اعتمد الجيل الأول من RAG (التوليد المعزز بالاسترجاع) على فكرة بسيطة: تقسيم المستندات إلى مقاطع، وإنشاء embeddings، والبحث بتشابه جيب التمام، ثم تمرير أفضل المقاطع إلى نموذج اللغة الكبير. لكن RAG الساذج يفشل في البيئات المؤسسية التي تضم آلاف ملفات PDF المعقدة والجداول والمصطلحات المتخصصة.
يطور RAG 2.0 الاسترجاع إلى خط هندسي متعدد المراحل. يبدأ بالبحث الهجين (Hybrid Search)، الذي يجمع بين embeddings متجهية كثيفة تلتقط المعنى الدلالي وبحث كلمات مفتاحية متناثر مثل BM25 أو PostgreSQL pgvector لاستخراج معرّفات المنتجات والأسماء والرموز الدقيقة.
تؤدي إضافة أداة إعادة ترتيب (Re-ranker) مثل Cohere Rerank أو BGE-Reranker في مرحلة ثانية إلى رفع الدقة بدرجة كبيرة. فهي تقارن سياق الاستعلام الكامل بالمقاطع المرشحة وتزيل 90% من الضوضاء غير ذات الصلة قبل وصولها إلى نافذة سياق النموذج.
يرتقي GraphRAG بالاسترجاع من خلال بناء رسوم بيانية للمعرفة — كيانات وعلاقات — من مستندات مؤسسية غير منظمة. وعند طرح سؤال عام مثل «ما المخاطر المشتركة في جميع عقود الموردين لعام 2025؟»، يتنقل عبر عقد الرسم بدل استرجاع شذرات وثائق منفصلة.
عند إدخال مستندات معقدة، تحوّل النماذج متعددة الوسائط مثل Claude 3.5 Sonnet Vision أو Unstructured.io الرسوم في ملفات PDF والجداول المالية والمخططات إلى جداول Markdown قبل إنشاء embeddings، بما يحافظ على الدقة الرياضية في الإجابات اللاحقة.
امنح المنتج القادم شخصاً يبقى معه.
هل أنت مستعد للبدء؟ أرسل لي رسالة؛ أنا متاح للبدء الآن والبقاء. عقود طويلة الأمد، لا تسليم خلال أسبوعين. لنتحدث عن مشروعك ومتطلباته وأفضل طريقة للمضي قدماً.