نماذج اللغة الكبيرة أدوات رائعة — لكنها تعاني من مشكلة حقيقية: تُجيب بثقة على أسئلة لا تعرف إجابتها. اسألها عن وثائق شركتك الداخلية؟ ستخترع إجابة تبدو منطقية لكنها غير صحيحة.

الحل ليس تدريب نموذج جديد — بل هو نظام RAG. فكرته بسيطة: قبل أن يُجيب النموذج، نُعطيه الوثائق ذات الصلة ليقرأها أولاً. النتيجة؟ إجابات مبنية على الواقع لا على التخمين.

٠١. ما هو RAG؟ الفكرة بدون تعقيد

نظام RAG يعمل في ثلاث خطوات بسيطة:

1. الاسترجاع: يبحث في قاعدة بياناتك عن الفقرات الأكثر صلة بسؤالك
2. التعزيز: يُضيف هذه الفقرات إلى السؤال كسياق للنموذج
3. التوليد: النموذج يُجيب بناءً على ما قرأه، لا على ما حفظه

٠٢. كيف يعمل النظام من الداخل

يتكون نظام RAG من مرحلتين: بناء قاعدة المعرفة (تحدث مرة واحدة أو دورياً) والإجابة على الأسئلة (تحدث مع كل سؤال):

المكونات الأساسية التي ستحتاجها:

• مصدر البيانات: ملفات PDF، صفحات Notion، قواعد بيانات SQL — أي شيء تريد أن “يعرفه” النموذج
• نموذج التضمين: يحوّل النصوص إلى أرقام تعبّر عن المعنى — مثل إحداثيات على خريطة دلالية
• قاعدة البيانات المتجهية: تخزّن هذه الأرقام وتتيح البحث السريع في ملايين الفقرات
• النموذج اللغوي: يقرأ السياق المسترجع ويُولّد الإجابة النهائية

٠٣. RAG أم الضبط الدقيق؟ متى تختار أيهما

هذا السؤال يطرحه كل مطوّر يبدأ مع النماذج اللغوية. الإجابة أبسط مما تتوقع:

٠٤. البناء خطوة بخطوة

سنبني نظاماً كاملاً باستخدام LangChain للتنسيق وOpenAI للتضمينات والنموذج وFAISS كقاعدة بيانات متجهية محلية.

الخطوة ١ — تجهيز البيئة

ثبّت المكتبات المطلوبة:

pip install langchain langchain-openai faiss-cpu python-dotenv tiktoken

أنشئ ملف .env بمفتاح API الخاص بك:

OPENAI_API_KEY=sk-your-api-key-here

الخطوة ٢ — تحميل وثائقك

يدعم LangChain عشرات أنواع المصادر. هنا مثال بتحميل صفحة ويب — يمكنك استبداله بـ PDF أو Notion أو CSV:

from langchain_community.document_loaders import WebBaseLoader

loader = WebBaseLoader("https://example.com/your-document")
docs = loader.load()

print(f"تم تحميل {len(docs)} وثيقة")

الخطوة ٣ — تقطيع النص إلى قطع ذكية

النماذج اللغوية لها حد لما تستطيع قراءته دفعة واحدة. نحتاج تقطيع الوثائق الطويلة — لكن بذكاء حتى لا نقطع الجمل في المنتصف:

from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings

# تقطيع ذكي يحترم حدود الفقرات والجمل
splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,    # حجم كل قطعة بالأحرف
    chunk_overlap=200   # تداخل بين القطع لحفظ السياق
)
chunks = splitter.split_documents(docs)

# نموذج التضمين — يحوّل النص إلى أرقام تعبّر عن المعنى
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")

print(f"عدد القطع: {len(chunks)}")

الخطوة ٤ — التخزين في قاعدة البيانات المتجهية

from langchain_community.vectorstores import FAISS

# تضمين القطع وتخزينها في FAISS محلياً
db = FAISS.from_documents(
    documents=chunks,
    embedding=embeddings
)

# احفظ قاعدة البيانات على القرص لاستخدامها لاحقاً
db.save_local("rag_db")

الخطوة ٥ — ضبط آلية البحث

# k=3: استرجع أفضل ٣ قطع ذات صلة لكل سؤال
# لا تبالغ في الرقم — كثرة القطع تشوّش النموذج
retriever = db.as_retriever(
    search_kwargs={"k": 3}
)

الخطوة ٦ — ربط النموذج اللغوي

from langchain_openai import ChatOpenAI

# temperature=0 للإجابات الحتمية والدقيقة
# gpt-4o-mini: سريع ورخيص ومناسب جداً لـ RAG
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

الخطوة ٧ — تجميع خط الأنابيب الكامل

هنا يتجمع كل شيء. نستخدم LCEL (لغة تعبيرات LangChain) لربط المكونات بشكل أنيق:

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

# الموجّه: نطلب من النموذج الإجابة من السياق فقط
template = """أجب على السؤال بناءً على السياق التالي فقط.
إذا لم تجد الإجابة في السياق، قل "لا أعرف".

السياق:
{context}

السؤال: {question}
"""
prompt = ChatPromptTemplate.from_template(template)

# ربط المكونات: بحث → تنسيق → موجّه → نموذج → إجابة
rag_chain = (
    {"context": retriever | format_docs,
     "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

الخطوة ٨ — اختبار النظام

سؤال = "ما أبرز نقاط الوثيقة؟"
إجابة = rag_chain.invoke(سؤال)
print(إجابة)
# النتيجة: إجابة مبنية على وثائقك الحقيقية

٠٥. مثال حقيقي: قاعدة معرفة لشركة ناشئة

٠٦. تحسين الأداء للإنتاج

البناء الأولي سهل. الإنتاج الحقيقي يحتاج أربعة تحسينات:

• التقطيع الذكي: استخدم RecursiveCharacterTextSplitter مع فواصل مخصصة تحترم حدود الفقرات. جرّب ParentDocumentRetriever إذا احتجت سياقاً أوسع.
• جودة التضمينات: الانتقال من text-embedding-ada-002 إلى text-embedding-3-large يحسّن دقة الاسترجاع بشكل ملحوظ — يستحق الفارق في التكلفة.
• التخزين المؤقت الدلالي: إذا سأل مستخدم سؤالاً مشابهاً لسؤال سابق (مثل “ما سياسة الإجازات؟” و”كم يوم إجازة أستحق؟”)، أعد الإجابة المحفوظة مباشرة. يخفّض التكاليف إلى قريب من الصفر للاستعلامات المتكررة.
• السرعة: استخدم FAISS محلياً حيث أمكن، وفعّل البث (streaming) لمخرجات النموذج، واستخدم الاستدعاءات غير المتزامنة لتجنب إبطاء تجربة المستخدم.

٠٧. أخطاء تُفسد أنظمة RAG — وكيف تتجنبها

٠٨. الأدوات التي نوصي بها

• للتنسيق: LangChain (الأكثر انتشاراً ومرونة)، LlamaIndex (ممتاز للفهرسة المعقدة وأنواع بيانات متعددة)
• لقواعد البيانات المتجهية: FAISS (للتطوير المحلي — مجاني وسريع)، Pinecone (للإنتاج المُدار)، Qdrant (مفتوح المصدر وجاهز للإنتاج)
• للنماذج اللغوية: GPT-4o-mini من OpenAI (سريع ورخيص)، Claude من Anthropic (نافذة سياق ضخمة تصل لـ 200K توكن)، Llama 3 عبر Ollama (بدون إنترنت وبدون تكلفة)

٠٩. أسئلة يسألها كل مطوّر