التوليد المعزّز بالاسترجاع، أو RAG، تقنية تتيح لنموذج اللغة الكبير أن يجيب من مستنداتك الخاصة بدلاً من بيانات تدريبه فقط. يسترجع النظام أكثر المقاطع صلةً، ويغذّيها إلى النموذج كسياق، فيجيب النموذج من تلك الأدلة المُسنَدة، ما يقلّل الهلوسة ويبقي الإجابات حديثة وقابلة للتتبّع وموثوقة بالعربية والإنجليزية.
أبرز النقاط
- يُسند RAG نموذج اللغة الكبير إلى بياناتك باسترجاع المقاطع ذات الصلة وتغذيتها كسياق.
- يقلّل الهلوسة ويتيح للإجابات الإشارة إلى مصدر حقيقي، ما يبني ثقة المستخدم.
- يتحدّث RAG فوراً عند تغيّر المستندات، دون إعادة تدريب النموذج.
- يحتاج RAG العربية إلى تجزئة واسترجاع وتضمينات (embeddings) واعية بالصرف لكي يعمل جيداً.
- جودة الاسترجاع، لا النموذج، هي عادةً ما يصنع نجاح نظام RAG أو فشله.
ما هو التوليد المعزّز بالاسترجاع؟
التوليد المعزّز بالاسترجاع بنية تربط نموذج لغة كبيراً بمصدر معرفة خارجي لكي يجيب من معلومات محدّدة ومعتمدة بدلاً من الاعتماد فقط على ما حفظه أثناء التدريب. فعندما يطرح المستخدم سؤالاً، يبحث نظام RAG أولاً في قاعدة معرفة عن أكثر المقاطع صلةً، ثم يسلّم تلك المقاطع إلى النموذج كسياق، فيصوغ النموذج إجابته من تلك الأدلة.
قيمة التوليد المعزّز بالاسترجاع أنه يجعل نموذج اللغة الكبير عارفاً بعملك دون إعادة تدريبه. فتصبح سياساتك وأدلة منتجاتك وعقودك وسجلاتك مصدر الحقيقة، ويستدلّ النموذج عليها عند الطلب. وعندما يتغيّر مستند، تعكس الإجابة التالية التغيير فوراً.
ولأن نظام RAG يستطيع إظهار المقاطع التي استخدمها، فإن التوليد المعزّز بالاسترجاع يجعل الإجابات قابلة للتتبّع أيضاً. فيمكن للمستخدم، أو للمدقّق، رؤية المصدر خلف الإجابة، وهو أمر بالغ الأهمية للاستخدام المؤسسي والمنظَّم في الخليج.
كيف يعمل خط RAG فعلياً؟
يعمل خط RAG على مرحلتين: الفهرسة والإجابة. أثناء الفهرسة، تُقسَّم المستندات إلى مقاطع، ويُحوَّل كل مقطع إلى متّجه رقمي يُسمّى تضميناً (embedding)، وتُخزَّن تلك المتّجهات في قاعدة بيانات متّجهات. يحدث هذا مرة واحدة مسبقاً ويُحدَّث مع تغيّر المحتوى.
أثناء الإجابة، يشغّل نظام RAG المراحل التالية بالتسلسل، وكلها خلال جزء من الثانية.
- تضمين سؤال المستخدم في فضاء المتّجهات نفسه الذي تقع فيه المستندات.
- البحث في قاعدة بيانات المتّجهات عن أقرب المقاطع وأكثرها صلةً.
- إعادة ترتيب النتائج اختيارياً لكي تأتي أقوى الأدلة أولاً.
- تجميع أفضل المقاطع في موجّه كسياق مُسنَد.
- جعل نموذج اللغة الكبير يولّد إجابة باستخدام ذلك السياق فقط، مع الإشارة إلى المصادر.
لماذا يقلّل RAG الهلوسة؟
يقلّل RAG الهلوسة لأنه يغيّر مهمة النموذج من «تذكّر حقيقة» إلى «اقرأ هذا المقطع وأجب». فعندما تقع المعلومة الصحيحة مباشرةً في الموجّه كسياق مسترجَع، لا يعود النموذج مضطراً إلى التخمين من ذاكرة تدريب ضبابية، فيختلق أقل بكثير.
