استخدم التوليد المعزز بالاسترجاع (retrieval-augmented generation أو RAG) عندما يحتاج نموذجك إلى مستندات خاصة أو حديثة أو كثيرة التغير، واستخدم الضبط الدقيق عندما تحتاج إلى اتساق النبرة أو التنسيق أو سلوك المهمة بعد توقف هندسة الموجهات عن تحقيق تحسن. تعالج هاتان الطريقتان مشكلتين مختلفتين، وغالبًا ما تجمع الأنظمة الإنتاجية بين RAG للحقائق الخارجية والضبط الدقيق لضمان موثوقية سلوك المخرجات.
ما الفرق بين RAG والضبط الدقيق؟
يوفر التوليد المعزز بالاسترجاع (retrieval-augmented generation أو RAG) نصوصًا مرجعية خارجية للنموذج وقت الاستعلام، بينما يحدّث الضبط الدقيق أوزان النموذج باستخدام مجموعة بيانات موجهة، فيتغير سلوكه المتعلم. في سير عمل RAG، تجلب خطوة بحث مقاطع ذات صلة من فهرس وتضيفها إلى طلب المستخدم، فيستطيع النموذج إسناد إجابته إلى مواد حديثة أو خاصة بدلًا من الاعتماد فقط على المعلمات التي تعلمها أثناء التدريب المسبق. للحصول على مقدمة كاملة عن نمط الاسترجاع، راجع دليلنا حول ما هو RAG.
يواصل الضبط الدقيق تدريب نموذج أساسي على مجموعة بيانات أضيق نطاقًا، فتتغير معلماته الأساسية. تستخدم الفرق عادةً الضبط الدقيق الخاضع للإشراف (SFT)، الذي يتدرب على أمثلة لموجهات مقترنة بالمخرجات المطلوبة، أو أساليب التفضيل مثل DPO، التي تتعلم من مقارنة الإجابات المفضلة بالأقل تفضيلًا. يغيّر وضع المستندات في موجه سياق الإدخال لطلب واحد، بينما يعيد الضبط الدقيق تشكيل سلوك النموذج في الطلبات اللاحقة.
من ورقة البحث لعام 2020 إلى مسارات RAG الحديثة
درّبت بنية RAG الأصلية في عام 2020 مسترجعًا عصبيًا ومولّدًا معًا، بينما تفهرس أنظمة RAG الإنتاجية الحديثة عادةً المستندات بعد تقسيمها إلى مقاطع وتمرر المقاطع المسترجعة داخل موجه. قدّم Lewis et al. المصطلح في ورقتهم في NeurIPS 2020 (arXiv:2005.11401)، وجمعوا بين ذاكرة معلمية مدرّبة مسبقًا (مولّد BART يحول تسلسلًا إلى تسلسل) وذاكرة غير معلمية (فهرس متجهات كثيفة لـ Wikipedia يُستعلم عنه باستخدام Dense Passage Retriever أو DPR).
بنى الباحثون هذا التصميم الهجين لأن النماذج المعلمية البحتة تواجه صعوبة في تحديث معرفة العالم بدقة، وتحجب مصدر المعلومات، وتنتج هلوسات. ولإثبات أن الفهرس يستطيع تحديث المعرفة دون إعادة التدريب، استبدلوا فهرس Wikipedia لشهر ديسمبر 2016 بفهرس ديسمبر 2018 عبر 82 سؤالًا عن تغييرات القيادة. حققت الفهارس المطابقة للسنة دقة تقارب 70% و68%، بينما انخفضت دقة الفهارس غير المطابقة إلى نحو 12% و4%. توضح النتيجة أن تحديث الفهرس يحدّث الإجابات، لكنها لا تعني أن هذه الدرجات نفسها تنطبق على كل نظام إنتاجي.
نادرًا ما تدرّب الفرق الهندسية اليوم زوجًا من DPR وBART تدريبًا شاملًا من البداية إلى النهاية. وبدلًا من ذلك، تتبع مسارات RAG الإنتاجية عادة ثلاث مراحل، كما توضح إرشادات AWS Prescriptive Guidance والمنشورات الهندسية لـ AWS Machine Learning:
- استيعاب البيانات وفهرستها: قسّم المستندات المصدرية إلى أجزاء يسهل التعامل معها، واحسب تمثيلاتها المتجهية، واحفظ المتجهات مع النص الخام والبيانات الوصفية. اختيار حدود المقاطع بعناية أمر مهم، كما يشرح دليلانا حول تقسيم المستندات لاستخدامها مع RAG وما هو التضمين.
