💬 NLP

Beyond Elicitation: Provision-based Prompt Optimization for Knowledge-Intensive Tasks

تقدم هذه الورقة البحثية إطار عمل "تحسين التلقين القائم على توفير المعرفة" (KPPO)، الذي ينتقل من استراتيجيات الاستدلال إلى التكامل المنهجي للمعرفة، محققاً أداءً فائقاً في المهام كثيفة المعرفة مع تقليل استهلاك الرموز (tokens) بشكل كبير من خلال آليات مثل ملء الفجوات المعرفية، والتقييم بالدفعات، والتقليم التكيفي.

المؤلفون الأصليون: Yunzhe Xu, Zhuosheng Zhang, Zhe Liu

نُشر 2026-03-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yunzhe Xu, Zhuosheng Zhang, Zhe Liu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحثية بعنوان "ما وراء الاستخراج: تحسين التلقين القائم على التزويد للمهام كثيفة المعرفة" باستخدام لغة بسيطة وتشبيهات إبداعية.

المشكلة الكبرى: "الكوب الفارغ" مقابل "الكوب الفائض"

تخيل أن لديك طالباً عبقرياً (الذكاء الاصطناعي) قد قرأ كل كتاب في المكتبة حتى تاريخ معين. إنه ذكي للغاية في المنطق، والقواعد، والاستنتاج. ومع ذلك، لديه نقطة عمياء محددة: فهو لا يعرف "كلمة السر" لنادٍ معين، أو القواعد الدقيقة لإجراء طبي جديد اختُinvent في الأسبوع الماضي.

الطريقة القديمة (الاستخراج - Elicitation):
تحاول الطرق الحالية دفع الذكاء الاصطناعي للإجابة على هذه الأسئلة عن طريق "هز" التعليمات. الأمر يشبه هز كوب فارغ بالفعل، على أمل أن تظهر بضع قطرات من الماء بشكل سحري. يطلق الباحثون على هذا اسم "الاستخراج" (Elicitation). هم يعتقدون أنه: "إذا صغت السؤال بشكل أفضل، أو أعطيته مثالاً أفضل، فسوف 'يتذكر' الذكاء الاصطناعي الإجابة أو 'يستنتجها' فجأة".

الواقع:
إذا كان الذكاء الاصطناعي لا يعرف الحقيقة، فلن تجعلها أي صياغة بارعة تظهر. الأمر يشبه سؤال طاهٍ لم يرَ ثمرة "الأناناس" من قبل عن وصف طعمها بمجرد إعطائه كتاب وصفات أفضل. لا يمكنه ابتكار الطعم؛ هو يحتاج إلى الثمرة الفعلية.

الحل الجديد: KPPO (خدمة توصيل المعرفة)

يقترح المؤلفون طريقة جديدة تسمى KPPO (تحسين التلقين القائم على تزويد المعرفة). بدلاً من هز الكوب الفارغ، يقوم KPPO بملء الكوب بالمعلومات المفقودة قبل أن يحاول الذكاء الاصطناعي الإجابة.

فكر في KPPO كأنه مساعد شخصي ذكي يجهز "ورقة غش" (Cheat Sheet) مخصصة للذكاء الاصطناعي. إليك كيف يعمل في ثلاث خطوات بسيطة:

1. المحقق (إيجاد الفجوة)

عندما يخطئ الذكاء الاصطناعي في الإجابة (مثلاً: "ماذا يعني هذا الرمز الطبي؟")، لا يكتفي KPPO بالقول: "حاول مرة أخرى". بل يعمل كمحقق.

التشبيه: تخيل معلماً يصحح اختباراً. بدلاً من مجرد وضع علامة "خطأ"، ينظر المعلم إلى إجابة الطالب ويقول: "لقد أخطأت لأنك لا تعرف أن '0Z' تعني 'لا يوجد جهاز' في نظام الرموز هذا".
حركة KPPO: يحدد بالضبط ما هي قطعة المعرفة المفقودة ويدونها.

2. البنّاء (سد الفجوة)

بمجرد العثور على القطعة المفقودة، لا يكتفي KPRO بهمسها للذكاء الاصطناعي. بل يبني "ورقة غش" منظمة (تلقين/Prompt) تتضمن هذه الحقيقة الجديدة، إلى جانب القواعد الأخرى ذات الصلة.

