ما هو RAG (التوليد المعزَّز بالاسترجاع)؟
RAG، أو التوليد المعزَّز بالاسترجاع، نمط في الذكاء الاصطناعي يجلب فيه النموذج أولًا المقاطع ذات الصلة من نصّ المصدر، ثم يُولِّد إجابته مستندًا إليها.
يُجيب النموذج اللغوي الكبير المعتاد اعتمادًا على بيانات التدريب التي ثبتت لحظةَ التدريب، وهو معرَّض للهلوسة. يعالج RAG ذلك بإضافة خطوة استرجاع: حين يَرِد سؤال، يبحث النظام في مدوَّنة (كتاب، أو PDF، أو قاعدة معرفة) عن المقاطع الأشد صلة، ثم يُمرِّرها إلى النموذج بوصفها سياقًا، وعندئذٍ فقط يُطلَب منه الإجابة.
محادثة مع الملخصات وسياق المصدر المتاح
تتوقف جودة منظومة RAG على ثلاثة عناصر: كيفية تقطيع المصدر (فقرة، أو قسم، أو جملة)، وكيفية تمثيل المقاطع بمتجهات للبحث بالتشابه، وكيفية إرشاد النموذج إلى استخدام السياق المسترجَع. ضعف أيٍّ من هذه الثلاثة يُنتج إجابات مستنِدةً ظاهريًّا، ومخطئة جوهريًّا.
محادثة مع الملخصات وسياق المصدر المتاح
اقرأ المزيد عن Summio ←الأسئلة الشائعة
ما الفرق بين RAG والضبط الدقيق (Fine-tuning)؟
يَحفر الضبط الدقيق المعرفةَ الجديدة في أوزان النموذج — بطيء، ومكلِف، ولا يُحدَّث إلا بإعادة التدريب. أمّا RAG فيُبقي النموذج جامدًا ويُغيِّر السياق المسترجَع مع كل استعلام: تحديث المعرفة هو إعادة فهرسة الوثيقة لا إعادة تدريب أي شيء.
هل يقضي RAG على الهلوسة؟
قد يساعد الاسترجاع على إسناد الإجابة إلى المصدر، لكنه لا يزيل الهلوسة. فقد يسيء النموذج قراءة مقطع أو يتجاهله أو يدمج تفاصيل صحيحة بصورة خاطئة؛ تحقّق من التفاصيل المهمة في الأصل.
أين يُستخدم RAG؟
في محركات البحث بالذكاء الاصطناعي (Perplexity، وChatGPT Search، وClaude مع الوصول إلى الويب)، وفي محادثات الوثائق الداخلية، وروبوتات الدعم فوق مركز مساعدة، وتطبيقات القراءة مثل Summio. أينما وجب أن تكون الإجابة قابلةً للنسبة إلى مصدر بعينه.