البحث المتجهي

الخلاصة — يعثر البحث المتجهي على المحتوى حسب المعنى بدلاً من مطابقة الكلمات الدقيقة التي كتبتها. فهو يحوّل استعلامك وكل مستند مخزن إلى قائمة من الأرقام — متجه — ثم يعيد المستندات التي تكون أرقامها الأقرب إلى أرقام استعلامك. وهذه هي الطريقة التي يعثر بها بحث الذكاء الاصطناعي وروبوتات الدردشة على المقاطع التي تصوغ منها إجاباتها.

ما هو البحث المتجهي

يسترجع البحث المتجهي العناصر حسب قربها في فضاء التضمين، وغالباً ما يستخدم فهارس أقرب جار تقريبية للتوسع. Evidence for this claim HNSW is an approximate nearest-neighbor method that organizes vectors in a multilayer navigable graph for efficient search. Scope: The HNSW algorithm and reported evaluations; production indexes may use different ANN methods and parameters. Confidence: high · Verified: 2026-07-14 Malkov and Yashunin: HNSW ويعتمد التشابه على نموذج التضمين، ودالة المسافة، والبيانات المفهرسة. Evidence for this claim Embedding vectors can be compared by distance to retrieve related items. Scope: OpenAI embedding guidance; retrieval quality depends on model choice, corpus, index, filters, and evaluation. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide

يطابق البحث التقليدي بالكلمات المفتاحية الكلمات. فإذا بحثت عن “how to fix a slow website” وكانت إحدى الصفحات تقول “improve site performance,” فقد يفوّت محرك يعتمد على الكلمات المفتاحية وحدها النتيجة — كلمات مختلفة ومعنى واحد.

يعالج البحث المتجهي ذلك. يقرأ نموذج يسمى embeddings النص ويحوّله إلى قائمة طويلة من الأرقام (أي متجه) تلتقط ما يعنيه النص. وتحصل الموضوعات المتشابهة على أرقام متقاربة، فتقع معاً في نوع من الخريطة الرياضية. وكل ما يسأله البحث المتجهي هو: أي المتجهات المخزنة أقرب إلى متجه الاستعلام؟

لذلك ينتهي “fix a slow website” و”improve site performance” متقاربين على الخريطة، ويعثر البحث المتجهي على التطابق مع أن الكلمات لا تتطابق.

نموذج ذهني بسيط

تخيّل أن كل صفحة على الويب موضوعة كنقطة على خريطة هائلة، وأن النقاط ذات الموضوع نفسه متجاورة — صفحات الكلاب في حي، وصفحات الضرائب في حي آخر. عندما تبحث، يتحول استعلامك هو أيضاً إلى نقطة. يعثر البحث المتجهي على أقرب النقاط ويعيدها إليك.

هذه هي الفكرة كلها. أما الجزء الصعب فهو تنفيذها بسرعة عندما توجد مليارات النقاط — وهذا هو الشيء التالي الذي ينبغي فهمه.

لماذا كلمة «تقريبي»

سيكون فحص استعلامك مقابل كل متجه مخزن بطيئاً جداً على نطاق الويب. لذلك تستخدم الأنظمة الحقيقية اختصارات ذكية تسمى خوارزميات أقرب جار تقريبي (ANN). فهي لا تفحص كل نقطة — بل تسلك مسارات ذكية عبر الخريطة للعثور على الأقرب بصورة تكاد تكون مثالية، خلال بضعة أجزاء من الألف من الثانية. و«تكاد» تكفي: ففقدان النتيجة التاسعة عشرة الأفضل من بين الملايين لا يغيّر إجابتك، بينما تكون السرعة المكتسبة هائلة.

لماذا يهمك ذلك

في إجابات الذكاء الاصطناعي — مثل Google AI Overviews وChatGPT search وPerplexity — يسترجع النظام أولاً حفنة من المقاطع ذات الصلة، ثم يكتب إجابة منها. وهذه الخطوة الاسترجاعية هي البحث المتجهي. فإذا لم يكن محتواك قريباً دلالياً من السؤال، فلن يصل إلى القائمة المختصرة، ولن يمكن الاستشهاد به.

لا توجد حيلة لـ«تحسين» المحتوى للبحث المتجهي. فهو يكافئ ما تطلبه جودة المحتوى دائماً: كتابة واضحة، مرتبطة فعلاً بالموضوع، وذات عمق حقيقي. ولا تقع الصفحات السطحية المحشوة بالكلمات المفتاحية في حي متماسك على الخريطة، ولذلك لا تُسترجع.

هل تريد معرفة الخوارزميات (HNSW وScaNN)، ومقاييس المسافة، وكيف تستخدم Google ذلك فعلياً، وصورة SEO الكاملة؟ انتقل إلى علامة التبويب Advanced.