التشبيه: بدلاً من قولك للطاهي: "كن أكثر إبداعاً مع الأناناس"، يدخل المساعد إلى المطبخ، ويمسك ثمرة أناناس طازجة، ويقطعها، ويضعها مباشرة على لوح التقطيع بجانب الطاهي. الآن، أصبح لدى الطاهي المكون الذي يحتاه.

3. المحرر (الحفاظ على الرشاقة)

مع تعلم الذكاء الاصطناعي المزيد، قد تصبح "ورقة الغش" ضخمة وفوضوية، مما يؤدي إلى إبطاء الذكاء الاصطناعي. لذا، يمتلك KPPO محرراً داخلياً.

التشبيه: تخيل أنك تجهز لحقيبة سفر. تستمر في إضافة الأغراض. في النهاية ستصبح الحقيبة ثقيلة جداً. ينظر المحرر إلى حقيبتك ويقول: "لديك ثلاث أزواج من الجوارب المتطابقة ومظلة مكسورة. دعنا نتخلص من هذه الأشياء لتتمكن من حمل الأشياء الأساسية بشكل أسرع".
حركة KPPO: يقوم بإزالة المعلومات الزائدة أو غير الضرورية للحفاظ على قصر وسرعة التعليمات، مما يوفر المال (التوكنز/الرموز الحسابية) دون فقدان الحقائق المهمة.

لماذا يعد هذا أمراً هاماً؟

اختبرت الورقة البحثية هذه الطريقة على 15 مهمة صعبة تتعلق بالتمويل والقانون والطب. وإليكم ما وجدوه:

الطرق القديمة (الاستخراج): حاولت "اختراق" عقل الذكاء الاصطناعي لإيجاد الإجابات. بالكاد حسنت النتائج، بل إنها جعلت الأمور أسوأ أحياناً لأنها كانت تعتمد فقط على تخمين الأنماط.
KPPO: قام فعلياً بتزويد الذكاء الاصطناعي بالحقائق التي يحتاجها.
- النتيجة: رفع الدقة بنسبة تقارب 6% في المتوسط.
- الكفاءة: باستخدام خطوة "المحرر"، قلل من كمية النص الذي يتعين على الذكاء الاصطناعي قراءته بنسبة تصل إلى 29%، مما جعله أسرع وأرخص في التشغيل.

لحظة الإدراك (Aha! Moment)

تستخدم الورقة مثالاً رائعاً مع الرموز الطبية.

الطريقة القديمة: أخبرت الذكاء الاصطناعي: "كن حذراً جداً وحلل هيكل الرمز". خمن الذكاء الاصطناعي بشكل خاطئ لأنه لم يكن يعرف القاعدة المحددة.
KPPO: أخبرت الذكاء الاصطناعي: "إليك القاعدة: في نظام الرموز هذا، حرف 'Z' في النهاية يعني 'لا يوجد جهاز مستخدم'". حصل الذكاء الاصطناعي فوراً على الإجابة الصحيحة.

الملخص

يغير KPPO قواعد اللعبة. فبدلاً من الأمل في أن يتمكن الذكاء الاصطناعي من "استنتاج" الحقائق التي لا يعرفها سحرياً، فإنه يزود تلك الحقائق مباشرة في التعليمات. إنه الفرق بين طلب تخمين كلمة مرور من صديق (الاستخراج) وبين تسليم كلمة المرور له ببساطة (التزويد).

هذا يجعل الذكاء الاصطناعي أكثر موثوقية للوظائف المتخصصة مثل الطب والقانون والهندسة، حيث تكون الدقة أهم من مجرد الذكاء.

إليك ملخص تقني مفصل لورقة البحث بعنوان "ما وراء الاستدلال: تحسين المطالبات القائم على التزويد للمهام كثيفة المعرفة".