نظام RAG المبني جيداً يعزّز هذا بتعليمة صارمة: أجب من السياق المقدَّم فقط، وإن لم تكن الإجابة موجودة فيه فصرّح بذلك بوضوح. هذا المزيج، أدلة حقيقية إلى جانب بديل أمين، هو ما يحوّل نموذج اللغة الكبير من مخمّن واثق إلى مساعد موثوق ومدعوم بالمصادر.
لا يلغي التوليد المعزّز بالاسترجاع الهلوسة تماماً؛ فالاسترجاع الضعيف قد يظل يغذّي النموذج بالمقطع الخاطئ. ولهذا فإن جودة الاسترجاع، المشروحة أدناه، هي الجزء من نظام RAG الذي يستحق أكبر قدر من الاهتمام الهندسي.
ما الذي يجعل RAG العربية أصعب من RAG الإنجليزية؟
RAG العربية أصعب من RAG الإنجليزية لأن العربية غنية صرفياً وكثيرة اللهجات. فالجذر العربي الواحد يولّد صيغاً كثيرة، وتلتصق السوابق واللواحق بالكلمات، وغالباً ما تُحذَف التشكيلات، لذا قد يفشل نظام استرجاع ساذج في مطابقة سؤال بالمقطع الذي يجيب عنه حتى لو ناقشا الأمر نفسه.
التجزئة أيضاً أصعب في العربية. فالنص من اليمين إلى اليسار، والترقيم غير المتّسق، والمستندات المختلطة عربية-إنجليزية تعني أن استراتيجية التقسيم يجب أن تكون واعية بالعربية لتجنّب قطع المقاطع بطرق تدمّر المعنى. والتضمينات كذلك يجب أن تأتي من نموذج مدرَّب بتغطية عربية قوية، وإلا انخفضت جودة البحث الدلالي بشدة.
في عملنا على RAG العربية لعملاء الشرق الأوسط، تكون الحلول ملموسة: توحيد النص العربي باتّساق، واستخدام تضمينات ذات أداء عربي مثبَت، والتقسيم على حدود ذات معنى، واختبار الاسترجاع على أسئلة لهجات حقيقية. اضبط الاسترجاع بشكل صحيح وسيتبعه بقية الخط.
متى ينبغي استخدام RAG بدلاً من الضبط الدقيق (fine-tuning)؟
ينبغي استخدام RAG عندما يكون التحدّي معرفياً، يحتاج النموذج إلى معرفة حقائق تقع في مستنداتك، ولا سيما حقائق تتغيّر بمرور الوقت. يتألّق RAG في الأسئلة والأجوبة حول السياسات، والدعم، والبحث في المحتوى الداخلي، وأي حالة يجب أن تكون فيها الإجابات حديثة وقابلة للتتبّع إلى مصدر.
الضبط الدقيق، في المقابل، يعلّم النموذج أسلوباً أو صيغة أو مهارة ضيّقة، لا مجموعة من الحقائق. ولمعظم حالات استخدام شركات الشرق الأوسط تكون الحاجة الأساسية معرفةً مُسنَدة، لذا فإن RAG هو الأداة الأولى التي يُلجأ إليها، ولا يُضاف الضبط الدقيق فوقها لاحقاً إلا إن احتاج السلوك أو النبرة إليه.
الاثنان ليسا خصمين. فالنظام الناضج غالباً ما يستخدم RAG للمعرفة وضبطاً دقيقاً خفيفاً للتنسيق المتّسق، جامعاً بين نقاط قوة كليهما مع تجنّب تكلفة محاولة تضمين كل المعرفة في أوزان النموذج وخطر تقادمها.
كيف تقيس ما إذا كان نظام RAG جيداً؟
تقيس نظام RAG على محورين: جودة الاسترجاع وجودة الإجابة. جودة الاسترجاع تسأل ما إذا كان النظام قد وجد المقاطع الصحيحة للسؤال؛ وجودة الإجابة تسأل ما إذا كانت الاستجابة النهائية صحيحة ومُسنَدة وكاملة بالنظر إلى تلك المقاطع. يجب تتبّع كليهما، لأن نموذجاً رائعاً باسترجاع ضعيف يظل يفشل.
