دمج الاسترجاع في المطالبة
أجب بسياق موثّق ومستند إلى مصادر
دمج الاسترجاع في المطالبة درس مجاني في NLP Academy على CoddyKit. هذا هو الدرس 4 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 NLP Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة NLP Academy 4 دروس في المجموع.
جمع الأجزاء معًا
يمكنكم استرجاع المقاطع ذات الصلة واستدعاء LLM. والآن صِلوهما معًا: أدخلوا النص المسترجع في الموجّه باعتباره سياقًا.
الموجّه المعزّز
يتكوّن موجّه RAG من ثلاثة أجزاء: تعليمة، والسياق المسترجع، وسؤال المستخدم. يقرأ النموذج الأجزاء الثلاثة معًا.
ضمّ المقاطع المسترجعة
أولًا، ادمجوا المقاطع الأهم في كتلة نصية واحدة. ويساعد وجود سطر فارغ بينها على إبقاء كل مقطع مقروءًا للنموذج.
context = "\n\n".join(hits)إنشاء سلسلة الموجّه
أحيطوا السياق والسؤال بتسميات واضحة. إذ يخبر قالب بسيط النموذج بدقة بما ينبغي استخدامه وما ينبغي الإجابة عنه.
prompt = f"Context:\n{context}\n\nQuestion: {question}\nAnswer:"إخبار النموذج بالالتزام بالمصادر
أضيفوا تعليمة للإجابة فقط من السياق. فهذا يحدّ من الهلوسة ويبقي الاستجابة مرتبطة بمصادركم.
التعامل مع الإجابات المجهولة
أخبروا النموذج أن يقول إنه لا يعرف عندما لا يقدم السياق إجابة. فالسماح بعبارة لا أعرف أفضل من تخمين خاطئ وواثق.
إرساله إلى LLM
مرّروا الموجّه المُجمّع إلى استدعاء النموذج. يجيب LLM الآن باستخدام سياقكم المسترجع، لا باستخدام تدريبه فقط.
answer = llm(prompt)عرض المصادر
أعيدوا المقاطع التي استخدمتموها إلى جانب الإجابة. وتتيح هذه الاستشهادات للمستخدمين التحقق من الادعاء وبناء الثقة.
راقبوا طول السياق
تؤدي كثرة المقاطع إلى تجاوز نافذة السياق. أبقوا k صغيرًا واختصروا المقاطع الطويلة حتى يتسع الموجّه ضمن الميزانية المسموح بها للنموذج.
دالة RAG بسيطة
التدفق الكامل صغير: تضمين، وبحث، وبناء موجّه، وتوليد. تلتقط هذه الدالة خط أنابيب RAG كاملًا.
def rag(q):
hits = retrieve(q)
return llm(build_prompt(hits, q))تحسين جودة الاسترجاع
إذا كانت الإجابات ضعيفة، فعادةً ما يكون الحل في الاسترجاع لا في LLM. فـالمقاطع الأفضل وإعادة الترتيب ترفعان الجودة أكثر من استخدام نموذج أكبر.
تحقق سريع
فكّروا في العناصر التي يتكوّن منها موجّه RAG.
مراجعة
تجمعون المقاطع المسترجعة في سياق، وتبنون موجّهًا يجمع بين التعليمة والسؤال، وتولّدون إجابة مسندة، ثم تعرضون المصادر. ✅
تعلم Python 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
- 30
- الدروس
- 120
الأسئلة الشائعة
هل درس «دمج الاسترجاع في المطالبة» مجاني؟
نعم — نص درس «دمج الاسترجاع في المطالبة» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة NLP Academy، انتقل إلى CoddyKit PRO. تتضمن دورة NLP Academy 4 دروس في المجموع.
ماذا ستتعلم في «دمج الاسترجاع في المطالبة»؟
أجب بسياق موثّق ومستند إلى مصادر تتمرن على NLP Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ NLP Academy؟
لا تُشترط خبرة سابقة. NLP Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 4 من أصل 4.
كم من الوقت يستغرق درس «دمج الاسترجاع في المطالبة»؟
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 NLP Academy هذا؟
نعم. كل درس في NLP Academy 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
- لماذا تحتاج LLMs إلى الاسترجاع
- تقسيم المستندات وتضمينها
- البحث المتجهي باستخدام مخزن متجهات
- دمج الاسترجاع في المطالبة