ما هو RAG؟ شرح آلية العمل والاستخدامات للمبتدئين

«أريد أن يراجع ChatGPT أدلة الشركة للإجابة عن الأسئلة». «أريد البحث في الأبحاث الحديثة وتلخيصها». قد لا تكفي المعرفة التي تعلّمها النموذج لهذه الاستخدامات. توجد طرق لتزويده بالوثائق المطلوبة وقت الإجابة.

إحدى هذه الطرق هي RAG (Retrieval-Augmented Generation، التوليد المعزز بالاسترجاع). يبحث النظام عن معلومات ذات صلة في وثائق خارجية ويضيفها إلى السياق الذي يستخدمه لتوليد الإجابة. تتيح بعض ميزات الذكاء الاصطناعي الجاهزة الرجوع إلى الوثائق أيضًا، لكن رفع الملفات لا يعني دائمًا تنفيذ عملية البحث نفسها.

في هذا المقال نشرح آلية RAG في 3 خطوات بالرسوم، ونغطي قواعد بيانات المتجهات وتنفيذ LangChain والفرق عن الضبط الدقيق بأسلوب يفهمه المبتدئ ويحافظ في الوقت ذاته على الدقة التقنية.

1. ما هو RAG - Retrieval-Augmented Generation

RAG (Retrieval-Augmented Generation) تعني حرفياً "توليد (Generation) معزز (Augmented) بـالاسترجاع (Retrieval)". وتُترجم بالعربية إلى "التوليد المعزز بالاسترجاع".

باختصار، يستخدم النموذج اللغوي الكبير (LLM) معلومات ذات صلة جرى استرجاعها من مصادر خارجية لتوليد الإجابة. تعرض الرسوم هنا الشكل الأساسي: البحث أولًا ثم الإجابة. لا يشترط أن يكون المصدر قاعدة متجهات؛ يمكن البحث في قاعدة بيانات قائمة أو بالكلمات المفتاحية.

تشبيه بالطبخ

الـ LLM وحده يشبه "طاهياً يطبخ بالاعتماد على ذاكرته فقط". مهما كان ماهراً، فلن يستطيع طبخ وصفة لا يعرفها، ولن يعرف ما يحتويه ثلاجتك.

أما RAG فهو آلية "تعطي الطاهي كتاب وصفات وتخبره بمحتوى الثلاجة قبل أن يطبخ". الطاهي يستطيع حينها بالرجوع إلى الكتاب أن يطبخ أفضل طبق ممكن من المكونات المتوفرة.

أدوار "Retrieval" و "Augmented" و "Generation"

النقطة الجوهرية أنه لا يُعاد تدريب LLM ذاته، بل تُمرّر له "المعرفة اللازمة" من الخارج عند كل سؤال جديد. هذا هو الفرق الجوهري عن الضبط الدقيق الذي سنناقشه لاحقاً.

يشرح دليل الاسترجاع في LangChain هذا الشكل الأساسي وإمكانية البحث في نظام SQL أو مستودع وثائق قائم.

2. لماذا نحتاج RAG - 3 حدود لـ LLM وحده

هناك ثلاث مشاكل لا يستطيع LLM وحده مثل ChatGPT أو Claude حلها.

الحد 1: قطع المعرفة (حداثة المعلومات)

لا تكفي المعرفة التي تعلّمها النموذج وحدها للتحقق من معلومات تغيّرت بعد التدريب. يختلف تاريخ انقطاع المعرفة باختلاف النموذج، ويجب التحقق من الأحداث اللاحقة بالرجوع إلى الوثائق أو البحث.

• "أخبرني عن المنتج الجديد الذي أُعلن عنه أمس" ← يلزم الرجوع إلى مصدر حديث
• "ما تفاصيل التعديل القانوني الصادر الأسبوع الماضي؟" ← يلزم الرجوع إلى مصدر حديث
• "ما سعر الصرف اليوم؟" ← يلزم الرجوع إلى مصدر حديث

يمكن أن يستخدم RAG الأخبار وقواعد البيانات وواجهات API. لكن المصادر القديمة قد تؤدي إلى إجابات قديمة، لذلك يجب تحديث الوثائق والتحقق من نتائج البحث.

