هندسة الذكاء الاصطناعيJune 2025·6 دقائق للقراءة

ما هو RAG ولماذا تحتاجه كل شركة ناشئة في مجال الذكاء الاصطناعي

التوليد المعزّز بالاسترجاع هو الفارق بين ذكاء اصطناعي يقدّم إجابات عامة وآخر يفهم أعمالك. إليك كيفية عمله وكيفية بنائه بالشكل الصحيح.

Z

تحرير زيدكس

zeidex.com

USER QUERYRETRIEVERVECTOR DBCONTEXTLLMANSWERRETRIEVAL-AUGMENTED GENERATION PIPELINE

هناك فجوة بين ما يعرفه نموذج لغوي كبير وما يحتاج مستخدموك إلى أن يعرفه. دُرّب GPT-4 على بيانات لها حدّ زمني للمعرفة. فهو لا يعرف سياسات شركتك، أو كتالوج منتجاتك، أو وثائقك الداخلية، أو أي شيء حدث الشهر الماضي.

التوليد المعزّز بالاسترجاع — RAG — هو الطريقة لسدّ هذه الفجوة.

ما الذي يفعله RAG فعلياً

في جوهره، RAG عملية من خطوتين:

  1. قبل إرسال استعلام المستخدم إلى النموذج اللغوي الكبير، استرجع المستندات ذات الصلة من قاعدة المعرفة لديك
  2. ضمّن تلك المستندات في الموجّه حتى يتمكن النموذج اللغوي الكبير من الإجابة استناداً إلى بياناتك، لا إلى تدريبه فقط

النتيجة: نموذج يمكنه الإجابة بدقة عن أسئلة تتعلق بمجالك المحدد — منتجاتك، وسياساتك، وسجل عملائك — من دون اختلاق معلومات أو اللجوء إلى معرفة عامة.

لماذا يتفوق على الضبط الدقيق (في معظم حالات الاستخدام)

البديل لـ RAG هو الضبط الدقيق: تدريب نموذج أساسي على بياناتك الخاصة. الضبط الدقيق مكلف ويستغرق وقتاً، وينتج نموذجاً متجمداً في الزمن. وفي كل مرة تتغير فيها بياناتك، تعيد التدريب.

RAG ديناميكي. قاعدة المعرفة لديك هي قاعدة بيانات. عندما تتغير المعلومات، تحدّث قاعدة البيانات. ويستفيد النموذج تلقائياً من المعرفة المحدّثة من دون أي إعادة تدريب. بالنسبة إلى معظم تطبيقات الأعمال — دعم العملاء، والبحث الداخلي، والأسئلة والأجوبة حول المستندات — يُعد RAG البنية المناسبة.

يكون الضبط الدقيق منطقياً عندما تحتاج إلى أن يتصرف النموذج بصورة مختلفة (كأن يتبنى شخصية محددة أو يلتزم باتفاقيات تنسيق غير مألوفة)، بدلاً من أن يعرف معلومات مختلفة.

المكونات الثلاثة التي تحتاج إلى إتقانها

1. استراتيجية التقسيم إلى مقاطع. يجب تقسيم مستنداتك إلى مقاطع قبل تخزينها. إن كانت المقاطع صغيرة جداً، تفقد السياق. وإن كانت كبيرة جداً، يصبح الاسترجاع مشوشاً. يعتمد الحجم المناسب للمقطع على نوع مستنداتك — نبدأ عادةً بـ 512 رمزاً مع تداخل قدره 50 رمزاً، ثم نعدّل بناءً على جودة الاسترجاع.

2. نموذج التضمين. يجب تحويل النص إلى تضمينات متجهية قبل التخزين. يحدد نموذج التضمين مدى جودة التقاط التشابه الدلالي. يُعد text-embedding-3-small من OpenAI خياراً افتراضياً جيداً، لكن النماذج المتخصصة حسب المجال (القانوني والطبي والبرمجي) غالباً ما تتفوق على النماذج العامة.

3. الاسترجاع وإعادة الترتيب. لا يكفي البحث الأساسي عن التشابه المتجهي لتطبيقات الإنتاج. تحتاج إلى خطوة لإعادة الترتيب من أجل فرز النتائج حسب الصلة قبل تمريرها إلى النموذج اللغوي الكبير. ويُستخدم هنا بشكل شائع نموذج reranker من Cohere ونماذج CrossEncoder.

الجزء الذي تتجاهله معظم الشروحات

تقييم RAG ليس اختيارياً. أكثر الأخطاء شيوعاً هو بناء مسار RAG، وإجراء بضعة اختبارات يدوية، ثم اعتبار العمل منتهياً. تحتاج إلى:

  • مجموعة اختبار من الاستعلامات التمثيلية مع الإجابات المتوقعة
  • مقاييس لجودة الاسترجاع (هل تُعاد المقاطع الصحيحة؟)
  • مقاييس لجودة الإجابة (هل يستخدم النموذج اللغوي الكبير السياق المسترجع بشكل صحيح؟)
  • طريقة لتشغيل هذا التقييم تلقائياً عند إجراء التغييرات

من دون تقييم، لن تعرف ما إذا كان نظام RAG لديك يعمل فعلاً — أو متى يتعطل.

إذا كنت تبني منتجاً للذكاء الاصطناعي يحتاج إلى معرفة أشياء لا تعرفها النماذج اللغوية الكبيرة، فإن RAG ليس اختيارياً. إنه البنية المعمارية.

مستعد لبناء
شركتك؟

ابدأ الحوار