ما هو RAG؟ كيف يتوقف الذكاء الاصطناعي عن التخمين ويبدأ بالاستشهاد

ما هو RAG فعليًا

نموذج اللغة بمفرده يشبه امتحانًا بكتاب مغلق. كل ما يمكنه إخبارك به كان ثابتًا عند انتهاء تدريبه، وسؤاله عن عقدك أو قاعدة الأكواد الخاصة بك أو أخبار الأمس يمنحك رفضًا أو تخمينًا واثقًا. صفحة لماذا يخطئ الذكاء الاصطناعي تتناول مشكلة التخمين بالتفصيل.

يحوّل RAG امتحان الكتاب المغلق إلى امتحان كتاب مفتوح. فقبل أن يكتب النموذج إجابته، يبحث النظام في مصدر معرفي، كملفاتك المرفوعة أو ويكي الشركة أو الويب المباشر، ويستخرج الفقرات الأكثر صلة، ثم يلصقها في الطلب إلى جانب سؤالك. بعد ذلك يجيب النموذج من هذا النص المسترجَع بدلًا من الاعتماد على الذاكرة وحدها.

هذه هي الفكرة كلها. الاسم مخيف، لكن الآلية هي "ابحث أولًا". وكل ما عدا ذلك في هندسة RAG يتعلق بجعل خطوة البحث تعثر على الفقرات الصحيحة.

لماذا تحتاج النماذج إلى خطوة استرجاع من الأساس

قيدان صارمان يخلقان هذه الحاجة.

التدريب له تاريخ انتهاء. النموذج المدرَّب حتى بداية 2026 لا يعرف شيئًا حدث بعد ذلك، وإعادة تدريب نموذج متقدّم مشروع يستغرق شهورًا ومكلف للغاية. الاسترجاع هو ما يتيح لمنتج ذكاء اصطناعي الإجابة عن إعلان صدر هذا الصباح دون أن يعيد أحد تدريب أي شيء.

بيانات التدريب كانت عامة. فواتيرك وتذاكرك ومستنداتك الداخلية لم تكن جزءًا منها أبدًا، ولا يمكن لأي صياغة ذكية للطلب أن تستعيد معلومات لم يرها النموذج قط. الاسترجاع هو الطريقة الوحيدة التي تتيح لنموذج عام الإجابة من بيانات خاصة.

وهناك سبب ثالث أكثر دقة: التثبيت (grounding). فحين يجب أن تأتي الإجابة من فقرة مُقدَّمة، يمكن للنموذج أن يستشهد بمصدرها، ويمكنك أنت التحقق منه. أما الإجابة المُنتجة من الذاكرة فلا تقدّم شيئًا للتحقق منه، وهذا بالضبط هو نمط الفشل الذي يجعل الهلوسة خطيرة.

كيف يعمل خط أنابيب RAG، خطوة بخطوة

كل نظام RAG، من ميزة الدردشة مع ملف PDF إلى منتج بحث على مستوى الشركات، يمر بالخطوات الخمس نفسها.

1. التجزيء (Chunking). تُقسَّم المستندات المصدر إلى فقرات، غالبًا بضع مئات من الكلمات لكل واحدة، لأن الاسترجاع يعمل على الفقرات لا على الملفات كاملة.
2. الفهرسة (Indexing). تُحوَّل كل فقرة إلى تمثيل رقمي (embedding)، وهو قائمة أرقام تمثّل معناها، وتُخزَّن في قاعدة بيانات متجهية بحيث تقترب المعاني المتشابهة من بعضها.
3. الاسترجاع (Retrieval). يُحوَّل سؤالك إلى تمثيل رقمي بالطريقة نفسها، ويستخرج النظام الفقرات الأقرب إليه، وعادة ما تكون من 3 إلى 10 فقرات.
4. الإضافة (Augmentation). تُدرَج هذه الفقرات في الطلب، مغلّفة بتعليمات مثل "أجب فقط من السياق أدناه".
5. التوليد (Generation). يكتب النموذج الإجابة من الطلب المُعزَّز، ويُفضَّل أن يستشهد بالفقرة التي دعمت كل زعم.

