شرح مبسّط لتقنية RAG: كيف تُبقي مساعدك الذكي دقيقاً ومستنداً إلى مصادرك

إذا سبق لك البحث عن مساعد ذكاء اصطناعي لموقعك، فقد قيل لك بالتأكيد تقريباً إنه يعتمد تقنية RAG ليبقى دقيقاً. والتوليد المعزَّز بالاسترجاع (RAG) هو الطريقة الأكثر شيوعاً لجعل المساعد يجيب من محتوى شركتك بدلاً من الاعتماد على ما استوعبه النموذج اللغوي أثناء تدريبه. إنها تقنية مفيدة فعلاً، لكنها كثيراً ما تُسوَّق بأكثر مما تستحق.

الصيغة الصادقة بسيطة. تجعل تقنية RAG المساعد أكثر ميلاً إلى الصواب، وأسهل في التصحيح حين يخطئ. لكنها لا تجعله عاجزاً عن الخطأ. وفهم هذا الفرق هو جوهر الموضوع كله: فهو يغيّر ما تبنيه، وما تختبره، وما ينبغي أن تتوقعه في يوم سيئ لا في يوم جيد.

الإجابة المختصرة

• RAG يبحث قبل أن يكتب. عند وصول السؤال، يبحث النظام في محتواك المعتمد، ثم يطلب من النموذج اللغوي أن يجيب مستخدماً ما وجده فقط.
• الاستناد إلى المصادر يقلل الهلوسة ولا يلغيها. الإجابة المستندة مرتبطة بمصادر حقيقية، لكن النموذج قد يسيء القراءة، أو يفرط في التعميم، أو يملأ ثغرة لم يعثر الاسترجاع على ما يسدها.
• جودة الإجابة هي في الأساس جودة قاعدة المعرفة. المحتوى القديم أو المكرر أو المتناقض يُنتج إجابات واثقة لكنها خاطئة.
• معظم الأخطاء تبدأ عند الاسترجاع والتقطيع. إذا لم يُعثر على المقطع الصحيح، فلن يستطيع النموذج استخدامه مهما بلغت قدرته.
• ذكر المصادر وقول «لا أعرف» بوضوح ميزة لا نقطة ضعف. فهما يتيحان للمستخدمين التحقق من الإجابات، ويمنعان المساعد من الاختلاق.
• لا يمكنك إدارة ما لا تقيسه. فالتقييم وحواجز الحماية يحوّلان العرض التوضيحي الجيد إلى نظام موثوق.

ماذا يفعل RAG فعلاً، خطوة بخطوة

النموذج اللغوي بمفرده يجيب من ذاكرة ضبابية ومضغوطة لبيانات تدريبه. فلا معرفة موثوقة لديه بأسعارك أو سياساتك أو المنتج الذي أطلقته الشهر الماضي؛ ومع ذلك، إن سألته، فسيُنتج غالباً شيئاً معقولاً في ظاهره لكنه غير متحقق منه، وهو السلوك الذي نسميه الهلوسة.

يضع RAG خطوة بحث أمام خطوة الكتابة. وتحدث أربعة أشياء:

1. التحضير. يُقسَّم محتواك المعتمد (صفحات المنتجات والوثائق والسياسات ومقالات مركز المساعدة) إلى مقاطع، ويُخزَّن بحيث يمكن البحث فيه بالمعنى لا بالكلمة المفتاحية وحدها.
2. الاسترجاع. عندما يطرح الزائر سؤالاً، يجد النظام المقاطع الأوثق صلة بذلك السؤال تحديداً.
3. التعزيز. تُوضع تلك المقاطع في سياق عمل النموذج، مع تعليمات بالإجابة استناداً إلى المادة المقدَّمة.
4. التوليد. يكتب النموذج إجابة من المقاطع المسترجَعة، ويشير في الوضع الأمثل إلى مصدر المعلومة.

تخيّل مساعداً غير مسموح له بالإجابة من ذاكرته: في كل مرة يصل سؤال، عليه أولاً أن يذهب إلى خزانة ملفات، ويسحب الوثائق ذات الصلة، ويجيب فقط مما هو أمامه. عندئذٍ يتحول السؤال من «ماذا يعرف النموذج» إلى «ماذا يستطيع النظام أن يجد»، وهذا الثاني أمر يمكنك التحكم فيه فعلاً.

الاستناد إلى المصادر يقلل الهلوسة ولا يزيلها

الاستناد إلى المصادر (Grounding) هو القيد الذي يفرض أن تكون الإجابة مدعومة بالمادة المسترجَعة، وهو قيد قوي: فالمساعد المستند إلى صفحة أسعارك الحالية لن يخترع خصماً غير موجود، شرط أن ينجح الاسترجاع وأن تكون الصفحة صحيحة.

