💬 NLP

Structured Prompt Language: Declarative Context Management for LLMs

تقدم هذه الورقة لغة SPL (لغة التلقين المهيكلة)، وهي إطار عمل تصريحي مستوحى من لغة SQL، يعمل على تحسين التفاعلات مع النماذج اللغوية الكبيرة من خلال الميزانية الصريحة للرموز (tokens)، والتحسين التلقائي للاستعلامات، والتنسيق الوكيل المرن، مما يقلل بشكل كبير من الحشو في التلقينات ويمكّن التنفيذ عالي التكلفة والقابلية للتوسع عبر مختلف الأجهزة ومزودي النماذج.

المؤلفون الأصليون: Wen G. Gong

نُشر 2026-02-26

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Wen G. Gong

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

تخيل أنك شيف ماهر يحاول طهي وجبة معقدة متعددة الأصناف لضيف متطلب للغاية. هذا الضيف (الذكاء الاصطناعي) موهوب للغاية ولكن لديه قيد محدد للغاية، وهو أنه لا يستطيع حمل سوى كمية معينة من المكونات في يديه في وقت واحد قبل أن يسقط كل شيء. هذا القيد يسمى "نافذة السياق" (Context Window).

حالياً، الطهي باستخدام الذكاء الاصطناعي يشبه محاولة التلاعب بالعديد من المكونات في الظلام. عليك عد كل حبة أرز (توكن/Token) يدوياً، وتخمين ما إذا كنت تحمل الكثير، والأمل في ألا تسكب الحساء. إذا نفدت المساحة، فستبدأ برمي المكونات عشوائياً حتى تتناسب مع المساحة المتاحة.

لغة البرمجة المهيكلة (SPL) تشبه إعطاء ذلك الشيف مساعد مطبخ ذكي ومؤتمت يتحدث لغة SQL (اللغة القياسية لإدارة قواعد البيانات). إنها تحول الفن الفوضوي لـ "هندسة الأوامر" (Prompt Engineering) إلى علم منظم وقابل للتنبؤ.

إليك كيف تعمل SPL، مشروحة من خلال تشبيهات من الحياة اليومية:

1. تشبيه "الميزانية": إدارة محفظتك

في الطريقة القديمة، كنت ستكتب رسالة طويلة للذكاء الاصطناي وتأمل أن تتسع المساحة. أما مع SPL، فتبدأ بقول: "لدي ميزانية قدرها 8,000 دولار (توكن)."

المشكلة: تريد تضمين تاريخ عائلتك، وورقة بحثية مكونة من 50 صفحة، ووصف لصورة. هذا أكثر بكثير من الميزانية.
حل SPL: تعمل SPL كـ مستشار مالي ذكي. تنظر إلى قائمة مكوناتك (أجزاء الأمر) وتقول: "حسناً، يمكننا الاحتفاظ بتاريخ العائلة (فهو قصير)، لكننا بحاجة إلى تقليص الورقة البحثية. لنختصر الورقة لتشمل فقط الفصول الأكثر أهمية."
السحر: تقوم بذلك تلقائياً. ليس عليك تقطيع النص يدوياً؛ أنت فقط تضع الميزانية، وتقوم SPL بمعرفة كيفية احتواء كل شيء دون إسقاط الأجزاء الأكثر أهمية.

2. تشبيه "القائمة": SELECT مقابل GENERATE

في البرمجة العادية، نخلط بين التعليمات الخاصة بـ ما يجب فعله وبين كيفية القيام به. تفصل SPL بينهما، تماماً كما تفصل قائمة المطعم بين الطلب والطهي.

SELECT (الطلب): هنا تخبر الذكاء الاصطناعي: "اذهب وأحضر لي تقرير الطقس، وسجل تاريخ المستخدم، وآخر الأخبار." إنها عملية جمع المكونات.
GENERATE (الطهي): هنا تقول: "الآن، خذ تلك المكونات واكتب قصة مضحكة عنها."
لماذا يساعد هذا؟ إذا غيرت المكونات (SELECT)، فلن تضطر إلى إعادة كتابة الوصفة (GENERATE). هذا يحافظ على منطقك نظيفاً ومنظماً.

