قواعد البيانات المتجهية لكتابة الأوامر
استكشف كيفية تخزين قواعد البيانات المتجهية للمعلومات ذات الصلة واسترجاعها لإدخالها بفعالية في أوامر RAG.
قواعد البيانات المتجهية لكتابة الأوامر درس مجاني في AI Prompt Engineering على CoddyKit. هذا هو الدرس 3 من أصل 3. 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 Prompt Engineering، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Prompt Engineering 3 دروس في المجموع.
ما قواعد البيانات المتجهية؟
مرحبًا بكم في عالم قواعد البيانات المتجهية (VDBs)! تُحدث قواعد البيانات المتخصصة هذه تحولًا كبيرًا في العمل مع النماذج اللغوية الكبيرة (LLMs).
تخزّن قواعد البيانات المتجهية المعلومات على شكل متجهات عددية، وهي مجرد قوائم من الأرقام. ويسمح لها ذلك بالعثور بسرعة على البيانات «المتشابهة دلاليًا»، أي التي تحمل معنى أساسيًا مشابهًا، وليس التي تطابق الكلمات المفتاحية فحسب.
اللغة في صورة أرقام: التضمينات
قبل إدخال البيانات إلى قاعدة بيانات متجهية، تُحوَّل إلى تضمين. والتضمين هو تمثيل عددي للنص، تكون فيه الكلمات أو العبارات المتشابهة في المعنى متقاربة في فضاء متعدد الأبعاد.
- من النص إلى المتجه: يحوّل نموذج التضمين النص إلى متجه.
- الحفاظ على المعنى: تلتقط هذه المتجهات المعنى الدلالي للنص.
- لغة النموذج اللغوي الكبير: هذه هي الطريقة التي «تفهم» بها النماذج اللغوية الكبيرة اللغة وتعالجها داخليًا.
تخزين البيانات في قاعدة بيانات متجهية
فكّروا في قاعدة البيانات المتجهية على أنها مكتبة منظمة بدرجة عالية، حيث تُوسم كل وحدة، سواء كانت كتابًا أو جزءًا من نص، ببصمة عددية فريدة، وهي متجه التضمين الخاص بها.
عند إضافة البيانات إلى قاعدة بيانات متجهية، تبدو العملية كما يلي:
- يُقسَّم النص إلى أجزاء أصغر، إذا لزم الأمر.
- يُحوَّل كل جزء إلى متجه تضمين.
- تخزّن قاعدة البيانات المتجهية هذا المتجه إلى جانب النص الأصلي وأي بيانات وصفية مرتبطة به.
سحر البحث عن التشابه
تكمن القوة الحقيقية لقواعد البيانات المتجهية في قدرتها على إجراء البحث عن التشابه. فبدلًا من مطابقة الكلمات المفتاحية، تبحث عن المتجهات القريبة عدديًا من متجه الاستعلام.
ويعني ذلك أنه إذا سألتم عن «رفقاء الكلاب»، فيمكن لقاعدة البيانات المتجهية استرجاع مستندات تذكر «الكلاب» أو «الحيوانات الأليفة»، حتى إذا لم تكن الكلمات نفسها موجودة. فهي تفهم المعنى الأساسي!
قواعد البيانات المتجهية في التوليد المعزز بالاسترجاع (RAG)
تُعد قواعد البيانات المتجهية المكوّن الأساسي لخطوة «الاسترجاع» في نظام RAG. فهي تعمل بوصفها قاعدة المعرفة الخارجية التي يمكن للنماذج اللغوية الكبيرة الاستفادة منها.
إليكم التدفق المبسّط:
- يطرح المستخدم سؤالًا.
- يُحوَّل السؤال إلى متجه تضمين.
- تعثر قاعدة البيانات المتجهية على أجزاء المستندات الأكثر صلة، أي المتجهات.
- تُرسل هذه الأجزاء إلى النموذج اللغوي الكبير بوصفها سياقًا للإجابة عن السؤال.
ملء قاعدة بيانات متجهية: تعليمات برمجية توضيحية
لنلقِ نظرة على مثال مفاهيمي بلغة Python يوضّح كيفية إضافة المستندات إلى قاعدة بيانات متجهية. تتضمن هذه العملية تضمين النص ثم تخزين المتجهات الناتجة.
تذكّروا أن هذه التعليمات البرمجية توضيحية، وأن إعدادًا واقعيًا يتطلب مكتبات عميلة محددة لقاعدة البيانات المتجهية ونموذج تضمين.
import numpy as np
# Imagine an embedding model function
def get_embedding(text):
# In a real scenario, this uses an LLM API
# or a local embedding model.
# For illustration, let's return a dummy vector.
return np.random.rand(128).tolist() # 128-dim vector
# Imagine a simplified VectorDB client
class SimpleVectorDB:
def __init__(self):
self.vectors = {} # Stores {id: {'vector': [...], 'text': '...'}}
def add_document(self, doc_id, text_content):
vector = get_embedding(text_content)
self.vectors[doc_id] = {'vector': vector, 'text': text_content}
print(f"Added '{text_content[:20]}...' (ID: {doc_id})")
# --- Main simulation ---
db = SimpleVectorDB()
db.add_document("doc1", "The capital of France is Paris.")
db.add_document("doc2", "Eiffel Tower is a landmark in Paris.")
db.add_document("doc3", "Berlin is the capital of Germany.")الاستعلام في قاعدة بيانات متجهية: تعليمات برمجية توضيحية
بعد ملء قاعدة بيانات المتجهات، يمكنكم الاستعلام فيها للعثور على المعلومات ذات الصلة. ويُحوَّل الاستعلام نفسه أيضًا إلى تضمين، ثم تبحث قاعدة بيانات المتجهات عن أقرب المتجهات إليه.