لكن الاستناد يضيّق أنماط الخطأ ولا يغلقها. فقد يخطئ المساعد بطرق لا علاقة لها بكون النموذج «غير ذكي»:

• الاسترجاع يُخطئ الهدف. إذا لم يُجلب المقطع ذو الصلة إطلاقاً، أجاب النموذج من ثغرة؛ فإما أن يتحفّظ وإما أن يخمّن.
• المصدر خاطئ. يعيد الاستناد إنتاج سياسة قديمة بالثقة نفسها التي يعيد بها إنتاج سياسة حالية. فالمساعد لا يصدق أكثر من الوثيقة التي وراءه.
• النموذج يتجاوز حدوده. حتى مع ثلاثة مقاطع صحيحة، قد يجمعها النموذج في ادعاء رابع لا يدعمه أيٌّ منها.
• السؤال ملتبس. جملة «هل هو مشمول؟» لا تعني شيئاً من دون معرفة الخطة والمنطقة والتاريخ. وقد يجلب الاسترجاع السياق الخاطئ لسؤال يبدو معقولاً.

أظهرت اختبارات مستقلة لأنظمة مستندة إلى المصادر في مجالات صعبة، مراراً، معدلات خطأ ذات دلالة حتى بعد إضافة الاسترجاع. والدرس ليس أن RAG يفشل، بل أنه يغيّر شكل المخاطرة: فأنت تنتقل من نظام يخترع الأمور بثقة إلى نظام يكون على صواب في الغالب ويخطئ أحياناً بطرق أضيق وأسهل اكتشافاً. تحسّن كبير، لكنه ليس صفراً بعد.

اقرأ أيضاً: هل قاعدة معرفتك جاهزة للذكاء الاصطناعي؟ تدقيق المحتوى في 12 نقطة

السلسلة بقوة أضعف حلقاتها

انظر إلى مساعد RAG بوصفه سلسلة لا مكوّناً ذكياً واحداً: أي خلل في أي حلقة يُنتج إجابة سيئة، ولكل حلقة إصلاح مختلف.

المرحلة	ما الذي قد يسوء	أين يكمن الإصلاح
المحتوى المصدري	مادة قديمة أو مكررة أو متناقضة	نظافة قاعدة المعرفة وملكيتها
التقطيع	مقاطع تُقسَّم في منتصف الفكرة أو تختلط بالضوضاء	كيفية تقسيم المحتوى ووسمه
الاسترجاع	عدم العثور على المقطع الصحيح أو ترتيبه في مرتبة متأخرة	إعدادات البحث والبيانات الوصفية
التوليد	إفراط النموذج في التعميم أو تجاهله للسياق	التعليمات واختيار النموذج والقيود
التقديم	لا مصدر ولا سلوك احتياطي ونبرة مفرطة الثقة	تصميم الواجهة وقواعد السلوك

تفترض معظم الفرق أن مشكلات الدقة تقع في الصفّين الأخيرين، أي أن العلة في النموذج. لكن في الواقع، تتسبب الصفوف الثلاثة الأولى في غالبية الأخطاء التي يمكن تفاديها، وهناك يؤتي الاهتمام ثماره.

نظافة قاعدة المعرفة: العمل الأقل بريقاً والأكثر أهمية

ما دام الاسترجاع لا يتجاوز جودة المحتوى الذي وراءه، فإن صيانة المحتوى ليست مهمة تؤديها قبل الإطلاق ثم تنساها، بل هي النشاط الأعلى مردوداً في النظام كله. وتشترك المعرفة النظيفة القابلة للاسترجاع في بضع سمات:

• مصدر أصلي واحد لكل معلومة. حين توجد السياسة نفسها في أربعة مواضع متباينة قليلاً، سيُظهر الاسترجاع الموضع الخاطئ عاجلاً أو آجلاً. وحّد المصادر، ثم احذف المكرر أو أعد توجيهه.
• محدَّث ومؤرَّخ. ينبغي أن تحمل كل وثيقة مهمة تاريخ آخر مراجعة ظاهراً ومسؤولاً عنها؛ فالمحتوى غير المؤرَّخ يتعفن بصمت.
• مُنظَّم. العناوين والفقرات القصيرة والجداول الحقيقية تصمد أمام التقطيع أفضل بكثير من النصوص الطويلة المتصلة أو النص المحبوس داخل الصور.
• موسوم ببيانات وصفية. تتيح وسوم مثل المنتج والمنطقة واللغة والإصدار للنظام أن يُرشّح قبل أن يسترجع، فلا يُجاب سؤال خاص بالسوق التركية من صفحة تخص السوق الأمريكية وحدها.
• خالٍ من التناقض. الوثيقتان المتعارضتان تُنتجان إجابتين متعارضتين، والتوفيق بينهما عمل محتوى لا عمل نموذج.

