RAG (Retrieval-Augmented Generation، أي "التوليد المعزَّز بالاسترجاع") طريقة يبحث فيها نظام الذكاء الاصطناعي أولًا عن المعلومات ذات الصلة في مخزونك، ثم يضيفها إلى التعليمة الموجّهة إلى النموذج الذي يكتب الإجابة. فبدل الاعتماد على ما "يتذكره" النموذج، نعطيه الصفحات الصحيحة قبل أن يجيب.
باختصار
- RAG طريقة: نسحب أولًا من مستندات النشاط المقاطع ذات الصلة بالسؤال، ثم يجيب النموذج بناءً عليها.
- لا تعيد تدريب النموذج. المقاطع المسحوبة تُضاف إلى التعليمة، مع كل سؤال من جديد.
- تناسب حين توجد معلومات داخلية كثيرة: قائمة أسعار وإجراءات وأسئلة شائعة ومستندات منتجات.
- تقلّل الأخطاء ولا تلغيها. جودة الإجابة تتوقف على جودة المستندات وعلى السحب.
التوضيح: امتحان بكتاب مفتوح
يُمتحَن طالب شفهيًا اعتمادًا على ما يتذكره. ويُمتحَن طالب ثانٍ والكتب أمامه على الطاولة: يتلقى السؤال، ويقلّب إلى المكان الصحيح، ويقرأ ويجيب.
نموذج اللغة بلا RAG هو الطالب الأول. ومعها هو الطالب الثاني. لا يصبح أذكى، لكن أمامه الصفحة الصحيحة. وكما في الامتحان تمامًا، كل شيء يتوقف على هل فتح الصفحة المناسبة.
كيف يعمل RAG
بحسب شرح Anthropic، يُجهَّز المخزون مسبقًا: يُقسَّم إلى مقاطع نصية صغيرة، ويُحوَّل كل مقطع إلى تمثيل رقمي يسمى embedding، ويُحفظ في مخزن يمكن البحث فيه. وعند طرح السؤال تُوجد المقاطع الأقرب إلى السؤال وتُضاف إلى التعليمة.
من مستنداتك إلى الإجابة
- تجهيز المخزونتُقطَّع المستندات وتُحفظ للبحث
- سؤالعميل أو موظف يسأل
- سحبتُختار المقاطع الأقرب إلى السؤال
- إجابةالنموذج يجيب وفق المقاطع التي تلقّاها
وتقدّم OpenAI ذلك أيضًا كخدمة مدمجة: أداة البحث في الملفات تعمل مع مخازن تسمى vector stores، وتبحث بحسب المعنى وبحسب الكلمات المفتاحية. ويمكن تحديد عدد النتائج المُعادة والتصفية بحسب خصائص الملفات.
لماذا يهمّ RAG نشاطك التجاري؟
- خدمة العملاء. الإجابة عن أسئلة الشحن والإرجاع وساعات العمل، وفق المستند الحديث لا وفق التخمين.
- الإجراءات الداخلية. موظف جديد يسأل "كيف نتعامل مع الاسترداد؟" فيحصل على إجابة من إجراءاتك أنت.
- الكتالوج وقائمة الأسعار. تُجاب الأسئلة عن المنتجات من الملف الذي جرى تحديثه، لا مما تعلّمه النموذج ذات يوم.
- العروض والمستندات. إعداد مسودة على أساس عروض سابقة وشروط ثابتة، لتفحصها أنت.
- المعرفة الموجودة في البريد والمستندات. بدل البحث يدويًا، تسأل فتحصل على المقطع المناسب.
بلا RAG
طالب يُمتحَن شفهيًا
- يجيب مما تعلّمه في التدريب
- لا يعرف مستندات النشاط
- قد يكمل التفاصيل بالتخمين
مع RAG
امتحان بكتاب مفتوح
- يتلقى مقاطع ذات صلة مع السؤال
- يجيب بناءً على مستنداتك
- يمكن عرض المقطع الذي أُخذت منه الإجابة
خرافات شائعة عن RAG
خرافة"RAG يدرّب النموذج على معلوماتي"
في الواقعالنموذج لا يتغير. المقاطع المسحوبة تنضم إلى التعليمة مع كل سؤال، وتبقى فقط ما دامت في التعليمة.
خرافة"مع RAG لا توجد هلوسة"
في الواقعتقلّلها لكنها لا تلغيها. إذا سُحب المقطع الخطأ، أو كان المستند نفسه خاطئًا، ستكون الإجابة خاطئة. وتذكر Anthropic أن تقنيات كهذه تخفّف الهلوسة ولا تزيلها تمامًا.
خرافة"نحتاج RAG لكل شيء"
في الواقعإذا كانت كل المعلومات ذات الصلة قصيرة وتتسع في التعليمة، فيمكن إرفاقها ببساطة. نحتاج RAG حين يكون المخزون أكبر من أن يُدخل دفعة واحدة.
خرافة"ترفع الملفات فيعمل"
في الواقعتحذّر Anthropic من أن تقطيع المستندات إلى مقاطع قد يُضيّع السياق. جملة مثل "ارتفعت الإيرادات" لا تعني شيئًا دون معرفة أي شركة وأي فترة. المستندات المرتّبة تساعد.
مفاهيم قريبة
- LLM: نموذج اللغة الذي يجيب في النهاية
- الهلوسة: ماذا يحدث حين لا يعرف النموذج
- التوكن: لماذا لا يمكن إدخال كل شيء دفعة واحدة
- MCP: ربط النموذج بمصادر المعلومات والأدوات
- وكيل الذكاء الاصطناعي: نموذج موصول بالنشاط
Platin Digital هي OpenAI Select Partner. وحين نُعدّ وكيلًا لنشاط ما، فأول أسئلتنا: أي مستندات يجب أن يعرفها، ومن المسؤول عن تحديثها.
الأسئلة الشائعة
ما هو RAG؟
RAG، اختصار Retrieval-Augmented Generation، طريقة يبحث فيها نظام الذكاء الاصطناعي أولًا عن مقاطع معلومات ذات صلة في مخزون، مثل مستندات النشاط، ويضيفها إلى التعليمة الموجّهة إلى النموذج قبل أن يجيب. وهكذا تستند الإجابة إلى مصدر، لا إلى ما تعلّمه النموذج في التدريب فقط.
ما الفرق بين RAG وتدريب النموذج؟
في التدريب يتغير النموذج نفسه. أما في RAG فيبقى النموذج كما هو، ويتلقى مع كل سؤال المقاطع المناسبة. ولذلك يمكن تحديث مستند فتتحدث الإجابة، دون إعادة تدريب.
هل يناسب RAG نشاطًا صغيرًا؟
حين توجد قاعدة معرفة فعلية، مثل أسئلة متكررة أو إجراءات أو كتالوج، نعم. وحين تتسع كل المعلومات في صفحة واحدة، يمكن إرفاقها بالتعليمة دون RAG. نبدأ من الأسئلة التي تتكرر أكثر.
هل يضمن RAG إجابات صحيحة؟
لا. يحسّن الاحتمال، لكن الإجابة تتوقف على سحب المقطع الصحيح وعلى حداثة المستند. يُنصح بأن تطلب من النموذج ذكر المصدر، وأن تتيح له أن يقول إنه لا يعرف، وأن تفحص الإجابات المهمة. المزيد في شرح الهلوسة.
