كيف يعمل RAG؟ شرح مبسّط لآلية التوليد المعزز بالاسترجاع
عندما تسأل روبوت محادثة عامًا بالذكاء الاصطناعي سؤالًا عن نشاطك التجاري، سيجيبك بثقة وطلاقة، وأحيانًا بإجابة خاطئة تمامًا. المشكلة ليست عطلاً تقنيًا؛ فالنموذج يفعل بالضبط ما صُمّم لأجله: توقّع الكلمة التالية الأكثر احتمالًا بناءً على أنماط تعلّمها من بيانات تدريبه، لا التحقّق من ساعات عملك الفعلية أو أسعارك أو سياسة الإلغاء لديك. تقنية التوليد المعزّز بالاسترجاع، أو RAG، تحلّ هذه المشكلة عبر تغيير ما يحدث قبل أن يكتب النموذج كلمة واحدة. في ما يلي الآلية الحقيقية، خطوة بخطوة، دون مصطلحات معقّدة.
المشكلة التي جاء RAG لحلّها
النموذج اللغوي العام، من النوع الذي يقف خلف معظم روبوتات المحادثة المعروفة، يُدرَّب مرة واحدة على كمية هائلة من النصوص، ثم يبقى ثابتًا كما هو. مثل هذا النموذج لا يعرف سياسة إلغاء الحجز لديك، ولا موعد حصة الثلاثاء، ولا أنك غيّرت أسعارك الشهر الماضي؛ لأن شيئًا من هذا لم يكن ضمن بيانات تدريبه، ولا يملك النموذج أي طريقة للبحث عن ذلك بنفسه.
وحين لا يعرف النموذج شيئًا، فهو غالبًا لا يقول ذلك. بدلاً من ذلك، يولّد الإجابة الأكثر ترجيحًا من الناحية الإحصائية، وقد تبدو واثقة ومحدّدة تمامًا رغم أنها مختلقة بالكامل. هذا ما يُعرف بـ"الهلوسة"، وهو السبب الأول الذي يجعل أصحاب الأعمال يترددون في وضع روبوت ذكاء اصطناعي أمام عملائهم.
هناك حلّان يبدوان بديهيَّين، لكن كلاهما قاصر بمفرده:
- لصق المحتوى كاملًا داخل الطلب (prompt) في كل مرة. يصلح لسؤال واحد، لكنه لا يتوسّع؛ فلا يمكنك لصق قاعدة معرفتك بأكملها في كل محادثة، وسيظل على النموذج أن يخمّن أي جزء منها مهم.
- إعادة تدريب النموذج (fine-tuning) على محتواك. يعني ترسيخ المعلومات داخل أوزان النموذج عبر إعادة التدريب؛ عملية بطيئة ومكلفة يجب تكرارها كل مرة يتغيّر فيها شيء، والمفاجئ أنها لا تمنع الهلوسة بشكل موثوق. فالنموذج المُعاد تدريبه قد يمزج حقائق محفوظة بأخرى مختلَقة تمامًا.
يتبع RAG نهجًا مختلفًا جذريًا: بدلاً من محاولة جعل النموذج "يعرف كل شيء"، يمنحه المعلومة الصحيحة في اللحظة الدقيقة التي يحتاجها فيها.
الخطوة الأولى: تقسيم مستنداتك إلى أجزاء صغيرة
قبل أن يُطرح أي سؤال، يُقسَّم محتواك المصدري — ملفات PDF، مستندات المساعدة، صفحات الموقع التي تمت أرشفتها، الأسئلة الشائعة الملصقة — إلى أجزاء صغيرة تُسمّى chunks، عادة بحجم فقرة أو بضع جمل.
هذه الخطوة أهم مما تبدو عليه. فلو كان النظام يبحث في المستندات كاملة، لكان السؤال عن سياسة الإلغاء قد يُعيد لك اتفاقية الخدمة كاملة من أربعين صفحة، وسيظل على النموذج أن يخمّن أي جزء منها ذو صلة. تقسيم المحتوى أشبه بفهرسة كتاب طبخ حسب كل وصفة على حدة بدلاً من الكتاب ككل؛ فحين يسأل أحدهم عن الچيز كيك، تعطيه وصفة الچيز كيك فقط، لا الكتاب بأكمله.
الخطوة الثانية: تحويل الأجزاء إلى محتوى قابل للبحث بالمعنى
يتحوّل كل جزء بعد ذلك إلى تمثيل رقمي يُسمّى embedding — قائمة من الأرقام تمثّل معنى ذلك الجزء، لا الكلمات التي يحتوي عليها فحسب. الأجزاء المتقاربة في المعنى تنتهي قريبة من بعضها رياضيًا في هذا الفضاء الرقمي، حتى لو لم تتشارك كلمة واحدة.
هذا هو الجزء الذي يبدو وكأنه سحر لكنه في الحقيقة مجرد رياضيات: عبارة "كيف ألغي اشتراكي؟" و"سياسة الإلغاء لدينا" يمكن أن تقعا بجوار بعضهما تمامًا في هذا الفضاء، لأنهما تحملان معنى متقاربًا، رغم أنهما لا تتشاركان تقريبًا أي مفردة. البحث التقليدي بالكلمات المفتاحية — من نوع Ctrl+F — يفوّت هذا الترابط تمامًا. والبحث في هذا الفضاء الرقمي عن أقرب التطابقات هو ما يُعرف بالبحث الاتجاهي أو vector search.
الخطوة الثالثة: الاسترجاع أولاً، ثم التوليد
هذا هو التسلسل الذي منح RAG اسمه، ويحدث من جديد مع كل رسالة، لا مرة واحدة فقط عند الإعداد:
- يطرح الزائر سؤالًا في المحادثة.