الكثير مما يبدو «مشكلة دقة في الذكاء الاصطناعي» هو في الحقيقة مشكلة محتوى متنكرة؛ فالمساعد يعيد بأمانة كل ما يجده.

التقطيع وجودة الاسترجاع بعبارات مفهومة

يستحق مصطلحان تقنيان التوضيح، لأن المزوّدين يستخدمونهما باستمرار.

التقطيع (Chunking) هو كيفية تقسيم محتواك إلى مقاطع. إن قطّعت بأجزاء صغيرة جداً، فقد المقطع السياق الذي منحه معناه؛ يقول «إنه مجاني» من دون أن يوضح ما «هو». وإن قطّعت بأجزاء كبيرة جداً، ذابت الجملة المهمة فعلاً وسط نص لا صلة له. يتبع التقطيع الجيد البنية الطبيعية للوثيقة، فيُبقي العنوان مع نصه والخطوة مع شرحها. لا يوجد حجم صحيح واحد؛ والمعيار الوحيد الحقيقي هو ما إذا كانت المقاطع المسترجَعة تُقرأ بوصفها إجابات كاملة قائمة بذاتها عن أسئلة حقيقية.

جودة الاسترجاع هي ما إذا كان النظام يجد فعلاً أفضل المقاطع لسؤال بعينه. وهو يفشل في اتجاهين: فأحياناً لا يُعاد المقطع الصحيح إطلاقاً (مشكلة تغطية/Recall)، وأحياناً تزاحم مقاطع لا صلة لها المقطعَ الجيد فتُقصيه (مشكلة دقة/Precision). وكلاهما قابل للإصلاح ببيانات وصفية وترشيح وترتيب أفضل، لكن فقط إذا كان أحدهم ينظر إلى ما يسترجعه النظام لا إلى الإجابات النهائية وحدها.

لذلك اطلب أن ترى المقاطع المسترجَعة وراء إجابات نموذجية، لا الإجابات وحدها: فإن جُلب المصدر الصحيح وظلت الإجابة خاطئة، فتلك مشكلة توليد؛ وإن جُلب المصدر الخاطئ، فلن تنقذه أي تعليمات.

اقرأ أيضاً: مساعدات الذكاء الاصطناعي متعددة اللغات: الدليل الشامل للعربية والتركية والإنجليزية

ذكر المصادر وشجاعة قول «لا أعرف»

يفصل سلوكان بين مساعد جدير بالثقة وآخر واثق فحسب.

الأول هو ذكر المصدر. حين تشير الإجابة إلى المصدر الذي استخدمته، يستطيع المستخدم التحقق منها في ثوانٍ، ويستطيع فريقك تتبّع إجابة سيئة حتى وثيقة بعينها. كما يصعب اختلاق إجابة مطالَبة بذكر مصدرها؛ فذكر المصادر ليس زينة بل هو أثر التدقيق.

والثاني هو «لا أعرف» حقيقية. المساعد الذي يُنتج إجابة دائماً ليس واثقاً، بل عاجزاً عن رصد شكّه في نفسه. أما النظام المصمَّم جيداً فيدرك حين لا يُرجع الاسترجاع شيئاً مفيداً، فيقول ذلك، ثم يعرض خطوة تالية منطقية: رابطاً، أو تحويلاً إلى موظف، أو سؤالاً توضيحياً. والزائر الذي يُقال له «لم أستطع تأكيد ذلك، وهذا من يستطيع» يثق بالنظام أكثر لا أقل ممن يُقدَّم له تخمين سلس.

التقييم: كيف تعرف أنه يعمل فعلاً

يُظهر العرض التوضيحي المساعد في أفضل أيامه. أما التقييم فيُظهر كيف يتصرف أمام الأسئلة الفوضوية والملتبسة والخارجة عن نطاقه التي سيطرحها الزوار الحقيقيون. وأنفع المقاييس:

المقياس	السؤال الذي يجيب عنه	لماذا يهم
الأمانة	هل تبقى الإجابة ضمن ما تقوله المصادر فعلاً؟	يلتقط الإضافات الواثقة التي لا تدعمها الوثائق
ملاءمة الإجابة	هل تعالج الإجابة ما سأل عنه الزائر فعلاً؟	يلتقط الإجابات الصحيحة تقنياً لكن غير المفيدة
تغطية الاسترجاع	هل جلب النظام المقطع اللازم للإجابة؟	يفصل ثغرات المحتوى عن أخطاء النموذج

لا تحتاج إلى إطار عمل معقّد للبدء. أنشئ مجموعة من الأسئلة الحقيقية، تشمل الصعبة والملتبسة والخارجة عن النطاق عمداً، مع إجابات صحيحة معروفة. شغّلها قبل الإطلاق، وأعِد تشغيلها كلما تغيّر المحتوى أو الإعدادات. هكذا تكتشف أن تحديثاً «صغيراً» للمحتوى أفسد عشرين إجابة بصمت، قبل أن يكتشفه عملاؤك.

