RAG في الذكاء الاصطناعي: من استرجاع المستندات إلى اختبار الإجابات

تخيّل أن موظفًا يسأل مساعدًا ذكيًا عن سياسة الإجازات في شركته، أو أن عميلًا يريد معرفة شروط الضمان في دليل منتج.

 قد يكتب نموذج الذكاء الاصطناعي إجابة مقنعة لغويًا، لكنه لا يعرف بالضرورة أحدث نسخة من سياسة الشركة أو محتوى الدليل الداخلي. الحل ليس أن نطلب منه التخمين بصورة أفضل؛ بل أن نزوّده بالمعلومات المناسبة وقت السؤال، ثم نطلب منه الإجابة بناءً عليها.

هذا هو جوهر RAG، اختصار Retrieval-Augmented Generation، أي «التوليد المعزّز بالاسترجاع». في هذا الدليل سننتقل من التعريف العام إلى طريقة تصميم مسار RAG، وكيفية تحسين البحث، وإسناد الإجابات إلى مصادرها، واختبار الجودة قبل استخدامه مع أشخاص حقيقيين.

ما الذي يفعله RAG بالضبط؟

RAG أسلوب لبناء تطبيق يربط نموذج اللغة الكبير LLM بمصادر معرفة خارجية، مثل ملفات الشركة أو أدلة المنتجات أو صفحات موثوقة أو قاعدة مستندات.

عندما يصل السؤال، يبحث النظام عن المقاطع المرتبطة به، ثم يضعها في سياق يرسله إلى النموذج حتى يصوغ إجابة تستند إلى تلك المقاطع.

الفكرة الأساسية هي فصل مهمتين: العثور على المعلومات وصياغة الإجابة. نموذج اللغة بارع في فهم السؤال والتلخيص والشرح، لكن جودة النتيجة تعتمد أيضًا على ما إذا كان نظام الاسترجاع قد جلب المصدر الصحيح أصلًا. يشرح دليل Google Cloud عن RAG الفكرة بوصفها جمعًا بين استرجاع المعلومات وقدرات النماذج التوليدية.

مرحلتان رئيسيتان: تجهيز المعرفة ثم الإجابة

من الأخطاء الشائعة تصور أن RAG يبدأ بالبحث كلما طرح المستخدم سؤالًا. عمليًا، غالبًا ما توجد مرحلة تسبق ذلك تُجهَّز فيها المستندات وتُفهرس، ثم مرحلة أخرى تعمل عند استقبال كل سؤال.

المرحلة الأولى: إعداد قاعدة المعرفة

1. جمع المستندات المسموح باستخدامها: حدّد الملفات ومواقع الويب وقواعد البيانات ذات الصلة. لا تجمع كل شيء عشوائيًا؛ ابدأ بمجموعة واضحة وذات مالك مسؤول عن تحديثها.
2. استخراج النص وتنظيفه: قد يحتاج PDF إلى استخراج النص أو التعرف الضوئي على الحروف OCR. راجع الجداول والعناوين وأرقام الصفحات، لأن الاستخراج السيئ قد يغيّر معنى المستند.
3. تقسيم المحتوى إلى مقاطع Chunks: قسّم المستندات إلى وحدات يمكن استرجاعها منفردة، مع الاحتفاظ بعنوان القسم وسياقه. لا يوجد حجم واحد يناسب جميع الملفات؛ فدليل الإجراءات يختلف عن الأسئلة الشائعة أو النص القانوني.
4. إضافة البيانات الوصفية Metadata: احتفظ باسم الملف، وتاريخ التحديث، والقسم، ورقم الصفحة، ونوع المستند، ومستوى صلاحية الوصول. هذه البيانات تساعد على التصفية وإظهار مصدر الإجابة.
5. إنشاء الفهرس: يمكن إنشاء Embeddings، وهي تمثيلات رقمية تساعد في مقارنة المعنى، وتخزينها في قاعدة بيانات متجهية أو استخدام محرك بحث يدعم الاسترجاع الدلالي. وقد يُجمع ذلك مع البحث بالكلمات المفتاحية.

