التوليد المعزز بالاسترجاع (RAG)

جمع تصميم RAG الأصلي بين نموذج لغوي ومعلومات مسترجعة من فهرس خارجي أثناء التوليد. Evidence for this claim The original RAG paper combined a pretrained sequence-to-sequence model with a non-parametric dense-vector index retrieved during generation. Scope: Lewis et al.'s 2020 RAG architecture and experiments, not every modern retrieval system. Confidence: high · Verified: 2026-07-14 Lewis et al.: Retrieval-Augmented Generation وتستخدم وثائق المنصات الحديثة الفكرة العامة نفسها: الاسترجاع ثم التوليد. Evidence for this claim Google Cloud describes RAG as retrieving relevant information from external knowledge sources and providing it to a model to improve generated responses. Scope: General RAG architecture in Google Cloud documentation; quality depends on retrieval, source quality, and generation. Confidence: high · Verified: 2026-07-14 Google Cloud: RAG overview

الخلاصة — ‏RAG (التوليد المعزز بالاسترجاع) هو الأسلوب الذي تستخدمه محركات بحث الذكاء الاصطناعي للبحث عن المعلومات قبل الإجابة. فبدلاً من الرد اعتماداً على الذاكرة وحدها، يسترجع النظام أولاً مقاطع ذات صلة من فهرس بحث، ثم يولّد إجابة استناداً إلى ما وجده. لذلك تستطيع Google AI Overviews وChatGPT Search وPerplexity الاستشهاد بصفحات ويب حديثة — ولذلك يظل الوجود في الفهرس مهماً.

ما RAG؟

يتعلم النموذج اللغوي الكبير (LLM، وهو التقنية التي تقف خلف ChatGPT وأدوات مشابهة) من كم هائل من النصوص أثناء التدريب. لكن لهذا التدريب تاريخ توقف، ولا يمكن للنموذج حفظ كل شيء؛ لذلك قد لا يعرف بمفرده الحقائق الحديثة أو المتخصصة، أو قد يختلق إجابة تبدو صحيحة.

يعالج RAG ذلك بالسماح للنموذج بالبحث عن المعلومات. عندما تطرح سؤالاً، ينفذ نظام RAG خطوتين بالترتيب:

1. الاسترجاع — يبحث في فهرس (مثل فهرس Google أو Bing) ويستعيد المقاطع الأكثر صلة بسؤالك.
2. التوليد المعزز — يمرر تلك المقاطع إلى النموذج اللغوي الكبير، الذي يكتب إجابة استناداً إليها ويعرض عادةً روابط إلى المصادر.

أبسط صورة ذهنية له: بدلاً من الإجابة من الذاكرة وحدها، ينجز الذكاء الاصطناعي واجبه البحثي أولاً.

مثال سريع

اسأل محرك بحث يعمل بالذكاء الاصطناعي: «ما الذي تغير في أحدث iPhone؟». لم يُدرّب النموذج على منتج طُرح الأسبوع الماضي. باستخدام RAG، يبحث في الويب ويسترجع بعض المقالات الحديثة ثم يكتب إجابته منها — مع استشهادات يمكنك النقر عليها. ومن دون RAG، سيقول إما إنه لا يعرف وإما سيخمن.

لماذا يهمك ذلك؟

إليك ما يفاجئ الناس: لا يستخدم RAG «فهرس ذكاء اصطناعي» منفصلاً. تسترجع Google AI Overviews من فهرس بحث Google العادي. وأُطلق ChatGPT Search اعتماداً على فهرس Bing، كما يشغّل زاحفه الخاص (OAI-SearchBot) — ولم توضّح OpenAI بدقة كيف تمزج بين الاثنين اليوم. وفي الحالتين، فإن الأساسيات التي كانت مهمة دائماً — قابلية الزحف، والفهرسة، والكتابة الواضحة — هي ما يحدد إمكان استرجاع محتواك والاستشهاد به في إجابة ينتجها الذكاء الاصطناعي.

ومن المهم أيضاً معرفة أن RAG يقلل الإجابات الخاطئة (الهلوسات) لكنه لا يقضي عليها. فقد يسيء الذكاء الاصطناعي فهم ما استرجعه. لذلك يساعد فعلاً أن تكون المصدر الأوضح والأكثر مباشرة في الموضوع.

هل تريد فهم الآليات الفعلية — التضمينات، والتقطيع، وإعادة الترتيب، وRAG الساذج مقابل الوكيلي، ودليل SEO العملي؟ انتقل إلى علامة التبويب المتقدم.

