ما هو شات بوت RAG؟ التوليد المعزز بالاسترجاع بكلمات بسيطة

شات بوت RAG يعمل بطريقة التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation): حين يسأل الزائر، يبحث في موقعك ومستنداتك عن المقاطع التي تطابق سؤاله، ويضيفها إلى الموجّه (prompt) الذي يصل إلى نموذج الذكاء الاصطناعي، ثم يكتب النموذج جوابه منها. النموذج لا يحفظ موقعك، بل يقرأ الأجزاء المناسبة في كل مرة.

جاء المصطلح من ورقة بحثية نشرها Patrick Lewis وزملاؤه عام 2020، وقُبلت في مؤتمر NeurIPS 2020. يشرح هذا الدليل المشكلة التي أرادت الورقة حلها، وكيف تعمل الفكرة داخل شات بوت على موقع، وأين تتعثر. وإن كنت جديدًا على الموضوع، فابدأ بشرحنا ما هو الشات بوت. اعتمدنا على وثائق صانعي النماذج ومزوّدي الخدمات السحابية كما قرأناها في 21 أكتوبر 2026، والاقتباسات منها بترجمتنا.

من أين جاء التوليد المعزز بالاسترجاع؟

تنطلق الورقة من حدّ معروف في النماذج اللغوية الكبيرة. فهي تخزّن المعرفة داخل معاملاتها (parameters)، لكن ذكر مصدر لما تقوله وتحديث معرفتها بالعالم بقيا، بتعبير الورقة، «مشكلتين بحثيتين مفتوحتين». فكان الحل أن تُعطى النماذج ذاكرة خارجية، وهي في تجربة الباحثين فهرس متجهات لموسوعة Wikipedia يصل إليه نموذج استرجاع مدرَّب مسبقًا. ووجد الباحثون أن نماذج RAG تكتب لغة «أكثر تحديدًا وتنوعًا والتزامًا بالحقائق» من نموذج يعتمد على معاملاته وحدها.

المشكلتان نفسهما تواجهان أي نشاط تجاري يضع شات بوت على موقعه. النموذج لا يعرف مواعيد عملك في رمضان. وحين يتغير سعر، تريد أن يتغير الجواب معه، وأن تعرف من أين جاء. ويلخص دليل الدقة لدى OpenAI الفكرة بأنها استرجاع محتوى يعزز موجّه النموذج قبل أن يولّد الجواب.

كيف يجيب شات بوت RAG من محتوى موقعك؟

تصف مقالة Anthropic عن الاسترجاع السياقي الإعداد المعتاد، وهو في شات بوت الموقع ست خطوات:

1. الجمع. يقرأ الشات بوت صفحاتك وخريطة موقعك (sitemap) وملفاتك، وأي أسئلة وأجوبة تكتبها بنفسك.
2. التقسيم. يقطّع النص إلى أجزاء أصغر (chunks)، طولها في العادة «بضع مئات من الرموز (tokens) لا أكثر»، حتى يعيد البحث الفقرة المهمة لا الصفحة كلها.
3. الفهرسة. يحوّل نموذج تضمين (embedding) كل جزء إلى متجه، أي قائمة أرقام تمثل معناه، ويخزّنه في قاعدة بيانات تبحث بالتشابه. وبعض الأنظمة تحتفظ أيضًا بفهرس للكلمات المفتاحية.
4. البحث. حين يسأل الزائر، يُطابَق سؤاله مع الفهرس لإيجاد أقرب الأجزاء إليه.
5. الموجّه. تدخل الأجزاء الأعلى ترتيبًا إلى الموجّه، ومعها تعليمات عن طريقة استخدامها.
6. الجواب والمصدر. يكتب النموذج الرد، ويستطيع الشات بوت أن يعرض المستندات التي اعتمد عليها.

