RAG (التوليد المعزز بالاسترجاع) يعني أن تطبيقك يبحث أولاً في مستنداتك عن المقاطع المتعلقة بسؤال المستخدم، ثم يرسلها إلى نموذج اللغة مع السؤال ليكتب إجابة مبنية عليها. بهذا يجيب النموذج من بياناتك المحدثة بدل ذاكرته العامة، فتقل الهلوسة ويمكن ذكر المصدر. وهو غالباً الخيار الأنسب للأسئلة الشائعة والسياسات والكتالوجات، بينما يناسب الضبط الدقيق تعليم النموذج أسلوباً أو صيغة ثابتة.
- ما هو rag في الذكاء الاصطناعي
- كيف اخلي الشات بوت يجاوب من بياناتي
- الذكاء الاصطناعي على ملفات الشركة
- شرح retrieval augmented generation
المشكلة التي يحلّها RAG
إذا سألت نموذج لغة عاماً: «كم سعر تنظيف الأسنان في عيادتكم؟» فلديه خياران سيئان: أن يعتذر لأنه لا يعرف عيادتك، أو أن يخترع رقماً معقولاً يبدو صحيحاً. كما شرحنا في أساسيات نماذج اللغة، النموذج يجيد اللغة لكنه لا يعرف تفاصيل عملك، ومعرفته العامة متوقفة عند تاريخ تدريبه.
الحل البديهي أن تلصق كل مستنداتك في التعليمات. لكن هذا يصطدم بحدود نافذة السياق، ويرفع التكلفة مع كل رسالة، ويشتت النموذج. هنا يأتي RAG (Retrieval-Augmented Generation)، أي التوليد المعزز بالاسترجاع: بدل أن تعطي النموذج كل شيء، تعطيه في كل سؤال المقاطع القليلة المتعلقة به فقط.
لا تطلب من النموذج أن يتذكّر عملك، بل اجعل تطبيقك يفتح له الملف الصحيح في اللحظة الصحيحة.
النتيجة مساعد يجيب من سياساتك وأسعارك الحالية، ويمكنه ذكر المستند الذي اعتمد عليه، ويقول بوضوح «لا أعرف» عندما لا يجد شيئاً. وهذا ما يسمى التأسيس (Grounding): ربط الإجابة بمصدر يمكن التحقق منه.
كيف يعمل RAG خطوة بخطوة
ينقسم RAG إلى مرحلتين: مرحلة تحضير تتم مرة واحدة (وتتكرر عند تحديث المستندات)، ومرحلة إجابة تتم مع كل سؤال.
مرحلة التحضير (الفهرسة)
- 1اجمع المستندات
صفحات الأسئلة الشائعة، السياسات، قوائم الأسعار، أدلة الاستخدام، وصفحات المنتجات. نظّفها من التكرار والمعلومات القديمة.
- 2قسّمها إلى مقاطع
يُقسّم كل مستند إلى مقاطع صغيرة متماسكة، مثل فقرة أو سؤال مع إجابته. المقطع الجيد يحمل فكرة كاملة يمكن فهمها وحدها.
- 3حوّل المقاطع إلى تضمينات
يمرّ كل مقطع على نموذج تضمين (Embedding) يحوّله إلى قائمة أرقام تمثّل معناه. المقاطع المتشابهة في المعنى تحصل على أرقام متقاربة، حتى لو اختلفت كلماتها.
- 4خزّنها في قاعدة متجهات
تُحفظ التضمينات مع نص المقطع ومصدره في قاعدة بيانات متجهات (Vector Database) تسمح بالبحث بالمعنى وليس بالكلمات فقط.
مرحلة الإجابة (مع كل سؤال)
- 1حوّل السؤال إلى تضمين
سؤال المستخدم يمرّ على نفس نموذج التضمين ليصبح بنفس صيغة المقاطع.
- 2استرجع الأقرب معنى
يبحث التطبيق عن المقاطع الأقرب إلى السؤال، عادة عدد قليل منها، وقد يجمع ذلك مع بحث تقليدي بالكلمات المفتاحية.
- 3ابنِ الطلب
يجمع التطبيق تعليمات النظام والمقاطع المسترجعة وسؤال المستخدم في طلب واحد.
