التوليد المعزز بالاسترجاع (RAG): التعريف وحالات الاستخدام وأمثلة عملية

يتيح التوليد المعزز بالاسترجاع (RAG) لأدوات الذكاء الاصطناعي جلب معلومات خارجية لتأسيس إجاباتها على مصادر، ويتناول هذا الدليل طريقة عمله، وأنواعه الرئيسية، وحالات استخدامه في العالم الحقيقي، من البحث على الويب إلى قواعد المعرفة المؤسسية.

Diagram of a RAG pipeline: in the ingestion path, source data such as docs, databases, and files is chunked and embedded into a searchable index like a vector database; in the retrieval path, an orchestrator builds a query from the user prompt, retrieves results from the index, and passes the prompt plus context to an LLM to produce a grounded answer.

RAG، أو التوليد المعزز بالاسترجاع، هو العملية التي تصل من خلالها الأدوات القائمة على النماذج اللغوية الكبيرة (LLM) إلى المعلومات الخارجية. تُضاف هذه المعلومات، غير الموجودة في معاملات تدريب النموذج اللغوي الكبير، إلى سياق الإدخال ذي الصلة وتُستخدم في توليد الإجابات.

يُعد RAG أحد أهم مكونات أنظمة الذكاء الاصطناعي الحديثة. وتستخدمه جميع الأدوات الوكيلية الرئيسية (ChatGPT وClaude وPerplexity وغيرها)، وله مجموعة واسعة من حالات الاستخدام للمستهلكين والمؤسسات. وقد شهد RAG عدة ابتكارات منذ أن انتشر على نطاق واسع لأول مرة، ولا يزال يتطور بطرق لافتة.

ما هو التوليد المعزز بالاسترجاع (RAG)؟

التوليد المعزز بالاسترجاع (RAG) هو طريقة لتحسين مخرجات النماذج اللغوية الكبيرة (LLM) من خلال تزويدها بمعلومات خارجية ذات صلة.

يتضمن «خط معالجة» RAG النموذجي، وهو مصطلح يُستخدم للإشارة إلى بنية RAG الأساسية بوجه عام، مسارين: مسار الاستيعاب ومسار الاسترجاع. يأخذ مسار الاستيعاب البيانات ويحوّلها إلى تنسيق قابل للبحث. ويُنشئ مسار الاسترجاع طلبًا استنادًا إلى موجّه المستخدم ويستعلم من مصدر المعلومات.

غالبًا ما تُبنى أنظمة RAG حول قواعد بيانات المتجهات. في هذا السيناريو، يُنشئ مكوّن المنسّق في أداة النموذج اللغوي الكبير، الذي يدير موجّهات المستخدم ويرسل الاستعلامات ويسترجع النتائج من الفهرس القابل للبحث، تضمينًا متجهيًا. ويستخدمه للاستعلام من قاعدة بيانات المتجهات التي تمثّل البيانات المستوعَبة. ثم يضيف المعلومات المسترجعة إلى سياق الإدخال الحالي لـالنموذج اللغوي الكبير مع تعليمات حول كيفية استخدامها لتوليد المخرجات.

لا يقتصر RAG على نوع البحث المتجهي الكثيف الموصوف أعلاه. إذ يندرج تحته أيضًا اجتياز الرسم البياني المعرفي، والبحث الدلالي، وعمليات البحث التقليدية في قواعد البيانات، أو أي مزيج من هذه الطرق.

مزايا RAG

أحد أسباب الشعبية الكبيرة التي اكتسبها RAG أنه يحل مشكلتين أساسيتين مرتبطتين بتوليد الإجابات بالاعتماد على النماذج اللغوية الكبيرة وحدها: الهلوسة وعدم القدرة على الوصول إلى المعلومات غير الموجودة في مواد التدريب.

