روبوت محادثة بتقنية RAG

RAG هو اختصار لـ «التوليد المعزّز بالاسترجاع» (retrieval-augmented generation). يجمع روبوت المحادثة بتقنية RAG بين نموذج لغوي كبير وخطوة استرجاع: فعندما يطرح المستخدم سؤالًا، يبحث النظام أولاً في مصدر معرفي (مقالات المساعدة ووثائق المنتج والسياسات والتذاكر السابقة) عن أكثر المقاطع صلةً، ثم يمرّر تلك المقاطع إلى النموذج كسياق ليكون الجواب المُولَّد مبنيًا على معلومات حقيقية وحديثة، لا على بيانات التدريب العامة للنموذج وحدها.

من الناحية التقنية، يُقسَّم المصدر المعرفي عادةً إلى مقاطع، وتُحوَّل إلى متجهات تضمين، وتُخزَّن في قاعدة بيانات متجهية أو فهرس بحث. وعند الاستعلام، يُحوَّل سؤال المستخدم إلى تضمين ويُطابَق مع ذلك الفهرس لاسترجاع أقرب المقاطع. ثم تُدرَج تلك المقاطع في التوجيه، ويُولِّد النموذج ردًّا يستند إليها، غالبًا مع استشهادات تعود إلى المصدر.

الميزة الرئيسية لتقنية RAG على النموذج اللغوي العادي هي الدقة والحداثة. وبما أن الإجابات مرتبطة بمحتوى مسترجَع، يستطيع روبوت المحادثة بتقنية RAG أن يعكس معلومات لم تكن موجودة وقت تدريب النموذج، وأن يبقى متوافقًا مع سياساتك المحدّدة، وأن يقلّل الهلوسة بتزويد النموذج بمادة موثوقة يعتمد عليها. وتحديث قاعدة المعرفة يحدّث إجابات الروبوت. دون الحاجة إلى إعادة تدريب النموذج.

ليست تقنية RAG حلًّا سحريًا. فجودة الإجابة تعتمد بشدة على جودة الاسترجاع: فإذا كان الفهرس يفتقد محتوى، أو كان تقسيمه إلى مقاطع رديئًا، أو أعاد مقاطع غير ذات صلة، فقد ينتج النموذج إجابات خاطئة أو غامضة رغم ذلك. تستثمر أنظمة RAG الجيدة في محتوى مصدري نظيف، وتقسيم منطقي إلى مقاطع، وترتيب استرجاع قوي، وفحوصات تأسيس تمنع النموذج من الخروج عما تم استرجاعه.

بُني Mercateer على هذا النمط الذي يعتمد المعرفة أولاً. يسترجع كل وكيل من مستنداتك أنت والأسئلة الشائعة والسياسات الخاصة بك ويؤسّس إجاباته على تلك المادة، فتبقى الردود دقيقة ومتوافقة مع السياسات، أقرب إلى نظام RAG محكم البناء منها إلى شجرة قرار مكتوبة مسبقًا لا تعرف سوى المسارات التي وصّلها أحدهم يدويًا سلفًا.