قاعدة المعرفة في الذكاء الاصطناعي (RAG): كيف تبنيها لشركتك

أدلة المنتجات محفوظة على مجلد مشترك، والسياسات على الشبكة الداخلية، وقواعد التسعير في ذهن مدير المبيعات، فقد يعني سؤال واحد أن تسأل ثلاثة أشخاص. تتيح قاعدة المعرفة بالذكاء الاصطناعي للموظفين أو العملاء أن يسألوا بلغة طبيعية ويحصلوا على إجابة من مستندات شركتك نفسها، مع ذكر المصدر. إليك كيف تعمل تقنية RAG، وكيف تبني قاعدة معرفة في ست خطوات، وأي طريقة تختار، وما يجب معرفته عن التكلفة والأمان.

الخلاصة

تُبنى قواعد المعرفة بالذكاء الاصطناعي في الشركات عادةً بتقنية RAG (التوليد المعزّز بالاسترجاع): يسترجع النظام المقاطع ذات الصلة من مستنداتك، ثم يجيب نموذج لغوي استناداً إليها ويذكرها مصدراً. وتتوقف الجودة في الأساس على نظافة المحتوى وجودة الاسترجاع وتصميم الصلاحيات منذ البداية، لا على النموذج الذي تختاره. منصات البرمجة المنخفضة (low-code) هي أسرع طريق للتجربة، والنماذج المفتوحة على خوادمك تُبقي البيانات داخل الشركة، والتطوير المخصص مُجدٍ حين يجب أن تتكامل قاعدة المعرفة بعمق مع أنظمتك.

ما هي قاعدة المعرفة في الذكاء الاصطناعي (RAG)؟

قاعدة المعرفة بالذكاء الاصطناعي نظام يجيب عن الأسئلة المكتوبة بلغة طبيعية استناداً إلى مستندات شركتك نفسها، والطريقة الأكثر شيوعاً لبنائها هي RAG، اختصار Retrieval-Augmented Generation أي التوليد المعزّز بالاسترجاع. وقد ظهر المصطلح في ورقة بحثية نشرها Lewis وزملاؤه عام 2020 (بالإنجليزية)، وهم باحثون في Facebook AI Research وكلية لندن الجامعية (UCL) وجامعة نيويورك، جمعت بين ما يتعلمه النموذج اللغوي أثناء التدريب وفهرس مستندات خارجي يبحث فيه عند الإجابة.

تمرّ كل إجابة بثلاث خطوات:

1. الاسترجاع: يُحوَّل السؤال إلى متجه (أرقام تعبّر عن معناه) ويُطابَق مع مقاطع مفهرسة من مستنداتك.
2. التعزيز: تُمرَّر المقاطع الأكثر صلة إلى النموذج مع السؤال.
3. التوليد: يجيب النموذج استناداً إلى تلك المقاطع ويذكر المستندات التي استخدمها.

ولأن الفهرس موجود خارج النموذج، كما يشير مؤلفو الورقة، يمكن تحديث المعرفة دون إعادة تدريب: استبدل الملف، وأعد فهرسته، فتتبعه الإجابات.

RAG أم ChatGPT أم الضبط الدقيق: ما الفرق؟

الفرق في مكان وجود معرفة شركتك: ChatGPT وغيره من المساعدات العامة لا يعرفون إلا المواد العامة التي دُرّبوا عليها، والضبط الدقيق (fine-tuning) يدمج المعرفة أو الأسلوب في النموذج نفسه، أما RAG فيُبقي المعرفة في مكتبة خارجية يبحث فيها مع كل سؤال.

• المساعد العام لا يعرف مواصفات منتجاتك ولا قواعد تسعيرك ولا سياساتك. ورفع الملفات إليه حل مؤقت، بلا نسخة واحدة محدّثة وبلا صلاحيات لكل شخص.
• الضبط الدقيق يعيد تدريب النموذج على بياناتك. وهو مفيد لتنسيق ثابت أو نبرة معيّنة أو مهمة محددة، لكنه طريقة ضعيفة لتخزين الحقائق: حين تتغير المستندات تعيد التدريب، ولا يمكن للإجابات أن تشير إلى مصدر. وتذكر ورقة RAG نفسها أن النماذج التي تعتمد على معاملاتها وحدها تحتاج إلى تدريب إضافي لتحديث معرفتها ويصعب عليها إظهار مصدر المعلومة.
• RAG يعتمد المستندات المحدّثة فور إعادة فهرستها، ويذكر مصادره، ويمكنه تصفية المحتوى بحسب هوية السائل.