- 4ولّد الإجابة واذكر المصدر
يكتب النموذج الإجابة اعتماداً على المقاطع فقط، ويشير إلى المصدر، أو يعتذر إن لم تكفِ المعلومات.
RAG أم الضبط الدقيق أم تعليمات طويلة؟
قبل البناء، اسأل: ما الذي ينقص النموذج فعلاً؟ هل ينقصه معرفة (حقائق عن عملك)؟ أم ينقصه سلوك (أسلوب، صيغة، طريقة تصنيف)؟ الإجابة تحدد الأداة.
| المعيار | تعليمات طويلة | RAG | الضبط الدقيق |
|---|---|---|---|
| أفضل استخدام | معلومات قليلة وثابتة | معرفة كبيرة أو متغيرة | أسلوب أو صيغة متكررة |
| تحديث المعلومات | تعديل النص مباشرة | تحديث المستند وإعادة فهرسته | يحتاج إعادة تدريب |
| ذكر المصدر | صعب | طبيعي وسهل | غير ممكن عادة |
| جهد البداية | منخفض جداً | متوسط | أعلى ويحتاج بيانات تدريب منظمة |
| أثر الحجم على التكلفة | يرتفع مع كل رسالة | يبقى محدوداً بالمقاطع المسترجعة | تكلفة تدريب ثم تشغيل |
- تتغير الأسعار أو السياسات أو المخزون باستمرار
- لديك مستندات كثيرة لا تتسع في التعليمات
- تحتاج إلى ذكر المصدر لبناء الثقة
- تريد التحكم في ما يعرفه المساعد وما لا يعرفه
- تريد أسلوب كتابة ثابتاً بصوت علامتك التجارية
- تحتاج إلى مخرجات بصيغة محددة جداً بشكل متكرر
- لديك أمثلة كثيرة ونظيفة للسلوك المطلوب
- لم تكفِ التعليمات الجيدة والأمثلة القليلة في الطلب
مثال يوضح الفرق: متجر ملابس في الكويت يريد مساعداً يكتب بنبرة علامته المرحة، ويعرف المقاسات المتوفرة وسياسة الاستبدال الحالية. النبرة سلوك ثابت، يمكن تحقيقه غالباً بتعليمات جيدة وبعض الأمثلة. أما المقاسات والسياسات فمعرفة تتغير كل أسبوع، ومكانها الطبيعي RAG أو الربط المباشر بقاعدة البيانات. لو حاول المتجر تعليم النموذج المقاسات بالضبط الدقيق، لاحتاج إلى إعادة التدريب مع كل شحنة جديدة.
مثال عملي: مساعد أسئلة لعيادة أسنان
لنأخذ عيادة أسنان في الرياض لها فرعان، وتستقبل يومياً أسئلة متكررة على واتساب والموقع: المواعيد، الأسعار التقريبية، التأمين، التحضير قبل الجلسة، والمواقف. الهدف مساعد يجيب على هذه الأسئلة بدقة، ويحجز موعداً، ويحوّل أي سؤال طبي إلى موظف. يمكنك الاطلاع على حلول العيادات لأفكار إضافية.
| المصدر | أمثلة على محتواه | ملاحظة التقسيم |
|---|---|---|
| الأسئلة الشائعة | ساعات الدوام، المواقف، اللغات المتاحة | كل سؤال مع إجابته مقطع مستقل |
| قائمة الخدمات | التنظيف، التبييض، التقويم، مع وصف عام | مقطع لكل خدمة مع اسم الفرع |
| سياسة التأمين | الشركات المقبولة وخطوات الموافقة | مقطع لكل جهة أو خطوة |
| تعليمات ما قبل الجلسة | الصيام، الأدوية، موعد الوصول | مقطع لكل نوع إجراء |
- 1حدّد النطاق
المساعد يجيب على المعلومات الإدارية والعامة فقط، ولا يشخّص ولا يصف علاجاً.
- 2جهّز المصادر
راجع كل مستند مع مدير العيادة، واحذف الأسعار القديمة، وأضف تاريخ آخر تحديث لكل ملف.
- 3افصل الأرقام الحية
المواعيد المتاحة تُجلب من نظام الحجز مباشرة، لا من مستند ثابت قد يكون قديماً.