3. تشبيه "الأشعة السينية": ميزة EXPLAIN

قبل إرسال أمرك إلى الذكاء الاصطناعي، يمكنك أن تطلب من SPL "شرحه" (EXPLAIN).

الطريقة القديمة: ترسل الأمر، وتدفع المال، ثم تدرك: "أوه لا، لقد استخدمت كلمات كثيرة جداً! لقد قطع الذكاء الاصطناعي نهاية قصتي."
طريقة SPL: تضغط على "EXPLAIN"، ويمنحك النظام إيصالاً قبل أن تنفق سنتاً واحداً. يظهر لك رسماً بيانياً شجرياً:
- "دور النظام: 20 توكن (0.2%)"
- "الورقة البحثية: 3,000 توكن (37.5%)"
- "التكلفة التقديرية: 0.04 دولار"
الفائدة: يمكنك رؤية أين تذهب "أموالك" (التوكنز) بالضبط. إذا كانت الورقة البحثية تستهلك مساحة كبيرة جداً، يمكنك إخبار النظام بتقليصها قبل أن تدفع.

4. تشبيه "فريق المتخصصين": مزيج النماذج (Mixture-of-Models)

تخيل أنك بحاجة إلى كتابة تقرير يتضمن البرمجة، والرياضيات، وترجمة قصيدة إلى اللغة الصينية.

الطريقة القديمة: تستأجر ذكاءً اصطناعياً واحداً "عاماً خارقاً" للقيام بكل شيء. هو جيد في كل شيء، ولكن ربما ليس مثالياً في أي شيء منها، وهو مكلف أيضاً.
طريقة SPL: تعمل SPL كـ كشاف مواهب. تنظر إلى طلبك وتقول:
- "جزء البرمجة؟ أرسله إلى DeepSeek-Coder (متخصص البرمجة)."
- "القصيدة الصينية؟ أرسلها إلى Qwen (متخصص اللغة)."
- "الملخص النهائي؟ أرسله إلى Claude (متخصص الاستنتاج)."
النتيجة: تحصل على أفضل نتيجة ممكنة لكل جزء من العمل، وغالباً ما يكون ذلك بتكلفة أقل وسرعة أكبر، دون الحاجة إلى إدارة ثلاثة حسابات مختلفة للذكاء الاصطناعي.

5. تشبيه "الأحجية": التقسيم المنطقي (Logical Chunking)

ماذا لو كان لديك كتاب من 1,000 صفحة لتلخيصه؟ حتى أكبر ذكاء اصطناعي لا يمكنه استيعاب الكتاب كاملاً في ذهنه دفعة واحدة.

الطريقة القديمة: تحاول حشر الكتاب بأكم، فيصاب الذكاء الاصطناعي بالارتباك أو ينسى البداية.
طريقة SPL: تستخدم SPL استراتيجية Map-Reduce (مثل فريق من العمال).
- Map (الرسم): تقوم بتقسيم الكتاب إلى 10 فصول. ترسل الفصل الأول إلى ذكاء اصطناعي واحد، والفصل الثاني إلى آخر، وهكذا، وتطلب من كل منهم تلخيص الجزء الخاص به فقط.
- Reduce (الاختزال): تأخذ تلك الملخصات العشرة وتعطيها إلى ذكاء اصطناعي نهائي لدمجها في قصة واحدة مثالية.
السحر: هذا يجعل معالجة المستندات الضخمة أسرع وأرخص بكثير، ويعمل حتى على جهاز كمبيوتر محمول دون الحاجة إلى كمبيوتر خارق.

6. تشبيه "مولد الطاقة الاحتياطي": المرونة (SPL-flow)

أحياناً ينقطع الاتصال بالإنترنت، أو تتعطل خدمة ذكاء اصطناعي معينة.

الطريقة القديمة: يتوقف تطبيقك عن العمل. وعليك إعادة كتابة الكود للتحول إلى ذكاء اصطناعي آخر.
طريقة SPL: تمتلك SPL نظام نسخ احتياطي ثلاثي المستويات.
1. تحاول استخدام ذكائك الاصطناعي المحلي (مجاني وخاص).
2. إذا فشل ذلك، تنتقل تلقائياً إلى مزود سحابي (OpenRouter).
3. إذا فشل ذلك، تجرب خياراً ثالثاً.
الفائدة: يظل تطبيقك يعمل بسلاسة، مثل منزل يحتوي على مولد احتياطي يعمل تلقائياً عندما تنقطع الكهرباء. أنت لا تعرف حتى أن ذلك قد حدث.

