RAG: كيف تجعل الذكاء الاصطناعي يجيب من ملفاتك ومعلوماتك الخاصة دون إعادة تدريبه؟

 RAG: كيف تجعل الذكاء الاصطناعي يجيب من ملفاتك ومعلوماتك الخاصة دون إعادة تدريبه؟

تخيل أنك تمتلك مئات الملفات.

تقارير PDF.

مستندات عمل.

سياسات داخلية.

أدلة استخدام.

وملاحظات تراكمت لسنوات.

ثم تريد مساعد ذكاء اصطناعي يستطيع الإجابة عن أسئلة مثل:

“ما آخر سياسة للإجازات الموجودة في ملفات الشركة؟”

أو:

“لخص لي أهم الاختلافات بين تقارير الربع الأول والثاني.”

المشكلة أن النموذج اللغوي لم يتدرب على ملفاتك الخاصة.

فكيف يعرف محتواها؟

هنا تأتي واحدة من أهم تقنيات الذكاء الاصطناعي الحديثة:

RAG — Retrieval-Augmented Generation

أو:

التوليد المعزز بالاسترجاع.

وتعرّف Google Cloud تقنية RAG بأنها إطار يجمع بين أنظمة البحث واسترجاع المعلومات وبين قدرات النماذج اللغوية، بحيث يمكن للنموذج بناء إجابته اعتمادًا على معلومات خارجية ذات صلة بدل الاعتماد فقط على ما تعلمه أثناء التدريب. 

لماذا لا يعرف نموذج الذكاء الاصطناعي ملفاتك تلقائيًا؟

النموذج اللغوي يتم تدريبه مسبقًا على كمية ضخمة من البيانات.

لكن هذا لا يعني أنه يعرف:

المستند الذي كتبته أمس.

دليل الشركة الداخلي.

آخر تحديث لقاعدة بياناتك.

أو ملف PDF خاصًا موجودًا على جهازك.

بل إن معلومات العالم نفسها تتغير بعد انتهاء تدريب النموذج.

وهنا تظهر مشكلتان:

المعلومات الخاصة.

و:

المعلومات الحديثة.

Microsoft توضح أن RAG مفيد تحديدًا عندما نريد أن تكون إجابات النموذج مبنية على بيانات خاصة أو معلومات تتغير باستمرار.

 

كيف تعمل RAG ببساطة؟

لنفترض أنك تملك دليلًا من 500 صفحة وتسأل:

“ما شروط استرجاع المنتج؟”

بدل إرسال الـ500 صفحة كلها إلى النموذج في كل مرة، يحدث شيء أقرب إلى التالي:

1. يُقسَّم المحتوى إلى أجزاء.

2. تُفهرس هذه الأجزاء بطريقة تسهّل البحث فيها.

3. عند طرح السؤال، يبحث النظام عن الأجزاء الأكثر ارتباطًا به.

4. يرسل تلك الأجزاء فقط إلى النموذج مع السؤال.

5. يستخدم النموذج المعلومات المسترجعة لصياغة الإجابة.

وبذلك لا يحتاج النموذج إلى “حفظ” الدليل داخل أوزانه.

إنه يبحث أولًا ثم يجيب.

وهذه هي الفكرة الأساسية لـRAG. 

مثال بسيط جدًا

تخيل طالبًا يؤدي اختبارًا.

هناك طريقتان:

الأولى أن يعتمد بالكامل على ما يحفظه في ذاكرته.

وهذا يشبه نموذج AI دون RAG.

أما الثانية فهي أن تعطيه كتابًا منظمًا وتسمح له بالبحث عن الصفحة المناسبة قبل الإجابة.

هذا أقرب إلى RAG.

إذن:

النموذج = من يكتب الإجابة.

نظام الاسترجاع = من يجد المعلومات المناسبة.

هل RAG تدرب نموذجًا جديدًا؟

لا.

وهذا من أكبر الفروق بينها وبين Fine-Tuning.

عند استخدام RAG، أنت لا تغير أوزان النموذج عادة.

بل تزوده بالمعلومات المناسبة وقت السؤال.

أما Fine-Tuning فيعني تدريب النموذج إضافيًا حتى يتغير سلوكه أو يتعلم نمطًا معينًا بصورة أكثر ثباتًا.

ولهذا يمكن تحديث قاعدة معرفة RAG بسهولة أكبر.

أضفت مستندًا جديدًا؟

حدّث قاعدة المعرفة.

لا تحتاج في كل مرة إلى إعادة تدريب النموذج من البداية.