- الاسترجاع: حوّل سؤال المستخدم الوارد إلى استعلام بحث، واجلب أعلى k من المقاطع باستخدام التشابه الدلالي أو مطابقة الكلمات المفتاحية أو البحث الهجين، وأعد ترتيب المرشحين عند الحاجة.
- التعزيز والتوليد: أدرج المقاطع المسترجعة وسؤال المستخدم في موجه حتى ينتج نموذج اللغة إجابة مستندة إلى مصادر.
تؤكد الإرشادات الهندسية من AWS أن جودة التوليد تعتمد على جودة الاسترجاع، وتنبه إلى أن جودة نظام RAG لا تتجاوز جودة أداة الاسترجاع فيه.
متى ينبغي استخدام RAG بدلًا من الضبط الدقيق؟
يكون RAG عادةً الخطوة الأولى الأفضل عندما يعتمد التطبيق على مستندات خاصة أو حديثة أو كثيرة التحديث لا يستطيع النموذج الأساسي استدعاءها بموثوقية. تتغير سجلات تحديث المنتجات وسياسات الموارد البشرية الداخلية وتذاكر الدعم وأدلة التشغيل التقنية باستمرار. تؤدي إضافة السجلات إلى فهرس البحث أو استبدالها إلى تحديث المعرفة المتاحة فورًا، بينما يضيف الضبط الدقيق الحقائق ببطء وقد تصبح معلومات النموذج قديمة بعد وقت قصير من انتهاء التدريب.
يساعد RAG أيضًا على تتبع المصدر، إذ يستطيع المهندسون والمستخدمون النهائيون فحص المقاطع المحددة التي استُرجعت للإجابة. وفقًا لإرشادات OpenAI العامة بشأن الدقة (تم التحقق في 18 نوفمبر 2026)، يتيح RAG للنماذج الوصول إلى سياق خاص بالمجال، وتعتمد كثير من أكبر تطبيقات عملاء OpenAI على هندسة الموجهات وRAG وحدهما. وتشير وثائق OpenAI لتحسين النماذج كذلك إلى أن الضبط الدقيق غير مناسب لإضافة معرفة جديدة تمامًا، وتوصي بالاسترجاع بدلًا منه. ورغم أن RAG يتطلب تقييم دقة الاسترجاع واستناد الإجابات إلى المصادر، تستطيع الفرق إطلاق نسخة أولى عملية من الملفات الموجودة دون إعداد مجموعة تدريب كبيرة.
متى يكون الضبط الدقيق الخطوة التالية الأفضل؟
يصبح الضبط الدقيق الخطوة المناسبة عندما يتلقى النموذج الحقائق اللازمة بالفعل، لكنه لا يلتزم بالنبرة أو المخطط أو نمط السلوك المطلوب بعد وصول هندسة الموجهات إلى حدها. وكما تذكر إرشادات OpenAI (تم التحقق في 18 نوفمبر 2026)، يعالج الضبط الدقيق تحديات الذاكرة المتعلمة والاتساق، مثل إبراز معرفة موجودة في النموذج، أو فرض تنسيقات مخرجات منظمة، أو اعتماد أسلوب محدد، أو تعليم نموذج أصغر أداء مهمة محدودة بموثوقية. وتستخدمه الفرق أيضًا لتقصير الموجهات عبر استبدال التعليمات المطولة والأمثلة القليلة بسلوك متعلم.
لا تبدأ مهمة تدريب دون أمثلة ممثلة وموسومة ومجموعة تقييم محجوزة. تؤكد وثائق OpenAI بشأن الدقة أن جودة بيانات التدريب أهم من الكمية المجردة، وتذكر 50+ مثالًا عالي الجودة كنقطة بداية شائعة للاختبار، مع التوسع فقط عندما تنشأ الأخطاء المتبقية من السلوك لا من نقص السياق. تعامل مع 50+ معيارًا أوليًا لا ضمانًا للنجاح.
