الـ AI Engineer مش اللي بيعمل ChatGPT جديد.
ده اللي بياخد الموديلات الجاهزة، زي ChatGPT و Claude، ويبني بيها منتجات الناس بتستخدمها: بوت بيرد من ملفات شركة، أو أداة بتلخص العقود، أو مساعد بينفّذ مهام لوحده. والترتيب: البرمجة الأول بـ Python، وبعدها تفهم الـ LLM بيشتغل إزاي، وبعدها تكلمه من الكود بالـ API، وبعدين RAG، وبعدها الـ Agents، وفي الآخر الـ Evaluation: إنك تقيس الموديل بيجاوب صح ولا لأ.
علّم على كل حاجة تخلصها وانت ماشي، علشان تعرف انت فين، وترجع تكمّل من نفس المكان.
قبل ما تبدأ
- ذاكر كل يوم، حتى لو شوية. المدد هنا محسوبة على ساعتين في اليوم. لو وقتك أقل هتاخد وقت أطول، وده عادي.
- المدد تقريبية. في ناس هتخلص أسرع وناس أبطأ. عدّي المرحلة لما تبقى جاهز فعلًا، مش لما الوقت يخلص.
- كل مرحلة فيها مشروع. متعديش للمرحلة اللي بعدها قبل ما تعمله بإيدك. ومن مرحلة RAG، كل مشروع يبقى معاه أسئلة بتقيسه بيها.
المرحلة 1 من 6
Pythonالبرمجة الأول
المدة: 6 لـ 8 أسابيع
ابدأ بالبرمجة الأول، بلغة زي Python. هي اللغة اللي أغلب مكتبات الـ AI والأمثلة بتاعتها مكتوبة بيها، وسهلة في القراية.
ومتقفزش للـ AI على طول. الـ AI Engineer مبرمج الأول، والموديل جزء من البرنامج، مش البرنامج كله.
هتتعلم إيه
0 من 12اعمل بإيدك
أداة بتحلّل ملفات نصوص. برنامج في الـ terminal بياخد فولدر فيه ملفات، ويطلّع لكل ملف عدد الكلمات، وأكتر 10 كلمات متكررة، وأول 3 سطور. ويحفظ النتيجة في ملف JSON. هتطوّر الأداة دي في المراحل الجاية.
تعدّي للمرحلة اللي بعدها لما
- تقدر تكتب برنامج صغير من ملف فاضي من غير ما تنسخ من حد
- بتتعامل مع JSON والـ dictionaries والـ lists من غير ما تبص على شرح
- بتكلم أي API بـ
requestsوتفهم الرد
المرحلة 2 من 6
LLMالموديل بيشتغل إزاي
المدة: 2 لـ 3 أسابيع
افهم الـ LLM بيشتغل إزاي. دي الموديلات اللي زي ChatGPT و Claude، اللي بتفهم الكلام وترد عليه.
مش محتاج تعرف تبني موديل، ولا محتاج رياضيات تقيلة. محتاج تفهم هو بيعمل إيه، وبيغلط إمتى وليه، علشان تبني عليه صح.
هتتعلم إيه
0 من 11اعمل بإيدك
دفتر تجارب prompts. خد مهمة واحدة، زي تلخيص إيميل طويل في 3 نقط، وجربها بـ 5 prompts مختلفة على موديلين. اكتب في ملف كل prompt والرد بتاعه، وإيه اللي اتحسن وليه.
تعدّي للمرحلة اللي بعدها لما
- تقدر تشرح لحد مش مبرمج يعني إيه token و context window و hallucination
- بتكتب prompt فيه تعليمات وأمثلة وشكل الرد، والرد بيطلع زي ما انت عايز أغلب المرات
المرحلة 3 من 6
APIالبرنامج هو اللي يسأل
المدة: 3 لـ 4 أسابيع
بعد كده تتعلم تكلم الموديل من الكود عن طريق API. يعني بدل ما انت تكتب في الشات، البرنامج بتاعك هو اللي يسأل وياخد الرد.