سؤال لاحق مثل «وكم سعر هذه؟» لا معنى له وحده، لذلك تعيد بعض الأنظمة صياغته سؤالًا كاملًا قبل البحث. وفي دليل الاسترجاع لدى OpenAI إعداد لهذا الغرض بالضبط اسمه rewrite_query.

البحث بالكلمات المفتاحية أم بالمعنى، أم بالاثنين معًا؟

البحث بالمتجهات يجد المقاطع بحسب معناها. يقول دليل الاسترجاع لدى OpenAI إن البحث الدلالي يُظهر النتائج القريبة في المعنى «حتى حين لا تطابق إلا كلمات قليلة، أو لا تطابق أي كلمة»، فيصل السؤال إلى مقطع مكتوب بصياغة مختلفة تمامًا. أما نقطة ضعفه فالمصطلحات الدقيقة. مثال Anthropic بحث في قاعدة دعم فني عن «Error code TS-999»: قد يجد نموذج التضمين محتوى عن رموز الأخطاء عمومًا ويفوته التطابق الدقيق مع «TS-999»، بينما تجده طريقة كلمات مفتاحية مثل BM25.

البحث الهجين يشغّل الطريقتين ويدمج القائمتين، وكثيرًا ما يتم الدمج بطريقة Reciprocal Rank Fusion. تشرحها وثائق Azure AI Search من Microsoft: تأخذ كل نتيجة في كل قائمة درجة تساوي 1/(rank + k)، ثم تُجمع الدرجات، فترتفع المستندات القريبة من رأس القائمتين معًا. وتذكر الوثائق أن التجارب تفضّل قيمة صغيرة لـ k، «مثل 60». وبعد الدمج يمكن لخطوة إعادة ترتيب (reranking) أن تقيّم المرشحين مقابل السؤال مرة أخرى، وفي Azure يعمل المرتّب الدلالي بعد الدمج.

لماذا يفقد الجزء معناه بعد التقسيم؟

تقطيع الصفحة قد يُضيع موضوع الجزء. مثال Anthropic جزء نصه «نمت إيرادات الشركة بنسبة 3% مقارنة بالربع السابق»، ولا شيء فيه يقول أي شركة ولا أي ربع. وفي موقع تجاري يحدث الأمر نفسه لسطر مثل «تشمل 100 غيغابايت تخزين» حين ينفصل عن العنوان الذي يذكر اسم الباقة. حل Anthropic أن تُضاف ملاحظة سياق قصيرة إلى كل جزء قبل فهرسته، وتقول إن ذلك خفّض عمليات الاسترجاع الفاشلة بنسبة 49%، وبنسبة 67% مع إعادة الترتيب. ويمكنك المساعدة من جهتك: اكتب عناوين تسمّي الموضوع، وضع كل معلومة بجانب الشيء الذي تصفه.

ذكر المصادر: من أين جاء الجواب؟

كان ذكر المصدر إحدى المشكلتين اللتين جاء RAG لحلهما. ويعدّ دليل Google Cloud عن الإسناد (grounding) قابلية التدقيق من فوائده، عبر ما يسميه دعم الإسناد، وهو «روابط إلى المصادر». وللمصادر طريقتان في العرض. قد يقتبس النموذج المقاطع التي استخدمها ويذكر مصدر كل منها، فيرتبط كل ادعاء بمقطع بعينه. أو يعرض النظام قائمة المستندات التي استرجعها لهذا الجواب، وهي طريقة أبسط تبيّن من أين جاءت المادة، لكنها لا تحدد أي جملة جاءت من أي صفحة. وفي الحالتين يستطيع الزائر أن يفتح الصفحة ويتحقق بنفسه.

