التجزئة (Chunking)

الخلاصة — التجزئة هي الطريقة التي تقسم بها محركات البحث المدعومة بالذكاء الاصطناعي صفحتك إلى أجزاء أصغر قبل تخزينها والبحث فيها. فهي لا تطابق الاستعلام مع الصفحة كلها، بل مع المقطع المفرد الذي يجيب عنه على أفضل وجه. لذلك لا تكفي الفهرسة؛ بل تحتاج إلى قسم مفهوم بمفرده يجيب عن السؤال بوضوح.

ما التجزئة؟

تقسم التجزئة المستندات إلى وحدات أصغر لأنظمة التضمين والاسترجاع. Evidence for this claim Retrieval systems can split files into chunks that are embedded and indexed for later search. Scope: OpenAI's retrieval implementation; chunk sizes, overlap, and indexing behavior are implementation-dependent. Confidence: high · Verified: 2026-07-14 OpenAI: Retrieval guide ويعتمد أفضل حجم للمقطع ومقدار التداخل على المحتوى والنموذج ومهمة التقييم. Evidence for this claim Retrieval-augmented generation combines a generator with retrieved external passages or documents. Scope: The original RAG research architecture; it does not establish one optimal chunking strategy for every production system. Confidence: high · Verified: 2026-07-14 Lewis et al.: Retrieval-Augmented Generation

في بحث Google التقليدي تكون الصفحة هي الوحدة: ترتب الصفحة ثم تنقر عليها. أما أنظمة الذكاء الاصطناعي فتعمل على نحو مختلف. قبل أن يستخدم ChatGPT أو Perplexity أو AI Overviews من Google محتواك، تقسّمه الأنظمة إلى أجزاء أصغر تسمى مقاطع أو فقرات، وتخزن كل جزء على حدة. وعندما يطرح شخص سؤالًا، يعثر النظام على المقاطع الأقرب إليه ثم يصوغ منها إجابة.

إذًا ليست صفحتك وحدة الاسترجاع، بل مقطع منها.

لماذا تفعل الأنظمة ذلك؟

لسببين:

1. حدود الحجم. لا تستطيع النماذج التي تحول النص إلى تمثيل رياضي قابل للبحث (راجع التضمينات) معالجة نص غير محدود دفعة واحدة. لن تتسع صفحة من 5 000 كلمة، فتُقسّم.
2. الدقة. تمثل صفحة كاملة عن «تحسين محركات البحث التقني» تطابقًا ضبابيًا مع سؤال محدد مثل «ما ميزانية الزحف؟». أما قسم مركز من 400 كلمة عن ميزانية الزحف وحدها فيمثل تطابقًا دقيقًا. تتيح الأجزاء الأصغر للنظام العثور على الإبرة بدل تسليمه كومة القش.

ماذا يعني هذا لك؟

لا يمكنك التحكم في كيفية تقسيم أي نظام ذكاء اصطناعي لمحتواك، ولا تحتاج إلى ذلك. ما يمكنك فعله هو الكتابة بحيث يبقى كل قسم صالحًا عند اقتطاعه بمفرده:

• قدّم الإجابة أولًا. ابدأ القسم بالتعريف أو الادعاء الأساسي، لا بثلاث فقرات تمهيدية.
• حافظ على تركيز الأقسام. موضوع أو سؤال واحد لكل عنوان.
• اجعل كل قسم مكتفيًا بذاته. اسأل نفسك: لو قرأ شخص هذه الفقرة وحدها، من دون ما يحيط بها، فهل ستظل مفهومة؟

الخبر الجيد أن هذا ليس سوى كتابة واضحة. تقول Google صراحة إنك لا تحتاج إلى تفتيت محتواك إلى أجزاء صغيرة للذكاء الاصطناعي؛ فأنظمتها تتولى التقسيم. تتناول النسخة المتقدمة حجم المقطع والتداخل والبحوث وصلتها بما تسميه Google «ترتيب المقاطع».