يستخدم تقييم RAG العملي مجموعة ثابتة من الأسئلة الحقيقية ذات الإجابات الصحيحة المعروفة والمقاطع المصدرية المعروفة. يقيّم الفريق كم مرة استُرجِع المقطع الصحيح وكم مرة كانت الإجابة النهائية وفيّة له، ثم يعامل أي انخفاض بوصفه تراجعاً يجب إصلاحه قبل الإصدار.
انضباط القياس هذا هو ما يفصل بين عرض RAG توضيحي ومنتج RAG. ففي دبي وأنحاء الخليج، يتوقّع مشترو المؤسسات بشكل متزايد رؤية أرقام التقييم هذه قبل أن يأتمنوا مساعد ذكاء اصطناعي على أعمال تواجه العملاء أو أعمال منظَّمة.
RAG مقابل الضبط الدقيق مقابل التوجيه البسيط
| المنهج | الأنسب لـ | حداثة البيانات | جهد الإعداد |
|---|---|---|---|
| التوجيه البسيط | المهام العامة والبدايات السريعة | حدّ تدريب النموذج | منخفض |
| RAG | الإجابة من مستنداتك | حيّ، يتحدّث فوراً | متوسط |
| الضبط الدقيق | أسلوب وصيغة ومهارة ضيّقة ثابتة | مجمّد وقت التدريب | مرتفع |
| RAG + الضبط الدقيق | معرفة مُسنَدة بنبرة محدّدة | معرفة حيّة وأسلوب ثابت | مرتفع |
“الجميع مهووس بأي نموذج يستخدم، لكن في RAG نادراً ما يكون النموذج عنق الزجاجة، الاسترجاع هو كذلك. إن غذّيت النموذج بالفقرة الخاطئة، فحتى أفضل نموذج يعطي إجابة خاطئة بثقة. اصرف جهدك الهندسي على جودة الاسترجاع، وفي العربية، اصرف ضعفه.”
الأسئلة الشائعة
هل يتطلّب RAG تدريب نموذج أو ضبطه الدقيق؟
لا. يعمل RAG مع نموذج جاهز عبر تزويده بالسياق ذي الصلة وقت الاستعلام، فلا توجد خطوة تدريب. تفهرِس مستنداتك مرة واحدة، وتحدّثها عند تغيّرها، ويقرأ النموذج المقاطع المسترجَعة ليجيب. ولهذا فإن RAG هو أسرع طريقة لجعل نموذج اللغة الكبير عارفاً بعملك.
إلى أي مدى يمكن أن تكون إجابات نظام RAG حديثة؟
بقدر حداثة فهرسك. فعندما يُضاف مستند أو يُحدَّث ويُعاد فهرسته، تعكسه الإجابة التالية ذات الصلة، غالباً خلال دقائق. وهذه ميزة كبرى على الضبط الدقيق، حيث تتطلّب المعرفة الجديدة إعادة تدريب. RAG هو الخيار المعياري كلما وجب أن تبقى الإجابات مواكبة للمحتوى المتغيّر.
ماذا نحتاج لبناء نظام RAG على مستنداتنا؟
تحتاج إلى مستنداتك، ونموذج تضمين، وقاعدة بيانات متّجهات، ونموذج لغة كبير، مغلَّفة في خط يقسّم ويسترجع ويعيد الترتيب ويوجّه. وللمحتوى العربي تحتاج أيضاً إلى توحيد نصّ عربي واعٍ وتضمينات عربية. تجمع ESMNT (formerly Mags Group) هذه في نظام مُسنَد ومُقيَّم مضبوط لمحتواك ومزيج لغتك تحديداً.
هل يستطيع RAG إظهار مصادر إجاباته؟
نعم، وينبغي أن يفعل. فلأن نظام RAG يسترجع مقاطع محدّدة قبل الإجابة، يستطيع الإشارة بدقة إلى المستندات والأقسام التي استخدمها. وإبراز تلك الإشارات يتيح للمستخدمين التحقّق من الإجابات ويمنح المدقّقين أثراً، وهو أمر أساسي لعمليات النشر المؤسسية والمنظَّمة في أنحاء الخليج.