1. بيان المشكلة

تعتمد طرق تحسين المطالبات الآلية الحالية (مثل OPRO، وAPO، وPromptAgent) على استراتيجيات الاستدلال (Elicitation-based). تفترض هذه الطرق أن المطالبات المثلى يمكنها استخراج القدرات الكامنة داخل معلمات النموذج اللغوي الكبير (LLM) من خلال إعادة الصياغة اللغوية، أو ضبط التعليمات، أو قوالب الاستدلال.

ومع ذلك، حدد المؤلفون قيداً جوهرياً وهو: فقر المعرفة (Knowledge Poverty). ففي المجالات كثيفة المعرفة (مثل الطب المتخصص، القانون، والتمويل)، تتطلب المهام غالباً معرفة واقعية محددة، ودقة في المصطلحات، وأنماط استدلال قد لا تكون موجودة في الذاكرة البارامترية للنموذج.

القضية الجوهرية: تحاول طرق الاستدلال "سؤال" النموذج لاسترجاع معرفة غير موجودة أصلاً. فعندما يفتقر النموذج إلى الحقائق المجالِيّة اللازمة، لن يؤدي أي قدر من هندسة المطالبات إلى استخراج الإجابة الصحيحة.
الإخفاقات الملحوظة: تُظهر التجارب أن الطرق التقليدية غالباً ما تحقق تحسينات هامشية أو سلبية في معايير القياس كثيفة المعرفة. فهي تميل إلى إنتاج تحسينات "سطحية" عبر مطابقة الأنماط الظاهرية بدلاً من حل فجوات المعرفة الأساسية، مما يؤدي إلى عدم فعالية التحسين.

2. المنهجية: تحسين المطالبة القائم على تزويد المعرفة (KPPO)

يقترح المؤلفون إطار عمل KPPO، الذي ينقل النموذج من "الاستدلال" على المعرفة الكامنة إلى "تزويد" المعرفة المجالِيّة الخارجية مباشرة داخل المطالبة. يعمل KPPO من خلال ثلاثة ابتكارات تقنية أساسية:

أ. ملء فجوة المعرفة (التحليل القائم على التدرج)

بدلاً من البحث العشوائي، يستخدم KPPO نموذج لغوي مُحسِّن ( $LLM_{opt}$ ) لتحليل حالات الفشل بشكل منهجي:

تفسير الخطأ: تحليل سبب فشل المطالبة الحالية.
تحديد فجوة المعرفة: تحديد الحقائق المجالِيّة المفقودة أو قواعد الاستدلال المطلوبة لحل الخطأ بدقة.
توليد التعديلات: توليد "تدرجات" (تعديلات مستهدفة) لحقن معرفة مجالِيّة محددة في المطالبة.

الهيكل: يتم تنظيم المعرفة المدمجة في تسلسل هرمي لـ رسم بياني موجه غير حلقي (DAG) (عقد مواضيع وعقد ملاحظات) لضمان تراكم الحقائق بشكل منطقي ومنظم.

ب. التقييم ثنائي الهدف بنظام الدفعات (Batch-wise)

لضمان المتانة والكفاءة، يتجنب KPPO التقييم الكامل لمجموعة التحقق (وهو أمر مكلف حوسبياً ومعرض للإفراط في التخصيص/Overfitting). بدلاً من ذلك، يستخدم تقييماً بنظام الدفعات مستوحى من تحسين سياسة منطقة الثقة (Trust Region Policy Optimization):

الهدف: تعظيم تحسين الأداء ( $\Delta S$ ) في حالات الفشل الأخيرة مع تقليل التباين التوزيعي ( $D$ ).
الآلية: يتم ترتيب المرشحين وفق ترتيب معجمي (Lexicographic order): أولاً حسب كسب الأداء في الدفعة الأخيرة، ثم حسب الاستقرار (انخفاض التباين عن توزيع مخرجات المطالبة السابقة). هذا يمنع النموذج من الإفراط في التخصيص لأنماط زائفة في دفعة صغيرة.

