ما هو RAG (التوليد المعزَّز بالاسترجاع)

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هو RAG (التوليد المعزَّز بالاسترجاع)

تخيّل طالبًا يؤدّي امتحانًا مفتوح الكتاب. بدلًا من الإجابة عن كل سؤال من الذاكرة وحدها، يتصفّح الطالب كتابًا مدرسيًا، ويجد أكثر الصفحات صلةً، ويقرأها، ثم يكتب إجابةً تجمع المعرفة المُتذكَّرة بحقائق مُستجَدّة. يعمل التوليد المعزَّز بالاسترجاع (Retrieval-Augmented Generation, RAG) بالطريقة نفسها لنموذج لغوي كبير. لا يعتمد النموذج على ما حفظه أثناء التدريب وحده — بل يبحث أوّلًا في قاعدة معرفة خارجية، ويسترجع أكثر المستندات صلةً، ويستخدمها سياقًا إضافيًا عند توليد استجابته.

تهمّ هذه التقنية لأن حتى أقوى النماذج اللغوية الكبيرة (LLMs) لها تاريخ قطع معرفة، ويمكن أن "تهلوس" (تنتج عبارات معقولة لكنها غير صحيحة)، وقد تفتقر إلى معرفة نطاق متخصّصة. يعالج RAG هذه النقاط الضعيفة الثلاث دفعةً واحدة بمنح النموذج وصولًا إلى مصادر مُحدَّثة وخاصّة بالنطاق وقابلة للتحقّق في كل مرّة يجيب فيها عن سؤال.

باختصار: RAG نمط معماري يجمع نظام استرجاع مع نموذج لغوي كبير. إنه ليس نوع نموذج منفصلًا — إنه طريقة للعمل مع المعرفة والسياق الخارجيين.

كيف يعمل

يتبع خط أنابيب RAG تسلسلًا واضحًا من خمس خطوات. يساعد فهم كل خطوة على تقييم ما إذا كان مشروع يدّعي RAG يمتلك طبقة استرجاع عاملة فعلًا أم أنه يكتفي بتغليف استدعاء LLM قياسي.

الخطوة 1 — استعلام المستخدم

تبدأ العملية عندما يقدّم المستخدم سؤالًا أو أمرًا أو مُحفِّزًا. هذا الاستعلام هو نقطة الانطلاق لكل ما يتبع. على سبيل المثال، قد يسأل المستخدم: "ما كانت أهمّ مقترحات الحوكمة على Ethereum في الشهر الماضي؟" لا يحاول النظام الإجابة من ذاكرة LLM وحدها — بل يعامل الاستعلام بوصفه تعليمات بحث.

الخطوة 2 — تضمين الاستعلام

يُحوَّل استعلام النصّ الخام إلى تمثيل رقمي يُسمّى التضمين (embedding) — متجه أرقام يلتقط المعنى الدلالي للاستعلام. تستخدم هذه الخطوة نموذج تضمين متخصّصًا (مثل text-embedding-ada-002 من OpenAI أو بديل مفتوح المصدر مثل E5 أو BGE). يتيح المتجه الناتج للنظام أداء البحث الدلالي — إيجاد المستندات بالمعنى بدلًا من المطابقة الحرفية للكلمات المفتاحية.

الخطوة 3 — الاسترجاع من قاعدة المعرفة

يُقارَن تضمين الاستعلام بـقاعدة بيانات متجهات (تُسمّى أيضًا مخزن متجهات) تحتفظ بتضمينات محسوبة مسبقًا للمستندات أو المقاطع أو كتل البيانات. تعيد قاعدة البيانات أكثر العناصر تشابهًا دلاليًا (top-k). تشمل قواعد بيانات المتجهات الشائعة Pinecone وWeaviate وQdrant وMilvus وChroma.