يمكن أيضًا الجمع بين RAG والضبط الدقيق بفاعلية. إذا كشفت التقييمات نقص السياق وانحراف التنسيق معًا، تستطيع الفرق ضبط النموذج بأمثلة تدريب على نمط RAG ليتعلم قراءة المقاطع المسترجعة والاستشهاد بها بموثوقية، بدلًا من التعامل مع السياق المسترجع دون أمثلة مسبقة. لاحظ أن الضبط الدقيق ما زال مستخدمًا كتقنية مع نماذج الأوزان المفتوحة وعبر مزودين متعددين، لكن عروض كل مزود تتغير: في 18 نوفمبر 2026، تفيد OpenAI بأن منصة الضبط الدقيق لديها في طور الإغلاق ومغلقة أمام المستخدمين الجدد. ويمكن للعملاء الحاليين المؤهلين تشغيل مهام التدريب حتى 6 يناير 2027 (ما لم يُوقف نموذج أساسي قبل ذلك)، وتبقى النماذج المدرّبة متاحة للاستدلال حتى إيقاف النموذج الأساسي.
أين تناسب هندسة الموجهات وLoRA؟
تمثل هندسة الموجهات أسرع نقطة مرجعية قبل بناء فهرس استرجاع أو مسار تدريب، بينما تجعل تقنية التكييف منخفض الرتبة (Low-Rank Adaptation أو LoRA) الضبط الدقيق أخف من خلال تدريب مصفوفات مكيّفة صغيرة بدلًا من تدريب جميع أوزان النموذج.
هندسة الموجهات أولًا
تجمع هندسة الموجهات بين التعليمات الواضحة وقيود المخرجات والأمثلة القليلة داخل كل طلب. ولأنها لا تتطلب فهرس بحث أو دورة تدريب، ينبغي لكل فريق استنفاد إمكاناتها أولًا لوضع معيار للأداء. تظهر حدودها مع نمو سير العمل: تقيد نافذة السياق حجم الموجهات، وتضيف تعليمات الأمثلة القليلة الطويلة زمن استجابة وتكلفة رموز إضافية، ولا يستطيع التوجيه وحده البحث في مجموعة وثائق خاصة. عندما تسبب المستندات المفقودة الإخفاقات، أضف الاسترجاع؛ وعندما يتوقف تحسن اتساق المخرجات، انظر في الضبط الدقيق.
LoRA والضبط الدقيق الكفء في استخدام المعلمات
لا يتطلب الضبط الدقيق تحديث كل معلمة في نموذج كبير أو نشر نقطة تحقق مستقلة كاملة الحجم لكل حالة استخدام. تجمّد LoRA، التي قدمها Hu et al. (ICLR 2022؛ arXiv:2106.09685)، أوزان النموذج المدرّبة مسبقًا وتُدخل مصفوفات صغيرة قابلة للتدريب للتحليل منخفض الرتبة في طبقات مختارة، مثل أوزان الانتباه في Transformer. ولأن التدريب يحدّث هذه المكيّفات المدمجة فقط، تستطيع الفرق تكييف النماذج بعدد أقل بكثير من المعلمات القابلة للتدريب. عند الاستدلال يمكن دمج مكيّفات LoRA مجددًا في الأوزان الأساسية دون أي زمن استجابة إضافي مقارنة بالنموذج الأصلي، أو تبديلها ديناميكيًا حسب المهمة.
إطار قرار عملي للفرق
ينجح الاختيار بين RAG والضبط الدقيق بصورة أفضل عند اتباع سلسلة من الفحوص الهندسية لحداثة البيانات ومتطلبات السلوك والاستعداد للتقييم والأعباء التشغيلية. راجع هذه الأسئلة الستة قبل تخصيص وقت هندسي:
- هل المعرفة المطلوبة خاصة أو جديدة أو كثيرة التغير؟ ابدأ بـ RAG لتتمكن من تحديث المعرفة عبر تحديث الفهرس.
- هل تحتاج إلى تعديل النبرة أو المخطط أو اتساق المهمة؟ ابدأ بهندسة الموجهات، ولا تنظر في الضبط الدقيق إلا إذا توقفت الموجهات عن التحسن.
- هل لديك أمثلة موسومة وطريقة للتقييم؟ يتطلب الضبط الدقيق أزواجًا ممثلة من المدخلات والمخرجات ومجموعة تقييم محجوزة قبل بدء التدريب.