اقرأ أيضاً: ما التكلفة الحقيقية لمساعد ذكاء اصطناعي على موقعك؟ ورقة عمل التكلفة الإجمالية

حواجز الحماية حول النموذج

يخبرك التقييم كيف يتصرف النظام في الاختبار؛ أما حواجز الحماية فتقيّد كيف يتصرف مباشرةً حين يصل سؤال لم يتوقعه أحد. ومن المعقول منها:

• حدود النطاق. قواعد واضحة بشأن الموضوعات التي لن يخوض فيها المساعد، ورفض لبق بدلاً من إجابة مرتجلة.
• توجيه الموضوعات الحساسة. معالجة محددة مسبقاً وحتمية للأسئلة القانونية أو الطبية أو المالية أو المتعلقة بالسلامة، بدلاً من إجابة مولَّدة.
• سلوك احتياطي قائم على الثقة. حين يكون الاسترجاع ضعيفاً، ينبغي للنظام أن يحوّل أو يطرح سؤالاً توضيحياً بدلاً من المضي قُدماً.
• مقاومة الحقن. ينبغي ألا يتمكن المحتوى ولا الزوار من إقناع المساعد بالتخلي عن تعليماته.
• قابلية المراقبة. ينبغي أن يستطيع فريقك مراجعة المحادثات والمقاطع المسترجَعة والإخفاقات من دون كشف بيانات شخصية غير ضرورية.

ما الذي ينبغي أن تسأل المزوّد عنه؟

تجاوز الإجابات المصقولة واختبر النظام المحيط بها:

1. أرِني المصادر. لإجابة نموذجية، هل يمكنك عرض المقاطع التي استرجعها بالضبط ومن أين جاءت؟
2. كيف يُحدَّث المحتوى؟ من ينشر التغييرات، وبأي سرعة تدخل حيّز التنفيذ، وكيف تُعالَج المكررات والصفحات القديمة؟
3. ماذا يحدث حين لا تكون الإجابة في قاعدة المعرفة؟ أرِني سلوك «لا أعرف» والمسار الاحتياطي.
4. كيف يُضبط الاسترجاع بحسب السوق؟ هل يستطيع الترشيح بحسب اللغة والمنطقة والإصدار حتى لا تظهر إجابة السوق الخاطئة أبداً؟
5. كيف تقيّمون الجودة؟ هل ثمة مجموعة اختبار قابلة للتكرار أستطيع إضافة أسئلتي الصعبة إليها؟
6. ما حواجز الحماية للموضوعات الحساسة؟ أي الموضوعات تُعالَج بشكل حتمي بدلاً من توليدها؟
7. هل نراه يتعامل مع الفشل بصورة سليمة؟ اطرح شيئاً خارج النطاق وراقب هل يرفض بلباقة أم يراوغ.

إجابات هذه الأسئلة تخبرك بأكثر كثيراً من أي نسبة دقة على شريحة عرض.

المساعد المستند إلى المصادر يحتاج إلى صيانة مستمرة

RAG هو الأساس الصحيح لمساعد موقع دقيق، لكنه ليس أساساً من نوع «اضبطه وانسَه». فهو ينقل سؤال الدقة من ذاكرة النموذج المبهمة إلى قاعدة معرفتك وإعدادات الاسترجاع والتقييم لديك؛ أي إلى أماكن تستطيع فحصها وتصحيحها وتحسينها مع الوقت. وهذا بالضبط حيث تريده أن يكون.

في Orbitra، نبني مساعدات الذكاء الاصطناعي للمواقع حول إجابات مستندة إلى المصادر، واستشهادات واضحة، وسلوك احتياطي صادق، وتقييم يبقيها موثوقة بالإنجليزية والتركية والعربية. وإذا كنت تفكر في كيفية إبقاء مساعد دقيقاً على محتواك الخاص، فيمكننا مساعدتك على رسم خريطة قاعدة المعرفة وأول مجموعة تقييم قبل أن تلتزم بمنصة.