RAG مقابل LLM: تحليل تقني (التعريفات، الاختلافات، حالات الاستخدام)

تُنتج LLMs الاستجابات باستخدام المعلمات التي تعلّمتها من الأنماط في بيانات التدريب الخاصة بها. وبما أن تلك المعلمات قد لا تعكس معلومات حديثة أو كاملة، فإن RAG، وهو اختصار لـ retrieval-augmented generation، يكمّل العملية بإضافة بيانات من مصادر خارجية إلى سياق إدخال LLM. ويقوم أداة ذكاء اصطناعي باسترجاع معلومات من خارجها لتعزيز عملية التوليد الخاصة بـ LLM.

في الواقع، ليس اختيارك بين RAG أو LLM. بل بين نهج هجين ونهج يستخدم LLM فقط.

يكون RAG ضروريًا عندما يحتاج LLM إلى الوصول إلى وثائق الشركة أو قواعد البيانات أو المعلومات سريعة التغير. ويكون النهج القائم على LLM فقط مناسبًا لبعض المهام الإدارية، ومهام معالجة البيانات، وإنشاء المحتوى، حيث يمكن للمستخدم توفير جميع المدخلات.

RAG مقابل LLM: ما الاختلافات الرئيسية؟

• RAG وLLMs نظامان متكاملان. يمكنك استخدام نموذج ذكاء اصطناعي من دون RAG (حيث يعتمد حصريًا على معلماته الموجودة)، لكن لا يمكنك استخدام نظام RAG من دون نموذج.
• تم تقديم RAG للتغلب على ثلاث مشكلات رئيسية في LLMs: المعلومات المتقادمة، والاستجابات الهلوسية، وانعدام التحقق من المصادر الخارجية.
• يجعل RAG الذكاء الاصطناعي أكثر فعالية بكثير في سيناريوهات الأعمال الواقعية لأنه يربط LLMs بوثائق داخلية موثقة، وقواعد بيانات، ونقاط نهاية API.
• تشمل أبرز حالات استخدام RAG روبوتات الدردشة الخاصة بدعم العملاء، والاستعلامات القائمة على البيانات سريعة التغير (مثل أخبار الصناعة)، والمجالات المتخصصة، مثل الطب والقانون، حيث تكون الدقة والتحقق من المصادر مهمين.
• هناك ثلاثة أنواع رئيسية من RAG: RAG البسيط، وRAG المعياري، وRAG المتقدم. يُفهم RAG البسيط على أفضل وجه بوصفه استرجاعًا مباشرًا للمعلومات، بينما يضيف RAG المعياري والمتقدم وظائف إضافية مثل إعادة صياغة الاستعلام وتحسين المقاطع.

ما هو نموذج اللغة الكبير (LLM)؟

LLM، أو نموذج اللغة الكبير، هو نظام يُنشئ المحتوى باستخدام معلمات مضبوطة بدقة. تحدد هذه المعلمات الاحتمالات المخصصة لجميع الرموز في مفردات LLM، ما يشير إلى الرمز الأكثر احتمالًا أن يأتي بعده في تسلسل معين.

لفهم كيفية عمل RAG بشكل أفضل (وما الذي يميزه عن) LLMs، من المفيد النظر إلى كيفية عمل الذكاء الاصطناعي التوليدي على مستوى أساسي:

1. الترميز إلى رموز: تُقسَّم مطالبة المستخدم إلى رموز قد تكون كلمات أو أجزاء من كلمات أو أحرفًا منفردة.
2. التضمين: تُحوَّل الرموز إلى تضمينات، وهي تمثيلات عددية (سلاسل من الأرقام) تُسمى متجهات، ويمكن للشبكة العصبية، التي تتضمن وحدة فك ترميز، معالجتها.
3. فك الترميز: تُعالج طبقات وحدة فك الترميز (التي تشكل جزءًا كبيرًا من الشبكة العصبية في LLM) هذه المتجهات باستخدام عملية تُسمى الانتباه لالتقاط المعنى. تحدد هذه العملية مدى قوة ارتباط كل رمز برموز أخرى في السلسلة.
4. التسجيل: يخصص النموذج احتمال توافق لكل رمز في مفرداته الموجودة مسبقًا ويختار رمزًا لاحقًا مرجحًا للسلسلة.