- ما دورة التشغيل المناسبة لفريقك؟ يضيف RAG استيعاب المستندات وتقسيمها والأذونات وضبط الاسترجاع؛ ويضيف الضبط الدقيق إعداد مجموعة البيانات وتشغيل التدريب وإعادة التقييم كلما تحدّث النموذج الأساسي.
- هل تضر الموجهات الطويلة بالكفاءة في مهمة مستقرة؟ يستطيع الضبط الدقيق ترسيخ التعليمات المتكررة في أوزان النموذج لتقصير الموجهات أو دعم نموذج أصغر.
- هل تظهر المشكلتان في التقييمات؟ اجمع بين هندسة الموجهات وRAG للحقائق المتغيرة والضبط الدقيق بأمثلة على نمط RAG للحصول على سلوك موثوق.
| الحالة | ابدأ عادةً بـ | السبب |
|---|---|---|
| يجب أن تستند الإجابة إلى مستندات خاصة أو كثيرة التحديث | RAG (بعد موجه مرجعي) | توجد المعرفة في فهرس يُحدّث دون إعادة التدريب |
| تحتاج إلى أسلوب أو قالب أو مخرجات منظمة متسقة | هندسة الموجهات ثم الضبط الدقيق إذا توقف تحسن الموجهات | تنسيق المخرجات مسألة سلوك، وليس نقصًا في البحث عن المستندات |
| تحتاج إلى حقائق متغيرة وأسلوب مؤسسي صارم معًا | RAG والموجهات، ثم النظر في الضبط الدقيق بأمثلة RAG | يوفر الاسترجاع الحقائق الحالية بينما يرسخ التدريب التنسيق |
| لا تملك مجموعة تقييم ولا مخرجات موسومة | الموجهات وRAG عند الحاجة (أجّل الضبط الدقيق) | دون تقييمات لا يمكنك التحقق مما إذا كان التدريب قد حسّن النتائج |
| تريد أن يحفظ النموذج ورقة حقائق متغيرة | RAG أو أداة بحث مخصصة | تحديث الضبط الدقيق بطيء وقد تصبح معلوماته قديمة سريعًا |
ما المشكلات التي تستمر مع كل نهج؟
يقدم كل من RAG والضبط الدقيق أنماط إخفاق مختلفة، ولا تقضي أي من التقنيتين على الهلوسات أو تلغي الحاجة إلى التقييم وضوابط الوصول.
أنماط إخفاق RAG
- استمرار الهلوسات: قد يتجاهل النموذج المقاطع المسترجعة، أو يمزج السياق المسترجع بذاكرة معلمية متعارضة، أو يختلق إجابة عندما لا يعثر الاسترجاع على شيء ذي صلة. يشرح دليلنا حول معدلات هلوسة الذكاء الاصطناعي لماذا يقلل إسناد الإجابات إلى المصادر خطر الاختلاق دون إزالته.
- فوات نتائج الاسترجاع وتقادم الفهرس: يفشل RAG عندما تحتوي الفهارس على ملفات قديمة أو متناقضة، أو تقطع المقاطع سياقًا أساسيًا، أو تملأ الموجه مقاطع كثيرة شبه مكررة. يبدأ تشخيص مشكلات RAG بفحص المقاطع المسترجعة.
- حقن الموجهات غير المباشر: قد تحتوي المستندات المسترجعة من مصادر خارجية أو قابلة لتعديل المستخدمين على تعليمات مخفية مصممة للاستيلاء على مخرجات النموذج. افصل دائمًا موجهات النظام الموثوقة عن النص المسترجع، كما يوضح شرحنا حول ما هو حقن الموجهات.
- تسرب الوصول والسياقات المفرطة الحجم: قد يظهر أي مستند في فهرس مشترك للمستخدمين الذين يستعلمون عن النظام، ما لم ترشح الأذونات نتائج الاسترجاع. وقد يؤدي حشر قدر مفرط من النص المسترجع في موجه أيضًا إلى فقدان النماذج التركيز على المعلومات المدفونة في الوسط.
أنماط إخفاق الضبط الدقيق
- الإفراط في التكيّف وآثار مجموعة البيانات: قد تحفظ النماذج المدرّبة على أمثلة ضيقة أو غير ممثلة خصائص تنسيق غريبة وتفشل عندما تختلف المدخلات الحقيقية في بيئة الإنتاج.