الخلاصة — التجزئة خطوة معالجة مسبقة تقسم المستند إلى مقاطع قبل تضمينها وفهرستها واسترجاعها. توجد لأن لنماذج التضمين ونوافذ السياق حدودًا من الرموز، ولأن الاسترجاع على مستوى المقطع أدق من مستوى الصفحة. المقطع، لا الصفحة، هو وحدة الاسترجاع. حجم المقطع مفاضلة (الصغير دقيق لكنه فقير بالسياق، والكبير غني لكنه مشوش)، ولا يضمن أي حجم أو تداخل أو مقسّم الحصول على استشهاد. يحمي التداخل الحدود لكنه يزيد حجم الفهرس والتكرار؛ ولا تتفوق التجزئة الدلالية بثبات على الحجم الثابت؛ وقد توضح بادئات السياق مقطعًا ملتبسًا لكنها تضلل الاسترجاع إذا أصبحت قديمة. أما «Lost in the Middle» فهو تأثير موضعي موثق على نماذج ومهام محددة في 2023، حيث تستخدم النماذج غالبًا بداية السياق ونهايته أفضل. لا يمكنك التحسين لحجم مقطع بعينه، وتقول Google إن عليك ألا تحاول؛ لكن الأقسام المكتفية بذاتها التي تبدأ بالإجابة وتندرج تحت تسلسل عناوين واضح تُجزّأ وتُستشهد بها جيدًا. إنه مبدأ ما دون المستند نفسه في ترتيب المقاطع لدى Google، مطبقًا على RAG.

ما التجزئة، ولماذا توجد؟

تعمل أنظمة الاسترجاع على وحدات مفهرسة، لكن محركات البحث العامة لا تكشف حجم مقطع عالميًا يتحكم فيه الناشر. Evidence for this claim Retrieval systems can split files into chunks that are embedded and indexed for later search. Scope: OpenAI's retrieval implementation; chunk sizes, overlap, and indexing behavior are implementation-dependent. Confidence: high · Verified: 2026-07-14 OpenAI: Retrieval guide وتدعم أبحاث RAG نمط الاسترجاع ثم التوليد من دون إثبات أن كل منتجات بحث الذكاء الاصطناعي تستخدم الآليات نفسها. Evidence for this claim Retrieval-augmented generation combines a generator with retrieved external passages or documents. Scope: The original RAG research architecture; it does not establish one optimal chunking strategy for every production system. Confidence: high · Verified: 2026-07-14 Lewis et al.: Retrieval-Augmented Generation

التجزئة هي تقسيم المستند إلى أجزاء أصغر منفصلة، أي مقاطع أو فقرات، قبل تحويلها إلى تضمينات وتخزينها في فهرس متجهي واسترجاعها للإجابة عن الاستعلامات. وهي خطوة أساسية في مسارات RAG (التوليد المعزز بالاسترجاع)، وأكثر أجزاء بحث الذكاء الاصطناعي التي يقلل متخصصو SEO من شأنها لأنها غير مرئية: تحدث عند الإدخال، لا عند الاستعلام.

تفرضها مشكلتان:

• مشكلة حد الرموز. تقبل نماذج التضمين عددًا محدودًا من الرموز في كل إدخال؛ وتشير Microsoft إلى أن حد نموذج text-embedding-3-small هو 8 191 رمزًا، بينما حدود نماذج أخرى أصغر بكثير. ولنوافذ سياق LLM حدود أيضًا. لا تتسع الصفحة الطويلة كوحدة واحدة، فتُقسّم.
• مشكلة دقة الاسترجاع. ينتج عن ضغط صفحة من 5 000 كلمة عن «تحسين محركات البحث التقني» في متجه واحد إشارة ضبابية متوسطة. أما تضمين قسم من 400 كلمة عن ميزانية الزحف تحديدًا كمتجه مستقل فينتج إشارة حادة. تتيح دقة ما دون المستند للنظام سحب المقطع الوحيد ذي الصلة من صفحة طويلة متعددة الموضوعات.

والنتيجة هي أهم فكرة هنا: المقطع، لا الصفحة، هو وحدة الاسترجاع في بحث الذكاء الاصطناعي. الزحف والفهرسة ضروريان لكنهما غير كافيين. تحتاج إلى مقطع يجيب عن استعلام محدد بوضوح وبمفرده. وقد تنال صفحة في المركز 15 عضويًا استشهادًا من الذكاء الاصطناعي بينما تُتجاوز النتيجة الأولى، إذا كان مقطع الصفحة رقم 15 أسهل استخراجًا.

