إنتقل إلى المحتوى الرئيسي

الوحدة 1 - مقدمة إلى RAG

نظرة عامة​

تعرّفك هذه الوحدة على التوليد المعزّز بالاسترجاع (RAG)، أحد أهم النماذج في تطبيقات الذكاء الاصطناعي الحديثة. ستتعلّم ما هو RAG، ولماذا وُجد، وكيف يعالج قيودًا جوهرية في نماذج اللغة الكبيرة.

أهداف التعلّم​

بنهاية هذه الوحدة، ستكون قادرًا على:

  • تعريف RAG وشرح مكوّناته الأساسية
  • فهم لماذا يُعد RAG ضروريًا (قيود LLM)
  • وصف المراحل الثلاث لـ RAG: الفهرسة، الاسترجاع، والتوليد
  • تصوّر خط أنابيب RAG من البداية إلى النهاية
  • تحديد حالات الاستخدام التي يتميّز فيها RAG

محتوى الوحدة​

1. ما هو RAG؟​

  • التعريف والأصل اللغوي
  • مفهوم «الاسترجاع + التوليد»
  • كيف يختلف RAG عن fine-tuning
  • نبذة تاريخية عن RAG

2. لماذا RAG؟ مشكلات نماذج LLM الخالصة​

  • الهلوسات والأخطاء الواقعية
  • تواريخ انقطاع المعرفة
  • غياب الوصول إلى البيانات الخاصة
  • حدود الـ tokens ونوافذ السياق

3. نظرة عامة على معمارية RAG​

  • مرحلة الفهرسة
  • مرحلة الاسترجاع
  • مرحلة التوليد
  • تصوّر الخط الكامل

المدة التقديرية​

2-3 ساعات (قراءة + تمارين + اختبار)

المتطلبات المسبقة​

  • فهم أساسي لنماذج LLM (GPT، Claude، وغيرها)
  • إلمام بواجهات API
  • لا يُشترط أي ترميز في هذه الوحدة

هيكل الوحدة​

Module 1
├── What is RAG? (Definition and concepts)
├── Why RAG? (Problems with LLMs)
├── RAG Architecture (The three phases)
└── Quiz (30 questions)

التنقّل​

  1. ما هو RAG؟ - مقدمة كاملة
  2. لماذا RAG؟ - قيود نماذج LLM
  3. معمارية RAG - خط الأنابيب
  4. اختبار - الوحدة 1 - 30 سؤالًا

معاينة النقاط الأساسية​

بعد إكمال هذه الوحدة، تذكّر:

  1. RAG = استرجاع + توليد - الجمع بين البحث ونماذج LLM
  2. RAG يعالج الهلوسات - عبر تثبيت الإجابات في بيانات حقيقية
  3. ثلاث مراحل - فهرسة ← استرجاع ← توليد
  4. RAG مقابل fine-tuning - RAG للبيانات الديناميكية، وfine-tuning للسلوك

لنبدأ رحلتك مع RAG!