مسرد أنظمة RAG
مسرد شامل للمصطلحات المستخدمة في أنظمة RAG (التوليد المعزّز بالاسترجاع).
A
ANN (Approximate Nearest Neighbor): خوارزميات تجد أقرب الجيران تقريبيًا أسرع من البحث الدقيق، مقابل بعض الدقة مقابل السرعة.
Answer Relevance: مقياس يقيس مدى معالجة الإجابة المولَّدة للسؤال الأصلي.
B
BGE (Beijing Academy General Embedding): نماذج embedding مفتوحة المصدر من BAAI معروفة بجودتها العالية.
BM25: خوارزمية ترتيب قائمة على الكلمات المفتاحية تُستخدم في أنظمة استرجاع المعلومات التقليدية.
C
Chunk: مقطع نص يُنشأ بتقسيم وثائق أكبر للفهرسة والاسترجاع.
Chunk Overlap: نص مشترك بين chunks متتالية للحفاظ على السياق عند الحدود.
Chroma: قاعدة بيانات متجهية خفيفة ومفتوحة المصدر شائعة في التطوير.
Context Precision: مقياس RAGAS يقيس صلة الوثائق المسترجعة.
Context Recall: مقياس RAGAS يقيس ما إذا اُسترجعت كل المعلومات اللازمة.
Cosine Similarity: مقياس تشابه يقيس الزاوية بين متجهين (النطاق: من -1 إلى 1).
Cross-Encoder: نموذج يقيّم أزواج الاستعلام-الوثيقة معًا لإعادة الترتيب.
D
Dense Retrieval: استرجاع باستخدام تمثيلات متجهية كثيفة (embeddings) بدل الكلمات المفتاحية المتفرّقة.
Document Loader: مكوّن يستخرج النص من صيغ ملفات متنوعة (PDF، DOCX، وغيرها).
E
Embedding: تمثيل متجهي كثيف للنص يلتقط المعنى الدلالي.
Euclidean Distance: مقياس مسافة يقيس المسافة المستقيمة بين المتجهات.
F
FAISS (Facebook AI Similarity Search): مكتبة عالية الأداء للبحث بالتشابه وتجميع المتجهات الكثيفة.
Faithfulness: مقياس يقيس ما إذا كانت الإجابة المولَّدة مثبتة في السياق المسترجع (بدون هلوسات).
Fine-tuning: تدريب نموذج على بيانات محدّدة لتغيير سلوكه أو معرفته.
G
Generation: المرحلة التي ينتج فيها نموذج LLM إجابة باستخدام السياق المسترجع.
GPT (Generative Pre-trained Transformer): عائلة نماذج لغة كبيرة من OpenAI.
H
Hallucination: عندما يولّد نموذج LLM معلومات خاطئة أو غير مدعومة بثقة.
HNSW (Hierarchical Navigable Small World): خوارزمية شائعة قائمة على الرسوم البيانية للبحث التقريبي السريع عن أقرب جار.
HyDE (Hypothetical Document Embeddings): تقنية توليد إجابة افتراضية لتحسين الاسترجاع.
Hybrid Search: الجمع بين البحث بالكلمات المفتاحية (BM25) والبحث الدلالي (المتجهات).
I
Indexing: العملية غير المتصلة لتهيئة الوثائق للاسترجاع (تحميل، تقسيم، embedding، تخزين).
Inner Product (Dot Product): مقياس تشابه؛ للمتجهات المعيارية يعادل cosine similarity.
IVF (Inverted File Index): خوارزمية بحث متجهي تجمّع المتجهات لتسريع البحث.
K
Knowledge Cutoff: التاريخ الذي بعده لا يملك نموذج LLM معرفة من بيانات التدريب.
L
LangChain: إطار شائع لبناء تطبيقات LLM بما فيها خطوط أنابيب RAG.
LangSmith: منصة تصحيح ومراقبة لتطبيقات LangChain.
LCEL (LangChain Expression Language): صياغة تصريحية لتركيب مكوّنات LangChain.
LlamaIndex: إطار يركّز على فهرسة البيانات والاستعلام عنها لتطبيقات LLM.
LLM (Large Language Model): نماذج شبكات عصبية مدرَّبة على مدوّنات نصية كبيرة (GPT-4، Claude، Llama، وغيرها).