جمع نظام Lewis وزملائه لعام 2020 بين توليد التسلسل والاسترجاع الكثيف من فهرس غير معلمي. Evidence for this claim The original RAG paper combined a pretrained sequence-to-sequence model with a non-parametric dense-vector index retrieved during generation. Scope: Lewis et al.'s 2020 RAG architecture and experiments, not every modern retrieval system. Confidence: high · Verified: 2026-07-14 Lewis et al.: Retrieval-Augmented Generation ويعرّف العرض الحالي من Google Cloud ‏RAG على نحو أوسع بأنه تزويد النموذج بمعرفة خارجية مسترجعة. Evidence for this claim Google Cloud describes RAG as retrieving relevant information from external knowledge sources and providing it to a model to improve generated responses. Scope: General RAG architecture in Google Cloud documentation; quality depends on retrieval, source quality, and generation. Confidence: high · Verified: 2026-07-14 Google Cloud: RAG overview

الخلاصة — ‏RAG نمط ذو مرحلتين يعمل وقت الاستدلال: الاسترجاع (العثور على مقاطع ذات صلة في مجموعة خارجية)، ثم التوليد المعزز (تمرير تلك المقاطع إلى نموذج لغوي كبير لإنتاج إجابة مؤسَّسة على الأدلة ومصحوبة باستشهادات). لا تتغير الأوزان أبداً؛ فهو يجمع ذاكرة النموذج المعلمية مع ذاكرة غير معلمية مسترجعة مباشرة. وتتسلسل مرحلة الاسترجاع هكذا: التقطيع → التضمينات → البحث المتجهي → إعادة الترتيب → أعلى k. ينفذ RAG «الساذج» الاسترجاع ثم التوليد؛ ويضيف RAG المتقدم إعادة كتابة الاستعلام وإعادة الترتيب؛ بينما يضيف RAG الوكيلي استرجاعاً تكرارياً متعدد القفزات. يمكن للاسترجاع إسناد الإجابات إلى الأدلة، لكنه لا يضمن صحتها؛ ففي أحد تقييمات Gemma، تزامن السياق غير الكافي مع مزيد من الإجابات الخاطئة. وبالنسبة إلى SEO، لا يوجد فهرس ذكاء اصطناعي منفصل؛ فقابلية الزحف والفهرسة ووضوح المقاطع هي شروط الاسترجاع.

المرحلتان (ولماذا يمثل «وقت الاستدلال» جوهر الفكرة)

إذا فككت الاختصار حصلت على النموذج: الاسترجاع والتوليد المعزز. يصل استعلام؛ فيسترجع النظام أكثر المقاطع صلة من مجموعة خارجية؛ ويدخلها في نافذة سياق النموذج اللغوي الكبير؛ ثم يولّد النموذج إجابة مستندة إليها.

التفصيل الذي يخطئ فيه الجميع: يحدث هذا وقت الاستدلال، ولا تُمس أوزان النموذج. RAG ليس تدريباً ولا ضبطاً دقيقاً. صاغت ورقة 2020 الأصلية لباتريك Lewis وزملائه في Facebook AI Research الفكرة على أنها جمع بين نوعين من الذاكرة: ذاكرة معلمية (معرفة مضمّنة في الأوزان أثناء التدريب)، وذاكرة غير معلمية (معرفة تُسترجع مباشرة من فهرس). يستخدم RAG النوعين معاً. وتلخص AWS الجدوى العملية بوضوح: إعادة تدريب نموذج تأسيسي على معرفة حديثة أو خاصة بمجال معين مكلفة، و*“RAG is a more cost-effective approach to introducing new data to the LLM.”* (ترجمة) «يُعد RAG نهجاً أقل تكلفة لإدخال بيانات جديدة إلى النموذج اللغوي الكبير.»

(أما التسمية فكانت، في الواقع، مصادفة. فقد أقر Lewis لاحقاً: “We definitely would have put more thought into the name had we known our work would become so widespread… We always planned to have a nicer sounding name, but when it came time to write the paper, no one had a better idea.” (ترجمة) «كنا بالتأكيد سنفكر أكثر في الاسم لو عرفنا أن عملنا سيصبح واسع الانتشار إلى هذا الحد… خططنا دائماً لاختيار اسم أجمل، لكن عندما حان وقت كتابة الورقة لم تكن لدى أحد فكرة أفضل.»)

داخل مرحلة الاسترجاع

تختصر عبارة «استرجاع المقاطع ذات الصلة» عملاً كثيراً. ففي النظام الفعلي تكون العملية مسار معالجة متتابع:

1. التقطيع. تُقسّم المستندات إلى أجزاء قابلة للاسترجاع. وحجم الجزء مقايضة حقيقية: إذا كان صغيراً جداً فقد المقطع سياقه، وإذا كان كبيراً جداً أغرق ميزانية الرموز بمعلومات غير ذات صلة. وتتراوح الاستراتيجيات من أعداد رموز ثابتة (100/256/512)، إلى نوافذ تكرارية/منزلقة، إلى “Small2Big” (استرجاع جملة صغيرة وإعادة الجزء الأب للتوليد).
2. التضمينات. يتحول كل جزء إلى متجه كثيف — تمثيل رقمي لمعناه — كي يُحسب التشابه دلالياً لا بمطابقة الكلمات المفتاحية. ولهذا يُسترجع محتوى عن موضوع حتى إن لم يستخدم صياغة الاستعلام نفسها.
3. البحث المتجهي. يُضمّن الاستعلام أيضاً، ثم يعثر النظام على الأجزاء الأقرب إليه متجهياً. وتشغّل معظم البيئات الإنتاجية بحثاً هجينا — استرجاعاً بمتجهات كثيفة إضافة إلى بحث الكلمات المفتاحية BM25 — لأن كلاً منهما يستدرك ما يفوته الآخر.
4. إعادة الترتيب. يعيد نموذج منفصل تقييم المرشحين حسب صلتهم بالاستعلام ويرتبهم، “effectively reducing the overall document pool.” (ترجمة) «وبذلك يقلّص مجموعة المستندات الإجمالية فعلياً». ولا يدخل السياق إلا أفضل المقاطع بعد إعادة ترتيبها.
5. إدخال أعلى k في الموجّه. تُضم المقاطع الأفضل إلى استعلام المستخدم وتُمرر إلى المولّد.