ج. التقليم التكيفي للمعرفة (Adaptive Knowledge Pruning)

مع إضافة المعرفة بشكل تكراري، يمكن أن تصبح المطالبات طويلة للغاية، مما يزيد من تكاليف الاستدلال. يقدم KPIO آلية تقليم موجهة بالقيود الهيكلية:

قيد الدرجة المحلية: يحد من عدد العقد التابعة لكل موضوع للتحكم في كثافة المعلومات.
قيد التوازن العالمي: يضمن بقاء الهيكل الهرمي متوازناً (منع المواضيع "المسطحة" التي تحتوي على عدد كبير جداً من الأبناء).
العملية: يكتشف النظام الانتهاكات لهذه القيود ويوجه $LLM_{opt}$ لتقليم المعلومات الزائدة أو الأقل أهمية، مما يحافظ على المعرفة المجالِيّة الأساسية مع تقليل استخدام الرموز (Tokens).

3. المساهمات الرئيسية

تحول في النموذج (Paradigm Shift): يقترح KPPO، وهو أول إطار عمل يعامل تحسين المطالبة كعملية تكامل معرفي منهجي بدلاً من مجرد استدلال للقدرات.
الابتكارات التقنية:
- آلية ملء فجوة المعرفة التي تحدد وتستهدف حقائق محددة مفقودة.
- استراتيجية التقييم ثنائي الهدف التي توازن بين مكاسب الأداء والاستقرار التوزيعي.
- استراتيجية التقليم التكيفي التي تقلل استهلاك رموز الاستدلال دون التضحភាព بالدقة.
تقييم شامل: تم التحقق من صحة KPPO عبر 15 معيار قياس كثيفة المعرفة تغطي المجالات المالية، والقانونية، والطبية.

4. النتائج التجريبية

يقيّم البحث KPPO على نماذج Llama 3.1 و Qwen 2.5 مقابل خطوط أساس قوية (OPRO، APO، PromptAgent، RAG، Verify-and-Edit).

مكاسب الأداء:
- يحقق KPPO متوسط تحسن في الدقة بنسبة ~6.1% مقارم بأفضل خطوط الأساس القائمة على الاستدلال.
- في مهام محددة مثل MedConceptsQA (حيث المعرفة البارامترية غير موجودة)، رفع KPPO الدقة من 28.3% إلى 51.7% على Llama 3.1، متفوقاً بشكل كبير على طرق RAG والتعزيز بالأدوات.
الكفاءة:
- يقلل متغير التقليم (Pruning Variant) من استخدام رموز الاستدلال بنسبة 21.7% (Llama) و 29.0% (Qwen) مع الحفاظ على أداء يتفوق على جميع الخطوط المرجعية.
- يُظهر KPPO زمن انتقال (Latency) أقل بكثير (3.88 ثانية) مقارنة بالطرق المدعومة بالبحث عبر الويب (36–37 ثانية).
جودة المعرفة:
- يظهر التحليل أن KPPO يدمج 26 ضعف نقاط المعرفة المجالِيّة مقارنة بـ OPRO ويحافظ على معدل إخلاص (Faithfulness) بنسبة 92.5%.
- على عكس الخطوط المرجعية التي تحسن المقاييس العالمية للتحقق (مما يؤدي إلى ارتباطات زائفة)، يضمن تقييم KPPO بنظام الدفعات معالجة حقيقية لفجوات المعرفة.

5. الأهمية

حل "سقف المعرفة" (Knowledge Ceiling): يعالج KPPO الاختناق الحرج حيث تفشل النماذج اللغوية الكبيرة في المهام المتخصصة بسبب نقص بيانات التدريب. فهو يوفر بديلاً فعالاً حوسبياً لضبط النموذج (Fine-tuning) -الذي يتطلب بيانات وحوسبة هائلة- عن طريق حقن المعرفة مباشرة في سياق الاستدلال.
النشر العملي: من خلال الجمع بين تزويد المعرفة والتقليم التكيفي، يجعل KPPO النماذج اللغوية الكبيرة قابلة للتطبيق في المجالات المتخصصة (مثل التشخيص الطبي، والتحليل القانوني) حيث تعد الدقة وتكلفة الرموز قيوداً حاسمة.
اتجاه بحثي جديد: تؤسس الورقة لـ "التحسين القائم على التزويد" (Provision-based optimization) كنموذج متميز وضروري للجيل القادم من هندسة المطالبات، متجاوزةً حدود المعرفة الثابتة للنماذج.