التحقق من الحقائق والتأسيس على المصادر

تشتهر النماذج اللغوية الكبيرة بصعوبة تحقيق الدقة في الحقائق. فغالبًا ما تهلوس بثقة إذا لم تتمكن من الإجابة عن سؤال بشكل موثوق. وقد يرجع ذلك إلى أن المعلومات لم تكن موجودة في مواد التدريب، أو إلى أن مواد التدريب نفسها تحتوي على معلومات غير دقيقة. وتتضمن عملية التحقق من الحقائق المدعومة بـRAG تأسيس الإجابة على معلومات من مصدر خارجي موثوق.

معلومات محدَّثة

لا تستطيع النماذج اللغوية الكبيرة الإجابة إلا عن أسئلة حول موضوعات تسبق النقطة الزمنية التي تنتهي عندها بيانات تدريبها، والتي تُسمى تاريخ انقطاع المعرفة. ويمكن لأنظمة RAG الاتصال بمصادر معلومات حديثة للغاية، مثل المواد الإخبارية باستخدام واجهة برمجة تطبيقات (API) للبحث على الويب، أو قواعد البيانات الداخلية التي تحتوي على معلومات محدَّثة عن المنتجات. وهذا يتيح توليد ردود حول موضوعات لا تغطيها بيانات التدريب.

الوصول إلى البيانات الخارجية الخاصة

تتيح أنظمة RAG للمؤسسات ربط البنية التحتية للذكاء الاصطناعي بمصادر المعلومات الحساسة والمملوكة والمتخصصة في مجالات معينة، والتي لا يمكنها مشاركتها علنًا. وتتضمن الآن العديد من الأدوات الشائعة، مثل Perplexity، خيار تحميل البيانات السرية وإنشاء قواعد معرفة خاصة، وهي حالة استخدام شائعة لدى المؤسسات.

نظرة عامة على RAG وتطوره: الأنواع الرئيسية للبنية

على الرغم من أن المصطلح المحدد التوليد المعزز بالاسترجاع ظهر لأول مرة في ورقة بحثية بارزة عام 2020 بعنوان Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks، فإن أنظمة استرجاع المعلومات كانت مستخدمة قبل ذلك بعقود عديدة. ومحركات البحث المبكرة مثال جيد على ذلك. لكن الابتكار الحقيقي في مجال الذكاء الاصطناعي تمثّل في الجمع بين المعرفة البارامترية للنموذج وفهرس متجهي كثيف (استخدمت الورقة البحثية ويكيبيديا لإنشائه).

إليك نظرة عامة على الأنواع الرئيسية لـRAG:

  • RAG الأساسي: يُسمى أيضًا RAG الساذج، وهو أبسط صورة لخط معالجة RAG. ويتبع تدفق الاسترجاع ثم التوليد، مع البحث في قواعد بيانات المتجهات بوصفه حالة الاستخدام الأساسية. ولا يزال مناسبًا لإنشاء تنفيذ RAG مباشر، خاصةً للاستخدام الداخلي المحدود.
  • RAG الهجين: يتضمن الجمع بين أكثر من نوع واحد من RAG. ويشير عادةً إلى مزيج من عمليات البحث البسيطة بالكلمات المفتاحية والاسترجاع المتجهي الكثيف.
  • RAG التصحيحي: شكل من أشكال RAG يقيّم فيه نموذج مضبوط بدقة المعلوماتِ المسترجعة لتحديد مدى صلتها بموجّه المستخدم.
  • Self-RAG: على الرغم من تشابهه مع RAG التصحيحي، فإن النموذج اللغوي الكبير في Self-RAG يقيّم مخرجاته بنفسه ويبدأ الاسترجاع عند الحاجة. ويستخدم لذلك رموز تأمل متخصصة.
  • RAG الوكيلي: يشير RAG الوكيلي إلى الطريقة التي يمكن بها لمنصات الذكاء الاصطناعي الوكيلي استدعاء طرق استرجاع مختلفة. إذ يمكن للنموذج اللغوي الكبير الاستدلال والاختيار من بين خيارات RAG المتنوعة عبر المنسّق.
  • RAG متعدد الوسائط: يدمج هذا النوع من RAG أشكالًا أخرى من الوسائط، مثل الصور والصوت، في خطوط معالجة الاستيعاب والاسترجاع الخاصة به.
  • GraphRAG: يدمج GraphRAG اجتياز الرسم البياني المعرفي (البحث عن الكيانات) لاسترجاع المعلومات. وقد يكون ذلك مقترنًا بالاسترجاع المتجهي الكثيف، لكن هذا ليس شرطًا.
  • RAG المتفرع: تتضمن بنية RAG هذه تشغيل استعلامات استرجاع متعددة في الوقت نفسه، غالبًا باستخدام أنماط بنية مختلفة. ويُعد RAG المتفرع ميزة شائعة في أدوات الذكاء الاصطناعي التي تشغّل سير عمل معقدًا.
  • HyDE (تضمينات المستندات الافتراضية): تضمينات المستندات الافتراضية هي ردود يولّدها الذكاء الاصطناعي لمحاكاة ما قد تكون عليه الإجابة المثالية عن موجّه المستخدم. وتُستخدم لتحسين استعلام RAG، ومن ثم تحسين دقة المعلومات المسترجعة.