RAG أم Fine-Tuning؟

كل واحدة تحل مشكلة مختلفة.

إذا أردت أن يعرف AI معلومات تتغير باستمرار، مثل مستندات وسياسات وكتالوج منتجات:

قد تكون RAG مناسبة.

أما إذا كنت تريد أن يتعلم النموذج:

أسلوب كتابة معينًا، صيغة إخراج محددة أو سلوكًا متخصصًا متكررًا،

فقد يكون Fine-Tuning مناسبًا.

وأحيانًا يمكن الجمع بينهما.

لهذا كان حديثنا في مقال النماذج الصغيرة عن أن اختيار RAG أو Fine-Tuning يعتمد على المشكلة التي تحاول حلها.

ما هي Embeddings؟

هذه الكلمة تظهر كثيرًا عند الحديث عن RAG.

Embeddings هي طريقة لتمثيل معنى النص بأرقام تستطيع أنظمة الحاسوب استخدامها للمقارنة.

لنفترض أن لديك عبارتين:

“كيف أغيّر كلمة المرور؟”

و:

“نسيت الرقم السري لحسابي.”

الكلمات نفسها ليست متطابقة.

لكن المعنى قريب.

البحث التقليدي بالكلمات قد يفوّت بعض هذه العلاقات.

أما البحث الدلالي باستخدام Embeddings فيحاول العثور على المحتوى القريب في المعنى حتى عندما تختلف الكلمات.

وهذا جزء مهم من كثير من أنظمة RAG الحديثة.

ما هي Vector Database؟

بعد تحويل أجزاء المستندات إلى تمثيلات رقمية، نحتاج إلى مكان يسمح بالبحث بينها بسرعة.

وهنا يظهر مفهوم:

Vector Database — قاعدة البيانات المتجهية.

وظيفتها تسهيل البحث عن المعلومات الأكثر تشابهًا مع معنى سؤال المستخدم.

لكنها ليست الطريقة الوحيدة.

الأنظمة الحديثة قد تجمع بين:

البحث الدلالي + البحث بالكلمات المفتاحية.

وهذا يسمى أحيانًا:

Hybrid Search — البحث الهجين.

Microsoft تصف البحث الهجين بأنه تنفيذ بحث نصي وبحث متجهي معًا للحصول على نتائج أكثر فائدة. 

لماذا لا نرسل كل الملفات إلى النموذج مرة واحدة؟

لعدة أسباب.

أولًا: كمية النص التي يستطيع النموذج التعامل معها لها حدود عملية.

ثانيًا: إرسال معلومات كثيرة غير مرتبطة بالسؤال قد يجعل الإجابة أقل تركيزًا.

ثالثًا: التكلفة وزمن الاستجابة قد يرتفعان.

لذلك تحاول RAG العثور على أقل كمية من المعلومات الأكثر ارتباطًا بالسؤال.

وكأنك بدل أن تعطي شخصًا مكتبة كاملة، تعطيه الصفحات الثلاث التي تحتوي على الإجابة.

ما المقصود بـChunking؟

قبل الفهرسة، يتم غالبًا تقسيم المستند إلى أجزاء صغيرة تسمى:

Chunks.

لكن اختيار حجم الجزء ليس تفصيلًا بسيطًا.

إذا كان الجزء صغيرًا جدًا، قد نفقد السياق.

وإذا كان ضخمًا جدًا، قد يحصل النموذج على كمية كبيرة من المعلومات غير الضرورية.

لذلك يعتبر Chunking من أهم عناصر بناء RAG جيدة.

هل تمنع RAG هلوسة الذكاء الاصطناعي؟

يمكن أن تقلل منها، لكنها لا تلغيها تمامًا.

عندما يستند النموذج إلى مصادر واضحة وذات صلة، يصبح لديه أساس أفضل للإجابة.

ولهذا تصف Google Cloud RAG بأنها وسيلة لجعل الإجابات أكثر ارتباطًا وحداثة ودقة من خلال ربط النموذج بمعلومات خارجية. 

لكن يمكن أن تحدث الأخطاء إذا:

تم استرجاع مستند غير مناسب.

كان المصدر نفسه خاطئًا.

فهم النموذج المعلومات بطريقة غير صحيحة.

أو صاغ استنتاجًا لا تدعمه المصادر.

إذن:

RAG تقلل مشكلة المعرفة، لكنها لا تحول AI إلى نظام لا يخطئ.

لماذا يجب أن تُظهر المصادر؟

من أفضل الممارسات أن يستطيع المستخدم معرفة:

من أين جاءت الإجابة؟

مثل أن يعرض النظام:

اسم المستند.