وهنا الموديل بيبقى جزء من برنامج حقيقي: بياخد مدخلات من المستخدم أو من ملفات، ويرجّع حاجة الكود بتاعك يقدر يستخدمها. والـ API بيتحسب بالاستخدام، فابدأ بموديل صغير وانت بتجرب.
هتتعلم إيه
0 من 12اعمل بإيدك
ارجع لأداة الملفات. خليها تبعت كل ملف للموديل، وترجّع ملخص في 3 نقط وتصنيف للملف، كـ JSON بشكل ثابت. واحسب التكلفة التقريبية لكل تشغيلة.
تعدّي للمرحلة اللي بعدها لما
- بتكلم الموديل من الكود، وبتاخد رد JSON تستخدمه على طول
- الـ API key عمره ما اتكتب في الكود ولا اترفع على GitHub
- البرنامج بيتعامل مع الـ rate limit والـ timeout من غير ما يقع
المرحلة 4 من 6
RAGتديله الكتاب يذاكر منه
المدة: 4 لـ 5 أسابيع
الـ RAG إنك تدي الموديل ملفاتك انت، علشان يجاوب منها مش من دماغه. زي ما تدي حد الكتاب يذاكر منه قبل الامتحان.
وده اللي بيخلي الموديل مفيد في شغل حقيقي: يجاوب من ملفات شركة، أو من كتاب، أو من الـ docs بتاعة منتج، بدل ما يخمّن.
هتتعلم إيه
0 من 11اعمل بإيدك
بوت يجاوب من ملفاتك. خد مجموعة ملفات حقيقية، زي لايحة الكلية أو ملفات شغل، واعمل بوت يجاوب منها ويقول الإجابة جاية من أنهي ملف. ولو السؤال مش في الملفات، يقول «مش عارف» بدل ما يألّف.
تعدّي للمرحلة اللي بعدها لما
- البوت بتاعك بيذكر المصدر مع كل إجابة
- لما تسأله حاجة مش في الملفات، بيقول إنه مش عارف
- عندك 20 سؤال بإجاباتهم الصح، جاهزين للقياس
المرحلة 5 من 6
Agentsبينفّذ مش بس بيرد
المدة: 3 لـ 4 أسابيع
الـ Agents موديلات بتنفّذ مهام بنفسها، مش بس بترد. بتقرر تدوّر، أو تحسب، أو تبعت، أو تحجز، وتكمّل لحد ما المهمة تخلص.
ابدأ بنفسك من غير framework: موديل، و tools قليلة، و loop انت كاتبه. لما تفهم ده، أي framework هيبقى سهل.
هتتعلم إيه
0 من 11اعمل بإيدك
Agent بيحجز مواعيد. مساعد بيقرا رسالة زي «عايز معاد مع دكتور أسنان الأسبوع الجاي بعد الساعة 5»، ويدوّر في المواعيد الفاضية بـ tool، ويقترح، ويحجز بـ tool تاني بعد ما المستخدم يوافق. والمواعيد في ملف أو داتا بيز صغيرة انت عاملها.
تعدّي للمرحلة اللي بعدها لما
- عملت Agent بـ tools من غير framework، وفاهم الـ loop بيمشي إزاي
- الـ Agent بتاعك بيطلب موافقة قبل أي خطوة ملهاش رجوع
- بتفتح الـ logs وتعرف الـ Agent غلط في أنهي خطوة
المرحلة 6 من 6
Evaluationبيجاوب صح ولا لأ؟
المدة: 2 لـ 4 أسابيع
والفرق في رأيي بين AI Engineer وأي حد بيستخدم ChatGPT، إن الأول بيعرف يقيس الموديل بيجاوب صح ولا لأ.
ودي مش مرحلة بتستناها للآخر: بتبدأها من أول مشروع RAG، ومعاك في كل مشروع بعده. حطيتها هنا علشان تقف عندها وتتعلمها صح، لأن من غيرها أي تعديل في الـ prompt مجرد تخمين.