التقطيع هو الحلقة الهشة. فقد وجدت Anthropic أن “traditional RAG solutions remove context when encoding information” (ترجمة) «حلول RAG التقليدية تزيل السياق عند ترميز المعلومات» — فالجزء المنتزع من مستنده يفقد السياق المحيط الذي منحه معناه. وخفضت تقنية الاسترجاع السياقي لديها (إضافة سياق خاص بكل جزء قبل الفهرسة) حالات فشل الاسترجاع بنسبة 49 %، وبنسبة 67 % عند جمعها مع إعادة الترتيب. وهذه إشارة قوية إلى أن مشكلة التقطيع حقيقية، وأن المقاطع المستقلة الغنية بالسياق أسهل استرجاعاً على نحو صحيح.

‏RAG الساذج والمتقدم والوكيلي

تقسم أدبيات المسح (Gao وآخرون، 2023) ‏RAG إلى تصنيف مفيد:

• RAG الساذج — “a traditional process that includes indexing, retrieval, and generation.” (ترجمة) «عملية تقليدية تشمل الفهرسة والاسترجاع والتوليد.» يسترجع أعلى k مرة واحدة ويولّد مرة واحدة. وهو “struggles with precision and recall, leading to the selection of misaligned or irrelevant chunks.” (ترجمة) «يعاني في الدقة والاستدعاء، مما يؤدي إلى اختيار أجزاء غير متوافقة أو غير ذات صلة.»
• RAG المتقدم — يضيف “pre-retrieval and post-retrieval strategies.” (ترجمة) «استراتيجيات ما قبل الاسترجاع وما بعد الاسترجاع.» قبل الاسترجاع: إعادة كتابة الاستعلام وتحسين الفهرسة (ومن ذلك HyDE، حيث يولّد النموذج إجابة افتراضية ويضمّن تلك الإجابة ثم يسترجع مستندات تشبه الإجابات لا الأسئلة). وبعد الاسترجاع: إعادة الترتيب وضغط السياق.
• RAG الوحداتي/الوكيلي — يسترجع النموذج ثم يستدل بشأن ما لا يزال مفقوداً، ويسترجع من جديد عبر قفزات متعددة. وهذه هي الحالة الراهنة لبحث الذكاء الاصطناعي. وكما قال Michael King: “The retrieve-once-then- generate pattern that defined the first wave is obsolete… Agentic RAG is now the default.” (ترجمة) «أصبح نمط الاسترجاع مرة واحدة ثم التوليد، الذي ميّز الموجة الأولى، متقادماً… وRAG الوكيلي هو الوضع الافتراضي الآن.»

يهم ذلك SEO لأن المحتوى مطالب الآن باجتياز جولات استرجاع متعددة وفحص التناقضات، لا مجرد اجتياز استرجاع واحد.

هل يقضي RAG على الهلوسات؟ لا.

يمكن لـ RAG إسناد الإجابات إلى المصادر المسترجعة، لكن النموذج اللغوي الكبير قد يسيء قراءة ما استرجعه أو يفرط في تفسيره. وثّقت Google Research ‏(ICLR 2025) نتيجة مخالفة للتوقعات في تقييم واحد: قدّمت Gemma إجابات خاطئة عن 10,2 % من الأسئلة من دون سياق، و66,1 % مع سياق غير كافٍ. وذكر الباحثون أن النماذج قد “excel with sufficient context but fail to recognize when context is insufficient.” (ترجمة) «تتفوق مع السياق الكافي لكنها تفشل في إدراك أن السياق غير كافٍ.» تعامل مع ذلك بوصفه تحذيراً خاصاً بالنموذج والتقييم، لا دليلاً على أن الاسترجاع يسبب إجابات أسوأ دائماً. والدرس العملي أضيق: يجب تقييم جودة الاسترجاع وكفاية السياق بدلاً من افتراضهما. وقد حوّلت Google النتيجة إلى أداة إعادة ترتيب بنموذج لغوي كبير في Vertex AI RAG Engine.

‏RAG مقابل الضبط الدقيق

يخلط الناس بينهما باستمرار، مع أنهما مختلفان جذرياً:

• RAG يسترجع معلومات خارجية وقت الاستعلام. ولا يغير الأوزان. وهو الأنسب للمعلومات الحديثة/المتغيرة، ومتطلبات الاستشهاد، والتكلفة. ووجد المسح أن “RAG consistently outperforms [unsupervised fine-tuning], for both existing knowledge encountered during training and entirely new knowledge.” (ترجمة) «يتفوق RAG باستمرار على [الضبط الدقيق غير الخاضع للإشراف]، سواء للمعرفة القائمة التي صودفت أثناء التدريب أم للمعرفة الجديدة كلياً.»
• الضبط الدقيق يعدّل أوزان النموذج في جولة تدريب منفصلة. وهو الأنسب لتغيير الأسلوب والسلوك أو لتعليم معرفة مستقرة بمجال لا تتغير.