تعتمد جودة الاسترجاع على عدّة عوامل:

استراتيجية التقطيع (Chunking) — كيف قُسِّمت المستندات الأصلية إلى قطع أصغر. القطع الكبيرة جدًا تُخفِّف الصلة؛ والقطع الصغيرة جدًا تفقد السياق. إيجاد حجم القطعة الصحيح أحد أكثر القرارات الهندسية تأثيرًا في خط أنابيب RAG.
نموذج التضمين — مدى دقّة التقاط المعنى في المتجهات. نموذج تضمين ضعيف يؤدّي إلى استرجاع ضعيف بغضّ النظر عن قاعدة البيانات.
ترتيب الصلة — ما إذا كان البحث يعيد نتائج ذات صلة حقيقية أم متشابهة سطحيًا فقط. تضيف بعض الأنظمة خطوة إعادة ترتيب تستخدم مُرمِّزًا متقاطعًا (cross-encoder) لإعادة تسجيل النتائج الأوّلية.

الخطوة 4 — حقن السياق

تُدمَج المستندات المُسترجَعة مع استعلام المستخدم الأصلي في مُحفِّز واحد (يُسمّى أحيانًا "مُحفِّزًا معزَّزًا") يُرسَل إلى LLM. يوجّه المُحفِّز عادةً النموذج للإجابة عن السؤال باستخدام السياق المُقدَّم وللإشارة عندما لا يحتوي السياق على معلومات كافية.

الخطوة 5 — توليد LLM والمُخرَج

يقرأ LLM المُحفِّز المعزَّز ويولّد استجابةً متأصّلة في كلٍّ من معرفته المُدرَّبة مسبقًا والأدلّة المُسترجَعة. قد يتضمّن نظام RAG مُصمَّم جيّدًا أيضًا طبقة استشهاد تربط أجزاء الإجابة بمستندات مصدر محدّدة، ما يمنح المستخدم طريقةً للتحقّق من الادعاءات.

المرحلة	المدخل	المُخرَج	المكوّن الأساسي
الاستعلام	نصّ المستخدم	استعلام خام	واجهة المستخدم
التضمين	استعلام خام	متجه الاستعلام	نموذج التضمين
الاسترجاع	متجه الاستعلام	مستندات ذات صلة	قاعدة بيانات المتجهات
حقن السياق	الاستعلام + المستندات	مُحفِّز معزَّز	قالب المُحفِّز
التوليد	مُحفِّز معزَّز	الإجابة النهائية	LLM

لماذا يهمّ RAG

يعالج RAG ثلاثة قيود معروفة جيّدًا لنماذج LLM المستقلّة:

الهلوسات. يمكن لنماذج LLM أن تنتج إجابات واثقة لكنها غير صحيحة. يقلّل RAG هذا بتأصيل الاستجابات في مستندات فعلية. عندما يستطيع النموذج الإشارة إلى مقطع محدّد، تنخفض مخاطرة الاختلاق بشكل كبير.
المعرفة القديمة. للنموذج المُدرَّب مسبقًا تاريخ قطع معرفة. يتيح RAG الوصول إلى بيانات حديثة ومُحدَّثة باستمرار — يمكن تحديث قاعدة بيانات خارجية يوميًا أو حتى في الزمن الحقيقي.
خصوصية النطاق. الضبط الدقيق لنموذج LLM لنطاق ضيّق مكلف ويستغرق وقتًا. يتيح RAG لنموذج عام الغرض العمل مع قواعد معرفة متخصّصة دون إعادة تدريب، ما يجعل نشر التطبيقات الخاصّة بالنطاق أسرع وأرخص.

RAG مقابل الضبط الدقيق

يهدف كلٌّ من RAG والضبط الدقيق (fine-tuning) إلى تحسين أداء نموذج LLM في مهام محدّدة، لكنهما يعملان بطرق مختلفة جوهريًا.

