AI / الذكاء الاصطناعي / SELECTED NOTE
RAG والنماذج اللغوية الكبيرة: بناء إجابات تستند إلى بياناتك
دليل عملي لفهم العلاقة بين RAG والنماذج اللغوية الكبيرة، من استرجاع المعلومات وإسناد الإجابات إلى المصادر، إلى الصلاحيات والتقييم والبحث بالعربية والإنجليزية.

Prefer English? Read the English edition.
قد يشرح مساعد ذكاء اصطناعي مفهوماً برمجياً بوضوح، ثم يجيب إجابة خاطئة عن منتجك. فقد لا تكون ملاحظات الإصدار الأخير، أو واجهاتك البرمجية الداخلية، أو إجراءات التشغيل ضمن البيانات التي تدرّب عليها النموذج.
عند بناء مساعد مفيد، أريد أن أعرف المصدر الذي يدعم إجابته، وأن أتأكد من أن المستخدم مخوّل بالاطلاع عليه. هنا يأتي دور التوليد المعزّز بالاسترجاع، أو RAG، بوصفه طريقة لإدخال الأدلة المناسبة في عملية الإجابة.
ما الذي يقدّمه النموذج اللغوي الكبير؟
يولّد النموذج اللغوي الكبير (LLM) النصوص اعتماداً على الأنماط التي تعلّمها أثناء التدريب، وعلى السياق المقدَّم مع الطلب. ويمكنه الشرح والتلخيص والترجمة والربط بين الأفكار. لكن سلاسة الإجابة لا تثبت توافقها مع أحدث وثائقك. يقدّم مدخل Google إلى النماذج اللغوية الكبيرة شرحاً للأساس الذي تقوم عليه هذه النماذج.
لا يملك النموذج تلقائياً وصولاً إلى قاعدة المعرفة الخاصة بمؤسستك، ولا رؤية مباشرة لما يحدث داخل تطبيقك. على النظام أن يوفّر له المعلومات المطلوبة بصورة مقصودة ومنضبطة.
ما الذي يضيفه RAG؟
يسترجع RAG معلومات مرتبطة بالسؤال، ثم يقدّمها للنموذج ضمن السياق الذي يستخدمه لصياغة الإجابة. جمعت ورقة RAG الأصلية بين نموذج لغوي ومكوّن استرجاع خارجي للتعامل مع مهام تحتاج إلى معرفة.
في التطبيق المعتاد، نبحث في مصادر معتمدة، ونختار المقاطع المفيدة، ثم نطلب من النموذج الإجابة استناداً إليها. ويمكن لتحديث الوثائق أن يحدّث الأدلة المتاحة دون إعادة تدريب النموذج، بشرط أن يعالج مسار الإدخال والفهرسة هذه التغييرات فعلياً.
قد يعتمد الاسترجاع على الكلمات المفتاحية، أو التشابه المتجهي، أو استعلام قاعدة بيانات، أو مزيج منها. قاعدة البيانات المتجهية خيار تنفيذي، وليست شرطاً لكل نظام يستخدم RAG.
مثال يوضّح الفكرة
لنتخيّل مساعد دعم لمنصة تقارير افتراضية. يسأل أحد المستخدمين:
إلى متى تبقى التقارير المصدّرة متاحة للتنزيل؟
تذكر الوثائق الحالية سبعة أيام، بينما تذكر صفحة قديمة ثلاثين يوماً. تحتاج الإجابة المفيدة إلى الإصدار المناسب ومصدر يمكن مراجعته. وقد يؤدي العثور على فقرة مشابهة دون التحقق من صلاحيتها إلى إجابة واثقة لكنها قديمة.
بناءً على هذا المثال، سأبدأ بمسارين واضحين:
PREPARATION
Approved documents → parse → meaningful chunks + metadata → index
ANSWERING
Question + authenticated identity
→ retrieve within allowed scope
→ optionally rerank and select evidence
→ LLM generates an answer
→ check source support and return citations
يجهّز المسار الأول الوثائق للفهرسة. ويستخدم الثاني هوية المستخدم والسؤال لاسترجاع الأدلة المسموح بها، ثم توليد الإجابة وفحص إسنادها إلى المصادر.
سأحتفظ مع كل مقطع بمعرّف الوثيقة، وعنوان القسم، ورابط المصدر، والإصدار، ووقت التحديث، وبيانات الصلاحيات. تساعد هذه البيانات التطبيق على تحديد الأدلة المناسبة لكل إجابة.
ثلاثة قرارات تؤثر في جودة الاسترجاع
احتفظ بسياق المقطع
تفقد عبارة مثل «تنتهي صلاحية الملفات بعد سبعة أيام» جزءاً من معناها إذا فصلناها عن اسم المنتج أو الميزة أو الإصدار. ابدأ بتقسيم يراعي أقسام الوثيقة وعناوينها، ثم اختبر طول المقاطع والتداخل بينها على بياناتك الفعلية.
تعرض Anthropic في الاسترجاع السياقي أسلوباً لإضافة سياق توضيحي إلى المقاطع قبل فهرستها. يستحق هذا الأسلوب الاختبار عندما يضيع معنى مهم بسبب فصل المقطع عن وثيقته.
اختبر البحث بالكلمات والبحث الدلالي معاً
يساعد البحث الدلالي في العثور على أفكار متقاربة رغم اختلاف الصياغة. ويظل البحث بالكلمات مهماً للمعرّفات الدقيقة، مثل ERR_EXPORT_410، وأسماء المنتجات، وأرقام الإصدارات. يجمع البحث الهجين بين الأسلوبين، وتشرح Microsoft أحد تطبيقاته في دليل البحث الهجين.