هتتعلم إيه
0 من 11اعمل بإيدك
اقيس البوت بتاع الملفات. شغّل الـ 20 سؤال اللي جهزتهم في مرحلة RAG، واحسب كام إجابة صح، وكام مرة ألّف، وكام مرة جاب المصدر الصح. وبعدين غيّر حاجة واحدة، زي حجم القطعة أو الـ prompt، وشغّل تاني، وشوف الرقم اتحسن ولا لأ.
تعدّي للمرحلة اللي بعدها لما
- مشروعك عنده test set، ورقم بيقول هو بيجاوب صح كام مرة من كل 10
- مبتغيّرش prompt أو موديل من غير ما تشغّل الـ eval وتقارن
- تقدر تقول البوت بيغلط في أنهي نوع أسئلة بالظبط، مش «ساعات بيغلط»
سلم المشاريع
المشاريع هي اللي بتعلمك بجد، وهي اللي هتوريها لأي حد عايز يشغّلك. أول 4 عملتهم في المراحل فوق، والخامس هو اللي بيقفل الخطة.
أداة تحليل الملفات
Python و JSON
برنامج بيقرا فولدر ملفات ويطلّع منه أرقام. أساس كل اللي جاي.
ملخّص الملفات بالـ AI
LLM API و Structured output
نفس الأداة، بس الموديل بيلخّص ويصنّف، والرد JSON الكود بتاعك بيستخدمه.
بوت يجاوب من ملفاتك
RAG و Embeddings و Vector database
بيجاوب من ملفاتك بس، وبيذكر المصدر، وبيقول «مش عارف» لما الإجابة مش موجودة.
Agent بيحجز مواعيد
Tool use و Agents
بيقرر الخطوة الجاية لوحده، وبيستخدم tools، ومبيعملش حاجة ملهاش رجوع من غير موافقة.
مشروع الـ portfolio: مساعد بأرقام
RAG أو Agents و Evaluation
خد مشكلة حقيقية، زي مساعد بيجاوب أسئلة الطلبة من لايحة الكلية، أو بيرد على أسئلة زباين محل من الكتالوج. اعمله، وخلي ناس حقيقية تستخدمه، واكتب في الـ README الـ test set بتاعه، ونسبة الإجابات الصح، وإزاي حسّنتها. الرقم ده هو اللي هيفرّقك.
مصادر مجانية
الشرح في كل دول ببلاش. متجمعش مصادر كتير: اختار مصدر أساسي واحد لكل مرحلة وكمّل بيه، والباقي ارجعله لما تقف في حتة.
Python
- The Python Tutorial (بيفتح في تاب جديدة)الشرح الرسمي لـ Python من الأساسيات.
- CS50P من Harvard (بيفتح في تاب جديدة)كورس Python للمبتدئين، فيه محاضرات وتمارين ومشروع في الآخر.
- Mastering Python من Elzero (بيفتح في تاب جديدة)كورس Python بالعربي على يوتيوب، من الصفر.
فهم الـ LLM
- Intro to Large Language Models (بيفتح في تاب جديدة)محاضرة ساعة من Andrej Karpathy بتشرح الـ LLM بيشتغل إزاي من غير تعقيد.
- 3Blue1Brown: Neural networks (بيفتح في تاب جديدة)سلسلة فيديوهات بالرسم، وفيها حلقات عن الـ Transformers والـ attention.
- Hugging Face LLM Course (بيفتح في تاب جديدة)كورس عن الـ LLMs والـ Transformers، لو حابب تتعمق أكتر.
الـ API والـ Prompts
- Claude Docs (بيفتح في تاب جديدة)الـ docs الرسمية لـ Claude API: أول request لحد الـ tool use. الشرح ببلاش، والـ API نفسه بيتحسب بالاستخدام.
- OpenAI API Quickstart (بيفتح في تاب جديدة)البداية الرسمية لـ OpenAI API. الشرح ببلاش، والـ API نفسه بيتحسب بالاستخدام.
- Prompt Engineering Interactive Tutorial (بيفتح في تاب جديدة)تمارين prompt engineering خطوة بخطوة من Anthropic.
