RAG خطوة بخطوة: عبدالله عبدالرحيم بن سنكر يشرح كيف يجاوب النموذج من بياناتك

سألت المساعد الذكي عن سياسة الاسترجاع في متجرك، فجاوبك بسياسة عامة ما تخصك. طبيعي: النموذج ما قرأ ملفاتك. الحل اللي يتكلم عنه الكل اسمه RAG، بس أغلب الشروحات تقف عند التعريف. هنا عبدالله عبدالرحيم بن سنكر يمشي معك في الخطوات نفسها، ويختم بمثال من شغله: كيف تختار محادثة مكتبة «سكيلز» المرشحين قبل ما تسأل النموذج.

الفكرة في سطرين

RAG اختصار Retrieval-Augmented Generation، يعني توليد مدعوم بالاسترجاع. قبل ما يجاوب النموذج، النظام يبحث في بياناتك عن المقاطع المتعلقة بالسؤال، ويحطها قدام النموذج مع السؤال، ويقول له: جاوب من هذا. النموذج ما يتعلّم بياناتك، هو يقرأها لحظة السؤال.

الخطوتان ١ و٢: اجمع ونظّف، ثم قطّع

أولاً اجمع المصادر اللي تبي المساعد يجاوب منها: سياسات، كتالوج، أسئلة شائعة، عقود نموذجية. وهنا يطيح أغلب المشاريع: ملفات قديمة متناقضة، ونسختين من نفس السياسة. لو بياناتك تقول شيئين، المساعد بيقول شيئين. نظّف قبل ما تبني.

بعدها قطّع بذكاء. ما تقدر ترسل كتاب كامل مع كل سؤال، فتقسّم المحتوى لمقاطع. المقطع الصغير جداً يفقد السياق، والكبير جداً يجيب معه كلام ما له علاقة. القاعدة العملية: قطّع على حدود المعنى، مثل عنوان وفقرته، مو كل خمسمية حرف بشكل أعمى. واحفظ مع كل مقطع مصدره: اسم الملف والقسم.

الخطوتان ٣ و٤: البحث، ثم تركيب السياق

الحين تبني طريقة البحث اللي تلقى المقاطع المناسبة لكل سؤال. عندك خياران أساسيان، وكثير من الأنظمة تجمعهم:

• البحث بالكلمات: يطابق الكلمات نفسها. سريع ورخيص وممتاز للأسماء والأرقام والمصطلحات الدقيقة.
• البحث الدلالي (Embeddings): يحوّل النص لأرقام تمثّل المعنى، فيلقى «إرجاع المنتج» حتى لو كتب العميل «أبي أرجّع الغرض». يحتاج نموذج تضمين وقاعدة متجهات.
• البحث الهجين: يجمع الاثنين ثم يرتّب النتائج، وغالباً هو الأدق.

بعد البحث يجي تركيب السياق: تاخذ أفضل المقاطع، عادة من ثلاثة إلى عشرة حسب طولها، وتبني رسالة للنموذج فيها: تعليمات واضحة، والمقاطع مع مصادرها، والسؤال. وأهم سطر في التعليمات: «إذا الجواب مو موجود في النصوص، قل ما عندي معلومة». بدون هالسطر، النموذج بيكمّل الفراغ من عنده.

الخطوات ٥ إلى ٧: اختبر، واطلب المصدر، وحدّث

قبل الإطلاق اختبر. اكتب عشرين أو ثلاثين سؤالاً حقيقياً من عملائك، ومعها الجواب الصحيح. شغّلها على النظام وشوف: هل البحث جاب المقطع الصحيح؟ وهل النموذج التزم فيه؟ لو الجواب غلط، غالباً المشكلة في البحث مو في النموذج.

وفي التعليمات اطلب من النموذج يذكر في آخر الجواب اسم الملف أو القسم اللي اعتمد عليه. هالشي يفيدك بطريقتين: العميل يقدر يتأكد بنفسه، وأنت لما تراجع محادثة غلط تعرف فوراً إذا البحث جاب مقطعاً خطأ، أو إن النموذج قرأ المقطع الصحيح وفهمه غلط. وهذا الفرق هو اللي يحدد وين تصلح.

وآخر خطوة ما تخلص أبداً: التحديث. بياناتك تتغير: سعر جديد، سياسة معدّلة، منتج انتهى. لازم يكون فيه طريقة واضحة تعيد فيها فهرسة الملف اللي تغيّر، وتحذف مقاطعه القديمة. أسوأ وضع إن تكون النسخة القديمة والجديدة من نفس السياسة موجودة في الفهرس، والبحث يختار القديمة. حدد شخصاً مسؤولاً عن المصادر، وخلّ التحديث جزءاً من الشغل اليومي، مو مشروعاً منفصلاً يتأجل.

مثال صريح: محادثة مكتبة سكيلز

مكتبة «سكيلز» اللي بناها عبدالله عبدالرحيم بن سنكر الكندي فيها أكثر من ألف سكِل مفتوح المصدر لـ Claude، وفيها محادثة ذكاء اصطناعي تساعدك تلقى السكِل المناسب. لو أرسلنا الكتالوج كامل للنموذج مع كل سؤال، بيصير بطيء ومكلف. فالمحادثة تسوي خطوة استرجاع قبل النموذج:

• تفلتر الكتالوج محلياً داخل الصفحة، وتطلع أفضل عشرين مرشحاً للسؤال.
• أوصاف السكِلات أغلبها بالإنجليزي، والمستخدم يكتب بالعربي، فيه قاموس مصطلحات عربي إلى إنجليزي يترجم كلمات السؤال قبل المطابقة.
• بعدها بس، العشرين مرشحاً يروحون للنموذج، وهو يختار ويشرح الأنسب.

هذا RAG بأبسط صوره: ما فيه قاعدة متجهات، فيه بحث بالكلمات مع ترجمة مصطلحات. وله حدوده بصراحة: لو كتب المستخدم كلمة مو موجودة في القاموس، الفلتر ممكن يفوّت سكِل مناسب. لكنه اختيار مقصود: سريع، ورخيص، وكافي لكتالوج منظّم بأوصاف قصيرة. ولو كبر الكتالوج أو صارت الأسئلة أعقد، الخطوة الطبيعية إضافة بحث دلالي فوقه.

متى RAG مو الحل؟

لو بياناتك صغيرة وثابتة، صفحة أو صفحتين، حطها في التعليمات مباشرة وخلاص. ولو تبي النموذج يحسب أرقام من جدول، فالأفضل تعطيه أداة تستعلم من الجدول بدل ما يقرأ مقاطع نصية. RAG ممتاز للنصوص الكثيرة المتغيرة، مو لكل شي.

الخلاصة: جودة RAG تُقرّر في البحث والتنظيف، مو في اسم النموذج. وفي منصة أزهل الرقمية نبدأ دائماً بأسئلة العميل الحقيقية، لأنها هي اللي تحدد وش نسترجع وكيف.