النقطة المهمة هي أن LLM لا يمكنه إنتاج المخرجات إلا بناءً على معلماته الحالية والرموز الموجودة في نافذة السياق الخاصة به. أثناء التدريب، يُطلب من LLM إكمال أجزاء من نص غير مكتمل مليارات المرات، وتُعدَّل معلماته حتى يخصّص احتمالات للرموز (وبالتالي يكمّل النص) بشكل موثوق.

تخيّل، على سبيل المثال، أنك تسأل نموذج ذكاء اصطناعي السؤال التالي: “ماذا تقول سياسة الاسترداد لعام 2026 الخاصة بشركتنا؟” لا يمكن لـ LLM إلا توقع الرموز التالية بناءً على معلماته الحالية، والتي لم تُضبط باستخدام وثائق الدعم الخاصة بك. وإذا طرحته عليه من دون أي سياق إضافي، فلن يتمكن ببساطة من الرد بطريقة ذات معنى، أو سيهلوس إجابة غير صحيحة.

ما هو التوليد المعزز بالاسترجاع (RAG)؟

RAG (التوليد المعزز بالاسترجاع) هو العملية التي تُدرج من خلالها المعلومات من الأنظمة الخارجية في مطالبة LLM.

تظل عملية LLM الأساسية، التي تتضمن التضمين ومطابقة الرموز احتماليًا، كما هي. يضيف RAG خطوة تمهيدية يُوسَّع فيها طلب المستخدم ببيانات إضافية.

فيما يلي نظرة عامة على كيفية عمل RAG:

1. إعداد المعرفة: تُجهَّز مصدر معرفة. وقد يكون ذلك مجموعة من المستندات، أو قاعدة بيانات متجهات، أو رسمًا بيانيًا معرفيًا، أو فهرسًا مباشرًا (كما في البحث بالذكاء الاصطناعي).
2. توجيه المطالبة: يُدخل المستخدم مطالبة، مثل: “هل يجب أن أذهب في نزهة في لندن اليوم؟”
3. الاسترجاع: يُجري المسترجع التابع لأداة الذكاء الاصطناعي استعلامًا على مصدر المعلومات الخارجي. وقد يضمّن المطالبة، محولًا إياها إلى متجه، ثم يستعلم عن قاعدة بيانات متجهات. أو يمكنه استخدام طريقة بديلة، مثل استدعاء API أو المطابقة بالكلمات المفتاحية أو اجتياز الرسم البياني المعرفي.
4. الإدراج: تُضاف هذه المعلومات إلى مطالبة المستخدم الأصلية. وفي مثال السؤال عن التنزه في لندن، قد يشمل ذلك معلومات الطقس في لندن والإتاحة الحالية لمسارات المشي الشهيرة.
5. توليد الإجابة: يُنتج LLM استجابة بالطريقة المعتادة باستخدام المطالبة الموسعة.

خلف الكواليس، تُضاف النصوص المسترجعة إلى سياق الإدخال، ثم تُجزَّأ إلى رموز وتُحوَّل إلى تضمينات. بعد ذلك يعالج النموذج ذلك السياق الإضافي عبر وحدة فك الترميز الخاصة به، مما يغيّر احتمالات الرموز في المخرجات.

بوجه عام، يمكن تقسيم RAG إلى ثلاثة أنواع فرعية. يتبع RAG البسيط عملية RAG الأساسية، باسترجاع المعلومات وإدخالها في المطالبة. ويضيف RAG المتقدم وظائف إضافية مثل إعادة كتابة الاستعلامات وتمريرات استعلام متعددة. ويشير RAG المعياري إلى نوع من البنية يمكن فيه التعامل مع الوظائف المتقدمة المختلفة كمكونات ودمجها حسب الحاجة.