تستخدم RAG لجعل النموذج يعرف أحدث الحقائق، وتستخدم الضبط الدقيق لتغيير كيفية حديثه.

‏RAG في الواقع: Google وChatGPT وPerplexity

• Google AI Overviews. تسمي Google ‏RAG “a technique (also known as grounding)… relying on our core Search ranking systems to retrieve relevant, up-to-date web pages from our Search index.” (ترجمة) «تقنية (تُعرف أيضاً بالتأسيس)… تعتمد على أنظمة ترتيب البحث الأساسية لدينا لاسترجاع صفحات ويب حديثة وذات صلة من فهرس البحث لدينا.» ويترتب على ذلك أمران. أولاً، لا يوجد فهرس ذكاء اصطناعي منفصل — “our generative AI features on Google Search are rooted in our core Search ranking and quality systems.” (ترجمة) «ترتكز ميزات الذكاء الاصطناعي التوليدي في بحث Google على أنظمة ترتيب البحث والجودة الأساسية لدينا.» ثانياً، تنفذ Google توسيع الاستعلام: “concurrent, related queries generated by the model to request more information.” (ترجمة) «استعلامات متزامنة ومترابطة يولدها النموذج لطلب مزيد من المعلومات.» يمكن لسؤال واحد أن يولّد عدة استعلامات فرعية، يسترجع كل منها محتوى مختلفاً؛ لذلك يجب أن يلبي محتواك الأسئلة الفرعية الضمنية، لا الاستعلام الرئيسي وحده.
• ChatGPT Search. أُطلق (أكتوبر 2024) مع Bing شريكاً للبيانات، وتؤكد وثائق الزاحف الخاصة بـ OpenAI أن OAI-SearchBot ينفذ الجلب والفهرسة بصورة مستقلة لاستشهادات البحث، بعيداً عن زحف GPTBot للتدريب. ولم تنشر OpenAI مزيج الاسترجاع الحالي بين Bing وفهرسها الخاص، ثم قدّمت ChatGPT Search بوصفه منافساً مستقلاً لـ Bing لا مجرد غلاف له؛ لذا فإن القول إنه «Bing في الأساس» تبسيط مخل. الإجراء الموثق والأكثر دواماً أضيق: لا تحظر OAI-SearchBot في robots.txt، لأنه الزاحف الذي تسميه OpenAI نفسها بوصفه مفهرس المحتوى لاستشهادات البحث.
• Perplexity. مبني على الاسترجاع الهجين (Vespa.ai — ‏BM25 + كثيف) مع نماذج تضمين مخصصة وعتبة صارمة لإعادة الترتيب. ووفق تحليل طرف ثالث، لا ينتقل إلى مرحلة التوليد سوى نحو أعلى 30 % من أكثر من 60 مصدراً مسترجعاً، كما أن “citations are not retrofitted post-generation — they are structurally assigned during context assembly.” (ترجمة) «الاستشهادات لا تضاف بأثر رجعي بعد التوليد؛ بل تُسند بنيوياً أثناء تجميع السياق.» وينفذ Deep Research الحلقة الوكيلية عبر عشرات عمليات البحث.

ما الذي يعنيه RAG لـ SEO؟

إذا نزعت المصطلحات التقنية، أصبح الدليل العملي واضحاً:

• الوجود في الفهرس شرط مسبق — بلا استثناء. يعني عدم وجود فهرس ذكاء اصطناعي منفصل ضرورة سلامة سلسلة الزحف → الفهرسة → الاسترجاع. فإذا تعذر الزحف إلى صفحة وفهرستها، تعذر استرجاعها في إجابة ذكاء اصطناعي. وينطبق ذلك أيضاً على محركات الذكاء الاصطناعي التي تبني مجموعاتها الخاصة: يجب السماح لـ زواحف الذكاء الاصطناعي مثل OAI-SearchBot وPerplexityBot بجلب محتواك، وإلا فلن يظهر في تلك الإجابات.
• اكتب مقاطع مستقلة مكتفية بذاتها. يسترجع RAG مقتطفات لا صفحات كاملة. وكما قالت Francine Monahan من iPullRank، تفحص أنظمة الذكاء الاصطناعي “fragments of pages rather than the page as a whole” (ترجمة) «مقتطفات من الصفحات بدلاً من الصفحة ككل»؛ لذا أنشئ “stand-out passages and phrases” (ترجمة) «مقاطع وعبارات بارزة» تجيب عن سؤال محدد بذاتها. وهذا هو تحديداً بناء H2/H3 والجمل الموضوعية الواضحة الذي يكافئه SEO الجيد أصلاً. وتقول Google صراحةً ألا تقطع المحتوى إلى أجزاء ضئيلة للذكاء الاصطناعي؛ فالمحتوى جيد التنظيم يتقطع جيداً من تلقاء نفسه.
• غطِّ الموضوعات الفرعية. يعني توسيع الاستعلام أن سؤالاً واحداً قد يطلق عمليات استرجاع عديدة. والعمق عبر الأسئلة الفرعية المرتبطة أفضل من صفحة محشوة حول كلمة مفتاحية واحدة.
• السلطة تحفز الاستشهاد أكثر من موضع الترتيب. خلص تحليل 8 000 استشهاد إلى أن “Strong organic search presence and broad web visibility leads to AI citations, not the other way around” (ترجمة) «الحضور القوي في البحث المجاني والظهور الواسع على الويب يؤديان إلى استشهادات الذكاء الاصطناعي، لا العكس»، وأن “highly authoritative content from a lower-ranking page” (ترجمة) «محتوى عالي الموثوقية من صفحة أقل ترتيباً» يُستشهد به أحياناً بدلاً من صفحة متصدرة أقل مصداقية. وتنسجم بياناتي مع ذلك (من بحثي عن استشهادات AI Overview): فالذكر في صفحات كثيرة الروابط هو أقوى مؤشر على الظهور في AI Overview ‏(ρ ≈ 0,70)، وارتبط ذكر العلامة التجارية على الويب بنحو 0,66 عبر 75 000 علامة تجارية.
• للمحتوى الحديث أفضلية. تميل استشهادات الذكاء الاصطناعي إلى أن تكون أحدث بوضوح من النتائج المجانية، لذا تهم حداثة المحتوى.

