من هندسة الأوامر إلى هندسة الرسوم البيانية: خمسة مستويات متراكمة للتواصل مع الذكاء الاصطناعي، بالعربية والإنجليزية. From prompt engineering to graph engineering: five cumulative levels of AI communication, in Arabic and English.

المستويات الخمسة للتواصل مع الذكاء الاصطناعي

من كتابة تعليمة جيدة إلى تصميم منظومة من المنظومات

كل من يعمل بجدية مع الذكاء الاصطناعي التوليدي يصل، عاجلًا أم آجلًا، إلى الملاحظة نفسها: النموذج لم يعد هو عنق الزجاجة.

فالفرق بين نموذج تجريبي يعمل أحيانًا، ونظام إنتاج يمكن الاعتماد عليه، لا يكمن بالضرورة في قوة نموذج الذكاء الاصطناعي نفسه، بل في كيفية تواصلك معه. ولم يعد «التواصل» هنا يعني مجرد الكلمات التي تكتبها.

خلال السنوات الأربع الماضية، تطور هذا التواصل وتراكم ليشكّل خمسة مستويات متمايزة. كل مستوى يحتوي المستوى الذي يسبقه ويبني عليه، وفي الوقت نفسه يجيب عن سؤال مختلف.

المستوى الأول — هندسة الأوامر (Prompt Engineering): ماذا أقول؟

هندسة الأوامر هي فن صياغة التعليمة الواحدة. وهي تتمحور حول تحديد الدور، والمهمة، والقيود، وشكل المخرجات، والأمثلة، وتجميع كل ذلك في رسالة واحدة تمنح النموذج أفضل فرصة ممكنة لتقديم إجابة جيدة من المحاولة الأولى.

مثال: يحتاج مدير إبداعي إلى لقطة رئيسية لإعلان سيارة.

سيئ: «اكتب لي برومبت لإعلان لكزس.» جيد: «أنت مدير تصوير سينمائي. اكتب برومبت واحدًا لصورة في 40 كلمة: سيارة سيدان فضية، زاوية أمامية ثلاثة أرباع، طريق صحراوي وقت الساعة الذهبية، عدسة أنامورفيك، كاميرا منخفضة الارتفاع، من دون نصوص، ومن دون أشخاص. أخرج البرومبت فقط.»

نقاط القوة: السرعة، وعدم الحاجة إلى أي بنية تقنية إضافية، كما أنها تعلّمك الكثير عن الطريقة التي يستجيب بها النموذج للتعليمات.

الحدود: هذا الأسلوب بلا ذاكرة وهشّ بطبيعته. بمجرد أن تتطلب المهمة معلومات لا يمتلكها النموذج، أو تحتاج إلى أكثر من خطوة واحدة، لن تعود الجملة الذكية كافية. كان هذا المستوى يمثل تقريبًا كامل واجهة التعامل مع الذكاء الاصطناعي في عامي 2022 و2023؛ أما اليوم فقد أصبح مهارة أساسية مفترضة.

المستوى الثاني — هندسة السياق (Context Engineering): ماذا يرى النموذج؟

تنقل هندسة السياق مركز الاهتمام من الجملة إلى نافذة السياق.

ويصبح السؤال هنا: ما الوثائق، والذكريات، ونتائج الأدوات، والأمثلة، وحالة المهمة التي يراها النموذج في اللحظة التي يُنتج فيها إجابته؟ وبأي ترتيب تظهر له؟

يندرج تحت هذا المستوى كل من الاسترجاع المعزز بالتوليد (RAG)، وتعليمات النظام (System Prompts)، وملفات الذاكرة، وأدلة الهوية والعلامة التجارية، والمراجع المنظمة.

أما المهارة الجوهرية هنا فهي إدارة نافذة سياق محدودة السعة: ماذا نُدخل إليها؟ ماذا نختصر؟ وماذا نستبعد؟

مثال: يعمل برومبت اللقطة الرئيسية نفسه الآن داخل سياق يحتوي على ملف إرشادات العلامة التجارية، ومرجع ثابت لنموذج السيارة، وثلاث لقطات مرجعية معتمدة، وقائمة بعنوان «لا تفعل هذا مطلقًا» مستخلصة من جولة المراجعة السابقة.