الخلاصة — يسترجع البحث المتجهي أقرب المتجهات إلى متجه الاستعلام في فضاء تضمين عالي الأبعاد، مستخدماً خوارزميات أقرب جار تقريبي (ANN) — HNSW وIVF وFAISS وScaNN — لأن المقارنة الدقيقة لمليارات المتجهات مستحيلة في الزمن الحقيقي. وANN تقريبي عن قصد: فهو يقايض جزءاً صغيراً من الاستدعاء بسرعة أعلى بعدة مراتب. والبحث المتجهي آلية للبحث الدلالي، وليس مرادفاً له، وهو خطوة الاسترجاع داخل كل نظام RAG، بما في ذلك AI Overviews. ونادراً ما يعمل البحث الإنتاجي وحده — فالنمط الحقيقي هجين: BM25 + المتجهات + إعادة الترتيب. وبالنسبة إلى SEO لا توجد أداة ضبط؛ فالقرب المتجهي هو البوابة إلى مجموعة المرشحين، ويكافئ العمق المتماسك موضوعياً وعلى مستوى المقاطع.

أين يقع البحث المتجهي

الاسترجاع المتجهي مكوّن واحد يمكنه تغذية الترتيب أو التوليد؛ وليس نظام بحث كاملاً بمفرده. Evidence for this claim HNSW is an approximate nearest-neighbor method that organizes vectors in a multilayer navigable graph for efficient search. Scope: The HNSW algorithm and reported evaluations; production indexes may use different ANN methods and parameters. Confidence: high · Verified: 2026-07-14 Malkov and Yashunin: HNSW ولا توجد عتبة مسافة أو خوارزمية فهرسة واحدة هي الأفضل عالمياً. Evidence for this claim Embedding vectors can be compared by distance to retrieve related items. Scope: OpenAI embedding guidance; retrieval quality depends on model choice, corpus, index, filters, and evaluation. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide

تمنحك التضمينات المتجهات — أما البحث المتجهي فهو ما تفعله بها. فإذا كانت التضمينات تمثل نصف قصة «ما هو المتجه»، فهذا المقال يمثل نصف «اعثر الآن على الأقرب». ومن المهم الدقة في تمييز يخلطه المجال باستمرار: البحث الدلالي هو الهدف؛ والبحث المتجهي طريقة واحدة للوصول إليه. ويمكن للبحث الدلالي أن يعتمد أيضاً على الرسوم البيانية المعرفية، والتعرف على الكيانات، ومطابقة النية. أما البحث المتجهي فيعني تحديداً استرجاع ANN فوق فضاء تضمين — ولذلك فهما ليسا مترادفين، حتى لو استُخدما كأنهما كذلك.

كيف يعمل البحث المتجهي، خطوة بخطوة

تسلسل المعالجة واحد سواء كنت Google أو مشروع RAG تنفذه في عطلة نهاية الأسبوع:

1. ضمّن المحتوى. يحوّل نموذج ترميز كل مقطع من المحتوى إلى متجه. لاحظ كلمة مقطع — فالبحث المتجهي لا يقارن الصفحات كاملة، بل يقارن المقاطع. والتقسيم إلى مقاطع هو وحدة الاسترجاع، ولهذا تهم كثافة مستوى المقطع أكثر من وجود الكلمات المفتاحية على مستوى الصفحة.
2. أنشئ فهرساً. توضع المتجهات في فهرس متجهي مبني لعمليات بحث أقرب جار السريعة (فهرس ANN — المزيد أدناه).
3. ضمّن الاستعلام. عند وقت الاستعلام يحوّل النموذج نفسه استعلام المستخدم إلى متجه في الفضاء نفسه.
4. شغّل بحث ANN. يعيد الفهرس المتجهات الأعلى-k قرباً من متجه الاستعلام — أي مجموعة المرشحين.
5. رتّب وأعد النتائج. تحصل تلك المرشحات على درجات، وغالباً ما يعاد ترتيبها، ثم تُقدّم الأفضل (أو تمرر، في RAG، إلى LLM ليولّد منها).

أقرب جار تقريبي — لماذا «تقريبي»

يعني العثور على أقرب الجيران بالضبط مقارنة الاستعلام بكل متجه مخزن — ‏O(N) لكل استعلام. ومع مليارات المتجهات وفي غضون أجزاء من الألف من الثانية، فهذا غير عملي. لذلك يستخدم البحث الإنتاجي ANN: هياكل فهرسة تعثر على أقرب الجيران بصورة تكاد تكون مثالية، مع تخطي الغالبية الساحقة من المقارنات.

وكما تقول Elastic، فإن ANN “sacrifices perfect accuracy in exchange for executing efficiently in high dimensional embedding spaces, at scale.” (ترجمة) «تتنازل عن الدقة الكاملة مقابل التنفيذ بكفاءة وعلى نطاق واسع في فضاءات تضمين عالية الأبعاد». وتصف Weaviate المقايضة نفسها بأنها “a bit of accuracy for a huge gain in speed.” (ترجمة) «قدر يسير من الدقة مقابل مكسب هائل في السرعة». وهذا ليس عيباً — بل هو الخيار الهندسي الذي يجعل البحث المتجهي ممكناً أصلاً. ومقياس «مدى جودة التقريب» هو الاستدعاء: تعرفه Google بأنه “the percentage of nearest neighbors returned by the index that are actually true nearest neighbors.” (ترجمة) «النسبة المئوية للجيران الأقرب الذين يعيدهم الفهرس ويكونون فعلًا الجيران الأقرب الحقيقيين». وتبلغ خدمة Vector Search الخاصة بـGoogle — التي أعيدت تسميتها من “Vertex AI Vector Search” وأصبحت موثقة ضمن Gemini Enterprise Agent Platform — استدعاءً قدره 95–98%؛ أي إنك تتنازل عن نقطتين مئويتين تقريباً من الجيران الحقيقيين وتحصل في المقابل على بحث بمقياس الويب.