الحد 2: الهلوسة (كذب يبدو منطقياً)

الـ LLM يميل إلى تكوين أجوبة تبدو صحيحة حتى عند سؤاله عما لا يعرف. يُسمى ذلك بالهلوسة (Hallucination).

إذا سألت عن أيام الإجازة في شركة دون تزويد النموذج بلائحتها، فقد يعطي عددًا يبدو معقولًا ولا تدعمه الوثائق. هذا مثال توضيحي، وليس إجابة شُغّلت أو رُصدت في إعداد هذا المقال.

يبحث RAG في الوثائق الفعلية بهدف توليد إجابة تستند إلى مصادر. ويمكن عرض المراجع المسجلة، مثل اسم الوثيقة ورقم الصفحة. لكن ظهور مرجع لا يثبت صحة الإجابة: قد يفوّت البحث وثيقة مهمة أو يسيء النموذج فهمها.

الحد 3: عدم الوصول للبيانات الداخلية والخاصة

لا تفترض أن النموذج العام يعرف أدلة شركتك أو عقودها غير المنشورة. قبل إتاحة الوثائق له، تحقّق من حقوق استخدامها والجهات التي ستتلقى البيانات.

يختار RAG المقاطع ذات الصلة لإرسالها؛ ولا يضمن وحده حماية المعلومات السرية. حتى مع قاعدة بيانات داخلية، قد تتلقى واجهات التضمين أو التوليد الخارجية نصوص الوثائق والأسئلة ونتائج البحث. تحقّق من صلاحيات المستخدم أثناء البحث، ومن الجهات المستقبلة والتخزين والسجلات. توضح الأسئلة الشائعة هذه الفروق.

3. آلية العمل - RAG في 3 خطوات

عمل RAG يُقسَّم إلى مرحلتين: "تحضير مسبق (بناء الفهرس)" و "التشغيل (الإجابة على الأسئلة)".

مرحلة التحضير - تحويل الوثائق إلى متجهات وحفظها

1. جمع الوثائق: PDF و Word و HTML و Markdown وغيرها
2. تقسيم المقاطع: تجزئة الوثيقة إلى أجزاء بطول مناسب (مثلاً 500-1000 حرف)
3. التضمين (Embedding): تمرير كل مقطع عبر نموذج تضمين (مثل text-embedding-3-small من OpenAI) لتحويله إلى متجه (مصفوفة أرقام) من 1536 بُعداً مثلاً
4. الحفظ في قاعدة المتجهات: تخزين المقاطع ومتجهاتها في قاعدة متخصصة (Pinecone، Qdrant، إلخ)

تُنفذ هذه العملية عند إضافة وثائق جديدة أو تحديث القائمة.

مرحلة التشغيل - 3 خطوات للإجابة على الأسئلة

عند ورود سؤال من المستخدم تكون المعالجة كالآتي.

1. الخطوة 1: Retrieval (الاسترجاع)
   • تحويل نص السؤال إلى متجه بنفس نموذج التضمين
   • جلب أعلى K مقطع (3 في هذا المثال) من قاعدة المتجهات تكون "الأقرب لمتجه السؤال"
   • يُحسب القرب عبر تشابه جيب التمام (Cosine similarity) أو غيره
2. الخطوة 2: Augmented (التعزيز)
   • تضمين المقاطع المسترجعة في الموجه باعتبارها "معلومات مرجعية"
   • بصيغة مثل: "بناءً على المعلومات التالية أجب على السؤال: [نتائج البحث] السؤال: [سؤال المستخدم]"
3. الخطوة 3: Generation (التوليد)
   • يولّد LLM (GPT، Claude، Gemini وغيرها) الإجابة بناءً على المعلومات المرجعية
   • يمكن إرفاق "أي وثيقة استُخدمت" كمصدر عند الحاجة

مثال عملي: سؤال ChatGPT عن لائحة العمل الداخلية

الأعداد والمدد وأرقام المواد أدناه تخص لائحة شركة خيالية اختيرت لشرح الآلية، ولا تصف نظام إجازات حقيقيًا.

