نافذة السياق: ليه الذكاء الاصطناعي بينسى أول المحادثة الطويلة؟

📌 هذا المقال يتطلب مستوى: مبتدئ

لو سألت ChatGPT سؤال طويل، وبعد شوية لقيته نسي أول كلامك، هتعرف من هنا ليه بيحصل ده بالظبط، وإزاي تتعامل معاه بدل ما تلوم النموذج. المشكلة مش إنه غبي، المشكلة إن ليه حدود لكمية النص اللي يقدر يشوفها في نفس اللحظة. الحد ده اسمه "نافذة السياق".

نافذة السياق: ليه النموذج بينسى أول المحادثة؟

المشكلة باختصار

أي نموذج لغوي — سواء ChatGPT أو Claude أو Gemini — بيقرأ نص محدود في كل طلب. لو محادثتك عدّت الحد ده، النموذج بيبدأ "يقص" من الأول علشان يفسح مكان للجديد. النتيجة إنه بيرد وكأنه معرفش الحاجة اللي قلتها في أول الكلام. ده مش نسيان بشري، ده حد تقني ثابت في التصميم.

تخيّل طاولة صغيرة (مثال للمبتدئ)

تخيّل إنك بتشتغل على طاولة صغيرة تسع 20 ورقة بس. كل ما تحط ورقة جديدة والطاولة مليانة، لازم تشيل ورقة قديمة من على الطرف التاني علشان تفضي مكان. لو حد سألك عن حاجة كانت مكتوبة في ورقة اتشالت من ساعة، هتقوله "معنديش الورقة دي دلوقتي".

النموذج بالظبط كده. الطاولة هي نافذة السياق. الأوراق هي كلماتك ورد النموذج. لما المحادثة تطول أكتر من حجم الطاولة، أقدم جزء بيقع بره، والنموذج مبيبقاش شايفه. مفيش خزنة خلفية بيرجعلها — اللي بره الطاولة، بره دماغه في اللحظة دي.

الشرح الدقيق: إيه هي نافذة السياق فعلاً

النموذج مبيقراش حروف ولا كلمات زينا. بيقسّم النص لوحدات صغيرة اسمها "توكنز" (Tokens). التوكن ممكن يكون كلمة قصيرة، أو جزء من كلمة، أو علامة ترقيم. كقاعدة تقريبية: التوكن الواحد ≈ 0.75 كلمة إنجليزية. العربي بيكلّف أكتر، غالبًا 2 إلى 3 أضعاف عدد التوكنز مقابل نفس المعنى بالإنجليزي، لأن مُقسّم التوكنز اتدرّب على إنجليزي أكتر.

نافذة السياق هي أقصى عدد توكنز يقدر النموذج يتعامل معاها في الطلب الواحد. والرقم ده بيشمل الاتنين مع بعض: كلامك أنت (المدخلات) + رد النموذج (المخرجات). يعني لو النافذة 128 ألف توكن، ده سقف للحوار كله مش لسؤالك بس.

الأحجام بتختلف بين النماذج. في وقت كتابة المقال (أواخر 2025) تقريبًا: GPT-4o حوالي 128 ألف توكن، Claude حوالي 200 ألف، وGemini 1.5 Pro يوصل لمليون وفي نسخ لحد مليونين. مليون توكن يعني تقدر تحط كتاب كامل تقريبًا في طلب واحد. بس زي ما هنشوف، الرقم الكبير له تمن.

جرّبها بنفسك: عُدّ التوكنز بسطرين كود

مكتبة tiktoken من OpenAI بتوريك كل نص بياخد كام توكن. جرّب الكود ده وشوف الفرق بين العربي والإنجليزي بعينك:

# pip install tiktoken
import tiktoken

enc = tiktoken.get_encoding("cl100k_base")

en = "The context window is the model's short-term memory."
ar = "نافذة السياق هي الذاكرة قصيرة المدى للنموذج."

print("إنجليزي:", len(enc.encode(en)), "توكن")   # ~10 توكنز
print("عربي:", len(enc.encode(ar)), "توكن")       # أعلى بكتير لنفس المعنى

هتلاقي الجملة العربية بتاخد توكنز أكتر بوضوح من الإنجليزية رغم إنها نفس المعنى. ده مهم عمليًا: لو بتبني تطبيق بيبعت العربي للنموذج، انت بتستهلك نافذتك أسرع، وبتدفع أكتر.

المقايضة: نافذة أكبر مش دايمًا أحسن

الإغراء إنك تقول "هستخدم أكبر نافذة وخلاص". بس فيه تلات تكاليف حقيقية:

• الحساب بيزيد بشكل تربيعي. آلية الانتباه (Attention) اللي بيشتغل بيها النموذج تكلفتها تقريبًا O(n²) مع عدد التوكنز. يعني لو ضاعفت طول النص، الحساب المطلوب بيقرب يوصل 4 أضعاف مش الضعف. ده معناه رد أبطأ وتكلفة أعلى.
• الفلوس. معظم الخدمات بتحاسبك بالتوكن. لو بتبعت 100 ألف توكن سياق مع كل رسالة في شات بوت، انت بتدفع تمن الـ 100 ألف دي في كل رد، حتى لو المستخدم كتب سطر واحد.
• ضياع المنتصف (Lost in the Middle). أبحاث موثّقة أثبتت إن النماذج بتلاقي المعلومة أسهل لما تكون في أول أو آخر السياق، وبتضعف قدرتها على استخراجها لما تكون مدفونة في النص الطويل. يعني نافذة مليون توكن متضمنش إن النموذج فاهم المليون كويس بالتساوي.

القاعدة العملية: الافتراض إن المعلومة المهمة قريبة من بداية أو نهاية السياق بتشتغل أحسن من إنك ترميها في النص كله وتسيبه يدوّر. بتكسب دقة، بتخسر شوية جهد في ترتيب المدخلات.

متى متشغلش بالك بحجم النافذة

لو شغلك عبارة عن أسئلة قصيرة ومنفصلة — زي "صحّح الإيميل ده" أو "لخّص الفقرة دي" — نافذة 8 آلاف توكن أكتر من كفاية، ومحتاش تفكر في الموضوع أصلًا. الموضوع بيبقى مهم بس لما تشتغل على مستندات طويلة، أو محادثات مستمرة، أو تبني نظام بيحقن كتير من البيانات في كل طلب.

الخطوة التالية

افتح آخر محادثة طويلة عملتها مع أي شات بوت، واسأله عن أول حاجة قلتها في بدايتها. لو رد صح، يبقى لسه جوه النافذة. لو رد بمعلومة مخترعة أو قال إنه مش فاكر، يبقى الأول خرج بره الطاولة. من دلوقتي، أي معلومة مهمة كرّرها قريب من سؤالك الأخير بدل ما تعتمد إنه فاكرها من ساعة.

المصادر

• OpenAI — Tokenizer وطريقة عدّ التوكنز: platform.openai.com/tokenizer ومكتبة tiktoken: github.com/openai/tiktoken
• OpenAI — مواصفات النماذج وأحجام السياق: platform.openai.com/docs/models
• Anthropic — نافذة سياق Claude (200 ألف توكن): docs.anthropic.com/en/docs/about-claude/models
• Google — نافذة سياق Gemini الطويلة: ai.google.dev/gemini-api/docs/long-context
• ورقة "Lost in the Middle" (Liu et al., 2023) عن ضعف استرجاع المعلومة من منتصف السياق: arxiv.org/abs/2307.03172
• ورقة "Attention Is All You Need" (Vaswani et al., 2017) لأساس تكلفة الانتباه: arxiv.org/abs/1706.03762