RAG مقابل LLM: نظرة عامة على حالات الاستخدام

يوفّر RAG للمستخدمين إمكانية الوصول إلى بيانات محدثة. وينتج عن ذلك مخرجات من LLM أقل عرضة للأوهام والثغرات المعلوماتية. وإذا كنت بحاجة إلى رؤية مصادر المعلومات المستخدمة في المخرجات، فإن RAG ضروري أيضًا، لأن إجابات LLM غير المستندة إلى مصادر لا تأتي مع نسب.

تكبير

حالات استخدام RAG

• طلبات المعلومات الحساسة للوقت: أي استعلامات عن معلومات سرعان ما تصبح قديمة، والتي قد تكون بسيطة مثل توقعات الطقس أو معقدة مثل تحليل مفصل لقصة إخبارية ناشئة، يجب أن تستند إلى مصادر خارجية موثقة.
• وثائق الشركة: يجب أن تكون روبوتات الدردشة الداخلية أو الموجهة للعملاء، التي يطرح فيها المستخدمون أسئلة تتعلق بوثائق الشركة أو المنتج، مفعلةً بـ RAG، خاصة إذا كانت الوثائق تُحدَّث كثيرًا.
• دعم العملاء: تحتاج روبوتات الدردشة الخاصة بالعملاء إلى الوصول إلى وثائق دعم محدثة ومفصلة لتقديم إجابات دقيقة.
• المجالات المتخصصة (الطب، القانون، التمويل، إلخ): عادةً ما تواجه LLMs التي لم تُدرَّب على مجموعات بيانات خاصة بالمجال (خصوصًا النماذج السائدة) صعوبة في التعامل مع الدقة الدقيقة للمطالبات المتخصصة.

حالات استخدام LLM

• المهام الإدارية: يمكن لـ LLMs إنجاز المهام الأساسية بأقل قدر من التأخير. لا حاجة إلى RAG في الكتابة الأساسية والمهام الإدارية، مثل التدقيق الإملائي أو التلخيص، حيث لا تكون المعلومات الخارجية مطلوبة.
• المهام الإبداعية: بعض المهام الإبداعية، مثل إنشاء قصة قصيرة أو صورة، لا تحتاج إلا إلى المعلومات الواردة في المطالبة الأصلية.
• المهام القائمة على الاستدلال والبيانات: إذا كنت تعمل مع مجموعة بيانات كبيرة، فلا يحتاج LLM إلى الوصول إلى معلومات خارجية لتطبيق وظائف الاستدلال والتحليل.
• البرمجة العامة: على الرغم من أن سير عمل البرمجة قد يتطلب الوصول إلى قاعدة شيفرة خاصة أو وثائق، فإن LLMs قادرة جدًا على تنفيذ مهام البرمجة العامة، مثل إصلاح الأخطاء وإنشاء الدوال، من دون اللجوء إلى مصادر خارجية.

RAG مقابل LLM ذي السياق الطويل، والذكاء الاصطناعي الوكيلي، والاستناد إلى المصادر

هناك ثلاثة مفاهيم ذات صلة مهمة بالنسبة إلى التمييز بين RAG وLLMs. وهي LLMs ذات السياق الطويل، والذكاء الاصطناعي الوكيلي، والاستناد إلى المصادر.

يمكن أحيانًا استخدام LLMs ذات السياق الطويل بدلًا من الأنظمة المفعلة بـ RAG، بينما يكون الذكاء الاصطناعي الوكيلي والاستناد إلى المصادر مترادفين مع RAG أو يعملان معه جنبًا إلى جنب.

LLMs ذات السياق الطويل

هذه نماذج ذات نوافذ سياق كبيرة، حيث تعمل بعض النماذج التجارية المتاحة على نطاق واسع بما يصل إلى مليون رمز.