تدفق سؤال "كم يوم إجازة سنوية لدينا؟":

1. يُحوَّل السؤال إلى متجه عبر نموذج التضمين ← [0.12, -0.45, 0.78, ...]
2. يُجلَب 3 مقاطع متعلقة بـ "إجازة" و "إجازة سنوية" من قاعدة المتجهات
3. المقاطع المسترجعة: "المادة 15: الإجازة السنوية المدفوعة - يُمنح الموظف الذي مر على تعيينه 6 أشهر 10 أيام...", "حسب سنوات الخدمة تصل إلى 20 يوماً..." إلخ
4. تركيب الموجه: "معلومات مرجعية: المادة 15... السؤال: كم يوم إجازة سنوية؟"
5. إجابة LLM: "10 أيام بعد 6 أشهر من التعيين، وحسب سنوات الخدمة تصل إلى 20 يوماً (انظر المادة 15 من لائحة العمل)"

4. المكونات الرئيسية لـ RAG

سنستعرض المكونات الخمسة التي يتكون منها RAG.

أولاً: نموذج التضمين (Embedding Model)

نموذج AI يحوّل النصوص إلى متجهات رقمية. مدرَّب على أن تكون "النصوص المتقاربة دلالياً قريبة في فضاء المتجهات".

تحقّق من الأبعاد الافتراضية لنماذج OpenAI وإمكانية تقليلها في دليل التضمين الرسمي. عند المقارنة، قيّم نتائج البحث على وثائقك، ولا تعتمد على عدد الأبعاد وحده.

ثانياً: قاعدة بيانات المتجهات

تخزّن قاعدة بيانات أو إضافة المتجهات وتبحث عن المتجهات المشابهة. التفاصيل في القسم التالي.

ثالثاً: محرك البحث (Retriever)

إضافة إلى البحث عبر المتجهات، كثيراً ما يُدمج البحث بالكلمات المفتاحية (BM25 وغيره) أو بحث هجين.

رابعاً: LLM (للتوليد)

نموذج اللغة الكبير الذي يصنع الجواب النهائي. مثل GPT و Claude و Gemini و Llama. يعمل مع APIs تجارية أو نماذج OSS محلية. وكل هذه العائلات تستبدل إصداراتها باستمرار، فتحقق من أسماء النماذج الحالية في قائمة أبرز نماذج الذكاء الاصطناعي.

خامساً: قالب الموجه (Prompt Template)

قالب لدمج نتائج البحث وسؤال المستخدم وتمريرهما إلى LLM. عنصر حاسم لدقة RAG.

أنت مساعد متخصص في اللوائح الداخلية.
أجب على السؤال بناءً على المعلومات المرجعية التالية فقط.
إن لم تتوفر إجابة في المعلومات المرجعية أجب بـ "لا تتوفر معلومات".

[المعلومات المرجعية]
{retrieved_chunks}

[السؤال]
{user_question}

[الإجابة]

5. ما هي قاعدة بيانات المتجهات

تتيح قاعدة المتجهات فهارس أو وظائف لتخزين المتجهات عالية الأبعاد والبحث عن المتجهات المشابهة. يمكن استخدام خدمة متخصصة أو إضافة هذه الوظائف إلى قاعدة قائمة، مثل pgvector مع PostgreSQL. تتوقف السرعة والدقة على الفهرس وحجم البيانات والإعدادات.

