طبقة الاسترجاع والمعرفة

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

طبقة الاسترجاع والمعرفة

طبقة الاسترجاع والمعرفة هي نظام يخزّن المعلومات ذات الصلة ويفهرسها ويسترجعها حتى تتمكن نماذج الذكاء الاصطناعي من توليد إجابات مدعومة بالمعرفة. إنها البنية التحتية التي تمنح النموذج وصولاً إلى معرفة خارجية — مستندات، بيانات على السلسلة، مواصفات بروتوكولات، أحداث سوقية — بدلاً من الاعتماد فقط على ما حفظه النموذج أثناء التدريب.

باختصار: طبقة الاسترجاع هي حرف الـ "R" في RAG. إنها آلية البحث والجلب التي تعثر على السياق الصحيح قبل أن يولّد النموذج استجابته.

كيف تعمل

تتبع طبقة الاسترجاع والمعرفة خط معالجة عاماً:

1. الاستيعاب (Ingestion). تُجمع المستندات أو تدفقات البيانات أو السجلات المنظمة من المصادر — التوثيق، الأحداث على السلسلة، واجهات API، الأوراق البحثية، محتوى المجتمع.
2. المعالجة. تُنظَّف البيانات الخام وتُقطَّع إلى مقاطع وتُحوَّل إلى صيغة قابلة للبحث. بالنسبة للبحث المتجهي، يعني هذا حساب التضمينات (embeddings) — تمثيلات رقمية لمعنى النص.
3. الفهرسة. تُخزَّن المقاطع المعالجة في قاعدة معرفة — عادةً قاعدة بيانات متجهية أو فهرس بحث أو رسم بياني معرفي.
4. الاسترجاع. عند وصول استعلام، يعثر النظام على أكثر المقاطع صلةً عبر مقارنة الاستعلام بالفهرس (التشابه الدلالي، مطابقة الكلمات المفتاحية، أو اجتياز الرسم البياني).
5. التسليم. تُمرَّر المقاطع المسترجَعة إلى نموذج الذكاء الاصطناعي (عادةً LLM) كسياق لتوليد الإجابة.

تعتمد جودة نظام الذكاء الاصطناعي بأكمله اعتماداً كبيراً على هذه الطبقة. فنموذج LLM قوي مع طبقة استرجاع ضعيفة يُنتج إجابات مبنية على سياق غير ملائم أو مفقود.

تؤثر استراتيجية التقطيع (Chunking)، واختيار نموذج التضمين (embedding)، وإعادة الترتيب (reranking) (مرحلة ثانية ترتّب المرشحين بعناية أكبر) جميعها على ما إذا كانت المقاطع "الصحيحة" ستظهر. يُعدّ الاسترجاع الهجين (Hybrid) — الجمع بين المتجهات الكثيفة وفلاتر الكلمات المفتاحية أو البيانات الوصفية — شائعاً عندما تمزج الاستعلامات بين معرّفات دقيقة (عناوين العقود، أرقام الإصدارات) ولغة مفتوحة. الحداثة (Freshness) مهمة: يمكن للفهارس القديمة أن تتعارض بصمت مع حالة السلسلة الحية ما لم يكن الاستيعاب والإبطال صريحَين.

لماذا يهم هذا في الذكاء الاصطناعي للعملات المشفرة

تبني مشاريع الذكاء الاصطناعي للعملات المشفرة كثيراً طبقات معرفة مصمَّمة لبيانات Web3 أو تزعم بناءها. والأسباب عملية:

• بيانات العملات المشفرة متخصصة. نماذج LLM العامة لديها معرفة محدودة بالبروتوكولات المحددة، وآليات التوكنات، وتفاصيل العقود الذكية، أو الأحداث على السلسلة. تملأ قاعدة المعرفة المتخصصة بمجال محدد هذه الفجوة.
• البيانات تتغير بسرعة. أسعار التوكنات، ومقترحات الحوكمة، وترقيات البروتوكولات، وظروف السوق تتغير باستمرار. تُبقي طبقة الاسترجاع المتصلة بتدفقات بيانات لحظية استجابات الذكاء الاصطناعي محدَّثة.
• البيانات على السلسلة منظَّمة بشكل مختلف. تتطلب سجلات المعاملات، وحالات العقود، وأنشطة المحافظ فهرسة متخصصة — ليس مجرد بحث نصي بل استرجاعاً واعياً بالبيانات على السلسلة.

تشمل أنماط المشاريع الشائعة محطات الاستخبارات للعملات المشفرة، ومساعدي توثيق البروتوكولات، والرسوم البيانية المعرفية لـ Web3، وخطوط أنابيب البيانات اللحظية لـ وكلاء الذكاء الاصطناعي.

قيم مكوّن الذكاء الاصطناعي النموذجية

في بطاقات مشاريع DecAIHub، غالباً ما يشير حقل مكوّن الذكاء الاصطناعي (AI component) إلى قدرات طبقة الاسترجاع والمعرفة:

• Retrieval and knowledge layer
• AgentData (real-time data streams for AI agents)
• AI Q&A + Web3 knowledge graph
• AI summaries + crypto intelligence terminal
• 3D AI agents (RAG/memory/LLM catalog)

تصف هذه القيم تطبيقات مختلفة للفكرة الجوهرية ذاتها: وصول منظَّم إلى معرفة خارجية لنماذج الذكاء الاصطناعي.

