RAG شرح مبسّط: كيف تخلي AI يجاوب من مستنداتك

ما هو RAG؟

RAG اختصار لـ Retrieval-Augmented Generation، بالعربية: التوليد المعزز بالاسترجاع. هو أسلوب يجعل نماذج الذكاء الاصطناعي تقرأ مستنداتك الفعلية قبل أن تجيب على أسئلتك.

بدون RAG، النموذج اللغوي يعتمد فقط على المعلومات التي تدرب عليها. هذه المعلومات عامة وقد تكون قديمة. مع RAG، النموذج يبحث أولا في مستنداتك الخاصة، يجد المعلومات ذات الصلة، ثم يصيغ إجابة مبنية على بياناتك الحقيقية.

الفرق جوهري: بدل أن يخمن النموذج، يقرأ ويستشهد.

كيف يعمل RAG خطوة بخطوة

المرحلة 1: تجهيز المستندات

المستندات تمر بعملية تسمى chunking (تقطيع). كل مستند يقسم إلى أجزاء صغيرة، عادة 500-1000 كلمة لكل جزء. السبب: النماذج اللغوية لها سعة محدودة (context window)، وإرسال مستند كامل من 200 صفحة غير ممكن تقنيا.

أنواع المستندات المدعومة:

• ملفات PDF
• مستندات Word
• ملفات نصية وmarkdown
• صفحات ويب
• جداول بيانات Excel
• رسائل البريد الإلكتروني

المرحلة 2: تحويل النصوص إلى متجهات

كل جزء من المستند يتحول إلى تمثيل رقمي يسمى embedding (متجه). هذا المتجه هو مصفوفة أرقام تمثل المعنى الدلالي للنص. نصوص متشابهة في المعنى تنتج متجهات قريبة من بعضها رياضيا.

نماذج التحويل الشائعة: OpenAI ada-002، أو بدائل مفتوحة المصدر مثل sentence-transformers التي تعمل محليا بدون إرسال بيانات للخارج.

المرحلة 3: تخزين المتجهات

المتجهات تخزن في قاعدة بيانات متجهية مثل:

قاعدة البيانات	النوع	الميزة
pgvector	إضافة لـ PostgreSQL	لا حاجة لقاعدة منفصلة
ChromaDB	قاعدة مستقلة	سهلة الإعداد
Weaviate	قاعدة مستقلة	متقدمة وقابلة للتوسع
Milvus	قاعدة مستقلة	أداء عالي للبيانات الضخمة

المرحلة 4: الاستعلام والاسترجاع

عندما يسأل المستخدم سؤالا، يحدث التالي:

1. السؤال يتحول إلى متجه بنفس نموذج التحويل
2. قاعدة البيانات تبحث عن أقرب المتجهات المخزنة
3. الأجزاء الأكثر صلة (عادة 3-5) تسترجع
4. الأجزاء المسترجعة ترسل مع السؤال للنموذج اللغوي
5. النموذج يصيغ إجابة مبنية على المستندات الفعلية

لماذا RAG أفضل من التدريب الدقيق؟

التدريب الدقيق (fine-tuning) يعني إعادة تدريب النموذج على بياناتك. هذا مكلف حسابيا، يستغرق وقتا طويلا، ويحتاج تحديث كلما تغيرت البيانات.

RAG أفضل لأنه:

• محدث دائما: أضف مستندا جديدا، النظام يقرأه فورا
• أرخص بمراحل: لا تحتاج GPU قوي لإعادة التدريب
• قابل للتتبع: النظام يخبرك من أي مستند جاءت الإجابة
• أسهل في الإعداد: ساعات بدل أسابيع

حالات استخدام عملية في السعودية

مساعد الأنظمة الحكومية

جهة حكومية لديها مئات الأنظمة واللوائح. بدل أن يبحث الموظفون يدويا في مستندات PDF، نظام RAG يجيب على أسئلة مثل: "ما هي شروط الترخيص لنشاط كذا؟" مع الإشارة للمادة والنظام المصدر.

دعم العملاء الذكي

شركة لديها 500 مقال في قاعدة المعرفة. نظام RAG يقرأ كل المقالات ويجيب على أسئلة العملاء بدقة، مع رابط المقال المصدر. معدل الحل الذاتي يرتفع من 20% إلى 60%+.

تحليل العقود

مكتب محاماة يحتاج مراجعة عقود بالمئات. نظام RAG يستطيع المقارنة بين بنود العقود، تحديد المخاطر، واقتراح تعديلات بناء على عقود سابقة.

كيف تبني نظام RAG على سيرفرك

الخيار 1: Langflow أو Flowise

الأسهل. واجهة بصرية تسحب وتفلت المكونات. تربط مصدر المستندات بنموذج التحويل بقاعدة المتجهات بالنموذج اللغوي. مناسب لغير المبرمجين.

الخيار 2: Open WebUI مع RAG مدمج

Open WebUI يدعم رفع المستندات مباشرة من الواجهة. يقطعها، يحولها لمتجهات، ويستخدمها في المحادثات. أبسط إعداد ممكن.

الخيار 3: كود مخصص

للمطورين الذين يحتاجون تحكما كاملا. مكتبة LangChain أو LlamaIndex مع Python. مرونة مطلقة لكن يحتاج خبرة برمجية.

متطلبات السيرفر

حجم المستندات	vCPU	RAM	تخزين	الباقة المقترحة
أقل من 1,000 صفحة	2	4 GB	40 GB	نمو (أسعار تنافسية — الأسعار والباقات)
1,000 - 10,000 صفحة	4	8 GB	100 GB	أعمال (أسعار تنافسية — الأسعار والباقات)
أكثر من 10,000 صفحة	8	16 GB	200 GB	مؤسسة (18,000+ ريال/سنة)

نقاط مهمة

الخصوصية: على سيرفر كلاود في الرياض، مستنداتك لا تغادر المملكة. هذا مطلب أساسي لأي جهة تتعامل مع بيانات حكومية أو مالية.

الدقة: جودة نظام RAG تعتمد على جودة المستندات وطريقة تقطيعها. استثمر وقتا في تنظيف المستندات قبل إدخالها.

التكلفة: لا تحتاج اشتراكات شهرية في خدمات خارجية. سيرفر واحد يشغل كل المكونات.

الذكاء الاصطناعي الذي يقرأ مستنداتك الحقيقية أقوى بمراحل من ذكاء اصطناعي يخمن. RAG يحوّل السيرفر من مجرد استضافة إلى بنية تحتية ذكية.

---

ابدأ الآن

جاهز تشغّل الذكاء الاصطناعي على سيرفرك؟ اكتشف حلول استضافة AI أو صمم سيرفرك بالمواصفات المطلوبة.