مقارنة أبرز قواعد المتجهات

جرت مراجعة أسعار Pinecone وWeaviate في صفحاتهما الرسميتين يوم 9 أكتوبر 2026. حتى مع برنامج مجاني، تبقى موارد الخادم وصيانة الاستضافة الذاتية تكلفة منفصلة. وفي السحابة يتأثر الإجمالي بالتخزين والبحث وميزات الذكاء الاصطناعي الإضافية والنسخ الاحتياطية.

أيها نختار

• للتجربة السريعة: Chroma (مع تجهيز الحزم والنماذج اللازمة)
• الاستفادة من PostgreSQL القائم: pgvector (يجمع قواعد البيانات في مكان واحد)
• إسناد البنية التحتية إلى خدمة: Pinecone (مع ضبط الفهرس والسعة والصلاحيات)
• استضافة ذاتية مع إدارة التشغيل والصلاحيات: Qdrant أو Weaviate
• وثائق كثيرة مع تقييم الفهرسة والسعة والبحث على البيانات الفعلية: Milvus

وللاطلاع على اختيار جهة الاستضافة يمكن مراجعة مقارنة بين PaaS (مثل Vercel) والاستضافة المشتركة و VPS والسحابة.

6. أبرز الاستخدامات - أين يُستعمل RAG

يمكن استخدام RAG للإجابة من الوثائق الداخلية أو معلومات المنتجات. فيما يلي أمثلة على الاستخدامات.

الاستخدام 1: QA الوثائق الداخلية (قاعدة المعرفة)

يمكن البحث في اللوائح والأدلة والمواصفات ومحاضر الاجتماعات والمواد التجارية للإجابة عن أسئلة الموظفين. يجب تحديد ما يحق لكل مستخدم الاطلاع عليه وتحديث الفهرس عند تعديل الوثائق.

الاستخدام 2: أتمتة دعم العملاء

يمكن البحث في الأسئلة الشائعة وسجل الدعم لتوليد رد أولي، مع تحويل الاستفسارات المعقدة إلى فريق الدعم البشري.

الاستخدام 3: أسئلة وأجوبة المعرفة المتخصصة (قانوني وطبي)

يساعد البحث في السوابق القضائية والأبحاث الطبية والإرشادات على جمع مواد يراجعها المختصون. يجب عرض المصادر وإتاحة التحقق البشري من انطباقها ومن مضمون الإجابات. وجود مرجع لا يضمن صحة القرار أو سلامته.

الاستخدام 4: البحث في الأبحاث العلمية وتلخيصها

يمكن البحث في الأبحاث والملخصات المسموح باستخدامها للإجابة عن اتجاهات مجال ما أو الدراسات المتعلقة بطريقة معينة. وضّح نطاق المواد وتاريخها، ثم راجع نتائج الدراسة وشروطها في النص الأصلي.

الاستخدام 5: بحث المنتجات و FAQ في مواقع التجارة الإلكترونية

RAG يدمج أدلة المنتج والمراجعات وسياسات الإرجاع. يمكّن من البحث بلغة طبيعية مثل "هل هذه المكنسة مناسبة لشعر الحيوانات الأليفة؟"

الاستخدام 6: محادثة وثائق المطورين

يمكن البحث في التوثيق الرسمي للمكتبات للإجابة عن أسئلة مثل «هل يوجد مثال لهذا الإجراء؟». أدرج الإصدار المستهدف في شروط البحث لتجنّب الخلط بين وثائق إصدارات مختلفة.

الاستخدام 7: البحث وشرح قواعد الكود الداخلية

يمكن البحث في الكود ووثائق التصميم للإجابة عن كيفية استخدام دالة أو تحديد ملفات تنفذ إجراءات مشابهة. وقد يساعد الرجوع إلى الكود GitHub Copilot Chat وCursor وClaude Code وأدوات تطوير أخرى بالذكاء الاصطناعي، لكن معالجة هذه الأدوات داخليًا ليست بالضرورة مطابقة للرسم هنا.