المرحلة الثانية: معالجة سؤال المستخدم

1. يفهم النظام السؤال، وقد يعيد صياغته إذا كان غامضًا أو يحتوي على اختصار.
2. ينفّذ البحث ويسترجع مجموعة من المقاطع المحتملة ذات الصلة.
3. قد يعيد ترتيب النتائج باستخدام مرحلة Reranking لاختيار المقاطع الأكثر صلة بالسؤال.
4. يبني سياقًا محدودًا يضم الأدلة المناسبة ومعلومات المصدر، بدل إرسال المستودع كله إلى النموذج.
5. يولّد النموذج إجابة بناءً على السياق وتعليمات واضحة: الاستشهاد بالمصدر، وتجنب إضافة تفاصيل غير مدعومة، والتصريح عندما لا تكفي الأدلة.
6. تُعرض الإجابة مع المراجع المتاحة، ويمكن تسجيل سؤال المستخدم والنتائج والتقييمات لأغراض التحسين وفق سياسة الخصوصية.

مثال تطبيقي: مساعد يجيب عن سياسات الموارد البشرية

لنفترض، على سبيل المثال التوضيحي وليس بوصفه تجربة فعلية، أن مؤسسة لديها دليل موظفين وسياسة إجازات ودليل إجراءات محدث. يسأل أحد الموظفين: «هل أستطيع ترحيل الإجازة السنوية إلى العام المقبل؟».

يبحث النظام عن المقاطع التي تتناول ترحيل الإجازات، ويأخذ في الحسبان تاريخ إصدار السياسة. إذا احتوى الدليل على شرط أو استثناء، فيجب أن يظهر في الإجابة مع اسم المستند ورقم الصفحة أو رابطها.

وإذا لم يجد النظام قاعدة واضحة، فالإجابة السليمة ليست اختراع سياسة؛ بل توضيح أن المستندات المتاحة لا تحسم المسألة، ثم توجيه الموظف إلى الجهة المختصة.

خطوة النظام	ما ينبغي التحقق منه
البحث	هل استرجع القسم الذي يشرح ترحيل الإجازات بدل صفحة عامة عن الإجازات؟
اختيار المصدر	هل السياسة هي الأحدث والمعتمدة؟ وهل للمستخدم صلاحية الوصول إليها؟
صياغة الإجابة	هل ذُكر الشرط والاستثناء مع إحالة واضحة إلى المصدر؟
حالة عدم اليقين	هل يطلب النظام توضيحًا أو يحيل الحالة إلى الموارد البشرية بدل التخمين؟

كيف تختار طريقة البحث المناسبة؟

لا تحتاج جميع تطبيقات RAG إلى البنية نفسها. الاختيار يعتمد على نوع السؤال والبيانات وجودة البحث المطلوبة:

• البحث بالكلمات المفتاحية: مفيد للأرقام وأكواد المنتجات وأسماء السياسات والمصطلحات التي يجب مطابقتها بدقة.
• البحث الدلالي باستخدام Embeddings: يساعد عندما تصاغ الفكرة بألفاظ مختلفة عن تلك الموجودة في المستند.
• البحث الهجين Hybrid Search: يجمع بين الاثنين، وقد يكون مناسبًا عندما تحتوي الأسئلة على معنى عام وأسماء أو أرقام محددة.
• إعادة ترتيب النتائج Reranking: خطوة إضافية لترتيب المقاطع المسترجعة بحسب مدى صلتها بالسؤال، إذا كانت الفائدة المتوقعة تستحق التكلفة والزمن.

لا تفترض أن الطريقة الأكثر تعقيدًا هي الأفضل تلقائيًا. كوّن مجموعة أسئلة تمثل الاستخدام الحقيقي، ثم قارن الطرائق عليها وقِس جودة المقاطع المسترجعة وجودة الإجابة النهائية.

ماذا تعني Embeddings وVector Database وChunking؟

Embeddings: تمثيلات رقمية للنصوص أو البيانات، تُستخدم لمقارنة التشابه الدلالي. ليست «معرفة» مستقلة؛ إنها وسيلة لمساعدة نظام البحث على العثور على محتوى ذي صلة.

Vector Database: نظام أو مكوّن يخزّن المتجهات ويتيح البحث عنها، ويمكنه في بعض البنى حفظ البيانات الوصفية أيضًا. وجود قاعدة متجهية لا يجعل الحل RAG كاملًا من تلقاء نفسه؛ لا تزال هناك حاجة إلى معالجة المستندات والاسترجاع والتوليد والتقييم.

Chunking: تقسيم المستند إلى أجزاء. المقاطع القصيرة جدًا قد تفقد السياق، والكبيرة جدًا قد تحتوي على معلومات مشتتة أو تتجاوز المساحة المتاحة للنموذج. استخدم حدود الفقرات والعناوين والجداول حيثما أمكن، واختبر حجم المقاطع والتداخل بدل اختيار رقم ثابت بلا قياس.

