الاختبار: مقدمة إلى RAG
اختبر معرفتك بأساسيات RAG وقيود نماذج LLM ومعمارية RAG.
30 سؤالًا - انقر على كل سؤال لكشف الإجابة الصحيحة.
السؤال 1
علامَ يشير اختصار RAG؟
a) Rapid Automated Generation
b) Retrieval-Augmented Generation
c) Random Access Generation
d) Response Augmented Gateway
عرض الإجابة
الإجابة الصحيحة: b
يشير RAG إلى Retrieval-Augmented Generation، وهي تقنية تجمع بين استرجاع المعلومات وتوليد نماذج LLM.
السؤال 2
أي تشبيه يصف RAG بأفضل شكل؟
a) اختبار كتاب مغلق
b) اختبار كتاب مفتوح
c) حفظ كتاب دراسي
d) الكتابة من الخيال
عرض الإجابة
الإجابة الصحيحة: b
RAG أشبه باختبار كتاب مفتوح: يمكن لنموذج LLM «البحث» عن المعلومات ذات الصلة قبل الإجابة، بدل الاعتماد فقط على ما حفظه أثناء التدريب.
السؤال 3
ما الغرض الرئيسي من RAG؟
a) استبدال نماذج LLM بالكامل
b) جعل نماذج LLM أسرع
c) تعزيز نماذج LLM بمعرفة خارجية
d) تقليل تكاليف LLM
عرض الإجابة
الإجابة الصحيحة: c
يعزّز RAG نماذج LLM بتزويدها بمعلومات ذات صلة تُسترجع من مصادر معرفة خارجية، فيحسّن الدقة ويمكّن الوصول إلى بيانات خاصة أو حديثة.
السؤال 4
أي مما يلي ليست مشكلة يعالجها RAG؟
a) الهلوسات
b) انقطاع المعرفة
c) بطء سرعة الاستدلال
d) غياب الوصول إلى البيانات الخاصة
عرض الإجابة
الإجابة الصحيحة: c
لا يعالج RAG سرعة الاستدلال أساسًا. بل قد يضيف زمن استجابة بسبب خطوة الاسترجاع. يعالج RAG الهلوسات وانقطاع المعرفة والوصول إلى البيانات الخاصة.
السؤال 5
ما الذي يسبّب هلوسات نماذج LLM؟
a) تحميل زائد على الخادم
b) تتنبأ نماذج LLM بالـ tokens دون التحقّق من الحقائق
c) كثرة بيانات التدريب
d) زمن استجابة الشبكة
عرض الإجابة
الإجابة الصحيحة: b
نماذج LLM آلات احتمالية تتنبأ بالـ token التالي بناءً على أنماط، وليست قواعد بيانات حقائق. يمكنها توليد معلومات تبدو معقولة لكنها خاطئة بثقة.
السؤال 6
كم مرحلة رئيسية لنظام RAG؟
a) 2
b) 3
c) 4
d) 5
عرض الإجابة
الإجابة الصحيحة: b
لنظام RAG ثلاث مراحل رئيسية: الفهرسة (دون اتصال)، والاسترجاع (متصل)، والتوليد (متصل).
السؤال 7
أي مرحلة من RAG تحدث دون اتصال (قبل استعلامات المستخدم)؟
a) الاسترجاع
b) التوليد
c) الفهرسة
d) الاستجابة
عرض الإجابة
الإجابة الصحيحة: c
تحدث مرحلة الفهرسة دون اتصال: تُحمَّل الوثائق وتُقسَّم وتُحوَّل إلى embeddings وتُخزَّن في قاعدة بيانات متجهية قبل أي استعلام.
السؤال 8
ما الغرض من تقسيم النص (chunking) في RAG؟
a) ضغط الوثائق
b) تشفير الوثائق
c) تقسيم الوثائق إلى وحدات أصغر قابلة للاسترجاع
d) ترجمة الوثائق
عرض الإجابة
الإجابة الصحيحة: c
يقسّم الـ chunking الوثائق الكبيرة إلى وحدات أصغر لاسترجاع أدق ولتتناسب مع نوافذ سياق LLM.
السؤال 9
ما هي embeddings في سياق RAG؟
a) عناصر HTML
b) فهارس قواعد بيانات
c) تمثيلات متجهية كثيفة للنص
d) مفاتيح تشفير
عرض الإجابة
الإجابة الصحيحة: c
الـ embeddings تمثيلات متجهية كثيفة تلتقط المعنى الدلالي للنص. النصوص المتشابهة لها متجهات متشابهة.
السؤال 10
أي نوع من قواعد البيانات مصمَّم خصيصًا لتخزين embeddings؟
a) قاعدة بيانات علائقية
b) قاعدة بيانات وثائق
c) قاعدة بيانات متجهية
d) قاعدة بيانات رسومية
عرض الإجابة
الإجابة الصحيحة: c
قواعد البيانات المتجهية مصمَّمة خصيصًا لتخزين المتجهات عالية الأبعاد (embeddings) والبحث فيها بكفاءة.
