الخطوة 1 في RAG: ما هو RAG؟

RAG اختصار لـ التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation). وهي طريقة تتيح لذكاءك الاصطناعي الوصول إلى قاعدة معرفة من مستندات حقيقية.

المشكلة

تُدرَّب النماذج اللغوية الكبيرة (LLM) مثل GPT-4o-mini على بيانات الإنترنت العامة. وهي لا تعرف شيئًا عن:

• المستندات الداخلية لشركتك
• المقالات الإخبارية الحديثة (فمعرفتها تتوقف عند تاريخ معيّن)
• البيانات الخاصة مثل سجلات الطلاب أو صفحات الدعم

اسأل نموذجًا لغويًا عاديًا عن الدروس الخصوصية في Clark College:

المستخدم: "Where can I get tutoring at Clark?"
الذكاء الاصطناعي: "I'm not sure. Most colleges have tutoring centers."

يعطي الذكاء الاصطناعي إجابة عامة لأنه لا يستطيع الوصول إلى معلومات Clark College المحددة.

حل RAG

يضيف RAG خطوة استرجاع قبل استدعاء النموذج اللغوي الكبير:

المستخدم: "Where can I get tutoring at Clark?"

        ┌──────────────────────┐
        │  1. Embed the query  │  ← حوّل السؤال إلى متجه
        └──────────┬───────────┘
                   ▼
        ┌──────────────────────┐
        │  2. Search knowledge  │  ← اعثر على مستندات مشابهة في قاعدة بيانات المتجهات
        │     base for similar  │
        └──────────┬───────────┘
                   ▼
        ┌──────────────────────┐
        │  3. Inject context    │  ← ضع المستندات المسترجعة في الموجّه (prompt)
        │     into the prompt   │
        └──────────┬───────────┘
                   ▼
        ┌──────────────────────┐
        │  4. Call LLM with     │  ← يجيب الذكاء الاصطناعي مستخدمًا السياق
        │     context           │
        └──────────┬───────────┘
                   ▼
        "Clark College offers free tutoring in business, English,
         math, science, and more. You can also get online help
         through eTutoring."

يجيب الذكاء الاصطناعي الآن بدقة لأنه يملك المعلومات الحقيقية في سياقه.

كيف يعمل الاسترجاع

الخطوة 1: التضمين — حوّل النص إلى قائمة من الأرقام («متجه»).

"Clark College offers free tutoring"
            ▼
[0.042, -0.133, 0.287, ...]   (384 رقمًا)

الخطوة 2: بحث التشابه — اعثر على المستندات التي تكون متجهاتها أقرب إلى متجه الاستعلام.

Query vector:    [0.1, 0.3, -0.2, ...]
                    │     │     │
Document A:      [0.1, 0.3, -0.2, ...]  ← cosine = 0.98 (شبيه جدًا!)
Document B:      [0.8, -0.1, 0.4, ...]  ← cosine = 0.23 (غير شبيه)

الخطوة 3: الحقن — خذ أفضل 3-5 مستندات وأضفها إلى الموجّه.

النظام: "Use this context to answer: [retrieved documents]"
المستخدم: "Where can I get tutoring at Clark?"

RAG مقابل الضبط الدقيق

في هذا المشروع نستخدم RAG — فهو أبسط وأرخص، ويتيح لك تحديث قاعدة المعرفة بمجرد إضافة مستندات.

ما الذي ستبنيه

في الخطوات التالية:

1. التضمينات والمتجهات — افهم كيف يتحول النص إلى أرقام
2. إعداد pgvector — PostgreSQL مع بحث متجهي
3. إدخال المعرفة — حمّل أخبار Clark College ومقالات الدعم
4. تحسين دردشة RAG — أضف الاسترجاع إلى تطبيق الدردشة لديك