الاستخدام 8: تحسينات AI الجديدة مثل llms.txt

يقترح llms.txt تقديم دليل نصي لوثائق الموقع. قد يكون مدخلًا للبحث أو جمع المواد، لكنه ليس معيارًا يضمن أن تقرأه أنظمة الذكاء الاصطناعي أو تستشهد بالوثائق بدقة.

7. RAG مقابل الضبط الدقيق - أيهما تختار

إلى جانب RAG، يُناقش غالباً الضبط الدقيق (Fine-tuning) كطريقة "لتزويد LLM بمعرفة خاصة". النهجان مختلفان جذرياً.

الفرق الجوهري

متى يناسب RAG

• المعرفة تتحدث كثيراً (أخبار، وثائق داخلية، معلومات منتجات)
• الحاجة لإظهار سند الإجابة (قانون، طب، مالية)
• تختلف الوثائق اللازمة باختلاف السؤال، وتريد البحث عن المقاطع المناسبة بدل إرسال جميع الوثائق في كل مرة
• بدء نموذج أولي يرجع إلى الوثائق دون إعادة تدريب النموذج

متى يناسب الضبط الدقيق

• الرغبة في الإجابة بأسلوب أو نبرة محددة (هوية شركة، شخصية)
• تعلم أنماط لغوية متخصصة (مصطلحات طبية، أسلوب قانوني)
• تقييم الوفورات المحتملة من الموجهات الأقصر أو نموذج أصغر، مع احتساب تكلفة التدريب
• إمكانية إعداد أمثلة للإجابات المطلوبة وبيانات للتقييم

تختلف شروط إتاحة التدريب الإضافي باختلاف الخدمة. في توثيق OpenAI الرسمي الذي روجع يوم 9 أكتوبر 2026، لا يتاح الضبط الدقيق للمستخدمين الجدد. تحقّق أولًا من النماذج المتاحة والشروط التعاقدية.

الجمع عند الحاجة وتقييم النتائج

يمكن الجمع بين RAG والضبط الدقيق؛ مثل تعديل تنسيق الإجابة بالتدريب وتقديم الوثائق المحدّثة عبر البحث. لكن الجمع لا يضمن تحسن الجودة.

حدّد الإجابات المطلوبة وطريقة تقييمها أولًا، ثم اختبر ما إذا كانت التعليمات أو الوثائق الإضافية كافية. فكّر في RAG للرجوع إلى المصادر، وفي الضبط الدقيق لتعديل السلوك. قارن التكلفة والسرعة والجودة على مدخلاتك الفعلية. تتضمن منهجية التحسين لدى OpenAI التقييم وتحسين التعليمات قبل التفكير في تدريب للحالات التي تحتاجه. ويتوقف تشغيل نموذج معدّل محليًا على إتاحة الأوزان والترخيص وبيئة التشغيل.

8. قبل أن تبني نظامك - جرّب على مستنداتك

قبل أن تبني RAG بنفسك، تحقّق بمستنداتك من أن نمط "ابحث ثم أجب" مفيد أصلًا. هذا يوفّر عليك الالتفاف، وفي معظم الحالات لا يتطلب الاختبار الأول أي كود.

الخطوة 1: قدّر إمكانية تقديم كل الوثائق مع السؤال

إذا اتسعت نافذة سياق النموذج المختار لجميع الوثائق، يمكن تقديمها دون خطوة بحث. في شرح Contextual Retrieval المنشور عام 2024، اقترحت Anthropic وضع قاعدة معرفة أقل من 200,000 توكن، أي نحو 500 صفحة، مباشرة في الموجه واستخدام التخزين المؤقت لتحسين الكفاءة (الشرح الرسمي). ليس هذا العدد عتبة عامة لكل النماذج. قرّر بحسب حد الإدخال للنموذج الحالي وطول الوثائق وجودة الإجابات والتكلفة.