خوارزميات ANN الأساسية

لا تحتاج إلى تنفيذ هذه الخوارزميات، لكن معرفة أسمائها تزيل كثيراً من الغموض عن نقاشات بحث الذكاء الاصطناعي.

• HNSW (Hierarchical Navigable Small World) — الخيار الافتراضي في المجال. رسم بياني متعدد الطبقات تكون طبقاته العليا مسارات سريعة متفرقة ذات وصلات بعيدة للتنقل السريع، بينما تكون طبقاته السفلى طرقاً محلية كثيفة للملاحة الدقيقة. ويحقق تعقيد بحث لوغاريتمياً تقريباً، ولذلك يهيمن على الإنتاج. وتستخدمه Weaviate وPinecone وpgvector وQdrant وغيرها. والمقابل هو الذاكرة: ففهارس HNSW شرهة لذاكرة RAM. وخلاصة Pinecone هي “HNSW gives us great search-quality at very fast search-speeds — but there’s always a catch — HNSW indexes take up a significant amount of memory.” (ترجمة) «يمنحنا HNSW جودة بحث عالية بسرعات كبيرة جدًا، لكن له كلفة دائمًا: تستهلك فهارسه قدرًا كبيرًا من الذاكرة».
• IVF (Inverted File Index) — يقسم الفضاء إلى عناقيد (k-means)، ثم لا يبحث وقت الاستعلام إلا في العناقيد القليلة الأقرب إلى الاستعلام (nprobe). وتصفه Pinecone بأنه “a very popular index as it’s easy to use, with high search-quality and reasonable search-speed… a good scalable option.” (ترجمة) «فهرس واسع الانتشار لسهولة استخدامه وجودة بحثه العالية وسرعته المعقولة، وهو خيار جيد قابل للتوسع».
• FAISS — مكتبة Facebook AI للبحث عن التشابه على نطاق المليارات (Johnson وDouze وJégou). وهي صندوق أدوات لا خوارزمية واحدة: خط أساس مسطح دقيق (IndexFlatL2)، وIVF عنقودي، وIVFPQ مكمم إنتاجياً لضغط الذاكرة 4–64 مرة، وتطبيق HNSW. وقد سجل تكييفها على GPU تسارعاً قدره 8,5 مرة في بحث k-NN.
• ScaNN (Scalable Nearest Neighbors) — مكتبة Google مفتوحة المصدر، من العائلة التقنية نفسها التي تقف خلف Google Image Search وYouTube وGoogle Play. وابتكارها هو تكميم المتجهات متباين الاتجاه: فبدلاً من تقليل متوسط المسافة، فإنها “more heavily penalizes quantization error that is parallel to the original vector,” (ترجمة) «تفرض عقوبة أكبر على خطأ التكميم الموازي للمتجه الأصلي»، لأن الخطأ الاتجاهي يضر بصورة غير متناسبة بالنتائج ذات الجداء الداخلي العالي (الأكثر صلة). والمردود أنها “outperforms other vector similarity search libraries by a factor of two” (ترجمة) «تتفوق على مكتبات بحث تشابه المتجهات الأخرى بضعفين» على ann-benchmarks.com — أي نحو ضعف عدد الاستعلامات في الثانية عند الدقة نفسها.
• الفهرس المسطح (الدقيق) — لا يوجد تقريب على الإطلاق؛ بل مقارنة شاملة، وهي الأدق والأبطأ. وتذكر Pinecone أن الفهارس المسطحة “produce the most accurate results” (ترجمة) «تنتج أدق النتائج»، وأنها الخيار المناسب عندما تكون جودة البحث أولوية قصوى أو عندما يكون الفهرس صغيراً (أقل من نحو 10K متجه). وفوق ذلك المقياس تنتقل إلى ANN.

الخيط الناظم هو أن كل فهرس ANN يوازن بين الاستدعاء وزمن الاستجابة والإنتاجية والذاكرة. وكما تقول Weaviate، تتيح معظم قواعد البيانات المتجهية “configure how your ANN algorithm should behave… to find the right balance.” (ترجمة) «ضبط طريقة عمل خوارزمية ANN للوصول إلى التوازن المناسب».