أين يخطئ RAG؟

يقسم دليل الدقة لدى OpenAI الأخطاء إلى نوعين. قد يقدّم الاسترجاع «سياقًا خاطئًا، فلا يستطيع النموذج الإجابة أصلًا»، أو «سياقًا كثيرًا غير مهم يُغرق المعلومة الحقيقية». وقد «يحصل النموذج على السياق الصحيح ثم يتصرف به خطأ». وفي شات بوت الموقع يعني ذلك عادة واحدًا مما يلي:

• صفحات قديمة. يحتفظ الفهرس بنسخة الشهر الماضي من موقعك. اسأل كم مرة تُعاد قراءة الصفحات، وأعد قراءة الصفحة يدويًا بعد أي تغيير مهم.
• محتوى غائب. ما لم تذكره أي صفحة لا يمكن استرجاعه. الشات بوت الجيد يقول حينها إنه لا يعرف، وقائمة الأسئلة التي لم يجب عنها تريك ما ينبغي أن تكتبه.
• الجزء الخطأ. يُستخدم مقطع يجيب عن سؤال قريب: حدود الباقة الأساسية تُعطى لمن سأل عن الباقة الاحترافية، أو سياسة الإرجاع في السعودية تُعطى لعميل في الإمارات.
• الجزء الصحيح، باستخدام خاطئ. يخلط النموذج مقطعين، أو يضيف تفصيلًا من عنده. والحماية هنا تعليمات تطلب نقل الأرقام كما هي، ومصادر يستطيع الزائر أن يتحقق منها. ومقالنا عن أسباب اختلاق الشات بوت للإجابات يكمل الصورة.

هل تحتاج إلى RAG أصلًا؟

ليس دائمًا. تقول مقالة Anthropic إن قاعدة المعرفة إذا كانت أصغر من 200,000 رمز، أي «نحو 500 صفحة من المادة»، فيمكن وضعها كلها في الموجّه دون خطوة استرجاع. ويصبح الاسترجاع الخيار العملي حين يتجاوز محتواك هذا الحجم، أو يتغير كثيرًا، أو تحتاج إلى أجوبة مربوطة بمصدرها.

كيف يستخدم شات بوت MagizAI تقنية RAG؟

يقرأ شات بوت MagizAI صفحاتك وخريطة موقعك وملفاتك وأسئلتك وأجوبتك والنصوص التي تلصقها. وما يحدث بعد ذلك يتوقف على وجود مفتاح لنموذج تضمين لدى الشات بوت، من OpenAI افتراضيًا أو من Google Gemini. مع المفتاح، يقسّم كل مصدر إلى أجزاء من نحو 1,000 حرف، عند العناوين أولًا ودون أن يقطع جدولًا أبدًا، ويرفق بكل جزء عنوان الصفحة ومسار العناوين فوقه. وعند السؤال يشغّل بحثًا بالمتجهات وبحثًا بالكلمات الكاملة جنبًا إلى جنب، ويدمج نتائجهما بطريقة Reciprocal Rank Fusion بقيمة k تساوي 60. ومن دون مفتاح تضمين، يبحث في النص المخزّن لكل مصدر بالكلمات الكاملة، ويأخذ مقتطفًا من نحو 1,200 حرف حول موضع التطابق.

في الحالتين يعيد صياغة السؤال اللاحق سؤالًا كاملًا قبل البحث. والسؤال المكتوب بلغة غير لغة محتواك، كسؤال بالعربية عن موقع مكتوب بالإنجليزية، يُبحث عنه بلغة المحتوى أيضًا. وحين يزيد عدد المرشحين عما يدخل الموجّه، يعطي نموذج سريع كل مقطع درجة من 0 إلى 10 مقابل السؤال، ويستبعد ما دون 4. تدخل الموجّه خمسة مقاطع على الأكثر، وتظهر تحت الجواب ثلاثة مصادر على الأكثر، وتُعاد قراءة صفحات الويب أسبوعيًا في الإعداد الافتراضي. يشرح دليل تدريب الذكاء الاصطناعي طريقة إضافة المحتوى، ويتناول دليل مفاتيح الذكاء الاصطناعي وجودة الإجابات موضوع المفاتيح، وتعرض صفحة شات بوت الموقع بقية التفاصيل.