مقدمة إلى تقنية RAG

1. لماذا نحتاج إلى RAG؟ حدود نماذج اللغة الكبيرة

قبل أن نتعمق في RAG، دعنا نفهم المشكلة التي تحلها. نماذج اللغة الكبيرة (LLMs) مثل GPT-4 هي أدوات قوية جدًا، لكنها تشبه شخصًا عبقريًا قرأ كل محتويات الإنترنت... حتى عام 2023. هذا يعني أنها تواجه ثلاث مشكلات رئيسية:

1. المعرفة القديمة (Outdated Knowledge): لا تعرف أي شيء حدث بعد تاريخ تدريبها. إذا سألتها عن الفائز بكأس العالم 2026، فلن تعرف الإجابة.
2. نقص المعرفة الخاصة (Lack of Private Knowledge): لا تعرف أي شيء عن بياناتك الشخصية أو مستندات شركتك الداخلية. هي لا تستطيع الإجابة على سؤال مثل "ما هي ملخصات اجتماعاتنا الأسبوع الماضي؟".
3. الهلوسة (Hallucination): عندما لا تعرف الإجابة، قد تحاول "تأليف" إجابة تبدو مقنعة لكنها خاطئة تمامًا.

لفهم هذه المشكلة بشكل عملي، شاهد المقدمة القصيرة لهذا الفيديو من IBM.

تقنية RAG هي الحل الأنيق لهذه المشكلات. إنها تسمح للنموذج اللغوي بإجراء "امتحان كتاب مفتوح" (open-book exam) بدلاً من الاعتماد فقط على ذاكرته الداخلية (امتحان كتاب مغلق).

2. ما هو الجيل المعزز بالاسترجاع (RAG)؟

ببساطة، RAG هي عملية من خطوتين:

1. استرجاع (Retrieve): أولاً، ابحث عن المعلومات ذات الصلة من مصدر خارجي (مثل قاعدة بيانات الذاكرة الخاصة بوكيلنا، أو ملفات PDF، أو حتى نتائج بحث مباشرة من الإنترنت).
2. توليد (Generate): ثانيًا، قدّم هذه المعلومات المسترجعة مع السؤال الأصلي إلى نموذج اللغة الكبير (LLM) ليستخدمها كأساس لتوليد إجابة دقيقة ومستندة إلى مصدر.

دعنا نفكك الاسم لفهمه بشكل أفضل:

• Retrieval (الاسترجاع): هذا هو بالضبط ما تعلمناه في الدرس السابق! استخدام البحث الدلالي للعثور على المستندات أو الذكريات ذات الصلة.
• Augmented (المعزّز): نحن نعزز أو ندعم سؤال المستخدم الأصلي بالمعلومات التي استرجعناها.
• Generation (التوليد): يقوم الـ LLM بتوليد الإجابة النهائية بناءً على هذا السؤال المعزز.

لفهم أعمق للتعريف الرسمي والفوائد، اقرأ المقدمة والفوائد من هذا المقال.

3. كيف تعمل تقنية RAG خطوة بخطوة؟

الآن بعد أن فهمنا الفكرة العامة، دعنا نتتبع سير العمل بالتفصيل. تخيل أنك تسأل وكيلك الذكي: "لخّص لي النقاط الرئيسية من اجتماع الأمس بخصوص مشروع 'ألفا'".

هذا ما يحدث خلف الكواليس:

1. استلام الطلب: يستقبل الوكيل سؤالك.
2. استرجاع المعلومات (Retrieval):
   • يدرك الوكيل أنه بحاجة لمعلومات من مصدر خارجي.
   • يقوم "المسترجِع" (Retriever) - وهو المكون الذي يستخدم البحث الدلالي - بتحويل سؤالك إلى متجه رقمي.
   • يبحث هذا المتجه في "قاعدة المعرفة" (Knowledge Base) - التي قد تكون قاعدة بيانات تحتوي على محاضر الاجتماعات - عن المستندات الأكثر تشابهًا في المعنى.
   • يعثر على مستند بعنوان "محضر اجتماع مشروع ألفا - 25 أكتوبر".
3. تعزيز الطلب (Augmentation):
   • يقوم الوكيل بصياغة "طلب معزز" (Augmented Prompt) جديد للنموذج اللغوي. يبدو هذا الطلب كالتالي:

     السياق: "محضر اجتماع مشروع ألفا - 25 أكتوبر: تمت مناقشة الميزانية والمواعيد النهائية. قرر الفريق زيادة ميزانية التسويق بنسبة 15% وتأجيل موعد الإطلاق أسبوعين..."
     السؤال: "بناءً على السياق أعلاه، لخّص لي النقاط الرئيسية من اجتماع الأمس بخصوص مشروع 'ألفا'."

4. توليد الإجابة (Generation):
   • يستقبل الـ LLM (المكون الذي يسمى "المولّد" أو Generator) هذا الطلب المعزز.
   • بفضل السياق الواضح والمحدد، يقوم بتوليد إجابة دقيقة مثل: "بالتأكيد، النقاط الرئيسية من اجتماع الأمس هي: زيادة ميزانية التسويق بنسبة 15% وتأجيل موعد إطلاق مشروع 'ألفا' لمدة أسبوعين."

لترى هذه العملية مشروحة بالصوت والصورة، شاهد هذا المقطع.

الصورة التالية تلخص العملية بأكملها، بما في ذلك مرحلة التحضير (Indexing) التي تحدث مرة واحدة، ومرحلة الاسترجاع والتوليد التي تحدث مع كل سؤال.

خلاصة الدرس

اليوم، قمنا بربط المفاهيم معًا لفهم واحدة من أهم التقنيات في عالم وكلاء الذكاء الاصطناعي اليوم.

• المشكلة: نماذج اللغة الكبيرة لديها معرفة قديمة، ولا يمكنها الوصول إلى بيانات خاصة، وقد "تهلوس".
• الحل (RAG): هو نظام يتيح للنموذج اللغوي إجراء "امتحان كتاب مفتوح" عن طريق البحث في مصدر معرفة خارجي قبل الإجابة.
• الآلية: تتكون من ثلاث خطوات رئيسية: استرجاع المعلومات ذات الصلة باستخدام البحث الدلالي، ثم تعزيز سؤال المستخدم بهذه المعلومات، وأخيرًا توليد إجابة دقيقة ومستندة إلى مصدر.
• الفوائد: الحصول على إجابات محدّثة، والقدرة على استخدام بيانات خاصة، وتقليل الأخطاء، وزيادة ثقة المستخدم.

ماذا بعد؟

لقد تعلمنا الآن كيف يمكن لوكيلنا أن يتذكر المعلومات (عبر قاعدة بيانات)، وكيف يبحث فيها بذكاء (عبر البحث الدلالي)، وكيف يستخدم ما يجده للإجابة على الأسئلة (عبر RAG).

في الدرس القادم، سنتناول تحديًا آخر يتعلق بالذاكرة: كيف يتعامل الوكيل مع المحادثات الطويلة جدًا التي قد لا تتسع كلها في "نافذة السياق" المحدودة للنموذج اللغوي؟ سنتعلم كيف يمكننا تنفيذ استراتيجية لتلخيص المحادثات الطويلة للحفاظ على أهم المعلومات دون فقدان السياق.