إذا كان بالإمكان أن تناسب المواد ذات الصلة ضمن نافذة السياق الخاصة بالنموذج وكانت متاحة بصيغة نصية، فهناك بعض الفوائد لاستخدام نهج يعتمد على LLM فقط. إذ يمكن أن يقلل ذلك من احتمال أخطاء الاسترجاع، ويوفر سياقًا أكثر شمولًا، ويزيل الحاجة إلى إعداد معماري واسع النطاق لـ RAG.

الذكاء الاصطناعي الوكيلي

الوكيل هو نظام يعتمد على أدوات متعددة، بما في ذلك قدرات RAG، لتنفيذ المهام المعقدة. يُعد RAG أحد مكونات الذكاء الاصطناعي الوكيلي، وغالبًا ما يستخدم الوكيل أنواعًا مختلفة من أساليب الاسترجاع (مثل البحث عبر الويب مقابل البحث المتجهي) تبعًا لمحتوى المطالبة.

الاستناد إلى المصادر

يشير الاستناد إلى المصادر إلى العملية الأوسع المتمثلة في استخدام الأدلة أو البيانات لتحسين دقة استجابة LLM، أو إسنادها إلى مصادر. ويُعد RAG أحد أشكال الاستناد إلى المصادر، لكن إضافة مستند تقني إلى نافذة السياق تُعد أيضًا استنادًا إلى المصادر.

RAG مقابل LLM: أمثلة من العالم الواقعي

لفهم كيفية عمل RAG مقارنةً باستخدام LLM من دون RAG بشكل أفضل، يمكننا النظر إلى مثال بسيط من العالم الواقعي باستخدام Perplexity وحالة مؤسسية افتراضية تُستشار فيها قاعدة بيانات متجهات.

RAG مقابل LLM مع مطالبة بسيطة

فيما يلي المخرجات (المحدودة بجملتين) عندما يُسأل Perplexity، "هل يجب أن أذهب في نزهة في لندن اليوم؟" مع إيقاف البحث على الويب بالذكاء الاصطناعي (وهو شكل من أشكال RAG):

نعم—إذا كان الطقس جافًا إلى حد معقول وكان لديك الوقت، فقد تكون نزهة في لندن اليوم تغييرًا منعشًا في الأجواء. اختر مسارًا على طول ساوث بانك أو ريجنت كانال أو عبر هايد بارك، واحمل معك معطفًا خفيفًا مقاومًا للماء تحسبًا لأي طارئ.

قارن ذلك بالمطالبة عندما يمكن لـ LLM التحقق من المصادر الخارجية:

نعم، إنه يوم جيد للتنزه في لندن: يتوقع أن تتراوح درجات الحرارة المعتدلة حول 19–21°م مع فترات مشمسة واحتمال منخفض جدًا لهطول المطر. ومع سماء غائمة جزئيًا ونسيم لطيف، تكون الظروف مريحة لاستكشاف المتنزهات أو المسارات على ضفاف النهر مثل ساوث بانك.

هناك أوجه تشابه بين المثالين، إذ يستخدم LLM العملية الأساسية نفسها الخاصة بتسجيل نقاط الرموز. إلا أن المثال الثاني يتضمن معلومات تفصيلية عن الطقس، مما يجعله أكثر فائدة بكثير.

RAG مقابل LLM مع قاعدة بيانات متجهات مؤسسية

تخيّل أن مستخدمًا يطرح على روبوت دردشة داخل التطبيق لتطبيق مصرفي السؤال التالي: “أين يمكنني تنزيل آخر كشف حساب لي؟”

أنشأ البنك الذي يدير التطبيق قاعدة بيانات تحتوي على تضمينات لوثائق منتجاته المحدثة وربطها بخط أنابيب RAG الخاص بروبوت الدردشة. وتتكون الوثائق من نحو 1,000 مستند مصدر، مقسمة إلى مقاطع أصغر وقد حُوِّلت إلى متجهات لأغراض الاسترجاع.

يُرسَل استعلام المستخدم إلى نموذج تضمين، ويُرسل التطبيق ذلك المتجه إلى قاعدة البيانات، التي تُرجع المقاطع ذات الصلة.