في معظم قواعد المعرفة للشركات، ابدأ بتقنية RAG، وأضف الضبط الدقيق فقط لتنسيق أو نبرة محددة.

أين تفيد قاعدة المعرفة بالذكاء الاصطناعي أكثر

تعمل تقنية RAG على أفضل وجه مع الأسئلة التي تكون إجاباتها مكتوبة لكنها مدفونة في مستندات كثيرة: الأسئلة الداخلية (المصروفات، وإرشادات الدعم التقني، وتهيئة الموظفين الجدد)، ودعم العملاء من الأدلة وسياسات الإرجاع والتذاكر السابقة على موقعك أو واتساب (راجع كيف تنشئ شات بوت بالذكاء الاصطناعي لخدمة العملاء)، ومواد المبيعات مثل المواصفات والمقارنات والبنود القياسية، والسياسات وإجراءات الجودة التي يُستشهد بها بنداً بنداً، والأدلة التقنية.

وهناك نوعان من المهام لا يناسبان RAG. الأرقام الحية مثل المخزون أو حالة الطلب يجب أن تأتي مباشرة من أنظمتك، مثلاً عبر واجهة برمجية (API) أو خادم MCP متصل بنظام ERP، لا من جدول بيانات مُصدَّر قد يكون قديماً. ومراجعة عقد كامل بنداً بنداً لا تُحل باسترجاع بضعة مقاطع.

كيف تبني قاعدة معرفة بالذكاء الاصطناعي في ست خطوات

يتطلب بناء قاعدة معرفة بالذكاء الاصطناعي ست خطوات: حصر المحتوى وتنظيفه، وتقسيمه وتحويله إلى متجهات، وإعداد الاسترجاع وإعادة الترتيب، وفرض الصلاحيات، وذكر المصادر، ثم التقييم والتحديث. والخطوتان الأوليان تحددان سقف الجودة.

1. احصر المحتوى ونظّفه

حدّد أين توجد المعرفة (المجلدات المشتركة، والشبكة الداخلية، والبريد الإلكتروني، وأدوات التذاكر)، وبأي صيغ، ومن يتولى تحديثها. احذف النسخ القديمة والمكررة، وطبّق التعرف الضوئي على الحروف (OCR) على المستندات الممسوحة ضوئياً، وأعد هيكلة الجداول المعقدة، ووسّم كل مستند بالقسم ومستوى السرية والمنطقة وتاريخ السريان. فإذا تناقضت مستنداتك تناقض الذكاء الاصطناعي أيضاً. واجمع كذلك أسئلة حقيقية طرحها الناس، لاستخدامها في الاختبار.

2. قسّم المحتوى وحوّله إلى متجهات

تُقسَّم المستندات إلى مقاطع، ويحوّلها نموذج تضمين (embedding) إلى متجهات تُخزَّن في قاعدة بيانات متجهات. قسّم بحسب بنية المستند (العناوين، والبنود، وأزواج السؤال والجواب). وللاستئناس، تستخدم خدمة الاسترجاع من OpenAI (بالإنجليزية) افتراضياً مقاطع بطول 800 token مع تداخل 400 token، وتتضمن إعدادات التقسيم في Dify (بالإنجليزية) وضع «الأصل والفرع» (parent-child) الذي يطابق على مقاطع صغيرة لكنه يعيد القسم المحيط بها سياقاً.

والمشكلة الأكثر شيوعاً هي ضياع السياق. يضرب بحث Anthropic عن الاسترجاع السياقي (Contextual Retrieval) (بالإنجليزية) مثالاً بمقطع يقول إن الإيرادات نمت 3% مقارنة بالربع السابق، دون أن يذكر أي شركة أو أي ربع. والحل أن تضيف في بداية كل مقطع عنوان المستند والقسم ووصفاً قصيراً. وللمحتوى متعدد اللغات، اختر نموذج تضمين يدعم كل لغاتك، بما فيها العربية.