هنا يمكن أن تصبح التعليمة نفسها أقصر، لأن البيئة المحيطة بها أصبحت أكثر ثراءً.

نقاط القوة: ترفع مستوى الاتساق والارتكاز إلى الحقائق بصورة كبيرة، وتجعل المخرجات مرتبطة بعالمك أنت، بدلًا من أن تكون عامة.

الحدود: ما زلنا أمام استدعاء واحد للنموذج. يقرأ مرة واحدة، ثم يجيب مرة واحدة. وإذا كانت الإجابة خاطئة، فلا توجد آلية تلقائية تكتشف الخطأ.

المستوى الثالث — هندسة الحلقات (Loop Engineering): ماذا يحدث بعد أن يجيب النموذج؟

تُدخل هندسة الحلقات مفهوم التكرار والتحسين المستمر.

ينفّذ النموذج فعلًا، ثم تقوم جهة ما بمراقبة النتيجة، وتعود الملاحظة إليه من جديد:

فكّر ← نفّذ ← تحقّق ← كرّر.

وهذا هو جوهر ما نسمّيه بالسلوك «الوكيل» أو Agentic Behavior: حلقة استدلال على نمط ReAct، أو دورة «ولّد – انتقد – راجع»، أو جلسة برمجية ذاتية التصحيح تشغّل الاختبارات، وتقرأ الأخطاء، ثم تعدّل العمل بناءً عليها.

مثال: يقوم وكيل متخصص في كتابة برومبتات الفيديو بصياغة لقطة، ثم يرسلها إلى مولّد الفيديو أو الصور، ويفحص الإطار الناتج:

• هل شعار السيارة واضح؟
• هل العدسة صحيحة؟
• هل التكوين مطابق للمطلوب؟

بعد ذلك يقيّم النتيجة وفق قائمة تحقق محددة، ثم يعيد كتابة البرومبت.

وبعد ثلاث دورات مثلًا، يتوقف لأن جميع معايير التحقق قد اجتازت الاختبار، لا لأن شخصًا قال له: «جرّب مرة أخرى».

نقاط القوة: يحوّل التخمين القائم على محاولة واحدة إلى عملية تقارب تدريجي نحو النتيجة المطلوبة، كما يتيح التعامل مع مهام يصعب تحديد جميع تفاصيلها مسبقًا.

الحدود: إذا لم تُصمَّم الحلقات بعناية، فقد تنحرف عن الهدف، أو تستهلك موارد وميزانيات غير ضرورية، أو تدخل في دورات لا تنتهي. لذلك تصبح شروط التوقف، وحدود إعادة المحاولة، ومعايير التقييم هي جوهر العمل الحقيقي — وهذا تحديدًا ما يقوم المستوى التالي بتنظيمه.

المستوى الرابع — هندسة بيئة التشغيل والتحكم (Harness Engineering): كيف يعمل الوكيل بأمان؟

الـ Harness هو كل ما يحيط بالنموذج وبحلقة عمله: البيئة، وصلاحيات استخدام الأدوات، والذاكرة، وحالة المهمة، وآليات التحقق، والسجلات، والموافقات، وضوابط الأمان.

وقد وُصف هذا المستوى بأنه الجيل الثالث من تصميم التفاعل مع الذكاء الاصطناعي:

• هندسة الأوامر علّمتنا كيف نتحدث إلى النماذج.
• هندسة السياق علّمتنا ماذا نعرض عليها.
• أما هندسة بيئة التشغيل والتحكم فتعلّمنا كيف نحتوي هذه النماذج ونوجّهها عندما تعمل بوصفها أنظمة مستقلة.

واستعارة كلمة Harness مقصودة؛ فالنموذج يشبه حصانًا شديد القوة، لكنه يحتاج إلى لجام وسرج وأدوات للتحكم في قوته وتوجيهها.

تجعل بيئة التشغيل المصممة جيدًا الوكيل قابلًا للتدقيق والمراجعة (Auditable). فهي تسجّل الملفات التي قرأها، والأدوات التي استخدمها، وسبب حدوث أي فشل، والأدلة التي تثبت أن المهمة قد أُنجزت بالفعل، بدلًا من الاكتفاء بإعلان النموذج أنه «انتهى».