ملخص: لماذا هذا مهم؟

قبل SPL، كان العمل مع الذكاء الاصطناعي يشبه صناعة كل طوبة من طوب المنزل يدوياً. كان الأمر بطيئاً، عرضة للخطأ، ويصعب توسيع نطاقه.

SPL تشبه استخدام المخططات الهندسية والرافعة الإنشائية. إنها تعامل حدود ذاكرة الذكاء الاصطناعي كمورد يجب إدارته (مثل المال أو الوقت)، وليس لغزاً يجب تخمينه. إنها تسمح للمطورين بـ:

توفير المال: من خلال رؤية التكاليف قبل حدوثها.
توفير الوقت: عبر أتمتة الأجزاء الفوضوية من قص ولصق النصوص.
البناء بشكل أفضل: عبر استخدام الذكاء الاصطناعي المناسب للمهمة المناسبة تلقائياً.

إنها تحول "سحر" الذكاء الاصطناعي إلى أداة موثوقة وقابلة للإدارة يمكن لأي شخص يعرف كيف يطرح سؤالاً (أو يكتب استعلام قاعدة بيانات) استخدامها بفعالية.

إليك ملخص تقني مفصل لورقة البحث بعنوان "لغة المطالبات المهيكلة (SPL): الإدارة التصريحية للسياق للنماذج اللغوية الكبيرة (LLMs)" للكاتب وين جي. كونج.

1. بيان المشكلة

تحدد الورقة عقبة حرجة في هندسة النماذج اللغوية الكبيرة (LLM) الحديثة: وهي إدارة نافذة السياق كمورد محدود. إن ممارسات هندسة المطالبات الحالية هي ممارسات آمرة وغير منظمة (imperative and ad hoc) إلى حد كبير، مما يؤدي إلى عدة مشكلات نظامية:

الإدارة اليدوية للرموز (Tokens): يجب على المطورين حساب عدد الرموز يدويًا، مما يؤدي غالبًا إلى أخطاء وقت التشغيل عندما تتجاوز المطالبات حدود السياق.
نقص الرؤية: لا توجد آلية معيارية لفحص كيفية تخصي-ص الرموز عبر أجزاء مختلفة من المطالبة (مثل تعليمات النظام مقابل المستندات المسترجعة).
ضعف القابلية للتركيب (Composability): المطالبات عبارة عن كتل أحادية (monolithic)، مما يجعل إعادة الاستخدام النمطي والتحكم في الإصدارات صعبًا مقارنة باستعلامات قواعد البيانات.
الارتباط بمزود الخدمة (Provider Lock-in): غالبًا ما تكون منطق المطالبة مرتبطًا ارتباطًا وثيقًا بمزودي واجهة برمجة التطبيقات (API) محددين، مما يعيق قابلية النقل.
التحسين غير الفعال: بدون إطار عمل تصريحي، يصبح من المستحيل التحسين من أجل التكلفة، زمن الاستجابة، أو الصلة بالموضوع قبل التنفيذ.

يعقد المؤلفون تشبيهًا بعصر ما قبل لغة SQL في برمجة قواعد البيانات، حيث تم استبدال التنقل الإمبراطوري للبيانات بلغات استعلام تصريحية. ويجادلون بأن هندسة مطالبات النماذج اللغوية الكبيرة تتطلب تحولًا نوعيًا مماثلاً.

2. المنهجية: لغة المطالبات المهيكلة (SPL)

إن SPL هي لغة استعلام تصريحية مستوحاة من SQL مصممة للتعامل مع النماذج اللغوية الكبيرة كـ قواعد معرفة توليدية. بدلاً من معاملة المطالبات كنصوص ثابتة (templates)، تعامل SPL المطالبات كاستعلامات تجمع السياق وتصيغ الإجابات.