حين ترفع مستندًا طويلًا إلى أداة دردشة وتطرح أسئلة عنه، فإن نسخة من هذا هو ما يعمل في الخلفية. دليل الدردشة مع ملف PDF يوضّح كيف يبدو ذلك عمليًا داخل Whizi.

RAG مقابل السياق الطويل مقابل الضبط الدقيق

يُخلط بين هذه الثلاثة لأن كل واحدة منها "تعلّم النموذج عن بياناتك". لكنها تفعل ذلك بطرق غير متوافقة.

الاقتصاد هو ما يحدد الاختيار أكثر من النظرية. نافذة سياق بحجم مليون رمز (token)، التي توفرها الآن نماذج متقدمة مثل Gemini وعائلة GPT-5.6، تستوعب نحو 1,500 صفحة، أي أنك تستطيع فعلًا لصق دليل كامل. لكن بمعدل GPT-5.6 Terra البالغ $2 لكل مليون رمز إدخال، فإن إرسال 300,000 رمز من الدليل مع كل سؤال يكلّف نحو $0.60 للسؤال، في حين أن استرجاع الـ 2,000 رمز الصحيحة يكلّف أقل من نصف سنت. اطرح ثلاثة أسئلة ويصبح السياق الطويل أغلى بمئة مرة للحصول على الإجابات نفسها. صفحة ما هي نافذة السياق تشرح هذا القيد الأساسي.

الضبط الدقيق هو الحالة الشاذة: فهو يغيّر سلوك النموذج، لا معرفته. تستخدمه الفرق للأسلوب وتنسيق المخرجات، ثم تضيف RAG مع ذلك من أجل الحقائق.

أين تستخدم RAG فعلًا دون أن تلاحظ

البحث على الويب في روبوتات الدردشة. حين يبحث ChatGPT أو Gemini أو Perplexity في الويب ويجيب مع روابط، فهذا هو RAG باستخدام الإنترنت كمصدر معرفي.

الدردشة مع ملفاتك. ارفع ملف PDF واطرح أسئلة: التجزيء والتمثيل الرقمي والاسترجاع تعمل جميعها في الخلفية لأي مستند طويل بحيث لا يناسب السياق بسهولة.

روبوتات دعم العملاء. تلك التي تجيب من مركز مساعدة حقيقي وتستشهد بالمقالة هي أنظمة RAG. أما تلك التي تخترع الإجابات فليست كذلك، والفرق واضح.

مساعدو الذكاء الاصطناعي الذين يجيبون عن الأحداث الجارية. أي إجابة صحيحة عن شيء وقع بعد تاريخ انتهاء تدريب النموذج جاءت عبر الاسترجاع، لا الذاكرة.

أين يفشل RAG، وكيف تكشف ذلك

يقلّل RAG من الهلوسة، لكنه لا يزيلها، ويضيف أنماط فشل خاصة به.

إخفاق الاسترجاع. إذا استخرجت خطوة البحث فقرات خاطئة، يجيب النموذج بسلاسة من سياق غير ذي صلة. العلامة: إجابة تستشهد بمستندك لكنها تتناول سؤالًا مختلفًا قليلًا.

الفهارس القديمة. قاعدة البيانات المتجهية لا تعرف المستندات إلا بحالتها في آخر فهرسة. نظام RAG المبني على سياسات الفصل الماضي يعطي إجابات قديمة بثقة مع استشهادات مرفقة، وهذا أكثر إقناعًا من الهلوسة الصريحة، ولذلك هو أسوأ.

المصادر المتناقضة. حين تتعارض الفقرات المسترجَعة، تميل النماذج إلى دمجها في فقرة واحدة سلسة وخاطئة بدل الإشارة إلى التعارض.

الدفاع العملي هو نفسه بالنسبة لأي إجابة من الذكاء الاصطناعي: تحقق من الفقرة المستشهد بها، لا من وجود الاستشهاد فقط. إجابة RAG التي لا يقول مصدرها فعليًا ما تزعمه هي الفشل الجاد الأكثر شيوعًا في الأنظمة الإنتاجية.