التوليد المعزّز بالاسترجاع (RAG)
يجعل RAG النموذج يجيب عن أسئلة حول بياناتك — المستندات، أو قاعدة المعرفة، أو قاعدة الشيفرة — التي لم يُدرَّب عليها قط. الفكرة بسيطة: استرجع القطع ذات الصلة، ثم عزّز المطالبة بها، ثم ولّد إجابة مبنية على تلك القطع.
الحلقة
- فهرس بياناتك: قسّمها إلى مقاطع، وضمّنها، وخزّنها في فهرس متجهي (و/أو فهرس كلمات مفتاحية).
- استرجع أعلى المقاطع صلةً بالسؤال.
- عزّز: ضع تلك المقاطع في المطالبة مع تعليمة مثل "أجب فقط من السياق أدناه؛ وإن لم يكن موجودًا فيه، فقل ذلك."
- ولّد — والأفضل أن تستشهد بالمقطع الذي جاء منه كل ادّعاء.
لماذا RAG بدلًا من الضبط الدقيق؟
يُبقي RAG المعرفة حديثة (تحدّث البيانات، لا النموذج)، ويوفّر استشهادات، وهو أرخص بكثير من إعادة التدريب. ولمعظم احتياجات "أجب عن مستنداتي"، يكون الأداة الأولى الصحيحة — انظر الضبط الدقيق مقابل التوجيه مقابل RAG.
أنماط الفشل (حيث تموت جودة RAG)
- استرجاع سيئ = إجابة سيئة. إذا لم يُسترجع المقطع الصحيح، فلن يستطيع النموذج استخدامه. معظم مشكلات "RAG مخطئ" هي مشكلات استرجاع.
- تقطيع خشن/دقيق أكثر من اللازم — يدمّر الصلة (التضمينات).
- غياب تعليمة الربط — يمزج النموذج الحقائق المسترجعة بتخميناته الخاصة. أمره بالإجابة فقط من السياق والاعتراف بالثغرات.
- الحشو الزائد — تخفّف المقاطع غير ذات الصلة الإشارة وتستهلك توكنات. استرجع مقاطع قليلة عالية الجودة.
- غياب الاستشهادات — لا يمكنك التحقّق، فلا يمكنك الوثوق.
:::tip قيّم الاسترجاع على حدة قِس "هل استرجعنا المقطع الصحيح؟" بمعزل عن "هل أجاب النموذج جيدًا؟" فهذا يحدّد موقع المشكلة بسرعة. انظر التقييمات (Evals). :::