المفاهيم الأساسية

نموذج قاعدة المعرفة التوليدية: يُنظر إلى النموذج اللغوي الكبير كنظام ذي معرفة بارامترية (الأوزان) ومعرفة سياقية (المدخلات). تفصل SPL بين الاسترجاع (جمع السياق) والتوليد (صياغة الإجابة).
ميزانية الرموز كقيد أساسي: يعلن كل استعلام صراحة عن WITH BUDGET (إجمالي الرموز) و OUTPUT BUDGET. تفرض اللغة أن يكون مجموع مصادر السياق بالإضافة إلى التوليد ضمن هذه الميزانية.
بنية ذات بندين (Dual-Clause Architecture):
- SELECT: تجمع السياق من مصادر متباينة (دور النظام، مدخلات المستخدم، RAG، الذاكرة المستمرة). وهي تدعم بنود LIMIT لتقييد استخدام الرموز لكل مصدر.
- GENERATE: تُطلق عملية الصياغة، وتحدد معاملات المخرجات (درجة الحرارة، التنسيق، الحد الأقصى للرموز).
التحسين التلقائي: يقوم مُحسِّن داخلي بتحليل الاستعلام قبل التنفيذ. وهو يقوم بـ:
- تقدير عدد الرموز لجميع المصادر.
- تطبيق الضغط النسبي (التقليل الجشع لأكبر المصادر) إذا تجاوز الإجمالي الميزانية.
- تحديد ترتيب التنفيذ بناءً على الأولوية (الذاكرة > التخزين المؤقت > RAG > السياق).
آلية EXPLAIN: على غرار EXPLAIN ANALYZE في SQL، توفر SPL خطة ما قبل التنفيذ توضح تخصيص الرموز، والتكاليف المقدرة، وحالة التخزين المؤقت، مما يسمح للمطورين بضبط الاستعلامات دون استهلاك الرموز.

البنية الهندسية

يتبع محرك SPL خط أنابيب مترجم كلاسيكي:

المحلل اللغوي (Lexer/Parser): محلل هابط متكرر (recursive descent parser) مكتوب يدويًا ولا يعتمد على أي تبعيات (لا يستخدم ANTLR/Lark) يحول ملفات .spl إلى شجرة بناء مجردة (AST).
المحلل الدلالي (Semantic Analyzer): يتحقق من الأسماء، وحسابات الميزانية، والأنواع.
المُحسِّن (Optimizer): يحول الـ AST إلى ExecutionPlan (خطة تنفيذ) مع تخصيصات الرموز وتقديرات التكلفة.
المنفذ (Executor): يوجه المهام إلى المهايئات (Ollama، OpenRouter، Claude، إلخ)، ويدير مخزن الذاكرة القائم على SQLite، ويتعامل مع RAG المتجهي (FAISS/ChromaDB).

3. المساهمات الرئيسية والتوسعات

تقدم الورقة ليس فقط لغة، بل منظومة كاملة مع خمسة توسعات رئيسية:

Text2SPL: واجهة لتحويل اللغة الطبيعية إلى SPL متعددة اللغات. تستخدم نموذجًا لغويًا كبيرًا لترجمة نية المستخدم (بالإنجليزية، الصينية، العربية، إلخ) إلى سكربتات SPL صالحة، مع حلقة تحقق لضمان الصحة النحوية.
توجيه خليط النماذج (Mixture-of-Models - MoM): ميزة USING MODEL auto التي توجه مهامًا فرعية محددة (CTEs) إلى نماذج متخصصة في المجال أثناء وقت التشغيل (على سبيل المثال، توجيه مهام البرمجة إلى DeepSeek-Coder والنصوص الصينية واليابانية إلى Qwen) بناءً على استدلالات الكلمات المفتاحية.
التقطيع المنطقي (Logical Chunking - Declarative Map-Reduce): استراتيجية للتعامل مع المستندات الأكبر من نافذة سياق واحدة. تستخدم صيغة WITH (CTE) الخاصة بـ SPL لتقسيم المستند إلى أجزاء، ومعالجتها بالتوازي (Map)، ثم صياغة النتائج (Reduce).
- الكفاءة: تقلل تعقيد انتباه المحول (transformer attention complexity) من $O(N^2)$ إلى $O(N^2/k)$ لـ $k$ من الأجزاء.
- قابلية النقل: يعمل نفس السكربت بالتوازي في السحابة أو بالتتابع على الأجهزة المحلية (Ollama) دون تعديل.
SPL-flow: طبقة تنسيق وكلاء (agentic orchestration) مرنة. تنفذ استراتيجية تراجع مكونة من ثلاثة مستويات (Ollama $\to$ OpenRouter $\to$ إصلاح ذاتي) شفافة للسكربت، مما يضمن تحمل الأخطاء.
BENCHMARK: صيغة عالمية (USING MODELS) لتشغيل نفس الاستعلام على نماذج متعددة بالتوازي، واختيار "الفائز" تلقائيًا بناءً على مقاييس التكلفة/الجودة وحفظ الاختيار للتشغيلات المستقبلية.