وهكذا يصبح اكتمال المهمة مرتبطًا بعمليات تحقق حقيقية — مثل الاختبارات، وفحص الكود (Linting)، والمراجعة — وليس بجملة واثقة يصدرها النموذج.

مثال: في خط إنتاج لإعلان تلفزيوني مدته 30 ثانية، يحصل الوكيل على مساحة عمل معزولة (Sandbox)، وصلاحية قراءة ملفات العلامة التجارية، بينما تقتصر صلاحية الكتابة على مجلد drafts/ فقط.

ويُشترط أن تجتاز كل صورة اختبارًا آليًا للتوافق مع العلامة التجارية قبل إدراجها في قائمة اللقطات، مع وجود بوابة موافقة بشرية قبل إنفاق أي ميزانية على عمليات التوليد والرندر.

هنا تظل قدرة الوكيل الإبداعية كما هي، لكن نطاق الضرر المحتمل الناتج عن أي خطأ يصبح محدودًا للغاية.

نقاط القوة: الاعتمادية، والأمان، وسهولة تشخيص الأخطاء، والقدرة على تحسين النتائج من خلال تعديل البيئة المحيطة بالنموذج بدلًا من تغيير النموذج نفسه.

الحدود: تتحكم بيئة التشغيل عادة في وكيل واحد يؤدي نوعًا واحدًا من العمل. لكن أعباء العمل الحقيقية تتضمن العديد من الوكلاء، والأدوات، وعمليات التسليم والانتقال بينها. والعلاقات بين هذه العناصر تحتاج بدورها إلى تصميم.

المستوى الخامس — هندسة الرسوم البيانية (Graph Engineering): كيف يرتبط العديد من الوكلاء والمهام بعضهم ببعض؟

تتعامل هندسة الرسوم البيانية مع النظام بأكمله بوصفه رسمًا بيانيًا (Graph).

العُقد (Nodes) قد تكون وكلاء، أو أدوات، أو نقاط تحقق، أو مخازن بيانات. أما الحواف (Edges) فهي مسارات انتقال الحالة والتحكم بين هذه العُقد.

وبدلًا من تصميم حلقة واحدة، تصبح مهمتك تصميم طوبولوجيا كاملة للنظام: فروع متوازية تتشعب ثم تندمج، ومسارات شرطية، ووكلاء إشراف يوزعون المهام على وكلاء متخصصين، وحالة مشتركة يمكن لكل عقدة قراءتها والكتابة إليها.

وتندرج هنا كل من الأطر التي تمثل سير العمل في صورة رسوم بيانية صريحة للحالة (State Graphs)، وكذلك الرسوم البيانية المعرفية (Knowledge Graphs) التي تمنح الوكلاء نماذج منظمة للعالم.

مثال: يمكن تصميم خط إنتاج حملة إعلانية على هيئة Graph:

1. تقوم عقدة تحليل البريف (Brief Parser) بإرسال النتائج إلى عقدة تطوير المفهوم (Concept).
2. ومنها يتفرع العمل إلى ثلاثة وكلاء متوازيين لـ التطوير البصري (Visual Development)، يمتلك كل منهم بيئة تشغيل وتحكم خاصة به.
3. ثم تندمج مخرجاتهم في عقدة مراجعة الاتساق (Consistency Review)، التي تستطيع إعادة أي فرع إلى حلقة جديدة من التطوير إذا لم يجتز المعايير.
4. بعد ذلك، تتحكم عقدة موافقة العميل (Client Approval) في الانتقال إلى مرحلة الإنتاج (Production)، حيث يعمل وكيل قائمة اللقطات (Shot List) ووكيل كتابة البرومبتات (Prompt Writer) بالتوازي، قبل تسليم النتائج إلى مرحلتي التوليد/الرندر (Render) ومراقبة الجودة (QC).

ويتم رسم مدخلات كل عقدة، ومخرجاتها، ومسارات الفشل الخاصة بها قبل كتابة أي برومبت.

