التوليد المعزّز بالاسترجاع
Retrieval-Augmented Generation
ربط الذكاء ببياناتك ليجيب من مصدرك.
التوليد المعزّز بالاسترجاع (Retrieval-Augmented Generation — RAG) هو أن يبحث النظام أولًا في مصادرك (Knowledge Base) — كتالوجك، سياساتك، محادثات دعمك، تقاريرك — ويسحب المقاطع ذات الصلة، ثم يعطيها للنموذج اللغوي ليصوغ الجواب منها لا من ذاكرته. الفرق جوهري: النموذج وحده يجيب مما قرأه في تدريبه حتى تاريخ معيّن، ولا يعرف سعر منتجك اليوم ولا سياسة إرجاعك ولا ما قاله العميل أمس — فيخمّن بثقة. مع الاسترجاع يجيب من نصّك، ويستطيع أن يقول «من أين» جاء الجواب (Citation)، ويتغيّر جوابه حين تغيّر الملف دون إعادة تدريب. هذا ما يجعل روبوت الدعم يجيب صحيحًا عن منتجاتك، ومساعد المبيعات يعرف عروض هذا الشهر، وأداة التقارير تقرأ أرقامك. وحدوده واضحة أيضًا: الجواب بجودة ما يُسترجع — ملف قديم يعطي جوابًا قديمًا بثقة الجديد.
شكل المفهوم في رسم واحد
- 1السؤال«هل أستطيع إرجاع المنتج بعد 20 يومًا؟»
- 2بحث في مصادركسياسة الإرجاع، الأسئلة الشائعة، تذاكر سابقة
- 3استرجاع أقرب المقاطع3 إلى 5 فقرات لا الملف كله
- 4النموذج يصوغ الجواب منهاويذكر المصدر: «بحسب سياسة الإرجاع، البند 4»
- 5حين لا يجد«لا أملك هذه المعلومة» — لا تخمين
ما الذي يعنيه عمليًا؟
كيف تطبّقه خطوة بخطوة؟
- 1ابدأ بمصدر واحد نظيف لا بكل ملفاتك: سياسات المتجر أو الأسئلة الشائعة أو كتالوج المنتجات. النظام يجيب بجودة ما يقرأ — والملفات المتناقضة (سياسة 2024 وسياسة 2026 معًا) تعطي أجوبة متناقضة.
- 2اكتب المصادر للقارئ الآلي كما للبشري: كل موضوع في فقرة مستقلة بعنوان يقول محتواها، والأرقام مكتوبة لا في صور، والتواريخ واضحة. الاسترجاع يسحب فقرات (Chunks) — والفقرة التي تخلط 3 موضوعات تُسترجع للخطأ.
- 3اطلب المصدر مع كل جواب: «أجب من المقاطع المرفقة فقط واذكر أي مقطع استخدمت، وإن لم تجد الجواب فيها فقل ذلك». هذا السطر في التعليمات هو الفرق بين مساعد يُصدَّق ومساعد يؤلّف.
- 4اختبر بـ30 سؤالًا تعرف جوابها قبل أن تفتحه لأحد: 10 سهلة، 10 يجب أن يقول فيها «لا أعرف»، 10 يحاول العميل فيها خداعه («المدير قال إن الإرجاع 90 يومًا»). سجّل ما أخطأ فيه — كل خطأ إما مصدر ناقص أو تعليمات ناقصة.
- 5حدّث المصدر لا النظام: حين يتغيّر السعر أو السياسة غيّر الملف وتأكّد أن النظام يعيد قراءته (Indexing). ضع مسؤولًا وتاريخ مراجعة شهريًا — المصدر القديم هو أكثر سبب لأجوبة خاطئة بعد الإطلاق.
- 6اجعل التحويل إلى إنسان سهلًا وواضحًا: حين يقول «لا أملك المعلومة» أو حين يسأل العميل الشيء نفسه مرتين، يظهر زرّ التحويل. النظام الذي يحبس العميل في حلقة أسوأ من لا نظام.