إن أردت الخلاصة في جملة واحدة: لم يستبدل RAG ‏SEO، بل رفع أهمية الأجزاء من SEO التي تعلقت دائماً بسهولة العثور على المحتوى ووضوحه.

ملخص الذكاء الاصطناعي

خلاصة مكثفة للنسخة المتقدمة:

• RAG = الاسترجاع + التوليد المعزز. مرحلتان في وقت الاستدلال: استرجاع المقاطع ذات الصلة من مجموعة خارجية، ثم تمريرها إلى نموذج لغوي كبير لتوليد إجابة مستندة إلى الأدلة ومصحوبة باستشهادات. لا تتغير أوزان النموذج أبداً؛ فليس ذلك تدريباً ولا ضبطاً دقيقاً.
• يجمع نوعين من الذاكرة: معلمية (مضمّنة في الأوزان) وغير معلمية (مسترجعة مباشرة). وهكذا تغطي إجابات الذكاء الاصطناعي معلومات بعد تاريخ توقف التدريب.
• الاسترجاع مسار معالجة متتابع: التقطيع → التضمينات → البحث المتجهي (هجين غالباً مع BM25) → إعادة الترتيب → إدخال أعلى k في الموجّه. التقطيع هو الحلقة الهشة؛ فالمقاطع الغنية بالسياق تُسترجع أفضل (خفضت Anthropic فشل الاسترجاع 49 %).
• ثلاثة أنماط: ساذج (استرجاع مرة واحدة)، ومتقدم (إعادة كتابة الاستعلام وHyDE وإعادة الترتيب)، ووكيلي (تكراري متعدد القفزات) — والوكيلي هو الوضع الافتراضي الآن في بحث الذكاء الاصطناعي.
• يقلل الهلوسات ولا يقضي عليها. مع سياق غير كافٍ، قفز معدل هلوسة نموذج واحد من 10,2 % إلى 66,1 %؛ فقد يكون الاسترجاع السيئ أسوأ من عدم الاسترجاع.
• RAG مقابل الضبط الدقيق: ‏RAG للحقائق الحديثة/المتغيرة والاستشهادات والتكلفة؛ والضبط الدقيق للأسلوب/السلوك والمعرفة المستقرة.
• المحركات: تسترجع Google AI Overviews من الفهرس الأساسي (لا فهرس ذكاء اصطناعي منفصل) مع توسيع الاستعلام؛ وأُطلق ChatGPT Search على فهرس Bing ويشغّل أيضاً زاحفه الخاص OAI-SearchBot — والمزيج الحالي الدقيق غير منشور، لذا لا تحظر OAI-SearchBot؛ ويستخدم Perplexity استرجاعاً هجيناً مع عتبة صارمة لإعادة الترتيب واستشهادات تُسند أثناء تجميع السياق.
• SEO: قابلية الزحف والفهرسة شرط مسبق؛ اكتب مقاطع مكتفية بذاتها؛ وغطِّ الموضوعات الفرعية (التوسيع)؛ فالسلطة وE-E-A-T تحفزان الاستشهاد أكثر من موضع الترتيب؛ وللمحتوى الحديث أفضلية.

الوثائق الرسمية

وثائق وتعريفات من مصادرها الأصلية لدى مقدمي الخدمات.

Google

• دليل Google لتحسين ميزات الذكاء الاصطناعي التوليدي — يعرّف RAG بأنه إسناد الإجابات إلى فهرس البحث الأساسي؛ ويغطي توسيع الاستعلام.
• AI Overviews وAI Mode في البحث — يؤكد عدم وجود متطلبات إضافية تتجاوز الفهرسة القياسية وأهلية المقتطفات.
• RAG وإسناد الإجابات إلى المصادر في Vertex AI — تعريف Google Cloud للاسترجاع ثم التوليد (Burak Gokturk).
• رؤى أعمق في RAG: دور السياق الكافي — بحث Google ‏(ICLR 2025) عن نمط الفشل الناتج عن السياق غير الكافي.

