ما الذي يحله RAG (حدود المعرفة والهلوسة)
يسترجع RAG السياق ذي الصلة وقت الاستعلام، لكي يستشهد LLM بمصادر حقيقية بدل اختلاق الحقائق.
ما الذي يحله RAG (حدود المعرفة والهلوسة) درس مجاني في AI Agents على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في AI Agents، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Agents 4 دروس في المجموع.
مشكلتان في نماذج LLM العادية
حتى أفضل نماذج LLM تعاني من مشكلتين بنيويتين:
- انقطاع المعرفة — لا تعرف هذه النماذج إلا ما ورد في بيانات تدريبها. إذا سألتم GPT-4 عن حدث وقع بالأمس، فلن يعرف عنه شيئًا.
- الهلوسة — عندما لا يعرف النموذج الإجابة، يختلق أشياء بثقة.
ما هو RAG؟
يعني التوليد المعزّز بالاسترجاع (RAG) ما يلي:
- البحث في قاعدة معرفة عن المقاطع ذات الصلة
- إدراج تلك المقاطع في prompt
- مطالبة LLM بالإجابة باستخدام تلك المقاطع فقط
يصبح النموذج «قارئًا» للمعرفة الخارجية بدلًا من الاعتماد على أوزانه الثابتة.
مثال ملموس
المستخدم: "ما سياسة الإرجاع الخاصة بالإلكترونيات التي فُتحت عبواتها؟"
- البحث في قاعدة معرفة الشركة عن "return policy electronics" — والحصول على 3 فقرات من مستندات المساعدة
- إنشاء prompt: "باستخدام السياق أدناه، أجب: ..."
- ينتج النموذج إجابة أمينة مرفقة بالاستشهادات
لماذا يتفوّق RAG على الضبط الدقيق؟
بالنسبة إلى المعرفة الواقعية، يتفوّق RAG على الضبط الدقيق لأن:
- يمكنكم تحديث قاعدة المعرفة دون إعادة التدريب
- يمكن فصل بيانات كل مستخدم أو مستأجر بسهولة
- تصبح الاستشهادات ممكنة (إذ تعرفون أي مقطع أنتج الإجابة)
- تكلفة صيانته أقل
لماذا يقلّل RAG من الهلوسة؟
إذا وُجّه النموذج للإجابة باستخدام السياق المقدَّم فقط، وكان السياق يتضمن الحقيقة، فسيكون أكثر احتمالًا بكثير لتقديم إجابة صحيحة من اعتماده على الذاكرة.
هذا ليس مثاليًا — فما زالت النماذج تختلق أشياء أحيانًا — لكنه يقلّل الهلوسة بدرجة كبيرة.
المراحل الثلاث
يتكوّن كل نظام RAG من ثلاث مراحل:
- الإدخال (دون اتصال) — تقسيم المستندات إلى مقاطع، وإنشاء التضمينات، والتخزين
- الاسترجاع (عبر الإنترنت) — إنشاء تضمين للاستعلام والعثور على مقاطع Top-K
- التوليد (عبر الإنترنت) — ينتج LLM الإجابة باستخدام المقاطع المسترجعة
RAG الساذج مقابل RAG المتقدم
RAG الساذج (نموذج أولي من 5 أسطر):
- تقسيم إلى مقاطع ذات حجم ثابت
- استرجاع بمتجه واحد
- إدراج مقاطع Top-K في prompt
يضيف RAG المتقدم إعادة الترتيب، وإعادة صياغة الاستعلام، وHyDE، والمتجهات المتعددة، والتقييم — وكل إضافة تحسّن الجودة، لكنها تزيد التعقيد أيضًا.
متى يكون RAG مفيدًا؟
- قواعد معرفة الشركة ومستنداتها
- دعم العملاء بالاستناد إلى دليل المنتج
- الأسئلة والأجوبة الواقعية ذات الحالات النادرة
- المساعدون الشخصيون المعتمدون على بيانات المستخدم
متى يضر RAG؟
- المحادثات البسيطة (التي لا تحتاج إلى حقائق)
- المهام التي تحتاج إلى الاستدلال لا إلى الحقائق
- عندما تكون مجموعة البيانات صغيرة بما يكفي لتلائم السياق على أي حال
قالب prompt
يبدو prompt النموذجي في RAG كما يلي:
prompt = f'''
Answer the user\'s question using ONLY the context below.
If the answer is not in the context, say 'I do not know'.
Context:
{retrieved_chunks}
Question:
{user_question}
Answer:
'''الاستشهادات
نسّقوا المقاطع باستخدام معرّفات المصدر واطلبوا من النموذج الاستشهاد بها:
context = '\n'.join(
f'[doc {i+1}] {chunk.text}'
for i, chunk in enumerate(chunks)
)
# Then ask: 'Cite the relevant [doc N] for each claim.'هدف RAG
ما المشكلة الأساسية التي يعالجها RAG؟
مراجعة
يحوّل RAG نماذج LLM إلى مؤدين لاختبارات مفتوحة الكتاب. التالي: كيفية تقسيم المستندات فعليًا من أجل الاسترجاع.
الأسئلة الشائعة
هل درس «ما الذي يحله RAG (حدود المعرفة والهلوسة)» مجاني؟
نعم — نص درس «ما الذي يحله RAG (حدود المعرفة والهلوسة)» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Agents، انتقل إلى CoddyKit PRO. تتضمن دورة AI Agents 4 دروس في المجموع.
ماذا ستتعلم في «ما الذي يحله RAG (حدود المعرفة والهلوسة)»؟
يسترجع RAG السياق ذي الصلة وقت الاستعلام، لكي يستشهد LLM بمصادر حقيقية بدل اختلاق الحقائق. تتمرن على AI Agents مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ AI Agents؟
لا تُشترط خبرة سابقة. AI Agents على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.
كم من الوقت يستغرق درس «ما الذي يحله RAG (حدود المعرفة والهلوسة)»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس AI Agents هذا؟
نعم. كل درس في AI Agents يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- ما الذي يحله RAG (حدود المعرفة والهلوسة)
- استراتيجيات تقسيم النص (ثابت، جُملي، دلالي)
- فهرسة مجموعة مستندات
- بناء RAG بسيط باستخدام FAISS أو Chroma