مقاييس المسافة

تحتاج كلمة «الأقرب» إلى تعريف. وهناك ثلاثة مقاييس شائعة:

• التشابه الجيبي — الافتراضي للنص. يقيس الزاوية بين متجهين، متجاهلاً المقدار، ولذلك تحصل وثيقة قصيرة وأخرى طويلة عن الموضوع نفسه على الدرجة نفسها. وتقول Weaviate: “Cosine similarity is commonly used in Natural Language Processing… It measures the similarity between documents regardless of the magnitude.” (ترجمة) «يشيع استخدام التشابه الجيبي في معالجة اللغة الطبيعية، وهو يقيس التشابه بين المستندات بصرف النظر عن مقدار المتجه».
• الجداء النقطي (الجداء الداخلي) — يستخدم عندما تُعرّف الصلة بالجداء الداخلي (وهي مسألة MIPS التي تحسّن ScaNN حلها).
• المسافة الإقليدية (L2) — مسافة الخط المستقيم؛ تستخدم عندما يحمل المقدار معنى.

وهذه هي القاعدة العملية المختصرة: بالنسبة إلى المتجهات المطبّعة، يعطي التشابه الجيبي والجداء النقطي ترتيباً متطابقاً، ومعظم نماذج التضمين الحديثة تطبّع خرجها إلى طول وحدي. وتقول OpenAI ذلك بوضوح — “We recommend cosine similarity. The choice of distance function typically doesn’t matter much” (ترجمة) «نوصي بالتشابه الجيبي، ولا يهم اختيار دالة المسافة كثيرًا عادةً» — تحديداً لأن طول تضميناتها يساوي 1. والقاعدة الفعلية، وفق Weaviate، هي: “Use the distance metric that matches the model that you’re using… There is no ‘one size fits all’.” (ترجمة) «استخدم مقياس المسافة المطابق للنموذج الذي تستعمله؛ فلا يوجد حل واحد يناسب الجميع».

قواعد البيانات المتجهية

تخزّن قاعدة البيانات المتجهية المتجهات وتشغّل ANN فوقها، كي لا تضطر إلى بناء بنية الفهرسة بنفسك. والأسماء الشائعة هي Pinecone (مدارة)، وWeaviate (بحث هجين مدمج)، وChroma وFAISS (ممتازتان للنمذجة الأولية والتشغيل داخل التطبيق)، وQdrant، وMilvus (توسع مستضاف ذاتياً)، وpgvector (إضافة إلى Postgres للفرق الموجودة أصلاً على SQL). أنا أوردها لا أرتبها — فالخيار الصحيح يعتمد على الحجم، وعلى ما إذا كنت تريد خدمة مدارة أم مستضافة ذاتياً، وعلى حاجتك إلى البحث الهجين جاهزاً. وعلى نطاق Google وBing تكون «قاعدة البيانات» بنية ScaNN/ANN داخلية، لا واحداً من هذه الخيارات.

البحث الهجين — كيف يعمل الإنتاج فعلياً

عرض المسألة على أنها «بحث بالكلمات المفتاحية مقابل بحث متجهي» ثنائية زائفة. فالبحث المتجهي الخالص يفوّت الاستعلامات ذات التطابق الدقيق — رموز الأخطاء وSKU وأسماء الأعلام — بينما يفوّت البحث بالكلمات المفتاحية الخالص المتغيرات الدلالية. لذلك تشغّل الأنظمة الجادة بحثاً هجيناً: استرجاع الكلمات المفتاحية (BM25) والمتجهات بالتوازي، ثم دمج النتائج (غالباً بواسطة Reciprocal Rank Fusion)، ثم إعادة ترتيب أعلى المرشحين بواسطة مرمّز تقاطعي. وتعرّف Microsoft البحث الهجين بأنه “the execution of vector search and keyword search in the same request… The queries execute in parallel, and the results are merged into a single response and ranked accordingly.” (ترجمة) «تنفيذ البحث المتجهي والبحث بالكلمات المفتاحية في الطلب نفسه؛ إذ تُنفذ الاستعلامات بالتوازي، ثم تُدمج النتائج في استجابة واحدة وتُرتب تبعًا لذلك». ويدعم Vector Search من Google الأوضاع الثلاثة نفسها — كثيف (دلالي)، ومتناثر (كلمات مفتاحية)، وهجين. وإذا خرجت بشيء واحد من هذا القسم فهو أن الاسترجاع الإنتاجي يكاد لا يكون متجهياً فقط. إنما التركيبة هي التي تنتصر.

كيف تستخدم Google (وBing) البحث المتجهي فعلياً

هذه ليست بدعة من عصر ChatGPT في 2023. فالبنية التحتية تسبق موجة LLM بسنوات:

