النموذج اللغوي لا يعرف شيئاً عن سياسة الاسترجاع لديك، ولا عن كتالوج منتجاتك، ولا عن العقد الذي وقّعته في مارس الماضي. واسأله رغم ذلك فستحصل على إجابة واثقة وسلسة ومختلَقة بالكامل — وهي أسوأ من ألا تحصل على إجابة أصلاً.
الإجابة المختصرة: RAG يسترجع المقاطع ذات الصلة من مستنداتك ويعطيها للنموذج كسياق، فيجيب من موادك لا من ذاكرته. وجودة نظام RAG تحسمها عملية الاسترجاع لا النموذج.
هذا الدليل يشرح كيف يعمل، وما ينكسر، وكيف تغيّر العربية الحسابات. أما هل يستحق مشروع الذكاء الاصطناعي البناء أصلاً، فابدأ بـالذكاء الاصطناعي للأعمال.
كيف يعمل فعلاً
أربع خطوات، واحدة منها فقط تتضمن النموذج.
1. الفهرسة (مرة واحدة ثم عند التحديث). تُقسَّم مستنداتك إلى مقاطع وتُحوَّل إلى متجهات — تمثيلات رقمية تضع المعاني المتشابهة قريبة من بعضها. وتُخزَّن في قاعدة بيانات متجهية.
2. الاسترجاع (مع كل سؤال). يُحوَّل سؤال المستخدم بالطريقة نفسها، ويجد النظام المقاطع الأقرب إليه في المعنى.
3. التعزيز. تُدرَج تلك المقاطع في التوجيه: «أجب مستخدماً السياق التالي فقط…»
4. التوليد. يجيب النموذج مما أُعطي له.
والنتيجة الحاسمة: إن استرجعت الخطوة 2 مقاطع خاطئة، أجاب النموذج بثقة من مادة خاطئة. والنموذج لا ينقذ استرجاعاً سيئاً، وتبديل النموذج بأفضل منه لا يصلح ذلك. فكل نظام RAG مخيّب هو مشكلة استرجاع تقريباً.
التقسيم يحسم أكثر من اختيار النموذج
كيفية تقسيم المستندات أعلى قرار أثراً في النظام كله، ويُتخذ عادةً بلا عناية.
مقاطع كبيرة جداً: يعيد الاسترجاع صفحة بينما الإجابة جملة واحدة. فيحصل النموذج على سياق مخفَّف، وترتفع التكلفة، وتنخفض الدقة.
مقاطع صغيرة جداً: يفقد المقطع السياق الذي يمنحه معنى. فعبارة «الرسوم 5%» بلا فائدة دون معرفة أي رسوم.
وما ينجح عملياً:
- قسّم على البنية لا على عدد المحارف. فالعناوين والأقسام والبنود حدود طبيعية. والتقسيم كل 500 محرف يقطع الجمل نصفين.
- اجعل المقاطع المتجاورة متداخلة بنسبة 10–20% حتى لا تضيع إجابة تمتد عبر الحدّ.
- أبقِ العنوان مع المقطع. فالمقطع الحامل لـ«القسم 4: سياسة الاسترجاع» يُسترجَع أفضل بكثير من النص نفسه مجرداً.
- خزّن بيانات وصفية — المستند المصدر والقسم والتاريخ. فهي تمكّن التصفية، والأهم: الاستشهادات.
الاختبار الذي يخبرك الحقيقة: خذ عشرين سؤالاً حقيقياً من المستخدمين وافحص هل يظهر المقطع الصحيح ضمن أعلى ثلاث نتائج مسترجَعة. فإن لم يظهر، فلن ينقذك أي نموذج — أصلح التقسيم أولاً.
العربية تغيّر مشكلة الاسترجاع
مسألتان تجعلان RAG العربي أصعب بشكل مقيس، وليست أي منهما ظاهرة من تجربة إنجليزية.
جودة التضمين (embedding) تتفاوت بحسب اللغة. فالنماذج التي تحوّل النص إلى متجهات مُدرَّبة على الإنجليزية بشكل غالب. والأداء العربي أضعف عموماً، ويختلف كثيراً بين المزوّدين. اختبر نماذج التضمين على محتواك العربي أنت بدل الوثوق بقياس أداء منشور — وهذا أثمن تقييم تستطيع إجراءه.
والكلمة الواحدة لها صور مكتوبة عدة. فصور الألف، والتاء المربوطة مقابل الهاء، والتشكيل الاختياري تعني أن السؤال والمستند قد لا يتطابقان رغم قولهما الشيء نفسه. وحّد الجانبين قبل الفهرسة — البحث العربي يغطي التحويلات، وهي تنطبق هنا حرفياً.
والمحتوى المختلط طبيعي في المستندات الحقيقية: نص عربي بأسماء منتجات إنجليزية. افهرس الأبجديتين في الحقل نفسه ليطابق السؤال المختلط.
والإرشاد العملي: شغّل استرجاعاً هجيناً — اجمع التشابه المتجهي مع البحث بالكلمات المفتاحية التقليدي. فمطابقة الكلمات تلتقط رموز المنتجات وأسماءها التي تعالجها التضمينات بشكل رديء، والمزيج يتفوق على أي منهما وحده على المحتوى العربي خصوصاً.