الصلة بالمكوّنات الأخرى

تتصل طبقة الاسترجاع بعدة مكوّنات أخرى للذكاء الاصطناعي: الاستدلال (inference) (نموذج LLM الذي يولّد الإجابات باستخدام السياق المسترجَع)، و**RAG** (نمط البنية المعمارية الذي يجمع الاسترجاع مع التوليد)، ومصادر البيانات (المادة الخام التي تفهرسها طبقة المعرفة)، و**وكلاء الذكاء الاصطناعي** (الذين يستعلمون طبقة المعرفة قبل اتخاذ القرارات).

ما لا تثبته طبقة المعرفة

• امتلاك قاعدة معرفة لا يثبت أن الذكاء الاصطناعي الذي يستخدمها حقيقي أو دقيق. يمكن لمشروع أن يبني قاعدة بيانات مفهرسة جيداً ومع ذلك يفتقر إلى نموذج ذكاء اصطناعي عامل فوقها.
• فهرسة بيانات العملات المشفرة لا تثبت أن الاسترجاع عالي الجودة. تعتمد الجودة على استراتيجية التقطيع، ونموذج التضمين، وترتيب الصلة، وحداثة البيانات.
• بناء طبقة استرجاع لا يثبت أن الذكاء الاصطناعي للمشروع ملكية خاصة. فقد يكون نظام الاسترجاع أدوات مفتوحة المصدر قياسية (مثل قاعدة بيانات متجهية) دون أي عمل ذكاء اصطناعي مخصص.
• طبقة المعرفة وحدها لا تثبت Onchain necessity أو Token necessity. تحقق من درجة DecAI Fit الكاملة.

عند تقييم مشروع يزعم وجود طبقة استرجاع أو معرفة، ابحث عن التفاصيل: ما مصادر البيانات المفهرسة، وكم مرة يُحدَّث الفهرس، وما نموذج التضمين أو البحث المستخدم، وما إذا كانت أي مقاييس جودة منشورة.

لا تخلط بين

• RAG — RAG هو نمط البنية الكامل (استرجاع + توليد). أما طبقة الاسترجاع والمعرفة فهي النصف الخاص بالاسترجاع. يمكن لمشروع أن يمتلك طبقة معرفة دون تنفيذ خط أنابيب RAG كامل.
• مجموعة البيانات (Dataset) — مجموعة البيانات هي مجموعة ثابتة من البيانات تُستخدم للتدريب أو التقييم. أما طبقة المعرفة فهي نظام حي قابل للاستعلام مصمَّم للاسترجاع في وقت الاستدلال.
• مكوّن الذكاء الاصطناعي (AI component) — طبقة الاسترجاع هي أحد مكوّنات الذكاء الاصطناعي الممكنة. قد يصف حقل مكوّن الذكاء الاصطناعي في بطاقة مشروع طبقة استرجاع، لكنه قد يصف أيضاً الاستدلال أو التدريب أو آليات أخرى.

الأسئلة الشائعة

هل قاعدة البيانات المتجهية بحد ذاتها "طبقة معرفة" في البطاقة؟

غالباً ما تكون قاعدة البيانات المتجهية جزءاً من التنفيذ، لكن قيمة مكوّن الذكاء الاصطناعي تعني مساراً متكاملاً من الاستيعاب ← الفهرسة ← الاستعلام يغذّي سياق النموذج. فإذا وُجدت بنية تحتية فارغة فقط دون مصادر مُنسَّقة وسلوك استرجاع، فعامِل الزعم على أنه غير مكتمل حتى يُظهر توثيق Tier-1 الحلقة الكاملة.

كيف ينبغي للقرّاء الحكم على جودة الاسترجاع من بطاقة المشروع؟

قد لا تسرد البطاقات كل تفصيل هندسي. أعطِ الأولوية لنماذج التضمين الموثَّقة، ووتيرة التحديث، وقوائم المصادر، وأي تقييم لدقة الاسترجاع أو أمانة الإجابة. تحقق بشكل متقاطع مع المعايير القياسية ومقاييس الجودة حيثما نُشرت.

هل يمكن للوكلاء استخدام طبقة المعرفة ذاتها التي يستخدمها مساعد محادثة؟

نعم. قد يتشارك الوكلاء والمساعدون مكدّس استرجاع واحداً؛ الفرق هو التنسيق والإجراءات التي تتجاوز إجابة واحدة. راجع الوكلاء كمكوّن للذكاء الاصطناعي لمعرفة كيف تختلف بيئات تشغيل الوكلاء عن الأسئلة والأجوبة السلبية.

مراجع خارجية

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., arXiv) — ورقة RAG التأسيسية التي تصف الاسترجاع إلى جانب التوليد للمهام كثيفة المعرفة.
• Vector database — Wikipedia — خلفية عن تخزين متجهات التضمين والاستعلام عنها، وهي لبنة بناء شائعة للبحث الدلالي في طبقات المعرفة.

انظر أيضًا

• ما هو RAG
• ما هو LLM
• ما هو الاستدلال
• ما هو مكوّن الذكاء الاصطناعي
• ما هو وكيل الذكاء الاصطناعي
• كيف تعرف ما إذا كان المشروع يمتلك ذكاءً اصطناعياً فعلياً
• أدلة Tier-1 و Tier-2 و Tier-3
• ما هو DecAI Fit