أبرز حالات استخدام RAG مع أمثلة

كيف يبدو RAG في العالم الحقيقي؟ إذا سبق لك أن طرحت على روبوت دردشة يعمل بالذكاء الاصطناعي سؤالًا حول موضوع حساس للوقت، أو استعلمت من روبوت لدعم العملاء، أو استخدمت مساعدًا شخصيًا لأداء مهام إدارية، فقد استفدت من RAG.

تشمل أبرز أمثلة RAG في سياقات المستهلكين والمؤسسات البحث على الويب، والمساعدين الشخصيين (بما في ذلك في البرمجة)، ومساعدي البرمجة، ودعم العملاء، وإدارة المعرفة في المؤسسات.

البحث على الويب

يُعد البحث على الويب شكلًا واسع الاستخدام من أشكال RAG، ويمكن القول إنه التطبيق الأكثر انتشارًا الموجّه إلى المستهلكين. إذ توفّر جميع روبوتات الدردشة الرئيسية وظيفة البحث على الويب، حيث يستخدم النموذج اللغوي الكبير مصادر محدَّثة لاستكمال المعلومات الموجودة في مواد تدريبه.

يتصل المنسّق في أداة الذكاء الاصطناعي بمحرك بحث تابع لجهة خارجية باستخدام استدعاء API، وتُضاف النتائج، في صورة مقتطفات، إلى نافذة سياق النموذج اللغوي الكبير. ويتيح ذلك للمستخدمين الوصول إلى الأحداث الجارية، والأبحاث الحديثة، ومعلومات المنتجات، وغيرها من الموضوعات التي تتغير معلوماتها باستمرار.

عمليًا، قد يبدو طلب API على النحو التالي:

json
{ "query": "latest US inflation news", "max_results": 1, "language": "en", "country": "US" }

ستتضمن المعلومات المُعادة المصدر والمقتطف:

json
{ "query": "latest US inflation news", "results": [ { "title": "US inflation rises slightly in latest report", "url": "https://example.com/us-inflation-report", "snippet": "Consumer prices increased in the latest monthly data, with housing and energy contributing to the rise.", "published_date": "2026-11-05" } ] }

المساعدون الشخصيون المدعومون بالذكاء الاصطناعي

يستخدم المساعدون الشخصيون RAG للاتصال بمصادر المعلومات داخل بيئة شخصية أو بيئة مؤسسية مشتركة. ومن أمثلة مصادر المعلومات رسائل البريد الإلكتروني للمستخدم، وملفاته، وتقويمه، وقواعد بياناته.