سيستقبل نموذج التضمين طلبًا مثل هذا:

يعرض نموذج التضمين التمثيل المتجهي التالي:

ثم تتلقى قاعدة بيانات المتجهات طلبًا مثل ما يلي:

في هذا المثال (المبسّط جدًا)، تُرجع قاعدة البيانات المقاطع الخمسة الأكثر صلة باستعلام المستخدم، والتي تُرسل إلى التطبيق وتُدرج في مطالبة LLM.

متى تختار RAG مقابل LLM، ومتى تدمجهما

LLMs وRAG نظامان متكاملان. وعلى هذا النحو، فإن السؤال: "متى ينبغي أن أختار LLM ومتى RAG؟" غير دقيق. والأحرى أن تسأل: "متى يكون LLM كافيًا ومتى يكون RAG هو الخيار الأمثل؟"

متى تستخدم LLM من دون تمكين RAG

• نموذج الذكاء الاصطناعي الذي اخترته لديه نافذة سياق كبيرة: إذا كان من الأسهل تضمين كل المعلومات أو البيانات اللازمة لإجابة دقيقة في مطالبتك، مثل تحميل مستند، فإن القيام بذلك يمكن أن يقلل زمن الكمون ويمنع المشكلات المتعلقة بالاسترجاع.
• سير عمل الاستدلال وتحليل البيانات: لا تحتاج سير العمل التحليلية والاستدلالية التي تشير فقط إلى البيانات المتوفرة في المطالبة إلى قدرات RAG.
• توليد الشيفرة: لا تكون الحاجة إلى RAG عادةً موجودة في أعمال البرمجة العامة، رغم أنه يُستخدم عادةً للمهام الخاصة بالمشروع، مثل استرجاع الإصلاحات السابقة أو واجهات برمجة التطبيقات والوثائق الخاصة بالمورّدين.

متى تستخدم LLM مع تمكين RAG

• تحتاج إلى الوصول إلى معلومات محدثة: إذا كان تطبيق الذكاء الاصطناعي يحتاج إلى الوصول إلى مصادر خارجية للمعلومات المحدثة لتوليد إجابة دقيقة، فتأكد دائمًا من تمكين قدرات RAG.
• أنت تعمل في مجال متخصص: بالنسبة إلى مجالات مثل الطب والقانون والتعليم وما إلى ذلك، حيث تكون الدقة والتفصيل والتحقق من المصادر مهمة، فإن الاستخدام المعتمد على LLM فقط يكون غالبًا غير كافٍ.
• يجب أن تستند المخرجات إلى ملفات داخلية للشركة: إذا كنت تستخدم الذكاء الاصطناعي، داخليًا أو في تطبيق موجه للعملاء، لتوليد محتوى يستند إلى مستندات داخلية للشركة، سواء كانت بيانات أو دليل علامة تجارية أو وثائق أو ملفات، فإن RAG يوفّر الوصول إلى تلك المعلومات.

RAG وLLMs تقنيتان متكاملتان ومتطورتان

مثّل RAG ابتكارًا كبيرًا في تطور الذكاء الاصطناعي. فهو يعالج ثلاث مشكلات رئيسية: المعلومات القديمة، ومحدودية ذاكرة النموذج، والثغرات المعلوماتية الناتجة عن نقص بيانات التدريب ذات الصلة، والتي كانت تؤدي غالبًا إلى الأوهام. وبالطبع، لم تتغلب LLMs على ذلك بالكامل، لكن معدل حدوثه انخفض بشكل كبير مع ظهور RAG.

RAG ليست تقنية ثابتة. ومن المتوقع أن تتحسن عبر مجموعة من المجالات، بما في ذلك إعادة الترتيب، وزمن الكمون أثناء الاسترجاع واستخدام الرموز، والدفاعات الأمنية ضد مصادر البيانات الخطرة، ودمج البيانات المسترجعة من مصادر متعددة، وغير ذلك. ومع استمرار تطور LLMs والذكاء الاصطناعي الوكيلي، ستتطور أيضًا أنظمة RAG التي تدعمها.