- 4اكتب تعليمات صارمة
أجب فقط من المقاطع المرفقة، واذكر المصدر، وحوّل الأسئلة الطبية إلى موظف.
- 5اختبر وأطلق
ثلاثون سؤالاً حقيقياً من سجل واتساب، ثم إطلاق تجريبي على الموقع قبل واتساب.
ابنِ لي مساعداً ذكياً لعيادة أسنان في الرياض بفرعين، يجيب بالعربية والإنجليزية على الأسئلة الشائعة والخدمات والتأمين وتعليمات ما قبل الجلسة، اعتماداً فقط على المستندات التي سأرفعها، ويذكر المستند الذي اعتمد عليه في كل إجابة. إذا لم يجد الإجابة أو كان السؤال طبياً تشخيصياً، يعتذر بلطف ويعرض التحويل إلى موظف الاستقبال. أضف حجز المواعيد عبر تسجيل الدخول برقم الجوال، ولوحة تحكم أرفع منها المستندات وأحدّثها وأرى الأسئلة التي لم يجد لها إجابة.
جرّبه في فنّانتجهيز البيانات: نصف النجاح قبل كتابة سطر كود
أغلب مشكلات RAG التي نراها ليست في النموذج، بل في المستندات. مساعد يقرأ ملفاً متناقضاً سيجيب إجابات متناقضة، مهما كان النموذج قوياً.
- مصدر واحد للحقيقة: إذا كانت سياسة الإرجاع مكتوبة في ثلاثة أماكن بثلاث صيغ، فاحتفظ بواحدة واحذف الباقي.
- مقاطع بحجم مناسب: المقطع الصغير جداً يفقد السياق، والكبير جداً يخلط مواضيع. سؤال وإجابة، أو فقرة واحدة، نقطة بداية جيدة.
- عناوين واضحة داخل كل مقطع: أضف اسم الخدمة أو الفرع داخل المقطع نفسه، لأنه سيُقرأ منفصلاً عن باقي المستند.
- ملفات PDF الممسوحة ضوئياً: النص العربي المستخرج منها قد يأتي مقلوباً أو مفككاً. راجعه قبل الفهرسة.
- المحتوى المزدوج اللغة: إذا كانت مستنداتك بالعربية والإنجليزية، فتأكد أن نموذج التضمين يدعم اللغتين جيداً واختبر البحث بكلتيهما.
- بيانات وصفية: احفظ مع كل مقطع المصدر وتاريخ التحديث والفرع، لتصفية النتائج وذكر المصدر بدقة.
ضع أيضاً خطة للتحديث منذ البداية: من المسؤول عن تعديل المستندات؟ ومتى تُراجع؟ وكيف تُعاد فهرستها؟ أفضل طريقة أن تكون هناك لوحة تحكم بسيطة يرفع منها الموظف الملف الجديد، فيُعاد تقسيمه وفهرسته تلقائياً ويُحذف القديم. بهذا لا يعتمد صدق المساعد على تذكّر أحد إرسال ملف إلى المطوّر، بل يصبح جزءاً من روتين العمل اليومي مثل تحديث الأسعار على الرفوف.
أخطاء شائعة وكيف تتجنبها
| الخطأ | العَرَض | العلاج |
|---|---|---|
| استرجاع مقاطع غير ذات صلة | إجابة صحيحة لغوياً لكن عن موضوع آخر | حسّن التقسيم، أضف بحثاً بالكلمات المفتاحية، وصفِّ حسب الفرع أو الفئة |
| مستندات قديمة | سعر أو موعد لم يعد صحيحاً | تاريخ تحديث لكل ملف ومراجعة دورية وحذف القديم |
| النموذج يتجاهل المقاطع | يجيب من معرفته العامة | تعليمات صريحة بالإجابة من المقاطع فقط وطلب ذكر المصدر |
| عدم السماح بالاعتذار | اختراع إجابات عند غياب المعلومة | اسمح بقول «لا أعرف» مع خيار التحويل لموظف |
| استرجاع مقاطع كثيرة جداً | بطء وتكلفة أعلى وتشتت | عدد محدود من المقاطع الأقرب فقط |
كيف تقيس جودة مساعدك؟
لا تكتفِ بتجربة سؤالين والإعجاب بالنتيجة. جودة RAG تقاس بمجموعة اختبارات ثابتة تعيد تشغيلها بعد كل تغيير، وهذا ما يسمى التقييمات (Evals).
