RAG من الصفر: متى تصبح أداة لا غنى عنها في مشاريع الذكاء الاصطناعي؟

في آخر مشروع عملت عليه مع فريق ذكاء اصطناعي في شركة ناشئة سعودية، واجهنا مشكلة محبطة: نموذجنا اللغوي الكبير كان يولد إجابات تبدو مقنعة لكنها في الواقع خاطئة تماماً. المشكلة لم تكن في جودة النموذج نفسه، بل في أنه كان يعتمد فقط على المعرفة المخزنة داخله منذ تدريبه الأخير. عندما سألناه عن تفاصيل منتج جديد أطلقناه قبل شهر، أجاب بثقة تامة بمعلومات قديمة لم تعد صحيحة. هنا دخل RAG (Retrieval-Augmented Generation) كمنقذ، لكن ليس بالطريقة التي تظنها.

الغريب أن الكثير من المطورين يعتقدون أن RAG هو مجرد إضافة قاعدة بيانات خارجية لنموذج اللغة، لكن الحقيقة أكثر تعقيداً. إنه أشبه بتزويد النموذج بذاكرة خارجية ذكية يمكنها البحث والاسترجاع في الوقت الفعلي، مع فهم السياق بطريقة تشبه عمل الدماغ البشري. الفرق بين استخدام نموذج لغة تقليدي وRAG يشبه الفرق بين طالب يحفظ الكتاب عن ظهر قلب وآخر يفهم المفاهيم ويستعين بالمراجع عند الحاجة.

ما الذي يحدث بالضبط خلف كواليس RAG؟

عندما نتحدث عن RAG، فإننا نتحدث عن نظام مكون من ثلاث طبقات رئيسية تعمل بتناغم تام. الطبقة الأولى هي طبقة الاسترجاع (Retrieval Layer)، وهي المسؤولة عن البحث في قاعدة المعرفة الخارجية. لكن هذا ليس بحثاً تقليدياً باستخدام SQL أو Elasticsearch فقط، بل يتضمن تحويل النصوص إلى تمثيلات رقمية (Embeddings) باستخدام نماذج متخصصة مثل sentence-transformers، ثم مقارنة هذه التمثيلات باستخدام خوارزميات بحث متقدمة مثل FAISS أو HNSW.

الطبقة الثانية هي طبقة الدمج (Augmentation Layer)، حيث يتم دمج المعلومات المسترجعة مع السياق الأصلي للسؤال. هذه العملية ليست مجرد إضافة نص إلى نهاية المطالبة (Prompt)، بل تتضمن معالجة ذكية لفهم أي أجزاء من المعلومات المسترجعة هي الأكثر صلة، وأيها قد تكون متناقضة أو قديمة. في أحد المشاريع، اكتشفنا أن مجرد إضافة المعلومات المسترجعة دون معالجة يؤدي إلى مشكلة