• ScaNN (في ICML 2020، ومفتوحة المصدر) تشغّل Google Image Search وYouTube وGoogle Play، وتدعم منتج Vector Search من Google (الخدمة التي كانت تحمل سابقاً اسم Vertex AI Vector Search) — وهي “shares the same backend” (ترجمة) «تتشارك البنية الخلفية نفسها» مع تلك المنتجات الاستهلاكية. ووصف Kaz Sato من Google التقنية بأنها “one of the most important components of Google’s core services.” (ترجمة) «أحد أهم مكونات خدمات Google الأساسية». وتذكر مواصفات الأداء أنها تعالج عشرات آلاف الطلبات في الثانية بزمن يقل عن ١٠ مللي ثوانٍ عند الشريحة المئوية التسعين، وبمعدل استدعاء ٩٥–٩٨٪.
• كان Bing يشغّل فهرسًا يضم أكثر من 100 مليار متجه في 2019. وبكلمات Microsoft نفسها كان Bing يستطيع “search through this giant index of 100 billion-plus vectors to find the most related results in 5 milliseconds.” (ترجمة) «البحث في هذا الفهرس الهائل الذي يضم أكثر من 100 مليار متجه للعثور على النتائج الأكثر صلة خلال 5 مللي ثانية». وذلك منذ أكثر من ست سنوات.
• أثبت Dense Passage Retrieval (DPR، ‏EMNLP 2020) أن الاسترجاع المتجهي الكثيف يمكنه التفوق على Lucene-BM25 بنسبة 9–19% مطلقة في دقة استرجاع المقاطع ضمن أفضل 20 نتيجة، باستخدام مرمّز ثنائي بسيط. وDPR هو مخطط الاسترجاع الحديث في RAG — فخطوة الاسترجاع خلف AI Overviews مستمدة من هذا النمط.
• يجعل MUVERA (2025) استرجاع المتجهات المتعددة بسرعة البحث المتجهي المفرد — نحو “10% higher recall with ~90% lower latency” (ترجمة) «استدعاء أعلى بنحو 10% مع زمن استجابة أقل بنحو 90%» مقارنة بالأساليب السابقة.
• يضغط TurboQuant (ICLR 2026) المتجهات للبحث عن أقرب الجيران مع خفض مُعلن للذاكرة قدره 6x، ومن دون خسارة دقة تُذكر عملياً.

الفكرة ليست حفظ خارطة الطريق — بل أن الاسترجاع القائم على التضمينات هو طريقة عثور المحركات الكبرى على المحتوى ذي الصلة، وقد كان كذلك لسنوات.

ماذا يعني ذلك لـSEO

دعني أكون حذراً هنا، لأن هذه هي النقطة التي تتجاوز فيها نصائح SEO حدودها عادةً.

القرب المتجهي هو البوابة الجديدة إلى مجموعة المرشحين. ففي الإجابات المبنية على RAG يحدث الاسترجاع قبل التوليد. وإذا لم يكن مقطعك قريباً دلالياً من تضمين الاستعلام، فلن يدخل إلى القائمة المختصرة التي يكتب النموذج منها — ولذلك لا يمكن الاستشهاد به. هذه هي الآلية.

لكن لا توجد أداة ضبط لـ«تحسين البحث المتجهي». فالإشارة الأساسية هي التماسك الدلالي والعمق الموضوعي — وهما ما تطلبه جودة المحتوى دائماً. ولا يكافئ البحث المتجهي حيلة جديدة؛ بل يعاقب المحتوى السطحي وحشو الكلمات المفتاحية (اللذين لا يشكلان حياً متماسكاً في فضاء التضمين)، ويكافئ التغطية الشاملة والمنظمة فعلاً. وكما قلت في مقال التضمينات، مردداً صدى Danny Sullivan عن BERT: لا يوجد في الغالب شيء «تحسّنه» هنا — بل تجعل محتواك يتجمع بوضوح قرب الاستعلامات التي ينبغي أن يجيب عنها.

هناك نتيجتان عمليتان محددتان تتبعان ذلك فعلاً:

• التقسيم إلى مقاطع مهم. يعمل الاسترجاع على المقاطع لا الصفحات كاملة. ويمكن لصفحة ألا تحصل على ترتيب لأي شيء إذا لم يكن فيها مقطع واحد يمثل تطابقاً دلالياً نظيفاً. اكتب مقاطع قائمة بذاتها.
• العمق الموضوعي وتغطية الكيانات هما ما يشغّل الحي الصحيح في فضاء التضمين. فالمحتوى الضحل المتناثر يتمثل في منطقة ضبابية قريبة من لا شيء محدد.

البحث المتجهي هو محرك الاسترجاع خلف RAG وإجابات الذكاء الاصطناعي؛ أما ترتيب المقاطع فهو ما يحدث للمرشحين بعد الاسترجاع؛ والزواحف الذكاء الاصطناعي التي تغذي هذه الأنظمة تضمّن ما تجلبه وتفهرسه متجهياً. وللاطلاع على تسلسل المعالجة الأوسع، راجع كيف يعمل البحث.

ملخص الذكاء الاصطناعي

خلاصة مكثفة للنسخة المتقدمة:

