ما هو RAG؟ مقدمة مبسّطة للاسترجاع المعزّز للمبتدئين

النموذج اللغوي يولّد إجاباته من «ذاكرته» الداخلية: الأنماط التي تعلّمها أثناء التدريب. وهذه الذاكرة ثابتة، وقد تكون قديمة، وقد تحوي معلومات خاطئة. وهنا يأتي دور RAG.

RAG اختصار لـRetrieval-Augmented Generation، أي الاسترجاع المعزِّز للتوليد. وهو إطار يدمج استرجاع وثائق خارجية مع توليد النموذج: بدل أن يجيب من ذاكرته فقط، يبحث أوّلًا في مستنداتك ثم يولّد الإجابة بناءً على ما وجد.

هذا المقال مدخل مبسّط. أمّا التفاصيل التقنية — بناء الخطّ، والتقطيع، والفهرسة، وإعادة الترتيب، وقياس الجودة — ففي دليل RAG الكامل.

لماذا يحتاج النموذج إلى مصدر خارجي؟

ثلاث مشكلات تجعل الاعتماد على الذاكرة الداخلية وحدها غير كافٍ:

١. معلومات قديمة. النموذج يُدرَّب على بيانات حتى تاريخ محدّد، وما بعده لا يعرفه.

٢. الهلوسة. قد يولّد معلومات خاطئة تبدو واثقة، لأنه يتنبأ بالكلمة التالية إحصائيًّا لا يسترجع حقائق من مصدر. تفصيلها في لماذا يخطئ الذكاء الاصطناعي؟.

٣. معرفة عامة لا خاصة. يتعلّم معرفة عامة من الإنترنت، ولا يعرف مستنداتك الداخلية ولا سياسات مؤسستك ولا منتجاتك.

والحلّ: استرجاع قبل توليد. عند السؤال يبحث النظام في مستنداتك عن وثائق ذات صلة، ويمرّرها إلى النموذج سياقًا، فيولّد الإجابة بناءً عليها لا من ذاكرته وحدها. والنتيجة إجابات أدقّ وأحدث وأقرب إلى التحقّق.

كيف يجيب النموذج من مستنداتك أنت؟

لنفترض أنك تريد نظامًا يجيب موظّفيك عن سياسات الموارد البشرية.

بدون RAG: تسأله عن عدد أيام الإجازة، فيجيب من ذاكرته إجابة عامة قد لا تمتّ لسياستك بصلة.

مع RAG:

الفهرسة: تُقسَّم مستندات السياسات إلى أجزاء صغيرة، وتُخزَّن في قاعدة بيانات متّجهية.
الاسترجاع: عند السؤال يبحث النظام عن الأجزاء الأقرب صلةً بالسؤال.
التوليد: تُمرَّر تلك الأجزاء إلى النموذج فيولّد الإجابة منها.

فتعكس الإجابة سياسة مؤسستك فعلًا لا معرفة عامة من الإنترنت.

والمكوّنان الأساسيان: المسترجِع (Retriever) الذي يبحث في قاعدة المعرفة، والمولِّد (Generator) وهو النموذج اللغوي الذي يصوغ الإجابة من الوثائق المسترجَعة.

المعيار	نموذج عادي	نموذج مع RAG
المصدر	ذاكرة التدريب الثابتة	مستندات خارجية محدَّثة
الحداثة	محدود بتاريخ التدريب	يعكس أحدث المستندات
الدقة الواقعية	عرضة للهلوسة	أقلّ هلوسة، مستند إلى وثائق
المعرفة الخاصة	عامة فقط	يعرف مستنداتك الداخلية
التحقّق	صعب تتبّع المصدر	يمكن ردّ الإجابة إلى الوثيقة
التكلفة	لا يحتاج بنية استرجاع	يحتاج قاعدة معرفة ونظام استرجاع

متى لا تحتاج إلى RAG؟

حين تكون المهمة إبداعية أو عامة: كتابة مسوّدة أو توليد أفكار.
حين تكون المعلومة واقعية بسيطة وشائعة.
حين لا تملك مستندات منظَّمة: بلا قاعدة معرفة لن يفيدك RAG كثيرًا.

متى تحتاج إليه؟

عند بناء تطبيقات تعتمد على معلومات دقيقة: دعم عملاء، أو أسئلة قانونية، أو معلومات طبّية.
حين تتغيّر المعلومات باستمرار: أسعار، أو سياسات، أو أخبار.
حين تريد إجابات من مستنداتك الخاصة.

الأسئلة الشائعة

ما الفرق بين RAG والضبط الدقيق؟

الضبط الدقيق يدرّب النموذج على بيانات محدّدة فتدخل المعرفة في معاملاته. وRAG لا يغيّر النموذج، بل يزوّده بمعلومات خارجية عند كل سؤال. الأول مكلف ويحتاج إعادة تدريب، والثاني أرخص وأمرن: تحدّث المستندات دون لمس النموذج.

هل يُلغي RAG الهلوسة تمامًا؟

لا. يقلّلها كثيرًا ولا يلغيها. فقد يسيء النموذج تفسير الوثائق المسترجَعة، أو تكون الوثائق نفسها غير دقيقة.

هل أحتاج نموذجًا خاصًّا لاستعمال RAG؟

لا. يمكن استعماله مع أي نموذج لغوي كبير. الفرق أنك تضيف طبقة استرجاع قبل التوليد.

أين أتعلّم أكثر؟

هذا مدخل مبسّط. للتفاصيل التقنية — بناء النظام، واختيار أدوات الاسترجاع، وقياس الجودة — راجع دليل RAG الكامل.

المراجع

Lewis, P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv
Gao, Y. et al. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv
Karpukhin, V. et al. Dense Passage Retrieval for Open-Domain Question Answering. arXiv
Shuster, K. et al. Retrieval Augmentation Reduces Hallucination in Conversation. arXiv
Es, S. et al. RAGAS: Automated Evaluation of Retrieval Augmented Generation. arXiv

ما هو RAG؟ ولماذا يحتاج النموذج إلى مصدر خارجي؟