4. النتائج والتقييم

قيم المؤلفون SPL من خلال خمس تجارب، أجريت جميعها دون استدعاءات فعلية لواجهة برمجة تطبيقات النماذج اللغوية الكبيرة (مع التركيز على طبقات المحلل، والمحسن، والتخطيط):

تجربة المطور: قللت SPL من تعقيد الكود بنسبة 65% في المتوسط مقارنة بتطبيقات Python الأمرية. كما ألغت 100% من عمليات حساب الرموز اليدوية عبر خمس مهام معيارية.
تحسين الرموز: أظهر المُحسِّن بنجاح التوسع النسبي لمصادر السياق (RAG/الذاكرة) مع زيادة الميزانيات، والتدهور التدريجي (الضغط) عند تجاوز الميزانيات.
وضوح التكلفة: كشفت ميزة EXPLAIN عن تباين في التكلفة قدره 68 ضعفًا بين النماذج المختلفة (على سبيل المثال، $0.0034 مقابل$ 0.2316 لنفس الاستعلام) قبل التنفيذ، مما مكن من اختيار النموذج بناءً على معلومات دقيقة.
التحقق من الميزات: أكدت 20 عملية فحص مؤتمتة تنفيذ جميع الميزات الأساسية (CTEs، RAG، الذاكرة، الضغط، المهايئات).
الأداء: في تجربة التقطيع المنطقي لمعالجة ورقة بحثية، قلل التنفيذ المتوازي من وقت الجدار (wall time) بمعامل قدره 4 مقارنة بالمعالجة المتتالية، مما أثبت صحة ادعاء الكفاءة $O(N^2/k)$ .

5. الأهمية والآثار المترتبة

تحول نوعي (Paradigm Shift): تنقل SPL هندسة المطالبات من ممارسة أمرية قائمة على التجربة والخطأ إلى تخصص تصريحي قابل للتحسين. فهي تسمح للمطورين بالتركيز على ما هي البيانات المطلوبة بدلاً من كيفية إدارة ذاكرة الرموز.
سهولة الوصول: من خلال الاستفادة من صيغة SQL، تخفض SPL حاجز الدخول لملايين مهندسي البيانات والمحللين المهرة بالفعل في قواعد البيانات العلاقاتية، مما يوفر مسارًا مألوفًا للذكاء الاصط์ناعي التوليدي.
الفرضية الهيكلية: تقترح الورقة أن التنسيق التصريحي (تقسيم المهام إلى نماذج أصغر ومتخصصة عبر التقطيع المنطقي) قد يكون مسار توسع أكثر كفاءة من مجرد زيادة أحجام نافذة السياق للنماذج الضخمة. هذا النهج يقلل تكاليف الحوسبة ويسمح بالتنفيذ بتكلفة صفرية على الأجهزة الاستهلاكية.
السلامة والحوكمة: يوفر الهيكل التصريحي وآلية EXPLAIN أساسًا لتدقيق المطالبات، وحوكمة التكلفة، والأمن (مثل منع حقن المطالبات عبر التحقق من القواعد النحوية قبل التنفيذ).

باختصار، توفر SPL إطار عمل رسمي وقابل للتنفيذ لإدارة سياق النماذج اللغوية الكبيرة كمورد محدود، مما يوفر الشفافية، وقابلية النقل، والكفاءة التي تفتقر إليها الأطر الأمرية الحالية.