RAG (التوليد المعزَّز بالاسترجاع)
التوليد المعزَّز بالاسترجاع، أو RAG، تقنية يُبحث فيها عن المقاطع الأكثر صلة بالسؤال داخل مجموعة مستندات ثم تُسلَّم إلى نموذج لغوي ليكتب إجابته منها. وهي تتيح للنموذج العمل بمواد لم يتدرب عليها وأكبر من أن تُلصق كاملة.
آخر تحديث: 8 نوفمبر 2026
في هذه الصفحة
مقروءة على أجهزتك فقط.
محادثتك مقروءة على جهازك، وعلى أجهزتك الأخرى إن زامنتها. وليس في أي مكان آخر.
غير مقروءة لدينا.
تمرّ رسالتك دون أن تُكتب في أي مكان، ولا تبقى محادثاتك لدينا إلا مشفّرة.
النموذج لا يعرف من أنت.
يتلقى السؤال، لا بريدك ولا حسابك ولا عنوان IP الخاص بك.
لا شيء يبقى في الطريق.
يعود الرد ويُحفظ هنا مشفّرًا؛ وحتى مع المزامنة، لا يصلنا مفتاحك أبدًا مكشوفًا.
كيف يعمل
لنظام RAG مرحلتان. الأولى الفهرسة: تُقطَّع كل وثيقة إلى مقاطع ويُحوَّل كل مقطع إلى تضمين، أي قائمة أرقام تلتقط معناه، فتنتهي المقاطع المتشابهة في الموضوع إلى متجهات متشابهة. والثانية وقت السؤال: يُحوَّل السؤال إلى متجه بالطريقة نفسها، ويُعثر على أقرب المقاطع بمقارنة المتجهات، وتُضاف هذه المقاطع إلى الموجّه بجانب السؤال. ثم يجيب النموذج مستعينًا بها.
تعالج الطريقة حدّين في النموذج العادي. فهو لا يستطيع قراءة ما لم يتدرب عليه، كملاحظات محاضراتك أو عقد مورّد أو دليل منتج أو سجل تغييرات الأسبوع الماضي، ونافذة سياقه محدودة. أما الاسترجاع فيجلب ما يلزم فقط، فيمكن استجواب مكتبة أكبر بكثير من النافذة. كما يمنح الإجابة ما تستند إليه: يستطيع النموذج اقتباس المقطع الذي استخدمه، فيسهل اكتشاف الهلوسة.
وجودة الإجابة تتبع جودة الاسترجاع. إذا لم يُعثر على المقطع الصحيح فلا يجد النموذج ما يقتبسه وقد يعود إلى التخمين. وحجم المقطع مهم أيضًا: جزء مقطوع في منتصف جملة يفقد معناه، وكتلة بحجم فصل تهدر المساحة. والصفحات الممسوحة ضوئيًا والجداول والحواشي مواضع تعثر شائعة. لذلك الأفضل أن تقرأ إجابة RAG والمقاطع المقتبسة أمامك. ومكوّناتها المعتادة نموذج تضمين وفهرس متجهات ومُعيد ترتيب وقاعدة تقطيع وقالب موجّه، واستخداماتها المعتادة روبوتات الدعم الفني والبحث القانوني وأدوات المذاكرة والويكي الداخلية. وتجمع الأنظمة الهجينة بين المتجهات الدلالية والتقييم الكلاسيكي بالكلمات المفتاحية مثل BM25، ثم تعيد ترتيب القائمة المختصرة بمُرمِّز متقاطع (cross-encoder)، لأن رموز المنتجات الدقيقة وأسماء العائلات وأرقام الأخطاء تُطابَق بالألفاظ الحرفية أفضل مما تُطابَق بالمعنى وحده.
في NeverNo
خزنة NeverNo هي RAG مبنية حول خصوصيتك. المستندات التي تضيفها، بصيغ PDF أو Word أو Markdown أو نص أو شيفرة، تُحفظ في متصفحك داخل قاعدة IndexedDB المسماة neverno ومشفّرة بالمفتاح نفسه الذي تُشفَّر به محادثاتك. يُقطَّع كل مستند إلى مقاطع بنحو 800 توكن، ويأخذ كل مقطع متجهًا من 1,024 رقمًا. يحسب هذا المتجه نموذج خاص لدى DeepInfra مرة واحدة، أما البحث نفسه فيجري في متصفحك على المتجهات المخزنة هناك.
وعند تفعيل «الإجابة من خزنتي» يرسل السؤال فقط المقاطع الأقرب إليه، بحد أقصى 6 مقاطع أو 3 في الخطة المجانية، مع اسم المستند، ومع تلك الرسالة وحدها، إلى النموذج الذي يجيب. أما بقية مستنداتك فلا تغادر. ومع نموذج مجهول الهوية تصل المقاطع إلى جهته المطوِّرة مع الرسالة وبحسب قواعدها. وGLM 5.3 Flash نموذج خاص ومجاني من Z.ai يقرأ الصور، وتشرح صفحة الذكاء الاصطناعي الخاص أين يُحفظ كل شيء.
ما يستحق التذكر
RAG تبحث في المجموعة أولًا ثم تطلب من النموذج الإجابة من المقاطع التي وُجدت.
تجعل مكتبة كبيرة جدًا قابلة للاستخدام رغم محدودية نافذة السياق.
تجعل الإجابات أسهل في التحقق لأن المقطع الداعم يمكن عرضه.
الجودة تتوقف على الاسترجاع: إذا فات المقطع الصحيح تضررت الإجابة.
أسئلة شائعة
هل RAG هو نفسه تدريب نموذج على مستنداتي؟
لا. التدريب يغيّر النموذج نفسه وهو بطيء ومكلف. أما RAG فيترك النموذج كما هو ويضع فقط المقاطع ذات الصلة في الموجّه لكل سؤال، فيمكن لمستنداتك أن تتغير في أي وقت.
ما هو التضمين؟
قائمة أرقام تمثّل معنى قطعة نصية. النصوص ذات المعنى المتقارب تقع متجهاتها قرب بعضها، وهذا ما يجعل البحث بالمعنى، لا بالكلمات الحرفية، ممكنًا.
هل يزيل RAG الهلوسة؟
يقللها بإعطاء النموذج نصًا حقيقيًا يعتمد عليه، لكنه لا يزيلها. فالنموذج قد يسيء قراءة مقطع أو يتجاهله، فقارن الإجابة بالمقاطع المقتبسة. ومن الأعطال الشائعة مقطع فات وجدول أسيء فهمه ومصدر قديم. وتسجيل المقاطع التي استُرجعت لكل سؤال يساعد المهندسين أيضًا على تتبّع الإجابات الخاطئة المستعصية. والحداثة مهمة كذلك: أعد فهرسة المستندات كلما تغيّرت.
اطرح سؤالك الأول
بلا حساب ولا بطاقة. اكتب بأي لغة من اللغات العشر التي يتحدثها NeverNo.
افتح الدردشة