السؤال 11
ماذا يفعل البحث بالتشابه في RAG؟
a) يجد تطابقات نصية دقيقة
b) يجد وثائق ذات تمثيلات متجهية متشابهة
c) يقارن أحجام الملفات
d) يرتّب الوثائق أبجديًا
عرض الإجابة
الإجابة الصحيحة: b
يجد البحث بالتشابه الوثائق التي تكون تمثيلاتها المتجهية قريبة من متجه الاستعلام، ما يشير إلى تشابه دلالي.
السؤال 12
ما حجم الـ chunk النموذجي في أنظمة RAG؟
a) 10-50 حرفًا
b) 100-200 حرف
c) 500-1500 حرف
d) 10000+ حرف
عرض الإجابة
الإجابة الصحيحة: c
تتراوح أحجام الـ chunks النموذجية بين 500 و1500 حرف، بما يوازن دقة الاسترجاع مع سياق كافٍ للفهم.
السؤال 13
RAG الأنسب لأي نوع من المهام؟
a) الكتابة الإبداعية
b) المحادثة العابرة
c) الاستعلامات كثيفة المعرفة
d) تجميع الشيفرة
عرض الإجابة
الإجابة الصحيحة: c
يتميز RAG في المهام كثيفة المعرفة التي تحتاج معلومات دقيقة وقابلة للتحقّق، مثل الأسئلة والأجوبة على الوثائق.
السؤال 14
متى تفضّل fine-tuning على RAG؟
a) عندما تحتاج وصولًا إلى بيانات خاصة
b) عندما تحتاج معلومات فورية
c) عندما تريد تغيير سلوك النموذج أو أسلوبه
d) عندما تحتاج استشهادات بالمصادر
عرض الإجابة
الإجابة الصحيحة: c
Fine-tuning أفضل لتغيير سلوك النموذج (الأسلوب، النبرة، التنسيق)، بينما RAG أفضل لإضافة المعرفة.
السؤال 15
ماذا يحدث أثناء مرحلة التوليد في RAG؟
a) تُفهرَس الوثائق
b) تُنشأ embeddings
c) ينتج نموذج LLM إجابة باستخدام السياق المسترجع
d) تُخزَّن المتجهات
عرض الإجابة
الإجابة الصحيحة: c
أثناء التوليد، يستقبل نموذج LLM استعلام المستخدم مع السياق المسترجع وينتج إجابة مثبتة.
السؤال 16
ماذا تعني «إجابة مثبتة» في RAG؟
a) إجابة مكتوبة على ورق
b) إجابة مبنية على وثائق واقعية مسترجعة
c) إجابة بلا مصادر
d) إجابة مولَّدة دون اتصال
عرض الإجابة
الإجابة الصحيحة: b
الإجابة المثبتة مبنية على الوثائق المسترجعة ومدعومة بها، ما يقلّل الهلوسات.
السؤال 17
أي مما يلي مثال على قاعدة بيانات متجهية؟
a) MySQL
b) MongoDB
c) Pinecone
d) Redis (القياسي)
عرض الإجابة
الإجابة الصحيحة: c
Pinecone قاعدة بيانات متجهية مخصّصة. أمثلة أخرى: Weaviate، Chroma، Qdrant، وMilvus.
السؤال 18
ما مشكلة «انقطاع المعرفة»؟
a) نفاد ذاكرة نماذج LLM
b) عدم معرفة نماذج LLM بالأحداث بعد تاريخ تدريبها
c) رفض نماذج LLM الإجابة
d) توليد نماذج LLM نصًا أكثر من اللازم
عرض الإجابة
الإجابة الصحيحة: b
يعني انقطاع المعرفة أن نماذج LLM لا تملك معلومات عن أحداث وقعت بعد جمع بيانات تدريبها.
السؤال 19
كيف يساعد RAG مع البيانات الخاصة أو الداخلية؟
a) يدرّب نموذج LLM على بيانات خاصة
b) يشفّر نموذج LLM
c) يسترجع من وثائق خاصة مفهرسة
d) يحذف البيانات الخاصة
عرض الإجابة
الإجابة الصحيحة: c
يتيح لك RAG فهرسة وثائق خاصة والاسترجاع منها، فيمنح النموذج وصولًا إلى معلومات لم يُدرَّب عليها.
السؤال 20
ما هو تداخل الـ chunks ولماذا يُستخدم؟
a) chunks مكرّرة للنسخ الاحتياطي
b) نص مكرّر بين الـ chunks للحفاظ على السياق
c) حشو تشفير
d) تصحيح أخطاء
عرض الإجابة
الإجابة الصحيحة: b
يعني التداخل أن chunks متتالية تتشارك بعض النص عند حدودها، ما يمنع قطع المعلومات في منتصف السياق.
