الفصل 1: ما هو RAG؟

مقدمة

التوليد المعزّز بالاسترجاع (RAG) تقنية تعزّز نماذج اللغة الكبيرة (LLMs) بتزويدها بمعلومات ذات صلة تُسترجع من مصادر معرفة خارجية. بدل الاعتماد فقط على بيانات تدريب النموذج، تجلب أنظمة RAG الوثائق المناسبة وتستخدمها لتوليد إجابات أدق وأحدث وأكثر ارتباطًا بالسياق.

المفهوم الأساسي

تخيّل RAG كاختبار كتاب مفتوح:

• بدون RAG (كتاب مغلق): يجيب نموذج LLM عن الأسئلة بما حفظه أثناء التدريب فقط
• مع RAG (كتاب مفتوح): يمكن للنموذج البحث عن المعلومات ذات الصلة قبل الإجابة

الأصل والتاريخ

صاغ Lewis وزملاؤه مصطلح «Retrieval-Augmented Generation» في ورقتهم لعام 2020 "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks".

محطات أساسية:

• 2020: نشر ورقة RAG الأصلية من Facebook AI Research
• 2021: تحسينات Dense Passage Retrieval (DPR)
• 2022: انتشار قواعد البيانات المتجهية على نطاق واسع
• 2023: تعميم خطوط أنابيب RAG عبر LangChain وLlamaIndex
• 2024: تقنيات RAG متقدمة (HyDE، Multi-Query، وغيرها)

RAG مقابل المقاربات الأخرى

RAG مقابل Fine-Tuning

الجانب	RAG	Fine-Tuning
تحديث البيانات	فوري	يتطلّب إعادة تدريب
التكلفة	أقل	أعلى
الأنسب لـ	المعرفة الديناميكية	تغييرات السلوك
الشفافية	يمكن الاستشهاد بالمصادر	صندوق أسود
تعقيد الإعداد	متوسط	أعلى

RAG مقابل هندسة الـ prompt

الجانب	RAG	هندسة الـ prompt
حجم السياق	يتعامل مع قواعد معرفة كبيرة	محدود بنافذة السياق
الدقة	أعلى للاستعلامات الواقعية	تعتمد على معرفة النموذج
حالة الاستخدام	مهام كثيفة المعرفة	مهام عامة

المكوّنان الأساسيان

1. المسترجع (Retriever)

المسترجع مسؤول عن إيجاد المعلومات ذات الصلة:

# Simplified retriever concept
def retrieve(query, knowledge_base, top_k=5):
    """
    Find the most relevant documents for a query
    """
    # Convert query to embedding
    query_embedding = embed(query)
    
    # Search knowledge base
    results = knowledge_base.similarity_search(
        query_embedding,
        top_k=top_k
    )
    
    return results

2. المولّد (Generator)

يستخدم المولّد السياق المسترجع لإنتاج الإجابات:

# Simplified generator concept
def generate(query, retrieved_docs, llm):
    """
    Generate a response using retrieved context
    """
    # Build prompt with context
    context = "\n".join([doc.content for doc in retrieved_docs])
    
    prompt = f"""Based on the following context, answer the question.
    
Context:
{context}

Question: {query}

Answer:"""
    
    # Generate response
    response = llm.generate(prompt)
    
    return response

تشبيه من الواقع

تخيّل أنك وكيل دعم عملاء:

بدون RAG:

تجيب من الذاكرة، وقد تقدّم معلومات قديمة أو غير صحيحة.

مع RAG:

قبل الإجابة، تبحث بسرعة في قاعدة معرفة الشركة، تجد وثيقة السياسة ذات الصلة، وتقدّم إجابة دقيقة مع مرجع.

متى تستخدم RAG

RAG مثالي عندما تحتاج إلى:

✅ معلومات محدّثة - وثائق الشركة، الأخبار، الأبحاث
✅ معرفة متخصّصة - وثائق طبية أو قانونية أو تقنية
✅ إسناد المصادر - ذكر مصدر المعلومة
✅ الوصول إلى بيانات خاصة - معلومات داخلية للشركة
✅ تقليل الهلوسات - تثبيت الإجابات في حقائق

قد لا يكون RAG الخيار الأفضل عندما:

❌ الكتابة الإبداعية - شعر، خيال، عصف ذهني
❌ محادثة عامة - الدردشة العابرة لا تحتاج استرجاعًا
❌ تغييرات سلوكية - تعليم النموذج أسلوبًا جديدًا (استخدم fine-tuning)

تطبيقات صناعية

دعم العملاء

User: "What's your return policy for electronics?"
RAG: Retrieves current return policy → Generates accurate response

البحث القانوني

User: "Find case law about intellectual property in software"
RAG: Retrieves relevant cases → Summarizes findings

المعلومات الطبية

User: "What are the side effects of medication X?"
RAG: Retrieves FDA documents → Provides accurate list

البحث المؤسسي

User: "What was discussed in last quarter's board meeting?"
RAG: Retrieves meeting minutes → Summarizes key points

مصطلحات أساسية

المصطلح	التعريف
Retrieval	عملية إيجاد الوثائق ذات الصلة
Augmentation	إضافة السياق المسترجع إلى الـ prompt
Generation	إنتاج نموذج LLM لإجابة
Knowledge Base	مجموعة الوثائق التي يُبحث فيها
Embedding	تمثيل متجهي للنص
Semantic Search	إيجاد الوثائق بالمعنى لا بالكلمات المفتاحية

ملخص

• يجمع RAG بين الاسترجاع والتوليد لإجابات ذكاء اصطناعي أفضل
• يعالج قيودًا أساسية في LLM مثل المعرفة القديمة والهلوسات
• مكوّنان رئيسيان: المسترجع (يجد الوثائق) + المولّد (ينتج الإجابة)
• مثالي للمهام كثيفة المعرفة التي تتطلّب دقة واستشهادات
• يختلف عن fine-tuning - RAG للمعرفة، وfine-tuning للسلوك

---

الخطوات التالية

تابع إلى الفصل 2: لماذا RAG؟ لفهم المشكلات المحددة التي يعالجها RAG.