نظرًا لإمكانية تخزين المعلومات بطرق مختلفة، فإن أفضل طريقة لفهم المساعدين الشخصيين هي اعتبارهم أنظمة RAG وكيلية بالكامل. فقد يستخدمون استدعاءات API، أو البحث بالكلمات المفتاحية، أو الاسترجاع المتجهي الكثيف، أو اجتياز الرسم البياني المعرفي، حسب الموجّه.

على نحو متزايد، ستعمل أنظمة RAG المؤسسية على ترميز المعرفة في قواعد بيانات المتجهات بحيث يمكن للمساعدين الشخصيين على مستوى الشركة استرجاعها بسهولة، وقد صُممت العديد من منتجات الذكاء الاصطناعي المؤسسية مع وضع ذلك في الاعتبار.

يبرز مساعدو البرمجة أيضًا لأنهم يمثلون حالة استخدام رئيسية أخرى. إذ يمكن لمساعد برمجة، مثل GitHub Copilot، الاتصال بمستودع ووثائق خاصة بالمشروع لاسترجاع الملفات والدوال والرموز والإرشادات وواجهات API وسجل الإيداعات ذات الصلة.

دعم العملاء

يُعد دعم العملاء حالة استخدام رئيسية أخرى لـRAG، وقد ازداد اعتماد روبوتات الدردشة المدعومة بالذكاء الاصطناعي بسرعة في السنوات الأخيرة. ففي تقرير State of AI Customer Support، وجدت Crisp أن 40% من المحادثات تُحل دون الحاجة إلى تدخل بشري، ما يدل على مستوى عالٍ من الفعالية.

عندما يطرح المستخدم سؤالًا على روبوت دعم العملاء، يبحث المنسّق عادةً في قاعدة المعرفة الداخلية للشركة. ولضمان الدقة، كثيرًا ما يُستخدم أيضًا RAG التصحيحي وSelf-RAG، مع تحويل المحادثة إلى ممثل بشري عند الاقتضاء.

قواعد المعرفة المؤسسية

تزامن طرح سير عمل الذكاء الاصطناعي وأدوات الذكاء الاصطناعي التوليدي في الشركات المتوسطة والكبيرة مع إنشاء قواعد معرفة داخلية. ويتيح ذلك للمساعدين على مستوى الشركة الوصول إلى البيانات الداخلية مع الحفاظ على الخصوصية، سواء أكانت معلومات حساسة عن العملاء، أم بيانات خاصة بالشركة، أم معرفة متخصصة في مجال معين.

تُبنى هذه الأنظمة عادةً حول قواعد بيانات المتجهات، لكن تُستخدم أيضًا طرق RAG أخرى. فعلى سبيل المثال، يتضمن Microsoft 365 Copilot طبقة API تكشف عن مصادر معلومات متنوعة، بما في ذلك قواعد بيانات المتجهات والرسوم البيانية المعرفية والفهارس الدلالية، لتوفير وصول واسع إلى بيانات الشركة.

كما تُدمج أنظمة RAG هذه عادةً في الباقات المؤسسية للأدوات الوكيلية متعددة الأغراض. فعلى سبيل المثال، يتيح Perplexity Enterprise للمستخدمين تحميل كميات كبيرة من الوثائق للاستخدام الداخلي الآمن.

يمكن للمستخدمين أيضًا تحميل ملفاتهم الخاصة داخل مشاريع مستقلة، ما يعني فعليًا إنشاء أنظمة RAG مصغّرة. ويمكن الجمع بين عمليات البحث وأشكال أخرى من RAG، مثل البحث على الويب، لتحقيق تعزيز هجين.

ما الفرق بين RAG والنموذج اللغوي الكبير (LLM)؟

لا يستطيع النموذج اللغوي الكبير (LLM) توليد مخرجات إلا باستخدام المعلومات الممثَّلة في معاملاته. فهو يعيّن احتمالات لمفردات داخلية للتنبؤ بالكلمة التالية، أو الرمز المميز التالي، في تسلسل ما. وبالتالي، لا يمكنه تقديم إجابات دقيقة إذا لم تُدرَّب معاملاته على معلومات ذات صلة.