الخطوة 2: ضع المستندات في ميزة "المشاريع" الجاهزة واطرح أسئلتك

تنتقل ميزة Projects في Claude تلقائيًا إلى RAG حين تقترب معرفة المشروع من حدّ السياق، فتستوعب حتى 10 أضعاف المحتوى. وهي ميزة في الخطط المدفوعة؛ عند تفعيلها يظهر مؤشر، ويستخدم Claude أداة project knowledge search عند الإجابة (مركز مساعدة Claude). كما تتيح Projects في ChatGPT إضافة الملفات والسؤال عنها، مع حدود مثل عدد الملفات تختلف بحسب الخطة.

الخطوة 3: اختبر بعشرة أسئلة تعرف إجاباتها

اكتب 10 أسئلة تعرف موضع إجابتها في المستندات، وسجّل ثلاثة أمور.

1. هل الإجابة صحيحة؟
2. هل المقطع المذكور دليلًا هو الصحيح؟
3. حين تسأل عن شيء غير موجود في المستندات، هل يقول ذلك؟

إذا ظهرت إجابات مختلقة في الاختبار الثالث، أعد توجيه النموذج إلى التصريح بأن المعلومات غير موجودة عندما تغيب، ثم اختبر من جديد. عشرة أسئلة مثال لتجربة أولى؛ النجاح في معظمها لا يثبت جودة الإنتاج أو الأمان. وسّع التقييم ليشمل الأسئلة المهمة والوثائق المتشابهة والتناقضات وصلاحيات الاطلاع.

الخطوة 4: إن احتجت مزيدًا من التحكم، قارن البناء الداخلي بالخدمة المدارة

كمثال على تحسين البحث، تذكر Anthropic أن الجمع بين Contextual Embeddings وContextual BM25 خفّض معدل فشل استرجاع المقاطع ضمن أفضل 20 نتيجة بنسبة 49%، وبنسبة 67% مع إعادة الترتيب (شروط التجربة ونتائجها). هذا قياس للبحث على بيانات تقييم الشركة، وليس ضمانًا لانخفاض إجاباتك الخاطئة بالنسب نفسها.

النسخة الدنيا التي تبنيها بنفسك في القسم التالي، أما تحسينات بيئة الإنتاج مثل البحث الهجين وإعادة الترتيب فيتناولها دليل تنفيذ RAG وقواعد البيانات المتجهية.

9. طريقة التنفيذ - بناء RAG بـ LangChain

نستعرض أبرز أُطر تنفيذ RAG، ثم نقدم أصغر مثال كود بـ Python.

أبرز الأُطر

أصغر مثال RAG عبر LangChain

هذا مثال تعليمي يبحث عن مقاطع مناسبة في PDF ويقدّمها للنموذج ليجيب. تتطلب LangChain 1.x إصدار Python 3.10 أو أحدث. اضبط مفتاح API في متغير البيئة OPENAI_API_KEY، وجهّز بيئة لها صلاحية الوصول إلى نموذج OpenAI API المختار. لا تضع المفتاح في الكود أو مستودع عام.

يرسل المثال نص PDF والسؤال إلى واجهة التضمين، ثم نتائج البحث والسؤال إلى واجهة النموذج اللغوي. تشغيل Chroma على جهازك لا يجعل المعالجة كلها محلية. أسعار API وشروطها منفصلة عن اشتراك ChatGPT. اختبر بوثائق غير سرية يُسمح لك بإرسالها. هذا الكود مثال تعليمي لم يُتحقَّق من عمله. قبل تشغيله، قارنه بالطريقة الرسمية المعتمدة في الإصدار الذي تستخدمه من المكتبة.