- الحقائق القديمة وفجوات الحوكمة: لا يحافظ الضبط الدقيق وحده على حداثة المعرفة الواقعية، ولا يحل تدريب الأوزان أبدًا محل أذونات الأدوات أو ضوابط المدخلات أو التقييم بعد التدريب.
الأسئلة الشائعة
هل يمكن الجمع بين RAG والضبط الدقيق في النظام نفسه؟
نعم، يكمل RAG والضبط الدقيق أحدهما الآخر وغالبًا ما يُجمع بينهما في الإنتاج. يسترجع RAG الحقائق الحالية أو الخاصة وقت الاستعلام، بينما يفرض الضبط الدقيق النبرة أو مخطط المخرجات أو الالتزام بالتعليمات. عند ضبط نموذج RAG، أدرج المقاطع المسترجعة في أمثلة التدريب حتى يتدرب النموذج على إسناد الإجابات إلى السياق.
هل يزيل RAG هلوسات الذكاء الاصطناعي تمامًا؟
لا، يقلل RAG خطر الاختلاق بتزويد النموذج بنصوص مصدرية ذات صلة، لكن الهلوسات لا تزال تحدث. قد تسيء النماذج قراءة المقاطع المسترجعة، أو تمزج الحقائق المسترجعة بذاكرة متعارضة من التدريب المسبق، أو تخمّن عندما يفشل الاسترجاع. تحتاج الفرق إلى مقاييس نجاح الاسترجاع وتقييمات استناد الإجابات إلى المصادر لاكتشاف الادعاءات غير المدعومة.
كم مثالًا تحتاج قبل ضبط نموذج دقيقًا؟
لا يضمن حجم واحد لمجموعة البيانات النجاح، لأن جودة الأمثلة وتمثيلها لبيئة الإنتاج أهم من العدد المجرد. تذكر إرشادات OpenAI للدقة (تم التحقق في 18 نوفمبر 2026) أن 50+ مثالًا قويًا مع مجموعة تقييم محجوزة نقطة بداية عملية. قيّم مبكرًا، وتحقق من أن الأخطاء ناتجة عن السلوك، ثم وسّع البيانات بحذر.
هل LoRA أفضل من الضبط الدقيق الكامل؟
LoRA طريقة ضبط دقيق كفؤة في استخدام المعلمات، وتقدم بديلًا أخف لكنها لا تتفوق دائمًا على الضبط الدقيق الكامل. من خلال تجميد الأوزان المدرّبة مسبقًا وتدريب مصفوفات مدمجة منخفضة الرتبة، تقلل LoRA المعلمات القابلة للتدريب ويمكن دمجها في الأوزان الأساسية دون زمن استجابة إضافي. قارن أداء النهجين باستخدام مجموعة التقييم لديك.
متى تكفي هندسة الموجهات دون RAG أو ضبط دقيق؟
تنجح هندسة الموجهات وحدها عندما يعرف النموذج الأساسي حقائق المجال بالفعل، وتتسع نافذة الموجه للمواد المرجعية بسهولة، وتنتج التعليمات الواضحة مع أمثلة قليلة مخرجات متسقة. أضف RAG عند غياب المستندات الخاصة أو المتغيرة، وأضف الضبط الدقيق فقط عندما يتوقف تحسن الموجهات في النبرة أو البنية أو كفاءة استخدام الرموز.
المصادر
- Lewis et al.، «التوليد المعزز بالاسترجاع لمهام معالجة اللغة الطبيعية كثيفة المعرفة» (arXiv:2005.11401)
- Meta AI: مقالة عن التوليد المعزز بالاسترجاع
- AWS Prescriptive Guidance: فهم النماذج اللغوية الكبيرة وRAG
- مدونة AWS Machine Learning: من RAG إلى النسيج، دروس من بناء أنظمة RAG واقعية في GenAIIC (الجزء 1)
- Hu et al.، «LoRA: التكييف منخفض الرتبة للنماذج اللغوية الكبيرة» (arXiv:2106.09685)
- OpenAI: تحسين دقة النماذج اللغوية الكبيرة
- OpenAI: تحسين النماذج
- OpenAI: الضبط الدقيق الخاضع للإشراف