الاستشهادات ليست اختيارية
أثمن ميزة تستطيع إضافتها، وأرخصها.
اعرض من أي مستند وقسم جاءت كل إجابة. وهذا يفعل ثلاثة أمور:
- المستخدم يستطيع التحقق. فالإجابة الواثقة الخاطئة خطرة؛ والإجابة الواثقة الخاطئة مع رابط يفحصه المستخدم خطأ قابل للتصحيح.
- وأنت تستطيع التشخيص. فحين تكون الإجابة خاطئة، يخبرك الاستشهاد فوراً هل فشل الاسترجاع أم أساء النموذج قراءة مادة صحيحة. وبدونه أنت تخمّن.
- والثقة ترتفع. فالمستخدمون يعاملون الإجابة المستشهَدة كأداة بحث لا كمرجع مطلق، وهو النموذج الذهني الصحيح.
وعالج «لا أعرف» كما ينبغي. وجّه النموذج ليقولها حين لا يحتوي السياق المسترجَع على الإجابة، واختبر أنه يفعل ذلك فعلاً. فالنظام الذي يخترع إجابة بدل الاعتراف بالفجوة أسوأ من مربع بحث.
كم يكلف
| البند | التكلفة التقديرية |
|---|---|
| مسار استيعاب المستندات وتقسيمها | 4,000 – 12,000$ |
| إعداد قاعدة البيانات المتجهية والفهرسة | 2,000 – 6,000$ |
| منطق الاسترجاع والتوليد | 4,000 – 10,000$ |
| منظومة التقييم والضبط | 3,000 – 8,000$ |
| الواجهة مع الاستشهادات | 3,000 – 10,000$ |
| إجمالي البناء | 16,000 – 46,000$ |
وتكاليف التشغيل لكل استعلام — تضمين السؤال، إضافةً لتوليد النموذج من السياق المسترجَع. والمقاطع المسترجَعة تُحسب ضمن ما تدفعه، فـحجم المقطع يحرّك فاتورتك مباشرة. أما استضافة قاعدة البيانات المتجهية فمتواضعة بالمقارنة عادةً.
وإعادة الفهرسة هي البند الذي يُنسى. فالمستندات تتغير، والإجابات القديمة مشكلة دعم لا مشكلة تقنية. خصّص ميزانية لمسار يُبقي الفهرس محدّثاً، لا لتحميل لمرة واحدة.
ولتقدير تكلفة التشغيل بصدق، استخدم منهجية العيّنات في الذكاء الاصطناعي للأعمال — وقِس بنص عربي، فهو يستهلك رموزاً أكثر.
متى تفوز المقاربة الأبسط
RAG رائج، ما يعني أنه يُبنى حيث لا حاجة له.
استخدم بحثاً جيداً بدلاً منه حين يبحث المستخدمون عن مستند لا عن إجابة. فإن كانت النتيجة المطلوبة «أرني سياسة الإجازات»، فمربع بحث يعيد المستند أسرع وأرخص ولا يستطيع الهلوسة. والبحث العربي يغطي إتقان ذلك.
واستخدم أسئلة شائعة منسّقة حين تكون الأسئلة قليلة ومستقرة. فعشرون سؤالاً شائعاً بإجابات مكتوبة تتفوق على نظام RAG في الدقة والتكلفة والصيانة — وتستغرق أياماً لا أشهراً.
وضع المحتوى في التوجيه مباشرة حين تكون قاعدة معرفتك صغيرة فعلاً. فبضعة آلاف كلمة من السياسات تدخل مباشرة في توجيه النظام بلا طبقة استرجاع إطلاقاً. وهذا أبسط بكثير وأدق عند ذلك الحجم.
وRAG يستحق تعقيده حين تكون المجموعة أكبر من أن تتسع في السياق، وتتغير بانتظام، ويطرح المستخدمون أسئلة مفتوحة لا تستطيع قائمة ثابتة توقّعها.
كيف تقيّمه
معظم مشاريع RAG بلا تقييم، ولهذا تتجادل الفرق حول الجودة انطلاقاً من انطباعات.
ابنِ مجموعة اختبار من 30–50 سؤالاً حقيقياً بإجابات صحيحة معروفة، مأخوذة من أسئلة مستخدمين فعلية لا مخترعة.
وقِس الاسترجاع والتوليد منفصلين. الاسترجاع: هل المقطع الصحيح ضمن النتائج الأولى؟ والتوليد: بمعطى سياق صحيح، هل الإجابة صحيحة؟ فالفصل يخبرك أي النصفين تصلح — والفرق التي تقيس الإجابة النهائية وحدها تضبط النصف الخطأ عادةً.
وتابع حالات الامتناع. كم مرة يقول «لا أعرف» بينما الإجابة كانت متاحة؟ فالكثرة تعني استرجاعاً ضعيفاً، والغياب التام يعني أنه يخترع غالباً.