نقاط القوة: القدرة على التوسع إلى أعمال معقدة وطويلة الأمد ومتعددة التخصصات؛ وإظهار الاعتماديات بوضوح؛ وإمكانية استبدال عقدة أو تطويرها دون الحاجة إلى إعادة بناء النظام بالكامل.

الحدود: هنا ندخل فعليًا إلى مجال هندسة الأنظمة. لم تعد الأخطاء من نوع «النموذج قال شيئًا غريبًا»، بل أصبحت من نوع: «تلفت الحالة أثناء انتقالها بين عقدتين»، أو «منطق التوجيه يحتوي على مسار مسدود».

مقارنة بين المستويات

ثلاثة أشياء يجب تذكّرها

أولًا: المستويات تراكمية وليست متتابعة. حتى أفضل Graph ما زال يعتمد على برومبتات جيدة تعمل داخل سياقات منتقاة بعناية. وأي ضعف في مستوى أدنى سيظهر في صورة ضوضاء ومشكلات في كل المستويات التي تعلوه.

ثانيًا: كلما ارتفعنا في المستويات، ازداد أثر التحسين. تحسين برومبت واحد يغيّر إجابة واحدة. أما تحسين بيئة تشغيل الوكيل فقد يغيّر كل إجابة سيقدمها هذا الوكيل مستقبلًا. في المستويات الأعلى توجد العوائد التراكمية الحقيقية، وهناك أيضًا يحدث الجزء الأصعب والأقل بريقًا من العمل الهندسي.

ثالثًا: اختر المستوى المناسب للمهمة. صورة رئيسية واحدة لحملة إعلانية قد تحتاج إلى المستويين الأول والثاني. كاتب برومبتات قادر على مراجعة عمله وتصحيحه ذاتيًا يحتاج إلى المستوى الثالث. أي نظام يتعامل مع ميزانيات أو عملاء أو عمليات إنتاج فعلية يحتاج إلى المستوى الرابع. أما خط إنتاج استوديو يضم العديد من المتخصصين والوكلاء، فهو مشكلة من المستوى الخامس، سواء رسمت الـGraph بالفعل أم لم ترسمه.

الممارسون الذين سيحققون أفضل النتائج خلال السنوات المقبلة لن يكونوا بالضرورة أصحاب أذكى جملة أو أفضل برومبت، بل أولئك القادرين على معرفة المستوى الذي تنتمي إليه المشكلة — ثم تصميم الحل على ذلك المستوى.

The Five Levels of AI Communication

From writing a good sentence to designing a system of systems

Every serious practitioner of generative AI eventually notices the same thing: the model stops being the bottleneck. What separates a flaky demo from a dependable production system is how you communicate with the model — and "communicate" now means far more than the words you type. Over the last four years that communication has stacked into five distinct levels. Each level contains the one below it, and each answers a different question.

Level 1 — Prompt Engineering: What do I say?

Prompt engineering is the craft of the single instruction. It is about role, task, constraints, format and examples, packed into one message that gives the model the best chance of a good answer on the first try.

Example. A creative director needs a hero shot for a car commercial:

Bad: "Give me a prompt for a Lexus ad." Good: "You are a cinematographer. Write one 40-word image prompt: silver sedan, 2/3 front angle, golden-hour desert road, anamorphic lens, low camera height, no text, no people. Output only the prompt."

Strengths: fast, zero infrastructure, teaches you how the model thinks.

Limits: stateless and fragile. The moment the task needs information the model doesn't have, or more than one step, a clever sentence stops helping. This level was the whole interface in 2022–2023; it is now table stakes.

Level 2 — Context Engineering: What does the model see?

Context engineering shifts attention from the sentence to the window. The question becomes: what documents, memories, tool results, examples and state are in front of the model at the moment it answers, and in what order? Retrieval (RAG), system prompts, memory files, brand guidelines, and structured references all live here. The core discipline is budgeting a finite window: what to include, what to compress, what to leave out.

Example. The same hero-shot prompt now runs inside a context that carries the brand guideline PDF, the locked car model sheet, three approved reference frames, and a "never do this" list from the previous review round. The instruction can be shorter because the surroundings are richer.

Strengths: dramatically raises consistency and factual grounding; makes outputs specific to your world.