الجانب	RAG	الضبط الدقيق
متى تُضاف المعرفة	وقت الاستدلال (كل استعلام)	وقت التدريب (مرّةً واحدة، ثم ثابتة)
كلفة التحديث	منخفضة — حدّث قاعدة المعرفة	عالية — أعِد التدريب أو الضبط الدقيق للنموذج
حداثة المعرفة	يمكن أن تكون شبه آنية	مُجمَّدة عند قطع التدريب
يتطلّب بنية تحتية للتدريب	لا	نعم (وحدات GPU، مجموعات بيانات، خط أنابيب تدريب)
الأنسب لـ	الاستدعاء الواقعي، أسئلة وأجوبة الوثائق	الأسلوب، النبرة، الصيغة، تحسين المهام الضيّقة
القابلية للتدقيق	عالية — يمكن تسجيل المصادر المُسترجَعة	منخفضة — المعرفة مُضمَّنة في الأوزان

عمليًا، تجمع كثير من أنظمة الإنتاج بين الاثنين: يوفّر نموذج مضبوط دقيقًا النبرة وسلوك المهمّة الصحيحين، بينما يوفّر RAG تأصيلًا واقعيًا مُحدَّثًا.

أنماط RAG المتقدّمة

خط الأنابيب الأساسي من خمس خطوات الموصوف أعلاه يُسمّى أحيانًا RAG الساذج (naive RAG). مع نضوج التقنية، طوّر المهندسون أنواعًا أكثر تطوّرًا:

RAG متعدّد الخطوات (التكراري). بدلًا من الاسترجاع مرّةً واحدة، يسترجع النظام، ويولّد إجابةً وسيطة، ويحدّد ثغرات المعرفة، ويسترجع مجدّدًا باستعلام مُنقَّح، ويكرّر حتى تكون الإجابة كاملةً بما يكفي. يتعامل هذا النهج مع الأسئلة المعقّدة التي لا يمكن الإجابة عنها من تمريرة استرجاع واحدة.
RAG الوكيلي (Agentic RAG). تُغلَّف خطوة الاسترجاع داخل إطار عمل وكيل ذكاء اصطناعي. يقرّر الوكيل متى يسترجع، وأي قاعدة معرفة يستعلم، وما إذا كان يعيد صياغة الاستعلام، ومتى يمتلك سياقًا كافيًا لتوليد إجابة نهائية. يطمس هذا النمط الخطّ بين RAG والوكلاء المستقلّين.
البحث الهجين. الجمع بين البحث الدلالي القائم على المتجهات والبحث التقليدي بالكلمات المفتاحية (BM25) في خطوة الاسترجاع نفسها. يلتقط البحث الهجين المطابقات القائمة على المعنى والقائمة على المصطلحات معًا، ما يحسّن الاستدعاء للاستعلامات التي تحتوي على مصطلحات تقنية محدّدة أو أسماء علم.
Graph RAG. بدلًا من قطع مستندات مسطّحة، تُهيكَل قاعدة المعرفة بوصفها رسمًا بيانيًا للمعرفة (knowledge graph) — كيانات وعلاقات. يتبع الاسترجاع حواف الرسم البياني بدلًا من (أو إضافةً إلى) تشابه المتجهات، ما يتيح الاستدلال متعدّد القفزات على البيانات المنظَّمة. تهمّ هذه الأنماط للتقييم: مشروع يصف خط أنابيب graph-RAG باسترجاع تكراري يقدّم ادعاءً أكثر تحديدًا (وأصعب تزييفًا) من مشروع يقول ببساطة "نحن نستخدم RAG".

أمثلة من العالم الحقيقي على RAG

RAG ليس مفهومًا نظريًا — إنه يشغّل بعضًا من أكثر منتجات الذكاء الاصطناعي استخدامًا اليوم.