3. استرجع ثم أعد الترتيب

البحث بالمتجهات وحده يفوّت ما يحتاج إلى تطابق حرفي، مثل أرقام الطرازات أو أرقام البنود، لذلك تضيف معظم الأنظمة بحثاً بالكلمات المفتاحية مثل BM25 («البحث الهجين»)، ثم نموذج إعادة ترتيب (reranking). وفي اختبارات Anthropic على عدة مجالات معرفية، خفّضت إضافة السياق إلى المقاطع نسبة المحتوى ذي الصلة الغائب عن أول 20 نتيجة بنسبة 35%؛ وإضافة البحث بالكلمات المفتاحية بنسبة 49%؛ وإضافة إعادة الترتيب بنسبة 67% (من 5.7% إلى 1.9%). وتوفر إعدادات الاسترجاع في Dify (بالإنجليزية) كذلك البحث بالمتجهات والبحث في النص الكامل والبحث الهجين، مع إعادة ترتيب اختيارية.

4. افرض الصلاحيات

يجب أن تُطبَّق الصلاحيات لحظة الاسترجاع: تُصفّى المستندات بحسب هوية السائل قبل أن يصل أي شيء إلى النموذج، عادةً بوسمها ببيانات وصفية (metadata) مثل القسم أو مستوى السرية. ويمكن لخدمة الاسترجاع من OpenAI تصفية الملفات حسب سماتها قبل البحث الدلالي، ويضيّق التصفية بالبيانات الوصفية في Dify (بالإنجليزية) نطاق الاسترجاع حسب حقول البيانات الوصفية. وافصل قاعدة المعرفة الموجّهة للعملاء عن الداخلية. فالتعليمات التي تطلب من النموذج أن يكتم الأسرار ليست تحكماً في الوصول.

5. اذكر المصادر

يجب أن تعرض كل إجابة مصدرها: المستند والقسم، ويُفضَّل رابط إليه. وجّه النموذج إلى أن يجيب فقط من المقاطع المسترجَعة، وأن يصرّح بذلك حين لا تغطي السؤال. فذكر المصادر يبني الثقة ويبيّن أي مستند يجب إصلاحه حين تكون الإجابة خاطئة؛ وتسمّي Dify هذه الميزة «الاستشهاد والإسناد» (Citation and Attribution).

6. قيّم وحافظ على التحديث

قبل الإطلاق، اختبر بأسئلتك الحقيقية: هل استُرجع المستند الصحيح؟ هل الإجابة صحيحة؟ هل الاستشهاد دقيق؟ وبعد الإطلاق، راجع الأسئلة التي بقيت بلا إجابة والإجابات غير المفيدة وعدّل. عيّن مسؤولاً لكل مجموعة مستندات، وأعد الفهرسة حين تتغير الملفات، واسحب المستندات المنتهية الصلاحية.

المنصة أم التطوير المخصص أم خوادمك: كيف تختار

يتوقف الإعداد المناسب على سرعة التجربة التي تريدها، ومدى حساسية البيانات، وعمق التكامل المطلوب بين قاعدة المعرفة وأنظمتك.

منصات البرمجة المنخفضة (مثل Dify أو Coze) تتيح لك رفع الملفات وإعداد الاسترجاع بواجهة مرئية، وهي مناسبة للنماذج الأولية والتجارب وحالات الاستخدام القياسية، وتقارن مقالتنا n8n أم Dify أم Coze بين هذه المنصات. ويمكن تشغيل كل من Dify وCoze Studio، النسخة مفتوحة المصدر من Coze، على خوادمك عبر Docker (راجع دليل Docker Compose في Dify بالإنجليزية). وتحقّق من الرخص: يستخدم Coze Studio رخصة Apache 2.0، بينما تضيف رخصة Dify شروطاً إلى Apache 2.0، منها الحاجة إلى رخصة تجارية لتشغيل خدمة متعددة المستأجرين. وقد تتجاوز نماذج الصلاحيات المعقدة أو التكاملات العميقة ما تدعمه المنصة.

التطوير المخصص يعني أن تبني مسار المعالجة بنفسك (تحليل المستندات، والتقسيم، ومخزن المتجهات، والاسترجاع الهجين، والصلاحيات) داخل نظام ERP أو CRM أو الشبكة الداخلية أو موقعك. وهو يمنح أكبر قدر من التحكم ويعيد استخدام حسابات الدخول والأدوار الموجودة لديك، مقابل استثمار أولي أكبر وصيانة مستمرة.