السؤال 21
أي مقياس يقيس مدى تشابه متجهين؟
a) Accuracy
b) Precision
c) Cosine similarity
d) Latency
عرض الإجابة
الإجابة الصحيحة: c
يقيس cosine similarity الزاوية بين متجهين، فيشير إلى تشابه اتجاهيهما (ومن ثم التشابه الدلالي).
السؤال 22
في prompt خاص بـ RAG، ما هو «السياق»؟
a) أسئلة المستخدم السابقة
b) الوثائق المسترجعة
c) بيانات تدريب نموذج LLM
d) إعدادات النظام
عرض الإجابة
الإجابة الصحيحة: b
في RAG، يشير السياق إلى الوثائق أو الـ chunks ذات الصلة المسترجعة من قاعدة المعرفة والمدرجة في الـ prompt.
السؤال 23
ماذا يعني «استرجاع top-k»؟
a) استرجاع أكثر k وثائق صلةً
b) استرجاع k وثائق عشوائية
c) استرجاع وثائق تبدأ بالحرف K
d) استرجاع k ميغابايت من البيانات
عرض الإجابة
الإجابة الصحيحة: a
يعني استرجاع top-k إيجاد وإرجاع أكثر k وثائق تشابهًا أو صلةً بناءً على الاستعلام.
السؤال 24
في أي عام نُشرت ورقة RAG الأصلية؟
a) 2018
b) 2019
c) 2020
d) 2022
عرض الإجابة
الإجابة الصحيحة: c
نُشرت ورقة RAG الأصلية «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» عام 2020 من Facebook AI Research.
السؤال 25
لماذا قد يضيف RAG زمن استجابة مقارنةً باستدعاءات LLM الخالصة؟
a) عبء التشفير
b) خطوة الاسترجاع تستغرق وقتًا
c) RAG يستخدم نماذج أبطأ
d) RAG يتطلّب ذاكرة GPU أكثر
عرض الإجابة
الإجابة الصحيحة: b
يضيف RAG مرحلة الاسترجاع (تحويل الاستعلام إلى embedding والبحث في قاعدة البيانات المتجهية) قبل التوليد، وهذا يزيد زمن الاستجابة.
السؤال 26
ما هو البحث الدلالي؟
a) البحث بتطابق كلمة مفتاحية دقيق
b) البحث باسم الملف
c) البحث بالمعنى لا بالكلمات الدقيقة
d) البحث بالتاريخ
عرض الإجابة
الإجابة الصحيحة: c
يجد البحث الدلالي الوثائق بناءً على المعنى أو النية لا تطابق الكلمات المفتاحية الدقيق، باستخدام تشابه المتجهات.
السؤال 27
أي مكوّن يحوّل النص إلى متجهات؟
a) Splitter
b) Loader
c) نموذج embedding
d) Generator
عرض الإجابة
الإجابة الصحيحة: c
نموذج embedding يحوّل النص (الوثائق والاستعلامات) إلى تمثيلات متجهية كثيفة.
السؤال 28
ما فائدة RAG مقارنةً بـ fine-tuning للبيانات الديناميكية؟
a) دقة أقل
b) يمكن تحديث البيانات دون إعادة تدريب
c) توليد أسرع
d) حجم نموذج أصغر
عرض الإجابة
الإجابة الصحيحة: b
يتيح لك RAG تحديث قاعدة المعرفة دون إعادة تدريب النموذج، بينما يتطلّب fine-tuning إعادة تدريب مكلفة لتحديث البيانات.
السؤال 29
ما دور المسترجع في RAG؟
a) توليد الإجابات
b) إيجاد الوثائق ذات الصلة لاستعلام ما
c) تدريب نموذج LLM
d) ضغط الوثائق
عرض الإجابة
الإجابة الصحيحة: b
مهمة المسترجع إيجاد وإرجاع أكثر الوثائق أو الـ chunks صلةً لاستعلام معيّن من قاعدة المعرفة.
السؤال 30
أي مما يلي ليس مكوّنًا نموذجيًا في خط أنابيب فهرسة RAG؟
a) محمّل الوثائق
b) مقسّم النص
c) واجهة المستخدم
d) نموذج embedding
عرض الإجابة
الإجابة الصحيحة: c
يشمل خط الفهرسة عادةً: محمّل الوثائق، ومقسّم النص، ونموذج embedding، وvector store. واجهة المستخدم ليست جزءًا من الفهرسة.
النتائج
| الدرجة | المستوى |
|---|---|
| 27-30 | ممتاز - فهم قوي لأساسيات RAG |
| 21-26 | جيد - يُوصى ببعض المراجعة |
| 15-20 | متوسط - راجع الفصول مرة أخرى |
| أقل من 15 | يحتاج مراجعة شاملة |