- اجمع من 30 إلى 50 سؤالاً حقيقياً من سجل المحادثات، بالفصحى واللهجة والإنجليزية.
- اكتب لكل سؤال الإجابة الصحيحة والمستند الذي يجب أن تأتي منه.
- أضف أسئلة خارج النطاق عمداً للتأكد أن المساعد يعتذر ولا يخترع.
- قيّم كل إجابة: هل استرجع المقطع الصحيح؟ هل الإجابة صحيحة؟ هل ذكر المصدر؟
- أعد تشغيل الاختبارات بعد أي تعديل في المستندات أو التعليمات أو النموذج.
بعد الإطلاق، راقب سجل الأسئلة التي لم يجد لها المساعد إجابة. هذه القائمة كنز: كل سؤال متكرر فيها إشارة إلى معلومة تحتاج إلى إضافتها لمستنداتك، أو إلى خدمة يطلبها زبائنك ولم تنتبه لها.
من الفكرة إلى مساعد يعمل
RAG ليس مشروعاً بحثياً معقداً، بل نمط بناء واضح: مستندات نظيفة، تقسيم مدروس، بحث بالمعنى، تعليمات صارمة، واختبار مستمر. ومع منصة مثل فنّان، يمكنك وصف كل ذلك في محادثة، ويتولى الوكيل بناء التطبيق وواجهة رفع المستندات وقاعدة البيانات والاستضافة، مع ملكية كاملة للكود.
- ابدأ بمهمة واحدة ومستندات قليلة موثوقة.
- اجعل الأرقام الحية تأتي من قاعدة البيانات لا من المستندات.
- اختبر بأسئلة زبائنك الحقيقية قبل الإطلاق وبعده.
- راجع الأسئلة التي لم يجد لها إجابة أسبوعياً وحدّث مستنداتك.
وعندما يصبح مساعدك قادراً على الإجابة بدقة، تكون الخطوة التالية جعله ينفّذ مهاماً كتعديل موعد أو تتبّع طلب. اقرأ عن ذلك في شرح وكلاء الذكاء الاصطناعي، وحسّن تعليماتك بالأمثلة في دليل كتابة الأوامر.
الخلاصة
- RAG = ابحث في بياناتك أولاً، ثم اطلب من النموذج أن يجيب اعتماداً على ما وجدته.
- تحديث المعرفة في RAG سهل: عدّل المستند وأعد فهرسته، دون إعادة تدريب أي نموذج.
- جودة RAG تبدأ من جودة البيانات وطريقة تقسيمها، لا من قوة النموذج وحدها.
- اختر الضبط الدقيق لتعليم الأسلوب والصيغة، واختر RAG لتزويد النموذج بالحقائق المتغيرة.
- اختبر بأسئلة حقيقية بالفصحى واللهجة قبل الإطلاق، وراقب الأسئلة التي لم يجد لها إجابة.
أسئلة شائعة
هل يحتاج RAG إلى تدريب نموذج خاص بي؟
كم مستنداً أحتاج لأبدأ؟
هل يمنع RAG الهلوسة تماماً؟
هل يعمل RAG جيداً مع العربية واللهجات؟
أين تُخزن مستنداتي؟
اسأل مساعدك الذكي عن هذا الموضوع
انسخ هذا الطلب والصقه في مساعد الذكاء الاصطناعي الذي تستخدمه، ثم أضف تفاصيل حالتك.
أقرأ هذا الدليل: «شرح RAG: اجعل تطبيقك يجيب من بياناتك أنت لا من خياله» https://fanann.com/ar/blog/rag-explained/ سؤالي: ما هو rag في الذكاء الاصطناعي اعتمد على هذه الصفحة كمصدر واشرح لي الإجابة خطوة بخطوة بما يناسب حالتي، واذكر ما يجب أن أتحقق منه قبل أن أبدأ، واذكر رابط الصفحة كمرجع.