التشغيل على خوادمك يعني تشغيل نماذج مفتوحة الأوزان (open-weight) على خوادمك أو على سحابة مخصصة، فتبقى المستندات والأسئلة داخل الشركة. ومن الخيارات الشائعة DeepSeek وQwen: شيفرة DeepSeek-R1 وأوزانه مرخصة بـ MIT ويذكر المشروع أنها تدعم الاستخدام التجاري، ويذكر فريق Qwen3 أن نماذجه مفتوحة الأوزان مرخصة بـ Apache 2.0. تحقّق من رخصة كل نموذج: فالنسخ المقطّرة (distilled) من DeepSeek-R1 مبنية على نماذج Qwen أو Llama، ويحيل المشروع إلى الرخص الأصلية لتلك النماذج الأساسية. ويتوقف العتاد المطلوب على الحجم: يضم DeepSeek-R1 الكامل 671 مليار معامل، بينما تتراوح النسخ المقطّرة الرسمية بين 1.5 و70 مليار معامل وهي أخف كثيراً؛ اختبرها على أسئلتك أنت.

ويمكن الجمع بين هذه الخيارات بسهولة، مثلاً Dify على خوادمك متصلاً بنموذج مفتوح يعمل محلياً.

مِمّ تتكوّن تكلفة قاعدة المعرفة بالذكاء الاصطناعي

لا يوجد سعر قياسي: تتكوّن التكلفة من أعمال لمرة واحدة وتكاليف تشغيل.

• لمرة واحدة: تجهيز المحتوى (الجزء الأكثر استهانةً به، ويكبر مع تشتت المصادر والمستندات الممسوحة والجداول)، والإعداد أو التطوير، والتكاملات مثل تسجيل الدخول الموحّد أو الموقع أو واتساب أو CRM، والاختبار والضبط.
• التشغيل: استخدام النموذج (رسوم سحابية بحسب الـ tokens، أو شراء خوادم GPU أو استئجارها عند التشغيل على خوادمك)، واستدعاءات التضمين وإعادة الترتيب (يشير توثيق Dify إلى أن إعادة الترتيب تستهلك tokens من نموذج إعادة الترتيب)، وتخزين المتجهات، واشتراكات المنصات أو رخصها، والتشغيل اليومي: الخوادم والتحديثات الأمنية وصيانة المحتوى والمراقبة.

والعوامل الرئيسية هي حجم المستندات وتعقيدها، وعدد المستخدمين والأسئلة، والصلاحيات، واللغات، ونموذج النشر، ومستوى الدقة المطلوب. جرّب مع قسم واحد، وقِس التكلفة الفعلية لكل إجابة، ثم قرّر هل تتوسع.

أمن البيانات: الصلاحيات والامتثال والتسميم

تجمع قاعدة المعرفة بالذكاء الاصطناعي معلومات الشركة في مكان واحد، لذا يجب تصميم الأمن منذ البداية.

• الصلاحيات: تُدرج قائمة OWASP لأهم 10 مخاطر في تطبيقات النماذج اللغوية الكبيرة 2025 (بالإنجليزية) نقاط ضعف المتجهات والتضمينات ضمن المخاطر: ضعف التحكم في الوصول يكشف محتوى حساساً، والفرق أو العملاء الذين يتشاركون قاعدة بيانات متجهات واحدة قد يرى بعضهم بيانات بعض. وتوصي OWASP بمخازن متجهات تراعي الصلاحيات وبسجلات مفصّلة لعمليات الاسترجاع.
• البيانات الشخصية: بالنسبة للبيانات الشخصية لأشخاص في الاتحاد الأوروبي، تشترط اللائحة العامة لحماية البيانات (GDPR) معالجة الضروري فقط (المادة 5)، وأمناً يتناسب مع المخاطر (المادة 32)، وعقداً مع أي مزوّد يعالج البيانات نيابة عنك (المادة 28)، ونقلاً مشروعاً للبيانات إلى خارج الاتحاد الأوروبي (الفصل الخامس). وكثير من حالات الاستخدام لا تحتاج إلى بيانات شخصية أصلاً.
• التسميم (poisoning): مثال OWASP سيرة ذاتية تتضمن نصاً مخفياً بلون أبيض على خلفية بيضاء يطلب من الذكاء الاصطناعي التوصية بالمرشح، أُرسلت إلى نظام توظيف يفرز السير الذاتية بتقنية RAG. فهرس المصادر الموثوقة فقط وراجع ما يُرفع.
• شروط المزوّدين: مع النماذج السحابية، تأكد هل تُستخدم البيانات في التدريب، وأين تُخزَّن ولأي مدة، وحدّد مدة احتفاظ بسجلات المحادثات. وتقارن مقالتنا عن الفرق بين ChatGPT وClaude وGemini للشركات هذه الشروط في خطط الشركات.