Bing Chat (Microsoft Copilot). عندما تسأل Bing Chat سؤالًا، يبحث في الويب، ويسترجع الصفحات ذات الصلة، ويستخدمها سياقًا لإجابة LLM. الاستشهادات المُدمَجة التي تراها في الاستجابة نتيجة مباشرة لخطوة الاسترجاع.
Perplexity. بُنِيَ Perplexity حول معمارية RAG: يطلق كل استعلام مستخدم بحثًا في الويب، وتُغذَّى النتائج إلى LLM، وتتضمّن الإجابة مراجع مصدر مُرقَّمة. يمكن للمستخدم النقر للتحقّق من كل ادعاء.
مساعدو المعرفة المؤسّسيون. تستخدم الشركات أنظمة RAG داخلية لتتيح للموظّفين الاستعلام عن سياسات الموارد البشرية، أو وثائق الهندسة، أو العقود القانونية باستخدام اللغة الطبيعية. تبحث طبقة الاسترجاع في مخزن مستندات الشركة الداخلي بدلًا من الويب المفتوح. تُظهِر هذه الأمثلة أن RAG تقنية سائدة. عندما يقول مشروع ذكاء اصطناعي للعملات المشفرة "نحن نستخدم RAG"، فالسؤال ليس ما إذا كان RAG تقنيةً حقيقية بل ما إذا كان تطبيق المشروع المحدّد سليمًا: أي بيانات تُسترجَع، وكيف تُفهرَس، وما إذا كانت جودة الاسترجاع قد قُيِست.

لماذا يظهر RAG في مشاريع الذكاء الاصطناعي للعملات المشفرة

تستخدم كثير من مشاريع الذكاء الاصطناعي للعملات المشفرة RAG أو تدّعي استخدامه في معمارياتها. تشمل حالات الاستخدام الشائعة:

مساعدو الوثائق — استرجاع وثائق البروتوكول، أو الأوراق البيضاء، أو مقترحات الحوكمة للإجابة عن أسئلة المستخدمين بشأن قواعد بروتوكول أو معاملاته.
أدوات استخبارات العملات المشفرة — سحب بيانات السوق الآنية، أو الأحداث على السلسلة، أو المقالات الإخبارية لتوليد ملخّصات تحليل أو تنبيهات.
قواعد المعرفة للوكلاء — بناء مستودعات منظَّمة يمكن لـوكلاء الذكاء الاصطناعي الاستعلام عنها قبل التصرّف، ما يضمن استنارة القرارات بأحدث البيانات.
تأصيل البيانات على السلسلة — ربط طبقة الاسترجاع بمفهرسات البلوك تشين ليتمكّن LLM من الإجابة عن أسئلة حول أرصدة المحافظ، أو تواريخ المعاملات، أو حالات العقود الذكية بمعلومات حالية بدلًا من لقطات وقت التدريب.

تشمل قيم مكوّن الذكاء الاصطناعي النموذجية في بطاقات مشاريع DecAIHub التي تتضمّن أنماط RAG: "3D AI agents (RAG/memory/LLM catalog)"، و"AI summaries + crypto intelligence terminal"، و"AgentData (real-time data streams for AI agents)".

RAG ليس نموذجًا

سوء فهم شائع هو معاملة RAG بوصفه نوع نموذج ذكاء اصطناعي. إنه ليس كذلك. RAG نمط معماري — طريقة للجمع بين نظام استرجاع ونموذج LLM. يمكن أن يكون النموذج داخل خط أنابيب RAG هو GPT، أو DeepSeek، أو Mistral، أو أي نموذج LLM آخر. ويمكن أن يكون مكوّن الاسترجاع قاعدة بيانات متجهات، أو واجهة بحث API، أو رسمًا بيانيًا منظَّمًا للمعرفة.

قول "نحن نستخدم RAG" يخبرك بكيفية تنظيم النظام. وهو لا يخبرك بأي نموذج يُستخدَم، أو ما إذا كان مملوكًا، أو مدى جودة الاسترجاع. يمكن لمشروعين أن يدّعيا كلاهما RAG بينما يمتلكان مستويات تطوّر متباينة للغاية — أحدهما بقاعدة معرفة منظَّمة بعناية وتضمينات مخصّصة، والآخر بنموذج أوّلي مُجمَّع على عجل نادرًا ما يعيد مستندات ذات صلة.