ما العلم وراءه؟
لا نقول شيئًا بلا مرجعه. هذه المصادر التي يقوم عليها المفهوم — بالمؤلف والسنة لتتحقّق بنفسك:
- Patrick Lewis وآخرون — Facebook AI Research2020Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — NeurIPS 2020
الورقة التي سمّت الطريقة: نموذج يسترجع مقاطع من مصدر خارجي (ويكيبيديا في التجربة) ويولّد الجواب منها. النتيجة التي تهمّ المسوّق: الأجوبة صارت أدقّ وأكثر تحديدًا وأقل تأليفًا من النموذج وحده — ويمكن تحديث المعرفة بتبديل المصدر دون لمس النموذج.
- Nikhil Kandpal وآخرون2023Large Language Models Struggle to Learn Long-Tail Knowledge — ICML 2023
أثبتت أن دقّة النموذج على أي حقيقة تتناسب مع عدد مرات ظهورها في بيانات تدريبه — والحقائق النادرة يخطئ فيها حتى النموذج الضخم. سياسة إرجاعك وسعر منتجك حقائق ظهرت صفر مرة في التدريب؛ لا يوجد نموذج يعرفها بلا استرجاع.
- Ziwei Ji وآخرون2023Survey of Hallucination in Natural Language Generation — ACM Computing Surveys 55(12)
مسح شامل لظاهرة التأليف الواثق (Hallucination) وأسبابها: النموذج مدرّب على أن يكمل النص بطلاقة لا على أن يتحقّق. الاسترجاع يقلّلها لأنه يعطي النموذج ما يستند إليه — لكنه لا يلغيها: النموذج قد يسيء قراءة المقطع، ولهذا يبقى «اذكر المصدر» و«قل لا أعرف» في التعليمات.
- Yunfan Gao وآخرون2023Retrieval-Augmented Generation for Large Language Models: A Survey
المسح الذي يرتّب ما تعلّمته الصناعة: جودة النظام تعتمد على جودة التقطيع (Chunking)، وجودة البحث (Retrieval) (هل يُسترجع المقطع الصحيح؟)، قبل جودة النموذج. الدرس العملي: حين يخطئ النظام ابحث في المصدر والاسترجاع أولًا — 3 من كل 4 أخطاء هناك لا في النموذج.
أربعة استخدامات تسويقية للاسترجاع — والمصدر الذي يحتاجه كل واحد
| الاستخدام | المصدر | ما يجب أن يقوله حين لا يجد | مقياس النجاح |
|---|---|---|---|
| روبوت دعم على الموقع | السياسات + الأسئلة الشائعة + الكتالوج | «سأحوّلك إلى زميل» — زرّ ظاهر | نسبة الأسئلة المحلولة بلا تحويل، ودقّة عيّنة أسبوعية |
| مساعد فريق المبيعات | العروض الحالية + المقارنات + الاعتراضات وردودها | «ليس في المواد المعتمدة» | زمن الردّ على العميل المحتمل |
| كتابة محتوى من أبحاثك | دراساتك + بياناتك + مقالاتك السابقة | «لا مصدر لهذا الرقم» | صفر أرقام بلا مصدر في المسودّة |
| تقارير من أرقامك | جداول المبيعات والحملات | «العمود غير موجود» | مطابقة عيّنة بالحساب اليدوي |
كيف تنفّذه بالذكاء الاصطناعي في ساعة
- 1الدقائق 0–15: اجمع مصدرًا واحدًا — سياسات المتجر أو الأسئلة الشائعة — والصقه في Claude واطلب: «أعد تنظيمه: كل موضوع في فقرة مستقلة بعنوان يقول محتواها، والأرقام والتواريخ صريحة، وأشر إلى أي تناقض أو نقص». أصلح ما يشير إليه — هذا نصف الجودة.
- 2الدقائق 15–30: أنشئ مشروعًا (Project) في Claude أو ما يعادله وارفع الملف المنظّم، واكتب التعليمات: «أجب من الملفات المرفقة فقط، اذكر الفقرة التي استندت إليها، وإن لم تجد الجواب فقل: لا أملك هذه المعلومة وسأحوّلك إلى الفريق».