RAG أم Fine-Tuning أم GraphRAG؟

التقنية	متى تكون مناسبة؟
RAG	عندما يحتاج التطبيق إلى الاستناد إلى مستندات أو معلومات خارجية قابلة للتحديث مع إظهار المصادر.
Fine-Tuning	عندما يكون الهدف تعديل نمط الاستجابة أو سلوك النموذج في مهمة محددة، وليس مجرد تحميل حقائق متغيرة إليه.
GraphRAG	عندما تكون العلاقات بين الكيانات مهمة للسؤال، مثل تتبع الصلات بين أشخاص أو أحداث أو منتجات ووثائق متعددة.

يمكن أن تتكامل هذه الأساليب في مشروع واحد. إذا أردت فهم النهج القائم على العلاقات، اقرأ مقال GraphRAG في الذكاء الاصطناعي. أما الفرق بين الوكيل الذي يخطط وينفّذ المهام وبين طبقة استرجاع المعرفة، فيظهر في مقال وكلاء الذكاء الاصطناعي AI Agents.

كيف تختبر جودة نظام RAG قبل إطلاقه؟

لا يكفي طرح سؤالين والحصول على إجابتين مقنعتين. جهّز مجموعة اختبار تمثل أسئلة المستخدمين، بما فيها الأسئلة الصعبة، والأسئلة التي لا توجد لها إجابة في الوثائق، والأسئلة التي تعتمد على مستند قديم أو استثناء. ابدأ بعينة صغيرة ذات إجابات مرجعية يراجعها شخص خبير، ثم وسّعها بناءً على النتائج.

• جودة الاسترجاع: هل عثر النظام على المستند أو المقطع الصحيح؟ وهل كانت النتائج الأولى أكثر المقاطع صلة؟
• الاستناد إلى المصدر Groundedness: هل الادعاءات في الإجابة مدعومة فعلًا بالمقاطع المسترجعة؟
• الصلة والاكتمال: هل أجابت النتيجة عن السؤال ولم تُغفل شرطًا مهمًا؟
• الامتناع المناسب: هل يصرّح النظام بعدم كفاية الأدلة عندما لا توجد إجابة موثوقة؟
• الأداء والتكلفة: سجّل زمن الاستجابة والتكلفة لكل سؤال، ووازن بينهما وبين الجودة.

تشرح وثائق Microsoft عن تقييم RAG الفرق بين تقييم مرحلة الاسترجاع وتقييم الإجابة النهائية من حيث الصلة والاستناد إلى السياق. ويمكن الرجوع أيضًا إلى شرح Google Cloud للتحقق من استناد الإجابة إلى المصادر.

أخطاء شائعة وكيف تعالجها

• الإجابة غير صحيحة رغم وجود المعلومة: راجع ما إذا كان الاسترجاع جلب المقطع الصحيح، ثم افحص ترتيب النتائج وصياغة السؤال.
• ظهور مقاطع غير مرتبطة: جرّب تحسين تقسيم المستندات، أو إضافة البحث الهجين، أو استخدام إعادة الترتيب بعد قياس أثر كل تغيير.
• معلومة قديمة في الإجابة: أضف تاريخ المستند وحالته إلى البيانات الوصفية، وحدد سياسة واضحة لتحديث الفهرس واستبعاد النسخ الملغاة.
• الإجابة واثقة بلا سند: اطلب من النموذج إسناد الادعاءات إلى مقاطع محددة، واسمح له بالامتناع إذا لم يكف السياق. راجع الاستشهادات يدويًا في الحالات المهمة.
• تسرب بيانات غير مسموح بها: طبّق صلاحيات الوصول قبل استرجاع المحتوى، لا بعد توليد الإجابة فقط. لا تضع كل المستندات في فهرس مشترك دون مراعاة هوية المستخدم.

الأمان والخصوصية: نقطة لا يصح تجاهلها

قد تحتوي المستندات المسترجعة على معلومات شخصية أو تجارية، وقد يتضمن نص خارجي تعليمات مضللة تحاول التأثير في النموذج. تعامل مع محتوى الوثائق باعتباره بيانات يجب تحليلها لا أوامر تتجاوز تعليمات النظام. طبّق صلاحيات وصول دقيقة، وقلّل البيانات الحساسة، وحدد من يستطيع مراجعة السجلات، واختبر محاولات استرجاع غير مصرح بها وحقن التعليمات. وفي الاستخدامات ذات المخاطر المرتفعة، أضف مراجعة بشرية ومسار تصعيد واضحًا.