# pip install -U langchain-openai langchain-chroma langchain-text-splitters langchain-community pypdf
from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_chroma import Chroma

# 1. تحميل الوثيقة
loader = PyPDFLoader("kisoku.pdf")
docs = loader.load()

# 2. تقسيم المقاطع
splitter = RecursiveCharacterTextSplitter(
    chunk_size=500, chunk_overlap=50
)
chunks = splitter.split_documents(docs)

# 3. التضمين + بناء قاعدة المتجهات
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_documents(chunks, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# 4. البحث (أقرب 3 مقاطع إلى السؤال)
question = "كم يوم إجازة سنوية؟"
found = retriever.invoke(question)
context = "\n\n".join(d.page_content for d in found)

# 5. تمرير الأدلة وتوليد الإجابة
llm = ChatOpenAI(model="gpt-6-luna")
answer = llm.invoke([
    {"role": "system", "content": "أجب بالاعتماد على المادة التالية فقط. وإن لم تجد الجواب فيها فقل إنه غير موجود في المادة.\n\n" + context},
    {"role": "user", "content": question},
])
print(answer.content)
print("المصدر:", [d.metadata for d in found])

يبحث المثال عن مقاطع مناسبة من PDF، ثم يقدّم المعلومات المرجعية إلى GPT-6 Luna لتوليد الإجابة. ويعرض البيانات الوصفية للوثائق المسترجعة. تتوقف بيانات مثل أرقام الصفحات على الوثيقة والمحمّل؛ ويجب التحقق من صحة الاستشهادات في الإجابة بصورة منفصلة.

جرت مطابقة المعرّف gpt-6-luna في 9 أكتوبر 2026 مع صفحة النموذج الرسمية. قبل الاستخدام، راجع قائمة النماذج الرسمية للتحقق من واجهات API المتوافقة وشروط الإتاحة والأسعار. قارن المرشحين على الوثائق والأسئلة نفسها من حيث فهم المصادر وجودة الإجابات والسرعة والتكلفة.

يستخدم المثال بنية حزم LangChain 1.x. في الإصدار 1.0 نُقلت langchain.chains، التي تضمنت RetrievalQA، إلى حزمة langchain-classic المنفصلة. هنا يُستورد تقسيم النص من langchain_text_splitters، ويُكتب ما تسميه الوثائق «2-Step RAG» في خطوتين: البحث ثم تقديم المصادر للنموذج للإجابة. تحقّق من مسارات الاستيراد ومتطلبات Python في دليل الترحيل الرسمي. سجّل إصدارات الحزم واختبر التنفيذ في بيئة قابلة لإعادة الإنتاج.

التنفيذ الإنتاجي يتضمن

• تحسين تقسيم المقاطع (تقسيم دلالي، مقاطع هرمية، إلخ)
• البحث الهجين (دمج البحث بالمتجهات مع كلمات BM25)
• إعادة الترتيب (Cohere Rerank و voyage-rerank لإعادة ترتيب نتائج البحث)
• إعادة صياغة الاستعلام (HyDE و Multi-Query لتحسين دقة البحث)
• خط أنابيب التقييم (تقييم تلقائي عبر RAGAS)

10. تحديات RAG وحلولها

في بيئة الإنتاج، يجب التحقق من النقاط التالية.

التحدي 1: صعوبة تقسيم المقاطع

دقة البحث تتغير كثيراً حسب طريقة تقسيم الوثيقة. القصير يفقد السياق والطويل يضعف دقة البحث.

الحلول:

• التقسيم الدلالي (التقسيم حسب الوحدات الدلالية)
• إعداد التداخل (تكرار جزئي بين المقاطع المتجاورة)
• المقاطع الهرمية (حفظ بنية أبوية، البحث في الأبناء والإحالة للأب)

التحدي 2: دقة الـ Retrieval (البحث)

اختيار مقاطع تبدو متشابهة لكنها مختلفة، أو فقدان معلومات مهمة، إلخ.

الحلول:

• البحث الهجين (متجهات + كلمات BM25)
• إعادة ترتيب نتائج البحث بنماذج reranking
• توليد استعلامات متعددة (نفس السؤال بصيغ مختلفة)

التحدي 3: قيود طول السياق

هناك حد أقصى لعدد التوكنز التي يقبلها LLM، فلا يمكن تمرير كميات كبيرة من المقاطع.