• البحث المتجهي = العثور على أقرب المتجهات إلى متجه استعلام في فضاء تضمين عالي الأبعاد. وهو يطابق المعنى لا الكلمات الدقيقة.
• تنتج التضمينات المتجهات؛ ويسترجع البحث المتجهي فوقها. وهو آلية للبحث الدلالي، وليس مرادفاً له — فالبحث الدلالي هو الهدف.
• ANN تقريبي عن قصد. المقارنة الدقيقة لمليارات المتجهات مستحيلة في الزمن الحقيقي، لذلك تقايض HNSW وIVF وFAISS وScaNN جزءاً صغيراً من الاستدعاء (تبلغ تقارير Google ‏95–98%) بسرعة أعلى بعدة مراتب.
• HNSW هو الافتراضي الإنتاجي (بياني، وبحثه لوغاريتمي، وشره للذاكرة). وScaNN مكتبة Google المفتوحة المصدر خلف Image Search وYouTube وGoogle Play. ولا معنى للفهرسة المسطحة/الدقيقة إلا تحت نحو 10K متجه.
• التشابه الجيبي هو الافتراضي للنص؛ وبالنسبة إلى المتجهات المطبّعة (ومعظم النماذج الحديثة، ومنها نماذج OpenAI) يعطي الجيب والجداء النقطي ترتيباً متطابقاً.
• الإنتاج هجين لا متجهي فقط: BM25 + المتجهات بالتوازي، مدموجة بواسطة Reciprocal Rank Fusion، ثم معاد ترتيبها بمرمّز تقاطعي.
• سبق موجة LLM: كان Bing يشغّل أكثر من 100B من فهارس المتجهات في 2019؛ وScaNN وDPR من 2020. وتفوق DPR على BM25 بنسبة 9–19% وهو مخطط استرجاع RAG.
• خلاصة SEO: القرب المتجهي هو البوابة إلى مجموعة مرشحي إجابة الذكاء الاصطناعي، لكن لا توجد أداة ضبط — فهو يكافئ العمق المتماسك موضوعياً وعلى مستوى المقاطع، ويعاقب المحتوى السطحي المحشو بالكلمات المفتاحية. الوضوح على مستوى المقطع مهم.

الوثائق الرسمية

وثائق من المصادر الأولية حول البحث المتجهي/بحث التضمينات من المحركات ومزودي نماذج التضمين.

Google

• نظرة عامة على Vector Search — الخدمة المدعومة بـScaNN، التي أعيدت تسميتها من “Vertex AI Vector Search” وأصبحت موثقة ضمن Gemini Enterprise Agent Platform؛ وتغطي التضمينات الكثيفة والمتناثرة والهجينة وتعريف الاستدعاء.
• إعلان ScaNN: بحث تشابه المتجهات بكفاءة — تكميم المتجهات متباين الاتجاه ونتيجة المعيار الأسرع مرتين.
• اعثر على أي شيء بسرعة فائقة باستخدام تقنية البحث المتجهي لدى Google — شرح Kaz Sato؛ الكلمات المفتاحية مقابل المتجهات؛ ومواصفات الأداء.
• بنية RAG التحتية باستخدام Agent Platform وVector Search — كيف يكون البحث المتجهي خطوة الاسترجاع في RAG (أعيدت تسمية الصفحة من “Vertex AI and Vector Search” بعد أن ضمت Google ذلك إلى Gemini Enterprise Agent Platform).
• MUVERA: استرجاع المتجهات المتعددة بسرعة البحث المتجهي المفرد.
• TurboQuant: ضغط متطرف لكفاءة المتجهات.

Microsoft / Bing / Azure

• نظرة عامة على Vector Search — Azure AI Search — تعريف البحث المتجهي والهجين من جهة المحرك.
• مع تطور احتياجات البحث… (بحث Bing المتجهي) — المقالة الصادرة في 2019 التي توضح فهرس Bing المتجهي ذي 100B+.

وثائق نماذج التضمين/المورّدين

• OpenAI — تضمينات المتجهات — دوال المسافة ولماذا لا يهم الاختيار كثيراً للمتجهات المطبّعة.
• Weaviate — شرح البحث المتجهي ومقاييس المسافة في البحث المتجهي.
• Pinecone — ما هو بحث التشابه؟ وفهارس أقرب جار.
• Elastic — ما هو البحث المتجهي؟.

اقتباسات من المصدر

تصريحات مسجلة من Google وMicrosoft/Bing. يقفز كل رابط إلى المقطع المقتبس في صفحة المصدر.

Google

• “The vector similarity search (or nearest neighbor search or simply vector search) capabilities of the Vertex AI Matching Engine… share the same backend as Google Image Search, YouTube, Google Play, and more.” (ترجمة) «تتشارك قدرات البحث عن تشابه المتجهات (أو البحث عن أقرب جار أو البحث المتجهي ببساطة) في Vertex AI Matching Engine البنية الخلفية نفسها مع Google Image Search وYouTube وGoogle Play وغيرها.» — Kaz Sato، مناصر المطورين، Cloud AI. انتقل إلى المصدر
• “Vector search provides a much more refined way to find content, with subtle nuances and meanings. Vectors can represent the meaning of content where ‘films’, ‘movies’, and ‘cinema’ are all collected together.” (ترجمة) «يوفر البحث المتجهي طريقة أكثر دقة بكثير للعثور على المحتوى، بما في ذلك الفروق والمعاني الدقيقة. ويمكن للمتجهات تمثيل معنى المحتوى بحيث تجتمع كلمات films وmovies وcinema معاً.» انتقل إلى المصدر
• “The technology is one of the most important components of Google’s core services.” (ترجمة) «هذه التقنية واحدة من أهم مكونات خدمات Google الأساسية.» — Kaz Sato. انتقل إلى الاقتباس
• “Today, we’re just beginning the migration from traditional search technology to new vector search. Over the next 5 to 10 years, many more best practices and tools will be developed.” (ترجمة) «نحن اليوم لا نزال في بداية الانتقال من تقنية البحث التقليدية إلى البحث المتجهي الجديد. وخلال السنوات الخمس إلى العشر المقبلة ستُطوَّر ممارسات وأدوات أفضل كثيرة.» — Kaz Sato. انتقل إلى الاقتباس
• ScaNN “outperforms other vector similarity search libraries by a factor of two on ann-benchmarks.com.” (ترجمة) «تتفوق ScaNN على مكتبات بحث تشابه المتجهات الأخرى بمقدار الضعف على ann-benchmarks.com.» انتقل إلى الاقتباس