Microsoft / Azure

• RAG والذكاء الاصطناعي التوليدي — Azure AI Search — تعريف RAG بوصفه إسناداً إلى محتوى مملوك؛ وفهم الاستعلام، وقيود الرموز، والانتقال إلى الاسترجاع الوكيلي.

OpenAI

• نظرة عامة على زواحف OpenAI — يؤكد أن OAI-SearchBot ينفذ جلباً وفهرسة مستقلين لاستشهادات ChatGPT Search، بعيداً عن زحف GPTBot للتدريب؛ ولا يكشف المزيج الحالي مع فهرس Bing.

Anthropic

• تقديم الاسترجاع السياقي — مشكلة فقدان سياق الجزء وحل مقاس لها (انخفاض فشل الاسترجاع 49 % / 67 %).

AWS

• ما التوليد المعزز بالاسترجاع؟ — شرح واضح من ثلاث مراحل وحجة تكلفة RAG مقابل إعادة التدريب.

الأوراق التأسيسية

• التوليد المعزز بالاسترجاع لمهام معالجة اللغة الطبيعية كثيفة المعرفة — ‏Lewis وآخرون، NeurIPS 2020 (ورقة RAG الأصلية؛ الذاكرة المعلمية مقابل غير المعلمية).
• التوليد المعزز بالاسترجاع للنماذج اللغوية الكبيرة: مسح — ‏Gao وآخرون (تصنيف الساذج/المتقدم/الوحداتي، وHyDE، وإعادة الترتيب).

اقتباسات من المصدر

تصريحات موثقة من مقدمي الخدمات والباحثين الأصليين. تنقلك الروابط العميقة إلى المقطع المقتبس حيثما أمكن.

Google — ‏RAG يسند الإجابات إلى الفهرس الأساسي

• “A technique (also known as grounding) used to improve the quality, accuracy, and freshness of AI responses by relying on our core Search ranking systems to retrieve relevant, up-to-date web pages from our Search index.” (ترجمة) «تقنية (تُعرف أيضاً بإسناد الإجابات إلى مصادر) تُستخدم لتحسين جودة إجابات الذكاء الاصطناعي ودقتها وحداثتها بالاعتماد على أنظمة ترتيب البحث الأساسية لدينا لاسترجاع صفحات ويب حديثة وذات صلة من فهرس البحث لدينا.» — Google Search Central، دليل تحسين الذكاء الاصطناعي. الانتقال إلى الاقتباس
• “Our generative AI features on Google Search are rooted in our core Search ranking and quality systems.” (ترجمة) «ترتكز ميزات الذكاء الاصطناعي التوليدي في بحث Google على أنظمة ترتيب البحث والجودة الأساسية لدينا.» — Google Search Central، دليل تحسين الذكاء الاصطناعي.

Google Cloud — تعريف الاسترجاع ثم التوليد

• “Retrieval Augmented Generation (RAG), a technique developed to mitigate these challenges, first ‘retrieves’ facts about a question, then provides those facts to the model before it ‘generates’ an answer – this is what we mean by grounding.” (ترجمة) «التوليد المعزز بالاسترجاع (RAG) تقنية طُورت للتخفيف من هذه التحديات؛ فهي «تسترجع» أولاً حقائق عن سؤال، ثم تقدم تلك الحقائق إلى النموذج قبل أن «يولّد» إجابة — وهذا ما نعنيه بإسناد الإجابة إلى مصدر.» — Burak Gokturk، نائب الرئيس والمدير العام لـ Cloud AI في Google Cloud ‏(27 يونيو 2024). الانتقال إلى الاقتباس

ورقة RAG الأصلية — الذاكرة المعلمية مقابل غير المعلمية

• “retrieval-augmented generation (RAG) — models which combine pre-trained parametric and non-parametric memory for language generation.” (ترجمة) «التوليد المعزز بالاسترجاع (RAG) — نماذج تجمع الذاكرة المعلمية المدربة مسبقاً مع الذاكرة غير المعلمية لتوليد اللغة.» — Lewis وآخرون، NeurIPS 2020.

Patrick Lewis، المؤلف الرئيسي — عن الاسم (عبر NVIDIA Blog، ‏Rick Merritt)

• “We definitely would have put more thought into the name had we known our work would become so widespread.” (ترجمة) «كنا بالتأكيد سنفكر أكثر في الاسم لو عرفنا أن عملنا سيصبح واسع الانتشار إلى هذا الحد.»
• “We always planned to have a nicer sounding name, but when it came time to write the paper, no one had a better idea.” (ترجمة) «خططنا دائماً لاختيار اسم أجمل، لكن عندما حان وقت كتابة الورقة لم تكن لدى أحد فكرة أفضل.» قراءة التغطية

Microsoft — ‏RAG بوصفه إسناداً إلى محتواك

• “Retrieval-augmented generation (RAG) is a pattern that extends LLM capabilities by grounding responses in your proprietary content.” (ترجمة) «التوليد المعزز بالاسترجاع (RAG) نمط يوسع قدرات النموذج اللغوي الكبير بإسناد الإجابات إلى محتواك المملوك.» — وثائق Microsoft ‏Azure AI Search.