وأعد التشغيل بعد كل تغيير. فتعديلات التقسيم وتبديل النماذج وتحرير التوجيهات كلها تحرّك الجودة بطرق غير مرئية بلا مجموعة اختبار ثابتة.
اقرأ أيضاً
- الذكاء الاصطناعي للأعمال — قرار البناء من عدمه.
- البحث العربي — التوحيد الذي يحتاجه RAG أيضاً.
- اختيار نموذج ذكاء اصطناعي للعربية — تقييم الجودة العربية.
- تكلفة الشات بوت — أشيع تطبيقات RAG.
- الامتثال التنظيمي الخليجي — قواعد إرسال المستندات لنموذج.
- المساعد الذكي الداخلي — RAG مع طبقة صلاحيات.
- مخاطر الخصوصية والأمن — حيث يمنع ترشيح الاسترجاع التسريب.
الأسئلة الشائعة
ما هو RAG؟
الاسترجاع المعزّز بالتوليد. يجد النظام المقاطع ذات الصلة في مستنداتك، ويدرجها في التوجيه، ويطلب من النموذج الإجابة من تلك المادة لا من ذاكرته. وهكذا تحصل على مساعد ذكي يعرف سياسة الاسترجاع لديك بدل اختراع واحدة.
لماذا يعطي نظام RAG لدي إجابات خاطئة؟
الاسترجاع دائماً تقريباً لا النموذج. فإن جُلبت المقاطع الخاطئة، أجاب النموذج بثقة من مادة خاطئة، ولن يصلح ذلك نموذج أفضل. اختبر هل يظهر المقطع الصحيح ضمن أعلى ثلاث نتائج لعشرين سؤالاً حقيقياً — فإن لم يظهر، أصلح التقسيم والاسترجاع أولاً.
كيف أقسّم المستندات لـRAG؟
على البنية لا على عدد المحارف — فالعناوين والأقسام والبنود حدود طبيعية. واجعل المقاطع المتجاورة متداخلة 10 إلى 20% حتى لا تضيع الإجابات الممتدة عبر الحدود، وأبقِ عنوان القسم ملحقاً بكل مقطع، وخزّن بيانات وصفية للتصفية والاستشهادات.
هل يعمل RAG جيداً بالعربية؟
يعمل لكنه أصعب. فنماذج التضمين مُدرَّبة على الإنجليزية بشكل غالب، وجودة الاسترجاع العربي تتفاوت كثيراً بين المزوّدين — اختبر على محتواك أنت بدل الوثوق بقياسات الأداء. وتحتاج أيضاً توحيداً عربياً للمستندات والأسئلة معاً، لأن صور الألف والتاء المربوطة تعني أن نصاً متطابقاً قد لا يُقارَن كمتساوٍ.
كم يكلف بناء نظام RAG؟
نحو 16,000 إلى 46,000 دولار لمسار الاستيعاب وقاعدة البيانات المتجهية ومنطق الاسترجاع ومنظومة التقييم وواجهة بالاستشهادات. وتكلفة التشغيل لكل استعلام وتتناسب مع حجم المقطع، لأن المقاطع المسترجَعة تُحسب ضمن ما تدفعه. وخصّص ميزانية لإعادة الفهرسة مع تغيّر المستندات — فهو البند الأكثر نسياناً.
هل أحتاج RAG أم يكفي البحث؟
إن كان المستخدمون يريدون مستنداً، فالبحث أسرع وأرخص ولا يستطيع الهلوسة. وإن كانت الأسئلة قليلة ومستقرة، فقائمة أسئلة شائعة منسّقة تتفوق على RAG في الدقة والصيانة. وإن كانت قاعدة معرفتك صغيرة بما يتسع في التوجيه، فضعها هناك مباشرة. وRAG يستحق تعقيده مع مجموعة كبيرة متغيرة وأسئلة مفتوحة.
كيف أمنع RAG من اختلاق المعلومات؟
وجّه النموذج للإجابة من السياق المسترجَع فقط وقول إنه لا يعرف فيما عدا ذلك — ثم اختبر أنه يفعل. وأضف استشهادات تعرض المستند والقسم المصدر، فتتيح للمستخدم التحقق ولك التشخيص. والنظام الذي يخترع بدل الاعتراف بالفجوة أسوأ من مربع بحث.
الخلاصة
الاسترجاع يحسم الجودة لا النموذج. والفرق التي تبدّل النماذج لإصلاح نظام RAG مخيّب تضبط النصف الخطأ.
والتقسيم أعلى قرار أثراً وأكثرها اتخاذاً بلا تفكير. قسّم على البنية، وتداخل قليلاً، وأبقِ العناوين.
وأضف الاستشهادات من اليوم الأول. فهي تحوّل نظاماً يجب على المستخدم الوثوق به عمياً إلى نظام يستطيع التحقق منه — وهي الفرق بين تشخيص في دقائق وتخمين لأيام.
تبني قاعدة معرفة ذكية؟ تواصل معنا — بما في ذلك إن كان مربع بحث أو قائمة أسئلة شائعة يخدمك أفضل. اطّلع على حلول الذكاء الاصطناعي.