ما لا يثبته RAG

استخدام RAG لا يثبت أن نموذج LLM الأساسي مملوك أو مضبوط دقيقًا. قد يستدعي المشروع API طرف ثالث.
بناء خط أنابيب RAG لا يثبت أن جودة الاسترجاع عالية. تعتمد الجودة على قاعدة المعرفة، واستراتيجية التقطيع، ونموذج التضمين، وصلة البحث.
امتلاك معمارية RAG لا يثبت أن الإجابات دقيقة. يمكن للاسترجاع الضعيف أن يغذّي سياقًا غير ذي صلة، وقد يهلوس LLM رغم ذلك.
ذكر RAG على صفحة هبوط لا يثبت أن النظام يؤدّي الاسترجاع فعلًا. دون أدلّة Tier-1 — كود، مخطّطات معمارية، سجلّات عروض توضيحية — يبقى الادعاء غير مُتحقَّق منه. عند تقييم مشروع ذكاء اصطناعي للعملات المشفرة يدّعي RAG، ابحث عن التفاصيل المحدّدة: أي قاعدة معرفة تُبحَث، وأي نموذج تضمين يُستخدَم، وكيف تُقاس الصلة، وما إذا كانت أي مقاييس جودة قد نُشِرت.

أين يظهر في بطاقات مشاريع DecAIHub

يُشار إلى RAG عادةً في حقل AI component — إمّا مباشرةً أو عبر أوصاف تشير ضمنًا إلى خط أنابيب استرجاع-ثم-توليد. يتحقّق علم AI_1 ممّا إذا كان مكوّن الذكاء الاصطناعي موصوفًا بتحديد كافٍ. مجرّد كتابة "RAG" غير كافٍ؛ ينبغي أن تشرح البطاقة ما الذي يُسترجَع، ومن أين، ولأي غرض.

لا تخلط بين

LLM — محرّك التوليد داخل خط أنابيب RAG. يضيف RAG الاسترجاع فوقه.
التدريب — RAG نمط وقت الاستدلال. لا يعيد تدريب النموذج؛ بل يعزّز المُحفِّز بسياق مُسترجَع.
وكيل الذكاء الاصطناعي — قد يستخدم الوكيل RAG بوصفه إحدى أدواته، لكن RAG وحده لا يجعل النظام وكيلًا.
الضبط الدقيق — يعدّل الضبط الدقيق أوزان النموذج أثناء مرحلة تدريب. يحقن RAG معرفةً خارجية وقت الاستدلال دون تعديل النموذج.
طبقة الاسترجاع / المعرفة — مكوّن الاسترجاع نصف RAG. يضيف RAG خطوة التوليد فوق الاسترجاع الصرف.

الأسئلة الشائعة

ما الفرق بين RAG والضبط الدقيق؟

الضبط الدقيق يغيّر أوزان النموذج بشكل دائم بتدريبه على مجموعة بيانات متخصّصة. تصبح المعرفة الجديدة جزءًا من النموذج نفسه. أمّا RAG فيترك النموذج دون مساس ويوفّر بدلًا من ذلك مستندات ذات صلة وقت الاستعلام. الضبط الدقيق أفضل لتعليم نموذج أسلوبًا أو صيغة مهمّة جديدة؛ وRAG أفضل لإبقاء الإجابات متأصّلة في حقائق حديثة وقابلة للتحقّق. تستخدم كثير من أنظمة الإنتاج كليهما — يتعامل النموذج المضبوط دقيقًا مع النبرة والصيغة بينما يوفّر RAG تأصيلًا واقعيًا مُحدَّثًا.