خطة بداية من خمس خطوات

1. اختر حالة استخدام ضيقة، مثل الإجابة عن الأسئلة المتكررة من دليل واحد معتمد.
2. جهّز مجموعة مستندات موثوقة، ونظّفها، واحتفظ بتاريخ كل مصدر وصلاحياته.
3. أنشئ نسخة أولية بسيطة للاسترجاع والتوليد، وسجّل المقاطع التي استُرجعت مع كل إجابة.
4. اختبرها بأسئلة حقيقية وإجابات مرجعية، ثم حدّد هل المشكلة في البيانات أو البحث أو صياغة الإجابة.
5. قبل التوسع، راجع الأمان والتكلفة وزمن الاستجابة وطريقة تحديث الوثائق، وابدأ بمجموعة مستخدمين محدودة.

يمكن أن يساعدك دليل تصميم وتقييم حلول RAG من Microsoft في تنظيم قرارات التصميم والاختبار بدل الاعتماد على التخمين.

ما علاقة RAG بالوكلاء وMCP وAI Orchestration؟

RAG مسؤول عن إحضار المعرفة ذات الصلة، لكنه لا يعني وحده أن النظام يستطيع تنفيذ إجراء خارجي. قد يستخدم AI Agent طبقة RAG للبحث في مستندات الشركة، ثم يستخدم Function Calling لاستدعاء وظيفة محددة، بينما يُستخدم MCP كطريقة معيارية لربط التطبيقات بالأدوات ومصادر السياق. ويهتم AI Orchestration بتنسيق الخطوات وحالات التنفيذ بين المكونات.

بهذا تكون لكل تقنية وظيفة مختلفة؛ ويمكن جمعها عند وجود حاجة حقيقية، لا لمجرد جعل النظام أكثر تعقيدًا.

مصادر موثوقة لمزيد من القراءة

• Google Cloud: ما هو RAG وكيف يعمل؟
• Microsoft Learn: تقييم الاسترجاع والإجابات في أنظمة RAG
• Google Cloud: فحص استناد الإجابات إلى المصادر

الأسئلة الشائعة حول RAG

هل RAG يجعل كل إجابات الذكاء الاصطناعي صحيحة؟

لا. قد تكون المصادر ناقصة أو قديمة، وقد يفشل الاسترجاع أو يسيء النموذج تفسير السياق. لذلك يحتاج النظام إلى تقييم واختبارات وسياسة للامتناع عند نقص الأدلة.

هل يجب استخدام قاعدة بيانات متجهية؟

ليس دائمًا. يمكن أن تستخدم بعض التطبيقات البحث بالكلمات المفتاحية أو محركًا يجمع بين البحث النصي والدلالي. الاختيار يتوقف على البيانات والأسئلة والنتائج التي يحققها الاختبار.

ما الفرق بين RAG وFine-Tuning؟

RAG يسترجع معلومات خارجية وقت السؤال، أما Fine-Tuning فهو تدريب إضافي لتعديل سلوك النموذج في مهام محددة. يمكن أن يتكامل الأسلوبان، لكنهما لا يحلان المشكلة نفسها.

هل يعمل RAG مع ملفات PDF؟

نعم، بشرط استخراج المحتوى بصورة سليمة. تتطلب الملفات التي تحتوي على جداول أو أعمدة أو صور فحصًا إضافيًا حتى لا تُفقد العلاقات بين أجزاء المستند.

هل RAG مناسب لموقع صغير؟

قد يكون مناسبًا إذا كان الموقع يحتوي على مجموعة محتوى واضحة يحتاج الزوار إلى البحث فيها، لكن الأفضل البدء بحالة استخدام محدودة ومقارنة فائدتها بالتكلفة والصيانة المطلوبة.

الخلاصة: قيمة RAG ليست في إضافة قاعدة متجهية إلى نموذج اللغة فقط، بل في بناء مسار موثوق يبدأ بمصادر جيدة وينتهي بإجابة يمكن مراجعة سندها. ابدأ بنطاق صغير، واختبر جودة الاسترجاع والاستناد إلى الأدلة، وحافظ على صلاحيات الوصول وتحديث البيانات؛ ثم وسّع الحل عندما تظهر نتائج قابلة للقياس.