تشهد تقنية الذكاء الاصطناعي (AI) ابتكارات مذهلة في السنوات الأخيرة، ومن بين هذه الابتكارات نُقدم لكم APEX (Automatic Prompt Engineering eXpert)، الذي يُعد قفزة نوعية في مجال تحسين التعليمات (Prompt Engineering). تعتمد نماذج اللغات الضخمة (Large Language Models) على صياغة التعليمات بشكل حساس جداً، مما يتطلب تحسين تلقائي للتعليمات لتحقيق أقصى استفادة منها. ومع أن الخوارزميات التطورية قد تمثل الاتجاه السائد، إلا أنها تواجه تحدياً كبيراً يتمثل في كفاءة البيانات.

تقوم الأساليب الحالية بمعالجة مجموعة البيانات المستخدمة في تطوير النماذج باعتبارها معياراً ثابتاً، وهذا يؤدي إلى إهدار كبير في ميزانية الحوسبة على البيانات غير المفيدة. ومن هنا، يظهر APEX كإطار جديد يُمكن المستخدمين من استخدام البيانات بشكل أفضل خلال عملية البحث عن التعليمات.

يعمل APEX على تصنيف مجموعة البيانات بشكل ديناميكي إلى ثلاثة مستويات: سهل (Easy)، وصعب (Hard)، ومختلط (Mixed) بناءً على سلالة التحسين. من خلال إعطاء الأولوية للمستوى المختلط، الذي يُحدد البيانات التي حققت النماذج فيها أداءً مختلطاً، نستطيع تمييز عنصريين رئيسيين: الأفق القابل للمعالجة لإنشاء طفرات إعلامية والأفق الحساسة للترتيب لتمييز جودة المرشحين.

لقد قمنا بتقييم APEX عبر ثلاثة معايير متنوعة: IFBench، SimpleQA Verified، وFACTS Grounding. وعند استخدام ميزانية ثابتة من 5000 اتصال تقييم، أثبت APEX كفاءته في استخدام البيانات، حيث تفوق على التعليمات الأولية بمعدل 11.2% على Gemini 2.5 Flash و6.8% على Gemma 3 27B. مما يؤكد أن اتباع نهج مركز على البيانات هو المفتاح لتحقيق تحسين تعليمات فعال وذو كفاءة عالية.