أخطاء شائعة

• إلقاء كل الملفات فيها: المستندات القديمة والمتناقضة تُضعف الإجابات.
• توقّع أن ينهي RAG الهلوسة: يقللها لكنه لا يلغيها، فاجعل النموذج يعترف حين لا يعرف وراجع الإجابات المهمة.
• الاكتفاء بالبحث بالمتجهات: تضيع الرموز وأسماء العلم.
• إضافة الصلاحيات لاحقاً: المعلومات المسرّبة لا يمكن استرجاعها.
• استخدام RAG حين لا تحتاج إليه: تشير Anthropic إلى أن قاعدة معرفة أصغر من 200,000 token (نحو 500 صفحة) يمكن ببساطة وضعها في الأوامر (البرومبت)، إذا كانت نافذة سياق النموذج تتسع لها.
• لا مجموعة اختبار ولا مسؤول: لا أحد يستطيع أن يعرف هل تتحسن الجودة، ويتقادم المحتوى.

أسئلة شائعة

كيف تبني قاعدة معرفة بالذكاء الاصطناعي لشركتك؟

تُبنى قاعدة المعرفة بالذكاء الاصطناعي في ست خطوات: حصر المستندات وتنظيفها، وتقسيمها وتحويلها إلى متجهات، والاسترجاع بالبحث الهجين مع إعادة الترتيب، والتصفية بحسب صلاحيات المستخدم، وذكر المصادر في كل إجابة، والتقييم بأسئلة حقيقية مع إبقاء المحتوى محدّثاً. وتجهّز الشركة المستندات مع مسؤول لكل منها، ومجموعة من الأسئلة الحقيقية، وقواعد تحدد من يحق له رؤية ماذا.

ما الفرق بين RAG والضبط الدقيق؟

تسترجع تقنية RAG مقاطع من مكتبة مستندات خارجية لحظة السؤال، فتسري المستندات المحدّثة بمجرد إعادة فهرستها ويمكن للإجابات ذكر مصادرها. أما الضبط الدقيق (fine-tuning) فيعيد تدريب النموذج على بياناتك؛ وهو مناسب لتنسيق ثابت أو نبرة أو مهمة محددة، لكن تغيّر الحقائق يتطلب إعادة التدريب، ولا يمكن للإجابات أن تشير إلى مصدر. ومعظم قواعد المعرفة في الشركات تبدأ بتقنية RAG.

هل يمكن تشغيل قاعدة المعرفة بالذكاء الاصطناعي بالكامل على خوادمنا؟

نعم. يمكن تشغيل المنصة (مثل Dify أو Coze Studio على خوادمك)، وقاعدة بيانات المتجهات، ونموذج مفتوح الأوزان مثل DeepSeek أو Qwen، كلها على خوادمك أو على سحابة مخصصة، فتبقى المستندات والأسئلة داخل الشركة. وفي هذه الحالة توفّر أنت عتاد GPU وتشغّله، لذا تحقّق من رخصة كل نموذج واختبر النماذج الأصغر على أسئلتك أولاً.

تبني UsualMatrix قواعد معرفة بالذكاء الاصطناعي للشركات حول العالم، على منصة برمجة منخفضة أو بتطوير مخصص أو بنماذج مفتوحة المصدر على خوادمك، ويمكننا ربطها بخدمة عملاء بالذكاء الاصطناعي على موقعك أو واتساب. نتواصل بالصينية أو الإسبانية أو الإنجليزية. اطّلع على خدمة حلول الذكاء الاصطناعي أو تواصل معنا للحديث عن مستنداتك وحالات الاستخدام لديك.

ملاحظة: المعلومات الواردة في هذا المقال عن اللائحة العامة لحماية البيانات معلومات عامة وسارية حتى تاريخ النشر، ولا تُعدّ استشارة قانونية. تتغير ميزات الأطراف الثالثة ورخصها، لذا راجع التوثيق الرسمي لكل مزوّد.