هل يجعل RAG نماذج LLM أكثر دقّة؟

يمكن لـ RAG أن يقلّل الهلوسات بشكل كبير بتأصيل مُخرَج النموذج في أدلّة مُسترجَعة. لكن الدقّة تعتمد على جودة الاسترجاع. إذا أعاد نظام الاسترجاع مستندات غير ذات صلة أو قديمة، فقد ينتج LLM إجابات خاطئة بثقة — مدعومةً الآن بالأدلّة الخاطئة. يرفع RAG سقف الدقّة لكنه لا يضمنها. قياس دقّة الاسترجاع واستدعائه ضروري لأي نشر RAG جدّي.

ما هي قاعدة بيانات المتجهات؟

قاعدة بيانات المتجهات مخزن بيانات متخصّص مصمّم للاحتفاظ بمتجهات رقمية عالية الأبعاد (تضمينات) والبحث فيها. عند تقديم تضمين استعلام، تؤدّي قاعدة البيانات بحث تشابه — عادةً باستخدام خوارزميات مثل HNSW أو IVF — لإيجاد أقرب المتجهات المطابقة. يتيح هذا البحث الدلالي: إيجاد المستندات بالمعنى بدلًا من المطابقة الحرفية للكلمات المفتاحية. تشمل قواعد بيانات المتجهات الشائعة Pinecone وWeaviate وQdrant وMilvus وChroma.

كيف يُستخدَم RAG في مشاريع الذكاء الاصطناعي للعملات المشفرة؟

تستخدم مشاريع الذكاء الاصطناعي للعملات المشفرة RAG لربط نماذج LLM ببيانات خاصّة بالبلوك تشين: وثائق البروتوكول، ومقترحات الحوكمة، وتواريخ المعاملات على السلسلة، وتغذيات الأسعار الآنية، وكود مصدر العقود الذكية. تبحث طبقة الاسترجاع في هذه المصادر المتخصّصة ليتمكّن LLM من الإجابة عن أسئلة خاصّة بالنطاق ببيانات حالية بدلًا من الاعتماد على معرفة تدريب قديمة. تتفاوت جودة هذه الأنظمة على نطاق واسع — من قواعد معرفة منظَّمة وجيّدة الفهرسة إلى إعدادات ضئيلة تسترجع سياقًا مفيدًا قليلًا.

هل يمكن أن يعمل RAG مع البيانات على السلسلة؟

نعم. يمكن لطبقة الاسترجاع في خط أنابيب RAG أن تتّصل بمفهرسات البلوك تشين، أو الرسوم البيانية الفرعية (subgraphs)، أو واجهات API للتحليلات على السلسلة. عندما يسأل مستخدم عن رصيد محفظة، أو تاريخ معاملة، أو حالة عقد ذكي، يجلب نظام الاسترجاع البيانات ذات الصلة على السلسلة، ويولّد LLM شرحًا مقروءًا للبشر. التحدّيات الأساسية هي الكمون (يمكن أن تكون استعلامات البلوك تشين بطيئة)، وتنسيق البيانات (يجب تحليل البيانات الخام على السلسلة وتقطيعها للتضمين)، والحداثة (يجب تحديث الفهرس بتواتر كافٍ ليعكس حالة السلسلة الحالية).

انظر أيضًا

مراجع خارجية

Lewis, P. et al. "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks." arXiv, 2020. https://arxiv.org/abs/2005.11401
Gao, Y. et al. "Retrieval-Augmented Generation for Large Language Models: A Survey." arXiv, 2024. https://arxiv.org/abs/2312.10997
AWS. "What is RAG?" https://aws.amazon.com/what-is/retrieval-augmented-generation/
Pinecone. "Retrieval-Augmented Generation (RAG)." https://www.pinecone.io/learn/retrieval-augmented-generation/
Microsoft. "Retrieval-Augmented Generation (RAG) in Azure AI Search." https://learn.microsoft.com/en-us/azure/search/retrieval-augmented-generation-overview