Microsoft / Bing

• “Vector search is an information retrieval approach that supports indexing and querying over numeric representations of content. Because the content is numeric rather than plain text, matching is based on vectors that are most similar to the query vector.” (ترجمة) «البحث المتجهي نهج لاسترجاع المعلومات يدعم الفهرسة والاستعلام فوق تمثيلات رقمية للمحتوى. ولأن المحتوى رقمي لا نص عادي، يستند التطابق إلى المتجهات الأكثر تشابهاً مع متجه الاستعلام.» — وثائق Azure AI Search. اقرأ الوثيقة
• “Keyword search algorithms just fail when people ask a question or take a picture and ask the search engine, ‘What is this?’” (ترجمة) «تفشل خوارزميات البحث بالكلمات المفتاحية ببساطة عندما يطرح الناس سؤالاً أو يلتقطون صورة ويسألون محرك البحث: ما هذا؟» — Rangan Majumder، مدير برنامج المجموعة، Bing (2019). اقرأ المصدر
• “Bing processes billions of documents every day, and the idea now is that we can represent these entries as vectors and search through this giant index of 100 billion-plus vectors to find the most related results in 5 milliseconds.” (ترجمة) «يعالج Bing مليارات المستندات كل يوم، والفكرة الآن هي أن نمثل هذه الإدخالات كمتجهات ونبحث في هذا الفهرس الهائل الذي يضم أكثر من 100 مليار متجه للعثور على النتائج الأكثر صلة خلال 5 مللي ثانية.» — Jeffrey Zhu، مدير البرنامج، Bing (2019). اقرأ المصدر

OpenAI (مزود نموذج التضمين، حول مقاييس المسافة)

• “An embedding is a vector (list) of floating point numbers.” (ترجمة) «التضمين متجه (قائمة) من أرقام الفاصلة العائمة.» ثم “The distance between two vectors measures their relatedness.” (ترجمة) «تقيس المسافة بين متجهين مدى ترابطهما.» وتوصي الوثائق أيضًا: “We recommend cosine similarity. The choice of distance function typically doesn’t matter much.” (ترجمة) «نوصي بالتشابه الجيبي. ولا يهم اختيار دالة المسافة كثيراً عادةً.» اقرأ الوثيقة

النماذج الذهنية

1. الخريطة. كل مقطع من المحتوى نقطة على خريطة عالية الأبعاد، وتوضع المعاني المتشابهة متقاربة. والاستعلام نقطة أيضاً. يعيد البحث المتجهي أقرب النقاط. وكل ما عدا ذلك تحسين لهذه الفكرة.

2. الهدف مقابل الآلية. البحث الدلالي هو الهدف (مطابقة المعنى والنية). والبحث المتجهي آلية واحدة للوصول إليه (ANN فوق التضمينات). أبقهما منفصلين، وستتضح كثير من الكتابات المربكة عن بحث الذكاء الاصطناعي.

3. قرص الاستدعاء–السرعة. يقايض كل فهرس ANN الاستدعاء بزمن الاستجابة والإنتاجية والذاكرة. والدقيق (المسطح) = استدعاء كامل، لكنه لا يتوسع. وHNSW = استدعاء شبه كامل، وسرعة عالية، واستهلاك كبير للذاكرة. لا يمكن تعظيم كل هذه الجوانب معًا؛ بل تختار نقطة التوازن المناسبة.

4. الهجين هو الافتراضي، لا الاستثناء. الاسترجاع الحقيقي = BM25 (استدعاء الكلمات المفتاحية، يلتقط الرموز الدقيقة) + المتجهات (الاستدعاء الدلالي، يلتقط المعنى) + إعادة الترتيب (جودة المرمّز التقاطعي). وإذا تخيلت البحث الإنتاجي على أنه «متجه مقابل كلمة مفتاحية»، فأنت تتخيل الصورة الخطأ.

5. الاسترجاع بوابة، والتوليد يأتي بعده. في RAG وإجابات الذكاء الاصطناعي يقرر البحث المتجهي مجموعة المرشحين قبل أن يكتب النموذج أي شيء. وما لا يدخل المجموعة لا يمكن الاستشهاد به. ولهذا فإن القرب الدلالي، لا عدد الكلمات المفتاحية في الصفحة، هو ما يتحكم في الإدراج.

6. الوحدة هي المقطع، لا الصفحة. تُحسب المتجهات لكل مقطع. ويمكن لصفحة ممتازة مكونة من مقاطع غامضة ألا تطابق شيئاً. اكتب مقاطع مكتفية ذاتياً ومرتبطة بالموضوع.