Anthropic — مشكلة التقطيع

• “traditional RAG solutions remove context when encoding information.” (ترجمة) «حلول RAG التقليدية تزيل السياق عند ترميز المعلومات.» — Anthropic، الاسترجاع السياقي (19 سبتمبر 2024). قراءة المقالة

AWS — ‏RAG مقابل إعادة التدريب

• “Retrieval-Augmented Generation (RAG) is the process of optimizing the output of a large language model, so it references an authoritative knowledge base outside of its training data sources before generating a response.” (ترجمة) «التوليد المعزز بالاسترجاع (RAG) هو عملية تحسين مخرجات نموذج لغوي كبير كي يرجع إلى قاعدة معرفة موثوقة خارج مصادر بيانات تدريبه قبل توليد إجابة.» — AWS.
• “RAG is a more cost-effective approach to introducing new data to the LLM.” (ترجمة) «يُعد RAG نهجاً أقل تكلفة لإدخال بيانات جديدة إلى النموذج اللغوي الكبير.» — AWS.

OpenAI — زاحفها الخاص لـ ChatGPT Search

• “OpenAI uses OAI-SearchBot and GPTBot robots.txt tags to enable webmasters to manage how their sites and content work with AI… a webmaster can allow OAI-SearchBot in order to appear in search results while disallowing GPTBot to indicate that crawled content should not be used for training.” (ترجمة) «تستخدم OpenAI وسمي OAI-SearchBot وGPTBot في robots.txt لتمكين مشرفي المواقع من إدارة كيفية تعامل مواقعهم ومحتواهم مع الذكاء الاصطناعي… ويمكن لمشرف الموقع السماح لـ OAI-SearchBot كي يظهر في نتائج البحث، مع حظر GPTBot للإشارة إلى أن المحتوى المزحوف لا ينبغي استخدامه في التدريب.» — OpenAI، نظرة عامة على زواحف OpenAI. قراءة الوثائق

Michael King، ‏iPullRank — التحول الوكيلي (Search Engine Land)

• “The retrieve-once-then-generate pattern that defined the first wave is obsolete… Agentic RAG is now the default.” (ترجمة) «أصبح نمط الاسترجاع مرة واحدة ثم التوليد، الذي ميّز الموجة الأولى، متقادماً… وRAG الوكيلي هو الوضع الافتراضي الآن.» قراءة التغطية

مرجع RAG السريع

مسار المعالجة من البداية إلى النهاية

استعلام → [استرجاع: تقطيع · تضمين · بحث متجهي (+BM25) · إعادة ترتيب · أعلى k] → تعزيز (إدخال المقاطع في السياق) → توليد (يكتب النموذج اللغوي إجابة مسندة إلى المصادر ومصحوبة باستشهادات)

RAG مقابل الضبط الدقيق

أجيال RAG الثلاثة

نظرة سريعة إلى مجموعات استرجاع المحركات

حقائق سريعة

• ‏RAG = Retrieval + Augmented Generation؛ صاغه Lewis وآخرون عام 2020.
• يعمل في وقت الاستدلال؛ فلا تتغير الأوزان أبداً.
• لم تُحل الهلوسة: رفع السياق غير الكافي معدل نموذج واحد من 10,2 % إلى 66,1 %.
• خفّض التقطيع الواعي بالسياق حالات فشل الاسترجاع 49 % (و67 % مع إعادة الترتيب).
• لا «تقطّع» محتواك مسبقاً للذكاء الاصطناعي؛ فبناء H2/H3 الواضح يتقطع جيداً بذاته.

النماذج الذهنية

1. استرجاع → تعزيز → توليد. يتكون كل نظام RAG من هذه الحركات الثلاث. عندما تخطئ إجابة الذكاء الاصطناعي، حدد المرحلة التي فشلت: هل استرجع المقاطع الصحيحة؟ وهل مرر سياقاً كافياً؟ أم أن النموذج ولّد بصورة خاطئة من مصادر جيدة؟ معظم مشكلات الظهور في الذكاء الاصطناعي مشكلات استرجاع لا توليد.

2. الذاكرة المعلمية مقابل غير المعلمية. للنموذج معرفة معلمية (مجمدة في أوزانه ومحدودة بتاريخ توقف تدريبه)، ومعرفة غير معلمية (تُسترجع مباشرة). لا يستطيع نشر المحتوى لمس الأوزان، لكنه يستطيع تغذية الاسترجاع المباشر. وهذا هو السبب الكامل لاستمرار انطباق SEO على بحث الذكاء الاصطناعي.

3. الفرق بين RAG والضبط الدقيق هو فرق المعرفة مقابل السلوك. هل تحتاج إلى أن يعرف النموذج حقائق جديدة أو متغيرة؟ استخدم RAG. هل تحتاج إلى تغيير كيفية تصرفه أو كتابته؟ استخدم الضبط الدقيق. لا تضبط النموذج دقيقاً لإضافة حقائق تتغير أسبوعياً.