Limits: still a single call. The model reads once and answers once. If the answer is wrong, nothing catches it.

Level 3 — Loop Engineering: What happens after the model answers?

Loop engineering introduces iteration. The model acts, something observes the result, and the observation feeds back in:

Think → Act → Check → Repeat.

This is the heart of "agentic" behaviour: a ReAct-style reasoning loop, a generate-critique-revise cycle, a self-correcting coding session that runs tests and reads the failures.

Example. A video-prompt agent drafts a shot, sends it to the generator, inspects the frame:

• Is the car badge legible?
• Is the lens correct?
• Does the composition match the brief?

It scores the result against a checklist and rewrites the prompt. Three loops later it stops because the checklist passes — not because a human said "try again."

Strengths: turns one-shot guessing into convergence; handles tasks nobody could specify fully up front.

Limits: loops that are not designed carefully drift, over-spend, or spiral. Stopping conditions, retry budgets and evaluation criteria become the real work — which is exactly what the next level formalises.

Level 4 — Harness Engineering: How does the agent run safely?

The harness is everything that wraps the model and its loop: the environment, tool permissions, memory, task state, verification, logging, approvals and guardrails. It has been described as the third generation of AI interaction design:

• Prompt engineering taught us how to talk to models.
• Context engineering taught us what to show them.
• Harness engineering teaches us how to contain and direct them as autonomous systems.

The metaphor is deliberate — the model is the horse, powerful but in need of tack.

A well-built harness makes the agent auditable: it records which files were read, which tools were called, why a failure happened, and what evidence proved a task was actually complete rather than merely declared complete. Task completion is bound to checks — tests, lint, review — not to a confident sentence from the model.

Example. A production pipeline for a 30-second TVC gives the agent a sandboxed workspace, read access to the brand kit, write access only to a drafts/ folder, a rule that every image must pass an automated brand-compliance check before it reaches the shot list, and a human-approval gate before any rendering budget is spent. The agent's creativity is untouched; its blast radius is tiny.

Strengths: reliability, safety, debuggability, and the ability to improve results by changing the surroundings rather than the model.

Limits: a harness governs one agent doing one kind of work. Real workloads involve many agents, many tools and many handoffs — and the relationships between them need designing too.

Level 5 — Graph Engineering: How do many agents and tasks connect?

Graph engineering treats the whole system as a graph: nodes are agents, tools, checkpoints or data stores; edges are the flows of state and control between them. Instead of one loop, you design a topology — parallel branches that fan out and merge, conditional routes, supervisor agents delegating to specialists, shared state that every node can read and write. Frameworks that model workflows as explicit state graphs, and knowledge graphs that give agents structured world models, both belong here.

Example. A campaign pipeline as a graph:

1. A Brief Parser node feeds a Concept node.
2. Work fans out into three parallel Visual Development agents, each with its own harness.
3. Their outputs merge at a Consistency Review node that can send any branch back for another loop.
4. A Client Approval node gates the transition to Production, where a Shot List agent and a Prompt Writer agent run in parallel and hand off to Render and QC.

Every node's inputs, outputs and failure routes are drawn before any prompt is written.

Strengths: scales to complex, long-running, multi-specialist work; makes dependencies visible; lets you swap or upgrade a node without rewriting the system.

Limits: it is genuine systems architecture. The failure modes are no longer "the model said something odd" but "state was corrupted between nodes" or "the routing logic has a dead end."

Comparing the levels

Three things to remember

The levels are cumulative, not sequential. A great graph still runs on good prompts inside well-curated contexts. Weakness at a lower level surfaces as noise at every level above it.

Leverage moves upward. Improving a prompt changes one answer. Improving a harness changes every answer the agent will ever give. The higher levels are where compounding returns live — and where the hard, unglamorous engineering happens.

Match the level to the job. A single hero image needs Level 1 and 2. A self-checking prompt writer needs Level 3. Anything touching budgets, clients or production needs Level 4. A studio pipeline with many specialists is a Level 5 problem, whether you have drawn the graph or not.

The practitioners who will do best over the next few years are not the ones with the cleverest sentence, but the ones who can see which level a problem lives on — and design there.

Article by Sameh Al Tawil
Frankfurt, 23.09.2026