M
Metadata: معلومات إضافية تُخزَّن مع الوثائق (المصدر، التاريخ، المؤلف، وغيرها).
Milvus: قاعدة بيانات متجهية موزّعة ومفتوحة المصدر للنشر واسع النطاق.
MMR (Maximum Marginal Relevance): طريقة استرجاع توازن بين الصلة والتنوّع.
MRR (Mean Reciprocal Rank): مقياس يقيس ارتفاع ترتيب أول وثيقة ذات صلة.
MTEB (Massive Text Embedding Benchmark): معيار قياسي لمقارنة نماذج embedding.
Multi-Query Retrieval: توليد تنويعات متعددة للاستعلام لتحسين تغطية الاسترجاع.
Multi-Tenancy: خدمة عدة مؤسسات من منصة واحدة مع عزل البيانات.
N
Namespace: قسم في قاعدة بيانات متجهية لعزل البيانات (مثلًا لكل مستأجر).
O
OCR (Optical Character Recognition): تحويل صور النص إلى نص قابل للقراءة آليًا.
P
pgvector: إضافة PostgreSQL تمكّن البحث بالتشابه المتجهي.
Pinecone: قاعدة بيانات متجهية سحابية مُدارة بالكامل.
Precision@K: نسبة الوثائق المسترجعة (أعلى K) ذات الصلة.
Prompt: إدخال نصي إلى نموذج LLM، غالبًا يتضمّن تعليمات وسياقًا.
Q
Qdrant: قاعدة بيانات متجهية عالية الأداء مكتوبة بـ Rust.
Query Expansion: إضافة مصطلحات مرادفة ومرتبطة إلى الاستعلام.
Query Rewriting: استخدام نموذج LLM لإعادة صياغة الاستعلامات لتحسين الاسترجاع.
R
RAG (Retrieval-Augmented Generation): تقنية تجمع بين استرجاع الوثائق وتوليد LLM.
RAGAS: إطار لتقييم خطوط أنابيب RAG تلقائيًا.
Recall@K: نسبة كل الوثائق ذات الصلة التي تظهر في أعلى K نتائج.
Reciprocal Rank Fusion (RRF): طريقة لدمج الترتيبات من عدة مسترجعات.
Reranking: إعادة تقييم نتائج الاسترجاع الأولية بنموذج أقوى.
Retrieval: المرحلة المتصلة لإيجاد الوثائق ذات الصلة لاستعلام ما.
Retriever: مكوّن يجلب الوثائق ذات الصلة من قاعدة معرفة.
S
Semantic Caching: تخزين مؤقت للنتائج للاستعلامات المتشابهة دلاليًا.
Semantic Search: إيجاد الوثائق بناءً على المعنى لا الكلمات المفتاحية الدقيقة.
Self-Query: استخدام نموذج LLM لاستخراج استعلام دلالي ومرشّحات metadata من الإدخال.
Sentence Transformers: مكتبة ونماذج لتوليد embeddings للجمل.
Sharding: توزيع البيانات عبر عدة عقد قاعدة بيانات.
T
Text Splitter: مكوّن يقسّم الوثائق إلى chunks أصغر.
Token: أصغر وحدة نص تعالجها نماذج LLM (حوالي 4 أحرف في الإنجليزية).
Top-K: أكثر K نتائج تشابهًا أو صلةً لإرجاعها.
V
Vector: مصفوفة رقمية تمثّل النص في فضاء الـ embedding.
Vector Database: قاعدة بيانات محسَّنة لتخزين المتجهات عالية الأبعاد والبحث فيها.
Vector Store: مكوّن يخزّن embeddings ويمكّن البحث بالتشابه.
W
Weaviate: قاعدة بيانات متجهية مفتوحة المصدر مع تحويل متجهي مدمج.
مرجع سريع
| المصطلح | الفئة | التعريف |
|---|---|---|
| RAG | أساسي | استرجاع + توليد |
| Embedding | أساسي | تمثيل متجهي |
| Chunk | معالجة | مقطع نص |
| HNSW | خوارزمية | بحث ANN |
| RAGAS | تقييم | تقييم RAG |
| Hallucination | مشكلة | مخرجات خاطئة |
| Top-K | استرجاع | عدد النتائج |