مشروع RAG مصغر: سكربت Python يتيح لك “الدردشة” مع كتاب PDF

مشروع RAG مصغر: كيف تجعل سكربت Python “يتحدث” مع كتاب PDF فكرة التطبيق بسيطة ظاهرياً لكنها قوية هندسياً: بدلاً من إرسال كتاب كامل إلى النموذج اللغوي في كل سؤال، نبني خط معالجة ذكي يستخرج النص من الملف، يجزّئه إلى مقاطع صغيرة، يحول هذه المقاطع إلى متجهات رقمية، ثم يسترجع الأجزاء الأقرب لسؤال المستخدم قبل تمريرها…

الخطوة النهائية: دمج المعلومات المسترجعة مع الـ LLM لتوليد إجابة دقيقة وبدون هلوسة

لماذا تُعد هذه الخطوة هي الأهم في بنية RAG؟ بعد أن أنشأت خط الاسترجاع، وخزّنت المقاطع النصية في قاعدة متجهية، ثم فعّلت Retriever لإحضار الأجزاء الأقرب لسؤال المستخدم، تصل الآن إلى أخطر مرحلة هندسياً: كيف تدمج هذه المعلومات مع النموذج اللغوي بحيث يُنتج إجابة دقيقة، قابلة للتتبع، ومنخفضة الهلوسة؟ هنا يتحول النظام من مجرد بحث…

الخطوة الثالثة في RAG: استرجاع المعلومات المطابقة لسؤال المستخدم (Retriever)

ما هي الخطوة الثالثة في RAG ولماذا تُعد قلب النظام الحقيقي؟ بعد أن قمنا في الخطوات السابقة باستخراج النصوص من الملفات، ثم تقسيمها، ثم تحويلها إلى Embeddings وتخزينها داخل Vector Database كما شرحنا في مقال الخطوة الثانية في RAG: تحويل قطع النصوص إلى Vectors وتخزينها في قاعدة البيانات، نصل الآن إلى أهم مرحلة تشغيلية: استرجاع…