ورقة غش البحث المتجهي

أنواع فهارس ANN

مقاييس المسافة

حقائق سريعة

• ANN تقريبي عن قصد — يقايض جزءاً صغيراً من الاستدعاء بسرعة هائلة. وتبلغ تقارير Vector Search من Google (المسمى سابقاً “Vertex AI Vector Search”) 95–98% من الاستدعاء.
• يهيمن HNSW على الإنتاج (Weaviate وPinecone وpgvector وQdrant). بحث لوغاريتمي؛ وشره للذاكرة.
• ScaNN مكتبة Google المفتوحة المصدر — وتستخدم البنية الخلفية نفسها لـImage Search وYouTube وGoogle Play؛ وتحقق نحو 2x من QPS مقارنة بالمكتبة التالية عند الدقة نفسها.
• بالنسبة إلى المتجهات المطبّعة، يتساوى التشابه الجيبي = الجداء النقطي في الترتيب. ومعظم النماذج الحديثة (ومنها OpenAI) تطبّع خرجها.
• الهجين هو نمط الإنتاج الحقيقي: BM25 + المتجهات، مدموجة بواسطة RRF، ثم إعادة ترتيب بمرمّز تقاطعي.
• قواعد البيانات المتجهية: Pinecone وWeaviate وChroma وQdrant وMilvus وpgvector (قائمة لا ترتيب).
• تفوق DPR (2020) على BM25 بنسبة 9–19% في استرجاع المقاطع — وهو مخطط استرجاع RAG. وكان Bing يشغّل فهارس متجهية تفوق 100B في 2019.

جملة SEO الواحدة: القرب المتجهي هو البوابة إلى مجموعة مرشحي إجابة الذكاء الاصطناعي — لا توجد أداة ضبط؛ وهو يكافئ العمق الموضوعي والمقاطع النظيفة المكتفية ذاتياً.

اختبر نفسك: البحث المتجهي

موارد تستحق وقتك

ذات صلة على هذا الموقع

• التضمينات — اقرأ هذا أولاً: من أين تأتي المتجهات.
• البحث الدلالي — الهدف الذي يمثل البحث المتجهي إحدى طرقه.
• RAG — البحث المتجهي هو خطوة الاسترجاع داخله.
• التقسيم إلى مقاطع — المقاطع التي تُضمّن وتُبحث.
• كيف يعمل البحث — تسلسل المعالجة الأوسع: الزحف ← الفهرسة ← الاسترجاع ← الترتيب.

أوراق تأسيسية

• استرجاع المقاطع الكثيفة للإجابة عن الأسئلة مفتوحة المجال (Karpukhin وآخرون، EMNLP 2020) — مخطط الاسترجاع بالمرمّز الثنائي الذي تفوق على BM25 بنسبة 9–19%.
• مكتبة Faiss (2024) — نظرة شاملة إلى أنواع فهارس FAISS.
• HNSW — الخوارزمية خلف معظم قواعد البيانات المتجهية الإنتاجية (Malkov وYashunin، 2018).

مكتبات مفتوحة المصدر

• ScaNN — مكتبة Google لبحث التشابه.
• FAISS — بحث التشابه على نطاق المليارات من Facebook AI.
• DPR — التنفيذ المرجعي لـDense Passage Retrieval.

شروحات المورّدين (واضحة وغنية بالرسوم)

• Pinecone — ما هو بحث التشابه؟
• Weaviate — شرح البحث المتجهي
• Elastic — ما هو البحث المتجهي؟

من أرجاء المجال

• iPullRank — تطور استرجاع المعلومات: من المعجمي إلى العصبي — تحليل متعمق من Mike King لانتقال البحث من الاسترجاع المعجمي إلى العصبي والمتجهي، مع منظور مفيد لـSEO.
• Search Engine Land — التحول إلى SEO الدلالي: ما الذي تعنيه المتجهات لاستراتيجيتك — نظرة موجهة للممارسين إلى أثر الاسترجاع القائم على المتجهات في استراتيجية المحتوى.
• Search Engine Land — خوارزمية TurboQuant الجديدة من Google تحسن سرعة البحث المتجهي — تغطية لاختراق Google في ضغط البحث عن أقرب جار عام 2026.
• Search Engine Journal — البحث الدلالي بالمتجهات — شرح ميسر يربط بحث تشابه المتجهات بنتائج SEO.
• IBM — ما هو البحث المتجهي؟ — نظرة محايدة للمورّد إلى الأساسيات؛ وهي من صفحات المراجع الأعلى ترتيباً في الموضوع.
• Oracle — ما هو البحث المتجهي؟ الدليل الشامل — دليل شامل للفهرسة ومقاييس المسافة وتكامل قواعد البيانات.
• مدونة Microsoft Bing — تفتح Microsoft نموذج التضمين الرائد في المجال Harrier المصدر — إصدار Microsoft في أبريل 2026 لنموذج Harrier للتضمين، المتصدر في معيار MTEB-v2 متعدد اللغات؛ وهو ذو صلة مباشرة بسياق البحث المتجهي في Bing.

سجل التغييرات