الصفحة.

أو رابط المصدر.

بهذا يستطيع الإنسان التحقق بدل التعامل مع الإجابة كحقيقة مجهولة المصدر.

وهذه إحدى المزايا المهمة لتصميم RAG جيد.

أين تستخدم RAG؟

من أكثر الاستخدامات شيوعًا:

مساعدات الشركات.

يمكن للموظف أن يسأل عن مستندات المؤسسة بدل البحث يدويًا في مئات الملفات.

خدمة العملاء.

يسترجع المساعد المعلومات من أدلة المنتجات وقواعد الدعم.

البحث الأكاديمي.

يمكن ربط المساعد بمجموعة أبحاث أو أوراق محددة.

الأنظمة القانونية والمؤسسية.

حيث تكون الإجابة بحاجة إلى الاعتماد على مستندات محددة بدل معرفة عامة.

مساعدات المنتجات.

مثل مساعد يعرف دليل جهاز أو برنامج كاملًا.

هل يشبه NotebookLM؟

الفكرة العامة قريبة جدًا.

فعندما ترفع مصادر إلى أداة وتطلب منها الإجابة اعتمادًا على هذه المصادر، فأنت تتعامل مع تجربة تقوم على Grounding — تأريض الإجابة بالمصادر، حتى وإن اختلف التنفيذ التقني الداخلي من منتج إلى آخر.

وبذلك يرتبط RAG بمقال NotebookLM الذي لديك، لكن مقالنا الحالي يشرح التقنية نفسها وكيف تعمل خلف الكواليس، وليس استخدام منتج معين.

ماذا يعني Grounding؟

مصطلح مهم آخر.

Grounding يعني إعطاء النموذج مصدرًا موثوقًا أو مجموعة معلومات يعتمد عليها أثناء الإجابة.

بدل أن يقول ما يتذكره فقط، نقول له تقريبًا:

“ابنِ إجابتك اعتمادًا على هذه الأدلة.”

RAG واحدة من أشهر الطرق لتحقيق ذلك.

ماذا لو كانت الملفات سرية؟

هنا تصبح الصلاحيات مهمة جدًا.

إذا كان الموظف لا يملك صلاحية قراءة مستند معين، فلا ينبغي لنظام RAG أن يسترجعه ويعرض محتواه له.

ولهذا يجب أن تحترم قاعدة المعرفة:

هوية المستخدم + صلاحياته + مستوى الوصول.

Microsoft تشير إلى أن Foundry IQ يستخدم قواعد معرفة يمكن أن تكون permission-aware، أي تراعي صلاحيات المستخدم عند تقديم المعرفة للوكلاء. 

وهذا مهم للغاية في المؤسسات.

فالذكاء الاصطناعي لا ينبغي أن يصبح طريقة لتجاوز صلاحيات الملفات الأصلية.

ما هو Agentic RAG؟

هنا ندخل الجيل الجديد من التقنية.

في RAG التقليدية:

سؤال → بحث → مستندات → إجابة.

أما في Agentic RAG فقد يتصرف وكيل ذكي بصورة أكثر تعقيدًا.

يستطيع أن:

يحلل السؤال.

يقسمه إلى عدة عمليات بحث.

يقرر أي مصدر يحتاجه.

يعيد صياغة الاستعلام.

يقارن عدة نتائج.

ثم يجمعها قبل الإجابة.

Microsoft أضافت خلال 2026 طبقات Agentic Retrieval تعتمد على تخطيط الاستعلام وإعادة الترتيب والعمل مع عدة مصادر معرفة بدل عملية بحث واحدة بسيطة. 

مثال على Agentic RAG

اسأل:

“قارن سياسة العمل عن بعد الحالية بسياسة العام الماضي وحدد التغييرات التي تؤثر في الموظفين الجدد.”

هذا السؤال يحتاج عدة خطوات.

الوكيل قد يبحث عن:

السياسة الحالية.

السياسة القديمة.

قسم الموظفين الجدد.

ثم يقارن النصوص ويستخرج الاختلافات.

إذن لم يعد مجرد “ابحث عن فقرة مشابهة”.

بل أصبح بحثًا متعدد الخطوات.

هل هذا يعني أن RAG القديمة ستختفي؟

لا.

المهام البسيطة قد لا تحتاج إلى وكيل كامل.

إذا كنت تسأل:

“ما رقم الهاتف الموجود في دليل الشركة؟”

فبحث واحد جيد يكفي.