الحلول:

• تقليص K (أعلى 3-5 مقاطع)
• التلخيص أولاً ثم التمرير
• استخدام LLM ذي سياق طويل (يختلف الحد من نموذج لآخر، وبعض النماذج اليوم يقبل نحو مليون توكن؛ تحقق من حد نموذجك في الوثائق الرسمية)

التحدي 4: صعوبة التقييم

القياس الموضوعي لجودة إجابات RAG صعب. كيفية إعداد بيانات الإجابات المرجعية تحدٍّ في حد ذاته.

الحلول:

• استخدام RAGAS (إطار OSS لتقييم RAG)
• الحساب التلقائي لمؤشرات دقة الإجابة وصلتها بالبحث وأمانتها
• LLM-as-a-Judge (تقييم بـ LLM آخر)

التحدي 5: تعدد اللغات والوسائط

الوثائق بلغات مختلطة وملفات PDF بصور وجداول ورسومات صعبة المعالجة.

الحلول:

• نماذج تضمين متعددة اللغات (BGE-M3 و Cohere Multilingual)
• تحويل الصور والجداول إلى نص مسبقاً عبر LLM (OCR + VLM)
• تضمين متعدد الوسائط (CLIP و Nomic وغيرها)

11. قائمة بأبرز الأدوات والخدمات

نلخص أبرز أدوات بناء RAG حسب الفئة.

الأُطر والمكتبات

• LangChain - ربط البحث والنماذج ومصادر البيانات
• LlamaIndex - متخصص في توصيل البيانات
• Haystack - للمؤسسات
• DSPy - أتمتة تحسين الموجه

قواعد المتجهات (مدارة)

• Pinecone - بحث متجهات مدار
• Weaviate Cloud - يدعم GraphQL
• Qdrant Cloud - خدمة Qdrant المدارة
• Zilliz Cloud - النسخة المدارة من Milvus

قواعد المتجهات (OSS واستضافة ذاتية)

• Chroma - بحث متجهات من Python
• Qdrant - بحث متجهات وتصفية
• Weaviate - النسخة OSS
• Milvus - قاعدة بيانات متجهات
• pgvector - إضافة لـ PostgreSQL

نماذج التضمين

• OpenAI text-embedding-3 - توليد التضمينات عبر API
• Voyage AI - مذكور في توثيق Anthropic
• Cohere Embed - متعدد اللغات
• BGE-M3 - نموذج متعدد اللغات مرشح للتشغيل المحلي

خدمات RAG بدون كود ومدارة

• ChatGPT Projects / Custom GPTs الموجودة - ميزات جاهزة للرجوع إلى وثائق إضافية؛ تحقّق من معالجة كل ميزة وشروطها
• Claude Projects - ميزة RAG في Anthropic
• Notion AI - بحث الوثائق داخل Notion
• Microsoft Copilot (Microsoft 365) - مرشح للرجوع إلى الوثائق الداخلية؛ تحقّق من العقد والاتصالات والصلاحيات
• Dify - منصة بناء AI بدون كود مفتوحة المصدر
• Vertex AI Agent Builder - خدمة بناء RAG في Google Cloud
• Amazon Bedrock Knowledge Bases - RAG مدار من AWS

أدوات التقييم

• RAGAS - إطار OSS لتقييم RAG
• TruLens - تقييم تطبيقات LLM عموماً
• LangSmith - تتبع وتقييم رسمي من LangChain

لمعرفة المزيد عن الضبط الدقيق (fine-tuning)، اقرأ أيضًا ما هو الضبط الدقيق: يشرح متى تستخدمه بدل RAG وطرقًا مثل LoRA/QLoRA للمبتدئين.

الأسئلة الشائعة

رُوجعت الأسعار وشروط المنتجات وبيانات API في المصادر الرسمية يوم 9 أكتوبر 2026. لم يُشغّل كود المثال أو تُقَس نتائج API والفوترة، ولم تُثبت حماية المعلومات السرية عمليًا. راجع أحدث توثيق وشروط كل خدمة قبل التنفيذ.