التوليد المعزَّز
بالاسترجاع، بلا غموض
التوليد المعزَّز بالاسترجاع، أو RAG، هو التقنية التي تتيح لنموذج لغوي الإجابة عن أسئلة تتعلق بمستندات لم يُدرَّب عليها أبداً. فهو يقرن نظام بحث بالنموذج اللغوي: استرجع المقاطع ذات الصلة، وقدّمها للنموذج كسياق، ثم ولّد الإجابة. وRAG هو ما يشغّل معظم مساعدي الذكاء الاصطناعي في المؤسسات في عام 2026، وهو الحل العملي الرئيسي لهلوسة النماذج اللغوية.
استرجِع أولاً، ثم ولّد
يجيب النموذج اللغوي الصِّرف من بيانات تدريبه وحدها. فهو لا يمكن أن يعرف بشأن ويكي شركتك الداخلية، أو أخبار اليوم، أو ملف PDF رفعته للتو.
يعالج RAG هذا بخط أنابيب من خطوتين. الخطوة الأولى: يعثر نظام استرجاع (عادةً بحث متجهي على فهرس تضمينات) على المستندات الأوثق صلة بسؤال المستخدم. الخطوة الثانية: تُدرَج تلك المستندات في مطالبة النموذج اللغوي كسياق، فيولّد النموذج إجابة مؤصَّلة عليها.
لماذا يتفوق RAG على الضبط الدقيق في معظم حالات الاستخدام
يُدمج الضبط الدقيق معرفةً جديدة داخل أوزان النموذج. وهو مكلف، وبطيء التحديث، ويميل إلى إضعاف القدرة العامة إن أُجري بشكل رديء.
يُبقي RAG النموذج ثابتاً ولا يغيّر سوى ما يدخل في المطالبة. فتُفهرَس المستندات الجديدة في ثوانٍ. وتُزال المستندات القديمة فوراً. ويمكن للنموذج أن يستشهد بالمقاطع التي استخدمها. وللمعرفة المتغيرة (السياسات، والأسعار، والأخبار، ووثائق المنتجات) يكون RAG هو البنية الصحيحة دائماً تقريباً.
التضمينات، ومخزن المتجهات، والمُسترجِع، والمولّد
يحوّل نموذج التضمين كل مقطع مستند إلى متجه عالي الأبعاد يلتقط المعنى. ويحتفظ مخزن المتجهات (Pinecone، Weaviate، pgvector، Qdrant) بملايين من هذه المتجهات ويدعم البحث السريع عن أقرب الجيران.
يضمّن المُسترجِع سؤال المستخدم، ويعثر على أقرب مقاطع المستندات، ويمررها إلى المولّد (النموذج اللغوي). وتستخدم المُسترجِعات الأفضل البحث الهجين (متجهي + كلمات مفتاحية)، وإعادة الترتيب، وإعادة صياغة الاستعلام. وغالباً ما تكون جودة الاسترجاع أهم من أيّ نموذج لغوي يقوم بالتوليد.
أين يتناسب RAG مع نماذج Unifyed الأربعة
البحث في الويب داخل Unifyed هو نظام RAG مُستضاف: شغّله فيسترجع أيّ من النماذج الأربعة من الويب الحيّ ويؤصّل الإجابات على مصادر موثّقة. ولمعظم الأسئلة العامة، هذه هي أسهل طريقة لاستخدام RAG دون بناء أي شيء.
أما للمستندات الخاصة، فيمكنك لصق المقتطفات مباشرةً في مطالبة Claude أو Gemini: فمع نوافذ سياق تتراوح بين 200 ألف و2 مليون رمز، يكون ذلك عملياً بمثابة RAG يدوي ويعمل بشكل جيد بشكل مفاجئ للأسئلة العابرة.
learn.what-is-rag.faqTitle
learn.what-is-rag.faq.q1
learn.what-is-rag.faq.a1
learn.what-is-rag.faq.q2
learn.what-is-rag.faq.a2
learn.what-is-rag.faq.q3
learn.what-is-rag.faq.a3
learn.what-is-rag.faq.q4
learn.what-is-rag.faq.a4
جرّب إجابات موثّقة بالمصادر عبر البحث في الويب في Unifyed
جرّب Unifyed مجانًاتجربة مجانية لمدة 30 يومًا · 39.99 US$/شهر بعدها · ألغِ في أي وقت