4. جودة الاسترجاع هي عنق الزجاجة — ويعمل ذلك في الاتجاهين. يتفوق الاسترجاع الأفضل على نموذج أكبر. وقد يكون الاسترجاع غير الكافي أسوأ من عدمه. لذلك ليس الهدف لمحتواك مجرد «أن يُسترجع»، بل «أن يُسترجع بوصفه مقطعاً كافياً ومكتفياً بذاته» يمكّن النموذج من الإجابة بصورة حاسمة.

5. سلسلة الزحف → الفهرسة → الاسترجاع. لا يوجد فهرس ذكاء اصطناعي منفصل. إذا فشلت صفحة في الزحف أو الفهرسة، فلن تصل أبداً إلى الاسترجاع — لا في RAG لدى Google ولا لدى محركات الذكاء الاصطناعي التي تبني مجموعاتها الخاصة. أصلح السلسلة أولاً، ثم حسّن المقاطع.

اختبر نفسك: التوليد المعزز بالاسترجاع

موارد تستحق وقتك

كتاباتي وأبحاثي ذات الصلة

• ما نعرفه فعلاً عن التحسين لبحث النماذج اللغوية الكبيرة — مقالة Ahrefs التي تستخدم بياناتي: الذكر في الصفحات كثيرة الروابط هو أقوى مؤشر على الظهور في AI Overview ‏(ρ ≈ 0,70).
• تحسين المحركات التوليدية — استجابة SEO لمشهد بحث مدعوم بـ RAG.
• GEO؟ ‏AEO؟ ‏LLMO؟ ما قصة كل مصطلحات SEO للذكاء الاصطناعي؟ — حديثي في Ahrefs Evolve 2025 عن مشهد بحث الذكاء الاصطناعي ولماذا لم يتغير شرط الفهرسة.

الأوراق التأسيسية

• التوليد المعزز بالاسترجاع لمهام معالجة اللغة الطبيعية كثيفة المعرفة — ‏Lewis وآخرون، 2020 (الأصل).
• RAG للنماذج اللغوية الكبيرة: مسح — ‏Gao وآخرون (تصنيف الساذج/المتقدم/الوحداتي).

من الآخرين

• كيف تعمل محركات بحث الذكاء الاصطناعي — ‏Ryan Law ‏(Ahrefs) عن RAG بوصفه آلية لإسناد الإجابات إلى المصادر.
• Google AI Overviews: كل ما تحتاج إلى معرفته — ‏Ong وLaw ‏(Ahrefs) عن RAG فوق الفهرس الأساسي.
• ما التوليد المعزز بالاسترجاع؟ — ‏NVIDIA (يتضمن حكاية Lewis عن التسمية).
• كيف يعيد التوليد المعزز بالاسترجاع تعريف SEO — ‏Francine Monahan، ‏iPullRank (التحسين على مستوى المقطع).
• ما بعد RAG: لماذا أصبحت كل منصة بحث بالذكاء الاصطناعي وكيلية — ‏Michael King، ‏Search Engine Land.
• كيف تعمل إجابات Perplexity AI — ‏Ishtiaque Ahmed، تحليل تقني لمسار الاسترجاع والترتيب والاستشهاد.
• كيف تحصل على استشهاد من الذكاء الاصطناعي: رؤى SEO من 8.000 استشهاد — ‏James Allen، ‏Search Engine Land؛ تحفز السلطة وE-E-A-T استشهادات الذكاء الاصطناعي أكثر من موضع الترتيب.
• كيف يستخدم Perplexity ‏Vespa.ai — سرد Vespa.ai المباشر لمعمارية Perplexity الهجينة التي تجمع BM25 والاسترجاع الكثيف.
• التوليد المعزز بالاسترجاع — ويكيبيديا — مرجع عام مفيد؛ يغطي تسميم RAG ومحاذير الهلوسة.

إحصاءات جديرة بالاستشهاد

• قفزة الهلوسة من 10,2 % إلى 66,1 % — معدل هلوسة نموذج واحد مع سياق مسترجع غير كافٍ مقابل عدم وجود سياق؛ فقد يكون الاسترجاع السيئ أسوأ من عدم الاسترجاع. Google Research، ‏ICLR 2025. المصدر
• انخفاض حالات فشل الاسترجاع 49 % بفضل التقطيع الواعي بالسياق (التضمينات السياقية)، وارتفع إلى 67 % مع إعادة الترتيب. Anthropic، ‏2024. المصدر
• ρ ≈ 0,70 — الذكر في الصفحات كثيرة الروابط هو أقوى مؤشر على الظهور في Google AI Overview في بحثي؛ وارتبط ذكر العلامة التجارية على الويب بنحو 0,66 عبر 75 000 علامة تجارية. المصدر
• معدل نجاة يقارب 30 % — وفق تحليل طرف ثالث، لا يتجاوز عتبة إعادة الترتيب لدى Perplexity إلى مرحلة التوليد سوى أعلى 30 % تقريباً من أكثر من 60 مصدراً مسترجعاً. المصدر
• RAG > الضبط الدقيق غير الخاضع للإشراف في مهام المعرفة — “for both existing knowledge encountered during training and entirely new knowledge.” (ترجمة) «سواء للمعرفة القائمة التي صودفت أثناء التدريب أم للمعرفة الجديدة كلياً.» المصدر

سجل التغييرات