أما المهام المعقدة التي تحتاج إلى مصادر متعددة ومقارنة واستدلال، فقد تستفيد من Agentic Retrieval.

ولهذا توضح Microsoft حاليًا الفرق بين Classic RAG وAgentic Retrieval وتوفر كلا المسارين حسب المهمة. 

لماذا جودة البحث أهم من قوة النموذج أحيانًا؟

تخيل أقوى نموذج في العالم.

إذا أعطيته مستندًا غير صحيح، قد يبني إجابة ممتازة لغويًا لكنها مبنية على معلومة خاطئة.

أما نموذج أصغر يحصل على المصدر الصحيح، فقد يقدم إجابة أفضل.

ولهذا فإن جودة نظام RAG تعتمد على أكثر من LLM.

تعتمد على:

جودة البيانات.

طريقة تقسيمها.

الفهرسة.

طريقة البحث.

إعادة ترتيب النتائج.

الصلاحيات.

وصياغة الإجابة.

والفكرة الأساسية:

AI لا يستطيع الاستفادة من معلومة لم يتمكن نظام البحث من العثور عليها.

هل RAG مكلفة؟

تعتمد على حجم النظام.

مشروع صغير يحتوي على عشرات المستندات قد يكون بسيطًا نسبيًا.

لكن مؤسسة ضخمة لديها ملايين الملفات تحتاج إلى:

تخزين وفهرسة.

تحديث مستمر.

أنظمة صلاحيات.

حسابات بحث.

ونماذج توليد.

كما توجد مفاضلة بين:

الدقة + السرعة + التكلفة.

Microsoft تضع التكلفة وزمن الاستجابة ضمن الاعتبارات الأساسية عند تصميم حلول RAG. 

ماذا يحدث عندما يتغير مستند؟

هذه إحدى أكبر مزايا RAG مقارنة بإعادة التدريب.

يمكن تحديث الفهرس بالمعلومات الجديدة.

بعد ذلك تبدأ الأسئلة في استرجاع الإصدار الجديد.

ولهذا تناسب التقنية المعلومات التي تتغير باستمرار.

مثل:

الأسعار.

المخزون.

السياسات.

المستندات الداخلية.

وقواعد الدعم.

هل RAG مهمة لوكلاء AI؟

جدًا.

الوكيل يحتاج إلى المعرفة قبل اتخاذ القرار.

فإذا طلبت من وكيل تنظيم مشروع داخل شركة، يجب أن يعرف:

المستندات.

السياسات.

الأشخاص المسموح له بالتعامل معهم.

وحالة المشروع.

RAG توفر طبقة المعرفة التي يستطيع الوكيل الرجوع إليها.

ولهذا أصبح مفهوم Knowledge Layer — طبقة المعرفة أساسيًا في منصات Agentic AI الحديثة. Microsoft تصف Azure AI Search/Foundry IQ بأنه نظام معرفة مؤسسي يدعم RAG والوكلاء. 

هل سيصبح لكل مؤسسة “ذكاء اصطناعي يعرف كل ملفاتها”؟

هذا بالفعل أحد أهم اتجاهات AI المؤسسي.

لكن النجاح لا يعتمد فقط على تركيب نموذج قوي.

إذا كانت ملفات المؤسسة:

قديمة.

متكررة.

غير منظمة.

بلا صلاحيات واضحة.

فسيواجه AI المشكلات نفسها.

لهذا قد يجعل الذكاء الاصطناعي الشركات تدرك حقيقة مهمة:

جودة AI تبدأ من جودة المعرفة التي تعطيه إياها.

الخلاصة

RAG واحدة من أهم التقنيات التي تسمح بتحويل النموذج اللغوي العام إلى مساعد يستطيع الإجابة بناءً على بيانات محددة وخاصة وحديثة.

وهي لا تحتاج عادة إلى إعادة تدريب النموذج كلما تغيرت المعلومات.

بل تجعل النظام يعمل وفق تسلسل بسيط:

ابحث → استرجع الأدلة → أعطها للنموذج → كوّن الإجابة.

ومع ظهور Agentic RAG في 2026، أصبح الاسترجاع نفسه أكثر ذكاءً؛ يستطيع النظام تخطيط عدة عمليات بحث والعمل عبر مصادر متعددة قبل إنتاج النتيجة. 

ولهذا قد يكون مستقبل الذكاء الاصطناعي أقل اعتمادًا على السؤال:

“كم معلومة حفظها النموذج؟”

وأكثر اعتمادًا على:

“هل يستطيع العثور على المعلومة الصحيحة عندما يحتاج إليها؟”