يوضّح كود Python التوضيحي هذا كيفية البحث عن محتوى متشابه دلاليًا.
import numpy as np
from scipy.spatial.distance import cosine # For similarity
# (Re-using get_embedding and SimpleVectorDB conceptually)
def get_embedding(text):
return np.random.rand(128).tolist()
class SimpleVectorDB:
def __init__(self):
self.vectors = {}
def add_document(self, doc_id, text_content):
vector = get_embedding(text_content)
self.vectors[doc_id] = {'vector': vector, 'text': text_content}
def search(self, query_text, top_k=1):
query_vector = get_embedding(query_text)
scores = []
for doc_id, data in self.vectors.items():
doc_vector = data['vector']
# Cosine similarity: 1 - cosine distance
similarity = 1 - cosine(query_vector, doc_vector)
scores.append({'id': doc_id, 'text': data['text'], 'score': similarity})
# Sort by similarity in descending order
scores.sort(key=lambda x: x['score'], reverse=True)
return scores[:top_k]
# --- Main simulation ---
db = SimpleVectorDB()
db.add_document("doc1", "The capital of France is Paris.")
db.add_document("doc2", "Eiffel Tower is a landmark in Paris.")
db.add_document("doc3", "Berlin is the capital of Germany.")
user_query = "What is the capital city of France?"
results = db.search(user_query, top_k=2)
print(f"Query: '{user_query}'")
print("Top results:")
for res in results:
print(f"- Text: '{res['text']}' (Score: {res['score']:.2f})")الفوائد الرئيسية لاستخدام VDBs
يوفّر دمج قواعد بيانات المتجهات في سير عمل RAG مزايا مهمة:
- البحث الدلالي: يعثر على النتائج استنادًا إلى المعنى، وليس إلى الكلمات المفتاحية فقط.
- تقليل الهلوسة: يزوّد نماذج LLM ببيانات واقعية خارجية، مما يجعل الاستجابات أكثر موثوقية.
- قابلية التوسع: يتعامل بكفاءة مع كميات هائلة من البيانات غير المنظمة.
- التحديثات الفورية: يمكن تحديثه بسهولة بالمعلومات الجديدة، مما يحافظ على حداثة سياق نموذج LLM.
اعتبارات مهمة بشأن VDBs
للحصول على أفضل أداء من إعداد قاعدة بيانات المتجهات، ضعوا النقاط التالية في الاعتبار:
- اختيار نموذج التضمين: تؤثر جودة التضمينات مباشرةً في دقة البحث.
- استراتيجية تقسيم المحتوى: يؤثر أسلوب تقسيم المستندات (مثل التقسيم حسب الفقرة أو الجملة) في دقة تفاصيل الاسترجاع.
- حداثة البيانات: حدّثوا VDB بانتظام بالمعلومات الجديدة لضمان امتلاك نموذج LLM أحدث سياق.
- البيانات الوصفية: خزّنوا بيانات وصفية مفيدة إلى جانب المتجهات لإتاحة التصفية وتحسين الاسترجاع.
اختبار سريع: قواعد بيانات المتجهات في RAG
تؤدي قواعد بيانات المتجهات دورًا مهمًا في تحسين أداء نماذج LLM وموثوقيتها. لنختبر فهمكم لوظيفتها الأساسية ضمن نظام التوليد المعزّز بالاسترجاع (RAG).
مراجعة سريعة: VDBs ونماذج LLM الخاصة بكم
استكشفنا في هذا الدرس قواعد بيانات المتجهات ودورها الحيوي في تطبيقات الذكاء الاصطناعي الحديثة، ولا سيما مع RAG.
- تخزّن VDBs تضمينات رقمية تلتقط معنى النص.
- وتتيح بحثًا دلاليًا قويًا يعثر على المعلومات استنادًا إلى السياق.
- تحسّن VDBs نماذج LLM بدرجة كبيرة من خلال توفير بيانات واقعية خارجية، مما يؤدي إلى مخرجات أكثر دقة وموثوقية.
يُعد إتقان VDBs أمرًا أساسيًا لبناء أنظمة ذكاء اصطناعي قوية وذكية!
تعلم AI Prompt Engineering مع معلم ذكاء اصطناعي — مجانًا
اكتب وقم بتشغيل أكوادك الفعلية في المتصفح، واحصل على مساعدة فورية من معلم ذكاء اصطناعي متاح 24/7، واستمر من حيث توقفت على الويب أو في التطبيق.
- الدورات
- 53
- الدروس
- 199
الأسئلة الشائعة
هل درس «قواعد البيانات المتجهية لكتابة الأوامر» مجاني؟
نعم — نص درس «قواعد البيانات المتجهية لكتابة الأوامر» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Prompt Engineering، انتقل إلى CoddyKit PRO. تتضمن دورة AI Prompt Engineering 3 دروس في المجموع.
ماذا ستتعلم في «قواعد البيانات المتجهية لكتابة الأوامر»؟
استكشف كيفية تخزين قواعد البيانات المتجهية للمعلومات ذات الصلة واسترجاعها لإدخالها بفعالية في أوامر RAG. تتمرن على AI Prompt Engineering 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 Prompt Engineering؟
لا تُشترط خبرة سابقة. AI Prompt Engineering على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 3 من أصل 3.
كم من الوقت يستغرق درس «قواعد البيانات المتجهية لكتابة الأوامر»؟
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 Prompt Engineering هذا؟
نعم. كل درس في AI Prompt Engineering 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
- كتابة الأوامر باستخدام بيانات خارجية
- التوليد المعزّز بالاسترجاع (RAG)
- قواعد البيانات المتجهية لكتابة الأوامر