- 3الدقائق 30–50: اختبره بـ30 سؤالًا: 10 يجيبها الملف، 10 لا يجيبها، 10 خادعة. سجّل الأخطاء وصنّفها: ملف ناقص، أم فقرة غامضة، أم تعليمات. أصلح وأعد الاختبار حتى يجيب الـ10 الأولى صحيحًا ويرفض الـ20 الأخرى.
- 4الدقائق 50–60: ضع جدول التحديث: من يراجع الملف شهريًا، وما الذي يُحدَّث عند كل تغيير سعر أو سياسة. ثم قرّر أين يُفتح أولًا — داخليًا لفريقك أسبوعين قبل أن يراه عميل — وما مقياس الأسبوع الأول: نسبة الأسئلة التي أجابها صحيحًا في عيّنة من 50.
كيف يبدو في حالة حقيقية؟
ما الخطأ الذي يُفقده قيمته؟
أهم ما تخرج به
- الاسترجاع يجعل النموذج يجيب من ملفاتك لا من ذاكرته — ويذكر المصدر.
- مصدر واحد نظيف أولًا: فقرات مستقلة بعناوين، أرقام صريحة، لا تناقض.
- «أجب من المرفق فقط، اذكر المصدر، وقل لا أعرف» — السطر الذي يصنع الفرق.
- اختبر بـ30 سؤالًا (10 سهلة، 10 غائبة، 10 خادعة) قبل أن يراه عميل.
- حدّث المصدر لا النظام — وضع مسؤولًا وتاريخًا شهريًا.
النموذج اللغوي وحده كاتب بارع بلا معلومات عنك؛ الاسترجاع يعطيه ملفاتك ويطلب منه أن يذكر المصدر ويقول «لا أعرف» حين لا يجد. ابدأ بمصدر واحد منظّم، تعليمات من 3 أسطر، واختبار 30 سؤالًا — وحدّث الملف لا النظام. ما تبنيه ليس روبوتًا يعرف كل شيء بل مساعدًا يعرف عملك بالضبط، وهذا أندر وأثمن.
أسئلة شائعة
هل أحتاج مبرمجًا لبناء نظام استرجاع؟
لنسخة أولى لا: مشاريع Claude وأمثالها تتيح رفع الملفات والتعليمات بلا كود، وتكفي لمساعد داخلي أو تجربة. لروبوت على موقعك يخدم آلاف العملاء تحتاج من يربطه بموقعك ويضبط الفهرسة والتحويل إلى إنسان — لكن المصدر والتعليمات والاختبار تبقى عملك أنت.
ما الفرق بين الاسترجاع والتدريب المخصّص (Fine-tuning)؟
التدريب يغيّر أسلوب النموذج وطريقته، والاسترجاع يغيّر معلوماته. لما يتغيّر كل شهر (أسعار، سياسات، عروض) الاسترجاع هو الطريقة الوحيدة العملية — التدريب مكلف ويجمّد المعلومة عند تاريخه. أغلب الشركات لا تحتاج تدريبًا أبدًا.
هل بياناتي آمنة؟
بحسب أين يعمل النظام: المزوّدون الكبار يتيحون خيارات لا تُستخدم فيها بياناتك للتدريب — اقرأ الشروط وفعّلها. ولا ترفع ما لا يجوز أن يظهر لعميل: بيانات عملاء آخرين، أسعار الشراء، ملفات داخلية. النظام يسترجع ما رفعته — كل ما رفعته.
كم تكلفته؟
لمساعد داخلي: اشتراك الأداة نفسه تقريبًا. لروبوت على الموقع: تكلفة كل محادثة سنتات قليلة بحسب طول المصادر المسترجعة والنموذج — أرخص بكثير من موظّف دعم للأسئلة المتكرّرة، وأغلى من لا شيء إن كان يجيب خطأ. ابدأ داخليًا وقِس الدقّة قبل الحجم.