- يتحوّل السؤال نفسه إلى نفس نوع embedding الذي تحوّلت إليه أجزاء المستندات.
- يبحث النظام عن الأجزاء الأقرب معنى إلى السؤال.
- تُسلَّم أفضل الأجزاء المطابقة — لا قاعدة المعرفة كاملة — إلى النموذج اللغوي مع السؤال الأصلي.
- يولّد النموذج الإجابة معتمدًا فقط على تلك المادة المسترجَعة.
إذا لم يظهر أي شيء ذي صلة في ذلك البحث، فلا يوجد ما يُسلَّم إلى النموذج، والإجابة الصادقة هي "لا أعرف" بدلاً من تخمين مرتجل. هذا ليس إعدادًا يُفعَّل أو يُعطَّل يدويًا؛ إنه نتيجة مباشرة لطريقة بناء النظام. كل إجابة تبدأ بخطوة استرجاع حقيقية من مستندات النشاط التجاري نفسه، قبل أن يكتب النموذج كلمة واحدة، وهذا بالضبط ما يمنحه القدرة على الامتناع عن الإجابة بدلاً من التظاهر بالمعرفة.
لماذا يختلف هذا عن fine-tuning
يغيّر fine-tuning ما "يعتقده" النموذج عبر إعادة تدريبه؛ عملية بطيئة وكثيفة الموارد يجب تكرارها كل مرة تتغيّر فيها ساعات عملك أو أسعارك أو سياساتك. أما RAG فلا يمسّ النموذج إطلاقًا. هو يغيّر فقط ما يُعرَض على النموذج لحظة طرح السؤال.
حدِّث مستندًا مصدريًا اليوم، وسيُجاب على السؤال التالي المتعلّق به من النسخة المحدَّثة فورًا؛ دون إعادة تدريب، ودون إعادة نشر، ودون انتظار. هذا الفارق وحده هو ما جعل RAG المعمارية الافتراضية لروبوتات المحادثة التي يجب أن تبقى دقيقة بشأن نشاط تجاري محدد ومتغيّر، لا معرفة عامة عن العالم.
لماذا تقلّل هذه البنية من الهلوسة بشكل جوهري
كلٌّ من هندسة الطلبات (prompt engineering) وإعادة التدريب تحاول جعل النموذج "يتصرّف بشكل أفضل" عبر التوجيه أو التدريب، لكن لا واحدة منهما تمنحك طريقة للتحقّق لاحقًا مما إذا كانت الإجابة مبنية فعلًا على شيء حقيقي. RAG يمنحك ذلك، لأن كل إجابة يمكن تتبّعها إلى مقاطع محدّدة تم استرجاعها.
هذه القابلية للتتبّع هي ما يجعل من الممكن مراجعة المسار الكامل للمحادثة — ما الذي تم استرجاعه، وما كانت تكلفته، وما الذي قيل فعلًا — من لوحة تحكم بدلاً من أن يبقى الأمر صندوقًا أسود. حين تبدو إجابة ما خاطئة، يمكنك أن ترى بالضبط ما وجده النظام (أو لم يجده) وتصحّح المحتوى المصدري، بدلاً من تخمين ما كان النموذج "يفكّر فيه".
أين تندرج التدفقات الموجّهة ضمن هذا كله
ليس من المفترض أن يُولَّد كل تفاعل من الصفر بواسطة النموذج؛ فحجز موعد أو تسجيل بيانات عميل محتمل يحتاج عادة إلى اتّباع الخطوات نفسها بدقة في كل مرة، سواء كانت المحادثة الأولى للنظام أو العاشرة آلاف. لهذا السبب، يعمل الحجز والاستقبال الأولي وجذب العملاء المحتملين عادة كتدفقات موجّهة: تسلسلات حتمية لا تعتمد على تخمين الذكاء الاصطناعي، ويتم تفعيلها بعبارة محدّدة.
إذا سأل الزائر سؤالًا غير متعلق في منتصف أحد هذه التدفقات، يجيب عليه RAG من المستندات، ثم يستأنف التدفق تمامًا من النقطة التي توقّف عندها. RAG والتدفقات الموجّهة ليسا نهجين متنافسين؛ بل أداتان تؤدي كل منهما الدور الذي تناسبه.
كيف تجعل محتوى نشاطك التجاري جاهزًا للاسترجاع الدقيق
تعتمد جودة الاسترجاع على ما تزوّد به النظام. بعض الممارسات ترفع دقة الاسترجاع باستمرار:
- دوّن سياساتك وأسعارك وساعات عملك في مكان يستطيع النظام الوصول إليه فعليًا، لا في ذهن موظف أو داخل محادثة جماعية داخلية.
- استخدم اللغة البسيطة والمباشرة نفسها التي يستخدمها عملاؤك فعلًا؛ فالاسترجاع يعتمد على المعنى، لكنه يحتاج دائمًا إلى الانطلاق من نص حقيقي.
- نظّم ملفات PDF الطويلة في أقسام واضحة بدلاً من كتلة نصية واحدة كثيفة.
- حدِّث المستند المصدري كلما تغيّر شيء؛ فلا توجد خطوة منفصلة اسمها "إعادة التدريب" عليك القلق بشأنها.
إذا أردت أن ترى مدى جاهزية محتوى موقعك لنظام من هذا النوع قبل أن تلتزم بأي شيء، فأداة Website AI-Readiness Checker المجانية من Yaragent تمنحك تقييمًا خلال دقائق قليلة، والخطة المجانية نفسها من Yaragent يستغرق إعدادها نحو عشر دقائق فقط، دون الحاجة إلى بطاقة ائتمانية.