يتعامل معظم المستخدمين مع ChatGPT كأنه محرك بحث: يكتبون سؤالاً، يقرأون الإجابة، ثم يغلقون المحادثة. لكن هذا الأسلوب يهدر الجزء الأكبر من قدرات النموذج. تقترح قاعدة المطالبات الثلاث (3-Prompt Rule) منهجاً مختلفاً: بدلاً من الاكتفاء بمطالبة واحدة، تمرّر طلبك عبر ثلاث مراحل متتالية تُنتج في كل مرة إجابة أدق وأقرب لما تحتاجه فعلاً.
وبحسب ما نشره موقع Tom’s Guide، اختبرت المحررة أماندا كازويل هذه القاعدة على مواضيع متنوعة، من الشروحات التقنية إلى تخطيط المشاريع، ووجدت أن الفارق بين الإجابة الأولى والأخيرة كان ملحوظاً في كل مرة. تعتمد الفكرة على مبدأ بسيط: الإجابة الأولى من ChatGPT مسودة أولية، وليست النتيجة النهائية.
اقرأ أيضا: أوامر ChatGPT في 2026: كيف تتقن لغة التفاهم مع الذكاء الاصطناعي؟
كيف تعمل قاعدة المطالبات الثلاث في ChatGPT؟
تمرّ هذه القاعدة بثلاث مراحل واضحة، كل واحدة تبني على سابقتها:
- المطالبة الأولى: اطرح السؤال الأساسي. اكتب أبسط صيغة لما تريده. لا تُثقل الطلب بتفاصيل كثيرة، فالهدف هنا الحصول على نقطة انطلاق تكشف لك اتجاه الإجابة.
- المطالبة الثانية: صقل الإجابة. اطلب من النموذج تحسين ما أنتجه، سواء بتبسيط اللغة أو إضافة أمثلة أو تغيير الزاوية. هنا تبدأ الإجابة بالتحول من عامة إلى مخصصة.
- المطالبة الثالثة: اضبط الشكل النهائي. عدّل البنية أو النبرة أو العمق ليتطابق المخرج مع ما تحتاجه فعلاً، سواء كان مقالاً أو خطة عمل أو شرحاً مبسطاً.
اختبار عملي: شرح الشبكات العصبية
طبّقت كازويل القاعدة على موضوع تقني معقد وهو الشبكات العصبية (Neural Networks). بدأت بمطالبة مباشرة: “اشرح كيف تعمل الشبكات العصبية”. جاءت الإجابة دقيقة تقنياً لكنها مليئة بمصطلحات مثل “الأوزان” و”طبقات التدريب”، وهو ما يجعلها صعبة على غير المتخصصين.
انتقلت بعدها إلى المطالبة الثانية وطلبت شرحاً بالتشبيه. استجاب ChatGPT بمقارنة الشبكات العصبية بنظام يتعلم الأنماط، تماماً كما يتعرف الإنسان على الوجوه بعد رؤية أمثلة كثيرة. تحسّنت الإجابة، لكنها احتفظت ببعض التعقيد.
أما في المطالبة الثالثة، فطلبت شرحاً يناسب طالباً في المرحلة الثانوية. هنا تحولت الإجابة إلى نص واضح يركز على الفكرة الجوهرية: الحاسوب يتعلم من الأمثلة ويتحسن مع الوقت، دون أي مصطلحات تقنية معقدة.
لماذا لا تبدأ بالمطالبة الثالثة مباشرة؟
يبدو السؤال منطقياً: إذا كانت المطالبة الأخيرة تعطي أفضل نتيجة، فلماذا لا نبدأ بها؟
تكمن الإجابة في طبيعة تفكيرنا نحن كمستخدمين وليس في قدرات النموذج فقط. فمعظم الناس لا يعرفون بدقة ما يريدونه قبل أن يروا مسودة أولى. تكشف المطالبة الأولى اتجاه الإجابة، وتتيح لك الثانية تعديل المسار، بينما تصل بالثالثة إلى الصيغة التي تناسبك.
بعبارة أخرى: أنت لا تُحسّن إجابة ChatGPT فقط، بل تُحسّن سؤالك أيضاً مع كل خطوة.
اختبار ثانٍ: من فكرة عشوائية إلى خطة عمل
جرّبت كازويل القاعدة أيضاً على سيناريو مهني. بدأت بطلب عام: “ساعدني في التخطيط لمشروع يحسّن إنتاجية الفريق”. جاءت الإجابة سطحية وعامة. ثم طلبت في المطالبة الثانية خطة مرحلية لفريق صغير تتضمن اجتماعات أسبوعية وأهدافاً واضحة، فتحسنت البنية بشكل ملحوظ. وفي المطالبة الثالثة طلبت تحويل الخطة إلى خارطة طريق لشهر كامل بمهام أسبوعية محددة، فكانت النتيجة أقرب إلى وثيقة عمل حقيقية يمكن مشاركتها مع الفريق فوراً.
ما الذي يجعل هذه الطريقة فعّالة؟
تستجيب نماذج الذكاء الاصطناعي بشكل أفضل حين تتلقى توجيهاً واضحاً وتغذية راجعة وسياقاً كافياً. ومهما تطورت سرعة النماذج وذكاؤها، يبقى على المستخدم أن يوضّح ما يريده بدقة. تحوّل قاعدة المطالبات الثلاث طريقة التعامل مع ChatGPT من أسلوب “سؤال وجواب” إلى أسلوب تعاوني تكراري، حيث تتحسن النتيجة مع كل خطوة لأن النموذج يحصل على مزيد من السياق والتوجيه.
تصلح هذه القاعدة مع أي روبوت محادثة تقريباً، لكنها تظهر بوضوح أكبر مع نماذج OpenAI تحديداً، لأن إجاباتها الأولى تميل إلى التبسيط المفرط. جرّب هذه الطريقة في مهمتك القادمة مع ChatGPT، وقارن بين ما تحصل عليه من مطالبة واحدة وما تصل إليه بعد ثلاث مراحل: الفرق سيتحدث عن نفسه.
