تولّد النماذج اللغوية الكبيرة نصًا سلسًا من الأنماط التي تعلّمتها أثناء التدريب، لكنها لا تعرف من تلقاء نفسها مستنداتك ولا أرقامك الأحدث ولا حقائق ظهرت بعد تاريخ انتهاء تدريبها. يسدّ التوليد المعزَّز بالاسترجاع هذه الفجوة بأن يترك النموذج يبحث قبل أن يجيب، فيرتكز كل رد على مصدر تتحكم فيه أنت بدل الذاكرة وحدها.
كيف يعمل RAG
لنظام RAG مرحلتان. أولًا الاسترجاع: يُحوَّل استعلام المستخدم إلى متجه تضمين ويُقارَن بمصدر معرفة — غالبًا قاعدة بيانات متجهات من مقاطع المستندات — لاستخراج أكثر المقاطع صلة. ثم التوليد: تُدرَج تلك المقاطع في موجّه النموذج كسياق، فيكتب النموذج إجابة مشروطة بها. النتيجة نص يعكس مادة محددة بدل مجرد تخمين مدروس.
لماذا يهمّ ذلك
يُبقي الاسترجاع الإجابات دقيقة ومحدَّثة دون إعادة تدريب النموذج، وهو أمر بطيء ومكلف. ولأن الرد مرتكز على نص مُسترجَع، يقلّل RAG من الهلوسة ويتيح لنموذج عام أن يتحدث عن معرفة خاصة أو سريعة التغير — سياسات شركة، أو كتالوج منتجات، أو سجل دعم. كما يجعل الإجابات أكثر شفافية، إذ يمكن عرض المقاطع الأساسية والتحقق منها.
كيف يعمل في DraftKite
تستخدم DraftKite تقنية RAG في قاعدة معرفتها الاختيارية. ترفع مستندات — أسئلة شائعة، وأسعار، وحقائق منتج — فتقسّمها DraftKite وتضمّنها في مخزن متجهات. وعند وصول بريد جديد، تسترجع المقاطع الأكثر صلة بتلك الرسالة تحديدًا وتضيفها كسياق قبل كتابة مسودة، فتعكس المسودة معلوماتك الخاصة. وتبقى المسودة في مجلد المسودات حتى تراجعها وترسلها بنفسك.