- Ollama (بيفتح في تاب جديدة)تشغّل موديلات مفتوحة على جهازك، علشان تجرب من غير ما تدفع.
RAG
- Contextual Retrieval (بيفتح في تاب جديدة)مقال من Anthropic بيشرح إزاي تحسّن البحث في الـ RAG، وفيه الـ hybrid search والـ reranking.
- Chroma Docs (بيفتح في تاب جديدة)vector database بسيطة تبدأ بيها على جهازك.
- pgvector (بيفتح في تاب جديدة)إضافة لـ PostgreSQL بتخليك تعمل بحث بالمعنى جوه داتا بيز عادية.
Agents
- Building effective agents (بيفتح في تاب جديدة)مقال من Anthropic: إمتى تحتاج Agent وإمتى تكفيك خطوات ثابتة.
- Hugging Face Agents Course (بيفتح في تاب جديدة)كورس عن الـ Agents من الفكرة لحد مشاريع عملية.
- Model Context Protocol (بيفتح في تاب جديدة)الشرح الرسمي للـ MCP، إزاي توصل الموديل بأدوات ومصادر بيانات.
Evaluation
- Define success criteria and build evaluations (بيفتح في تاب جديدة)إزاي تحدد يعني إيه «إجابة صح»، وتبني test set تقيس عليه.
- Your AI Product Needs Evals (بيفتح في تاب جديدة)مقال من Hamel Husain عن ليه الـ evals هي اللي بتحسّن أي منتج AI، وإزاي تبدأها.
- Demystifying evals for AI agents (بيفتح في تاب جديدة)مقال من Anthropic عن إزاي تقيس الـ Agents.
- RAG Evaluation (بيفتح في تاب جديدة)مثال عملي من Hugging Face لقياس RAG بالكود.
- promptfoo (بيفتح في تاب جديدة)أداة open source بتشغّل الـ evals بتاعتك وتقارن النتايج.
أكتر الأخطاء اللي بشوفها
- إنك تبني على الموديل من غير ما تقيس هو بيجاوب صح ولا لأ. ده الفرق في رأيي بين AI Engineer وأي حد بيستخدم ChatGPT. تجرّب 3 أسئلة، والإجابات تعجبك، فتقول «شغال». وأول ما ناس حقيقية تستخدمه يطلع بيألّف. اعمل test set من أول مشروع، وقيس بعد كل تعديل.
- إنك تفتكر AI Engineer يعني تبني ChatGPT جديد. مش محتاج تدرّب موديل ولا تبدأ بالرياضيات التقيلة. الشغل إنك تاخد الموديلات الجاهزة، وتبني بيها منتج الناس بتستخدمه.
- إنك تبدأ بـ framework كبير قبل ما تفهم اللي تحته. الـ framework بيخبّي عنك الـ prompt والـ loop والـ retrieval. اعمل كل حاجة بالكود العادي مرة، وبعدها استخدم أي framework وانت فاهم هو بيعمل إيه.
- إنك تعمل Agent لحاجة كانت محتاجة خطوتين ثابتين. الـ Agent أبطأ، وأغلى، وأصعب في القياس. لو الخطوات معروفة، اكتبها انت.
- إنك تكتب الـ API key في الكود. أول ما يترفع على GitHub، أي حد ممكن يستخدمه على حسابك. حطه في
.env، وحط.envفي.gitignore.
بعد كده
لما تخلص الخطة دي وتعمل مشروع الـ portfolio، دي الخطوات اللي بعدها:
- Deployment ومراقبة: ترفع المشروع يستخدمه ناس، وتراقب التكلفة والسرعة والإجابات الغلط وهو شغال.
- Fine-tuning: تدرّب موديل جاهز على بياناتك، لما الـ prompt والـ RAG ميكفوش.
- Machine Learning: لو حابب تفهم الموديلات من جوه وتدرّبها بنفسك، فيه خطة Machine Learning لوحدها.
احفظ الصفحة دي، وارجعلها كل ما تخلص حاجة وعلّم عليها. ولو وقفت في مرحلة ومش فاهم، ارجع للي قبلها، غالبًا المشكلة هناك.