في منصة ذكاء اصطناعي عامة الاستخدام أو متخصصة، تعمل خطوط معالجة RAG جنبًا إلى جنب مع نموذج لغوي كبير أو مجموعة من النماذج اللغوية الكبيرة. وتتصل بمصادر معلومات خارجية لاستكمال سياق الإدخال المقدَّم إلى النموذج اللغوي، وهذا هو جوهر الفرق بين RAG والنماذج اللغوية الكبيرة.

يمكن تحديد قرار استرجاع معلومات إضافية أو الاعتماد حصريًا على المعرفة البارامترية إما على مستوى المنسّق، عادةً باستخدام منطق قائم على القواعد، أو حتى بواسطة النموذج اللغوي الكبير نفسه.

ما الفرق بين RAG وMCP؟

من الأفضل فهم RAG وبروتوكول سياق النموذج (MCP) على أنهما تقنيتان متكاملتان. فـMCP معيار مفتوح لبناء بنية تتيح لأدوات الذكاء الاصطناعي الوصول إلى الوظائف والموارد والموجّهات الخارجية باستخدام نقطة نهاية واحدة.

عندما تتصل أداة ذكاء اصطناعي بخادم MCP، يكشف الخادم عن جميع العناصر الأساسية (أدوات MCP والموارد والموجّهات) التي يملك العميل إذنًا بالوصول إليها. والعميل هو المكوّن الذي يُنشئ الاتصال بين المنسّق في جانب العميل والخادم. وقد يتضمن ذلك أحيانًا الكشف عن قواعد بيانات ومصادر معلومات، وفي هذه الحالة يعمل MCP كوسيط في طبقة الاسترجاع ضمن خط معالجة RAG.

ما الفرق بين RAG وواجهة برمجة التطبيقات (API)؟

واجهة برمجة التطبيقات (API) هي واجهة محددة يمكن لتطبيقين استخدامها لإرسال الطلبات إلى بعضهما. أما RAG فهو العملية التي يمكن من خلالها للنماذج اللغوية الكبيرة الوصول إلى المعلومات الخارجية لتحسين مخرجاتها وتوسيعها.

غالبًا ما يستخدم RAG استدعاءات API لاسترجاع المعلومات. ففي استرجاع المعلومات عبر البحث على الويب، على سبيل المثال، يصوغ المنسّق طلب API إلى محرك البحث المعني استنادًا إلى موجّه المستخدم.

لماذا يُعد RAG مهمًا وكيف سيستمر في التطور

يُعد RAG مهمًا لأن النماذج اللغوية الكبيرة مقيدة بطبيعتها ببيانات تدريبها. فهناك مساحات كاملة من المعلومات، من الأحداث الجارية إلى المعرفة الخاصة بالشركات، لا يمكنها الوصول إليها. ويعالج RAG هذه المشكلة دون الحاجة إلى قدر باهظ من الموارد.

ومع ذلك، فإن استرجاع المعلومات وحده لا يكفي، ولهذا سيستمر RAG في التطور. إذ يشكّل RAG جزءًا كبيرًا من أبحاث الذكاء الاصطناعي الحالية، ويركز على تحسين الأنظمة بحيث تعيد المعلومات الصحيحة عبر مجموعة واسعة من التنسيقات وتقيّمها وتحدد أولوياتها بفعالية.

ومع ازدياد قوة RAG، تزداد أيضًا فائدة أنظمة الذكاء الاصطناعي في التطبيقات المهمة للمستهلكين والمؤسسات. ومن بينها دعم العملاء، والبحث على الويب، والبرمجة، والمساعدون الشخصيون، والأبحاث المتخصصة، وغير ذلك.