرة روابط زرقاء. الأنظمة القائمة على RAG تجعل ذلك ممكنًا الآن، وأصبحت الأدوات اللازمة لبنائها أكثر سهولة في الوصول إليها.

تلميح

هل تشعر بالفضول لمعرفة البنية التحتية الكامنة وراء الأنظمة المدعومة بنماذج اللغة الكبيرة (LLM)؟ تغطي وثائق تدفقات الأحداث وخطوط أنابيب القابلية للمراقبة على هذا الموقع كيفية قيام أدوات مثل Datadog وGalileo بمراقبة وتقييم استدعاءات النماذج في بيئة الإنتاج.

دور الكاتب الفني لا يتقلص؛ بل إنه يتوسع. يجب أن يقوم شخص ما بتنظيم قاعدة المعرفة التي تستقي منها هذه الأنظمة معلوماتها. ويجب أن يقوم شخص ما بكتابة المطالبات النظامية التي تحكم سلوكها. ويجب أن يقوم شخص ما بتحديد حدود النطاق، وإرشادات الأسلوب، وأنماط الفشل. ويجب أن يقوم شخص ما باختبار ما إذا كانت استجابات الذكاء الاصطناعي تتطابق فعليًّا مع الوثائق. كل ذلك عمل كتابي، ويتطلب الحصافة التي تنبع من سنوات من التفكير في كيفية استهلاك الناس للمعلومات.

يجب على الكُتّاب التقنيين تعلم أساسيات كيفية عمل نماذج اللغة الكبيرة (LLMs) وأنظمة RAG. لا ينبغي أن نصبح مهندسي تعلم آلي، ولكن يجب أن نكون مساهمين فعالين في المحادثات حول المنتجات المدعومة بالذكاء الاصطناعي. نحتاج إلى فهم مسار العمل جيدًا بما يكفي لنعرف أين تنطبق خبرتنا — وأين لا تنطبق.

يعرف الكُتّاب التقنيون بالفعل كيفية الكتابة لجمهور متنوع، وتنظيم المعلومات من أجل الوضوح، وتحديد النطاق، وتوقع سوء الاستخدام. هذه ليست مهارات هامشية في عصر الذكاء الاصطناعي. إنها مهارات أساسية.

لا ينبغي أن يحل الذكاء الاصطناعي محل الكُتّاب التقنيين. فالنماذج تتحسن في إنتاج النصوص، لكنها لا تزال بحاجة إلى شخص يقرر ماذا يُقال، ولمن، وتحت أي قيود. إنها بحاجة إلى محررين. ونحن هم المحررون. الوظيفة لا تتغير حقًا. الأدوات هي التي تتغير. والعمل لن يختفي. في النهاية، سيدرك المتهورون حماقتهم ويتذكرون قيمة الكاتب التقني الجيد.

اقرأ دراسة الحالة

إذا كان هذا المنشور قد أوضح لك «أهمية الأمر» و«كيفية عمله»، فاقرأ دراسة الحالة. وهي تغطي قرارات التصميم المحددة الكامنة وراء Artie:

• توجيه الجمهور
• ترسيخ المعرفة
• معايرة الشخصية
• إجراءات الحماية الأمنية
• المفاضلات التي سأعيد النظر فيها عند النشر في بيئة الإنتاج

تم تصميم هذين المقالين ليعملا جنبًا إلى جنب. ابدأ بأيهما يثير فضولك.