الاختبار: تقنيات RAG المتقدمة
اختبر معرفتك بتحويل الاستعلام والاستعلامات المتعددة وHyDE وself-query.
30 سؤالًا - انقر على كل سؤال لكشف الإجابة الصحيحة.
س1: ما هو تحويل الاستعلام؟
الإجابة: تعديل استعلام المستخدم قبل الاسترجاع لتحسين النتائج - يشمل إعادة الكتابة والتوسيع وHyDE.
س2: علامَ يشير اختصار HyDE؟
الإجابة: Hypothetical Document Embeddings
س3: كيف يعمل HyDE؟
الإجابة: توليد إجابة افتراضية للاستعلام، تحويلها إلى embedding، واستخدامها للاسترجاع (محاذاة أفضل مع الوثائق).
س4: لماذا يحسّن HyDE الاسترجاع؟
الإجابة: تستخدم الوثيقة الافتراضية مفردات أقرب إلى الوثائق الفعلية من الاستعلام الأصلي.
س5: ما هو توسيع الاستعلام؟
الإجابة: إضافة مصطلحات مرتبطة ومرادفات وصياغات بديلة إلى الاستعلام الأصلي.
س6: ما هو الاسترجاع متعدد الاستعلامات؟
الإجابة: توليد تنويعات متعددة لاستعلام، والاسترجاع لكل منها، ودمج النتائج.
س7: ما هو RAG Fusion؟
الإجابة: الجمع بين الاسترجاع متعدد الاستعلامات وreciprocal rank fusion لترتيب النتائج.
س8: ما فائدة الاستعلامات المتعددة؟
الإجابة: تلتقط جوانب مختلفة من السؤال وتحسّن الاستدعاء بإيجاد وثائق قد تفوّتها استعلامات أخرى.
س9: ما هو RRF في RAG Fusion؟
الإجابة: Reciprocal Rank Fusion - يدمج الترتيبات من عدة عمليات استرجاع في ترتيب واحد.
س10: متى ينبغي تجنّب الاستعلامات المتعددة؟
الإجابة: عندما يكون زمن الاستجابة حرجًا أو التكلفة مصدر قلق (استدعاءات LLM متعددة).
س11: ما هو استرجاع self-query؟
الإجابة: استخدام نموذج LLM لاستخراج استعلام دلالي ومرشّحات metadata من إدخال بلغة طبيعية.
س12: ماذا يستخرج self-query؟
الإجابة: استعلام بحث دلالي ومرشّحات metadata منظّمة (مثل القسم والسنة والنوع).
س13: فيما يُستخدم AttributeInfo؟
الإجابة: تعريف حقول metadata وأوصافها حتى يتمكّن نموذج LLM من استخراج المرشّحات بشكل صحيح.
س14: ما المقارنات التي يدعمها self-query؟
الإجابة: $eq، $ne، $gt، $gte، $lt، $lte، $in، وغيرها.
س15: مثال: "سياسات الموارد البشرية من 2023" - ماذا يُستخرج؟
الإجابة: الاستعلام: "سياسات الموارد البشرية"، المرشّحات: {department: "HR", year: 2023}
س16: ما هي إعادة كتابة الاستعلام؟
الإجابة: استخدام نموذج LLM لإعادة صياغة الاستعلامات الغامضة أو الناقصة إلى استعلامات أدق وأسهل للبحث.
س17: متى تكون إعادة كتابة الاستعلام الأكثر فائدة؟
الإجابة: عندما تكون استعلامات المستخدم غامضة أو ناقصة أو تستخدم ضمائر مثل «هو» أو «ذلك».
س18: كم استعلامًا يولّد الاستعلام المتعدد عادةً؟
الإجابة: عادة 3-5 تنويعات من الاستعلام الأصلي.
س19: ما الجانب السلبي لتقنيات RAG المتقدمة؟
الإجابة: زمن استجابة وتكلفة إضافيان (استدعاءات LLM أكثر، وعمليات استرجاع أكثر).
س20: هل يمكن الجمع بين HyDE والاستعلامات المتعددة؟
الإجابة: نعم - ولّد استعلامات متعددة، أنشئ وثائق افتراضية لكل منها، استرجع، وادمج.
س21: ما الاحتياطي لإخفاقات self-query؟
الإجابة: الرجوع إلى بحث دلالي عادي دون مرشّحات.
س22: لماذا يُعد مخطط metadata مهمًا لـ self-query؟
الإجابة: يحتاج نموذج LLM تعريفات واضحة لاستخراج المرشّحات وتطبيقها بشكل صحيح.
س23: ما الذي يحسّن جودة HyDE؟
الإجابة: prompt جيد يولّد محتوى بأسلوب وثيقة واقعي.
س24: كيف يختلف توسيع الاستعلام عن الاستعلامات المتعددة؟
الإجابة: التوسيع يضيف مصطلحات إلى استعلام واحد؛ الاستعلامات المتعددة تنشئ تنويعات استعلام منفصلة.
س25: ما معامل k في صيغة RRF؟
الإجابة: ثابت (عادة 60) يمنع هيمنة العناصر ذات الرتب العالية.
س26: أي تقنية الأفضل للأسئلة المعقّدة متعددة الأجزاء؟
الإجابة: الاستعلامات المتعددة - تلتقط جوانب مختلفة من الأسئلة المعقّدة.
س27: أي تقنية الأفضل للأسئلة عن سمات محددة؟
الإجابة: Self-query - يستخرج مرشّحات metadata ويطبّقها.
س28: كيف تختبر فعالية تحويل الاستعلام؟
الإجابة: قارن جودة الاسترجاع (الدقة والاستدعاء) مع التحويل وبدونه.
س29: ما هو step-back prompting؟
الإجابة: طرح سؤال أعم أولًا للحصول على سياق أوسع قبل الاستعلام المحدد.
س30: ما ترتيب العمليات في RAG متقدم كامل؟
الإجابة: تحويل الاستعلام ← توليد استعلامات متعددة ← استرجاع ← دمج ← إعادة ترتيب ← توليد
النتائج
| الدرجة | المستوى |
|---|---|
| 27-30 | ممتاز - فهم قوي لـ RAG المتقدم |
| 21-26 | جيد - يُوصى ببعض المراجعة |
| 15-20 | متوسط - راجع الفصول مرة أخرى |
| أقل من 15 | يحتاج مراجعة شاملة |