سأقارن أولاً نتائج البحث النصي والمتجهي والهجين على أسئلة تمثّل الاستخدام المتوقع، ثم أختبر الحاجة إلى إعادة ترتيب النتائج. يجب أن يبرّر التحسّن زمن الاستجابة والتكلفة الإضافيين.
اربط الاسترجاع بحداثة المحتوى والصلاحيات
يجب أن تصل تغييرات الوثائق المحذوفة أو المنتهية الصلاحية، وتحديثات الوصول، إلى الفهرس وذاكرات التخزين المؤقت. حدّد صلاحيات المستخدم على الخادم، وطبّقها قبل إرسال أي مقطع إلى النموذج. يوضّح نمط تصفية النتائج أمنياً من Microsoft فكرة ترشيح الوثائق؛ وتبقى المصادقة وتطبيق النطاق الصحيح مسؤولية التطبيق.
كيف يبدو تدفّق التطبيق؟
يوضّح هذا المثال التقريبي بأسلوب TypeScript مواضع المسؤوليات. وتمثّل الدوال خدمات داخل التطبيق:
const scope = await permissions.forUser(authenticatedUser.id);
const candidates = await retrieve(question, {
scope,
activeDocumentsOnly: true,
});
const evidence = await selectEvidence(candidates, {
tokenBudget: config.contextBudget,
});
if (!hasEnoughEvidence(question, evidence)) {
return { status: "insufficient_evidence" };
}
return generateAnswer({
question,
evidence,
includeSourceReferences: true,
});
تحتاج آلية تقرير كفاية الأدلة إلى معايير تُختبر على أسئلة حقيقية. فدرجة التشابه وحدها لا تثبت أن المقطع يجيب عن السؤال. سأحدّد أيضاً كيفية التعامل مع الإصدارات المتعارضة، ومتى ينبغي طلب توضيح من المستخدم.
كيف يختلف RAG عن الضبط الدقيق؟
يغيّر RAG الأدلة المتاحة أثناء معالجة الطلب. أما الضبط الدقيق (Fine-tuning) فيدرّب معاملات النموذج باستخدام أمثلة إضافية، كما يشرح دليل Google للضبط الدقيق.
إذا كان المطلوب الإجابة من وثائق تتغير باستمرار، فالاسترجاع نقطة بداية مناسبة. وإذا بقيت المشكلة في الالتزام ببنية مخرجات محددة أو أداء مهمة متخصصة، فقد يكون تقييم الضبط الدقيق مفيداً. ويمكن الجمع بين الأسلوبين.
ضع حدوداً للثقة في المحتوى المسترجع
قد تحتوي الوثيقة المسترجعة على تعليمات خبيثة. تعامل مع محتواها بوصفه بيانات، وافصله عن تعليمات التطبيق، وطبّق صلاحيات الأدوات في الشيفرة. يشرح دليل OWASP لحقن التعليمات لماذا لا يزيل RAG هذا الخطر.
اطلب الإحالات إلى المصادر، ثم تحقّق من وجودها ومن دعمها للادعاءات المرتبطة بها. لا يكفي ظهور علامة استشهاد أو استخدام لغة واثقة للحكم بصحة الإجابة. وعندما لا تدعم المصادر إجابة مناسبة، يجب أن يوضّح المنتج هذا الحدّ للمستخدم.
قيّم الاسترجاع والإجابة كلّاً على حدة
سأبني مجموعة تقييم صغيرة قبل تغيير النموذج أو إضافة مزيد من البنية التحتية:
| المستوى | ما الذي ينبغي اختباره؟ |
|---|---|
| الاسترجاع | هل عثرنا على المقطع المناسب والإصدار الصحيح من الوثيقة؟ |
| الإجابة | هل الادعاءات مدعومة وصحيحة وتجيب عن السؤال؟ |
| الإحالات | هل يمكن ربط كل ادعاء مهم بمصدر يدعمه؟ |
| الوصول | هل تبقى المقاطع المقيّدة خارج طلبات غير المخوّلين؟ |
| غياب الأدلة | هل يمتنع المساعد عن الإجابة أو يطلب توضيحاً في الوقت المناسب؟ |
| التشغيل | ما زمن الاستجابة الكامل وتكلفة الإجابة المفيدة؟ |
تقدّم ورقة Ragas نقطة انطلاق بحثية لتقييم الاسترجاع والتوليد عبر أبعاد مختلفة. تساعد المقاييس الآلية في اكتشاف التراجع، وتظل المراجعة البشرية مفيدة للإجابات الملتبسة أو ذات العواقب المهمة.
للعربية والإنجليزية حالات اختبار مختلفة
في النظام ثنائي اللغة، أدرج أسئلة عربية وإنجليزية، وأخرى تمزج العربية بمعرّفات تقنية إنجليزية. اختبر التشكيل، واختلاف أشكال الحروف، والاسترجاع عبر اللغات على مجموعة الوثائق الفعلية. يناقش دليل Microsoft للفهرسة متعددة اللغات التحليل اللغوي والمتجهات متعددة اللغات. سأحتفظ بالنص الأصلي للعرض، وأتجنب قواعد تطبيع تفسد الأسماء أو المعرّفات.
من أين سأبدأ؟
ابدأ بمجموعة وثائق محدودة وأسئلة واضحة. اجعل المصادر قابلة للفحص، والصلاحيات محددة، وسجّل مواضع الإخفاق. ثم حسّن الجزء الأضعف في المسار.
النتيجة المفيدة هي مساعد يستطيع المستخدم مراجعة إجاباته بالرجوع إلى الأدلة، ويفهم حدوده بوضوح عندما تغيب هذه الأدلة.