كيف تعمل التجزئة من البداية إلى النهاية؟

1. الإدخال + التقسيم. ينزّل زاحف ذكاء اصطناعي الصفحة، ثم تقسمها خوارزمية التجزئة إلى أجزاء متداخلة عادةً.
2. التضمين. يصبح كل مقطع متجهًا رقميًا ويُخزن في فهرس متجهي. (هذه خطوة التضمينات.)
3. الاسترجاع + التوليد. يُضمّن الاستعلام، وتُسحب أقرب متجهات المقاطع عبر البحث المتجهي، ثم تُمرر المقاطع المسترجعة إلى LLM يكتب الإجابة مع الاستشهادات.

ترجع هذه البنية كلها إلى Dense Passage Retrieval ‏(Karpukhin وآخرون، 2020)، الذي بيّن أن الاسترجاع بالتشابه المتجهي الكثيف تفوق على نهج الكلمات المفتاحية القديم (BM25) بمقدار 9–19% مطلقًا في دقة أفضل 20 مقطعًا، وأن الاسترجاع على مستوى المقطع أفضل من مستوى المستند للإجابة عن أسئلة محددة. سمّت ورقة RAG ‏(Lewis وآخرون، 2020) هذا النمط، واستخدمت مقاطع من 100 كلمة من Wikipedia. وكل نظام بحث ذكاء اصطناعي يسترجع محتوى الويب يشغّل صورة من هذا المسار.

استراتيجيات التجزئة

لا توجد خوارزمية واحدة؛ تختار الأنظمة من مجموعة استراتيجيات وتغيرها مع الوقت:

• حجم ثابت — التقسيم وفق عدد من الرموز أو المحارف مع بعض التداخل، وهو الأكثر شيوعًا. مثال Microsoft: «حجم ثابت يكفي لفقرات ذات معنى دلالي (مثل 200 كلمة أو 600 محرف)» مع تداخل 10–15%.
• الجملة / الفقرة — التقسيم عند حدود اللغة الطبيعية بدل عدد اعتباطي من الرموز، للحفاظ على الوحدات الدلالية.
• دلالية / واعية بالمحتوى — تجميع الجمل حسب تشابه التضمين والتقسيم عند تغير الموضوع، لإبقاء كل مقطع حول شيء واحد.
• هرمية / تكرارية (RAPTOR) — بناء شجرة ملخصات (مستند ← قسم ← فقرة) لكي يُجاب عن الاستعلام عند مستوى التجريد المناسب. أبلغ RAPTOR ‏(Sarthi وآخرون، 2024) عن مكسب 20% مطلقًا في الدقة على معيار أسئلة وأجوبة صعب عند اقترانه بـGPT-4.
• نافذة منزلقة مع تداخل — يشترك كل مقطع في بعض الرموز مع جيرانه كي لا تضيع جملة مقسمة عند الحد.
• تكيفية / معتمدة على الاستعلام (Mix-of-Granularity) — يختار موجّه مدرّب حجم المقطع لكل استعلام. وهي الأكثر تطورًا، لكنها لم تصبح معيارًا في الأنظمة التجارية.

حجم المقطع والتداخل — المفاضلة الأساسية

هذه هي الرافعة التي يسأل عنها الجميع، والإجابة الصادقة: يعتمد الأمر:

• مقاطع صغيرة (128–256 رمزًا): استرجاع أدق، لكنها قد تفقد السياق المحيط الذي تحتاجه الإجابة.
• مقاطع كبيرة (512–1 024 رمزًا): تحافظ على سياق أكبر، لكن استرجاعها أكثر تشويشًا لأنك تجلب مادة غير ذات صلة مع الجزء المطلوب.

لا تتوج الأبحاث فائزًا. وجد تقييم LlamaIndex أن 1 024 رمزًا هو الأمثل في إعدادهم، بينما وجدت معايير Chroma أن مقسّمًا تكراريًا من 200 رمز قدم أداءً متسقًا عبر المقاييس. وخلاصة Ravi Theja هي العقلية الصحيحة: «تحديد أفضل حجم للمقطع في نظام RAG يعتمد على الحدس بقدر اعتماده على الدليل التجريبي.» تصف هذه الأرقام ما فاز في معيار فريق واحد، على مجموعة مستندات واحدة، بنموذج تضمين ومهمة تقييم محددين؛ وليست إعدادًا عالميًا. لا يضمن أي حجم للمقطع أو مقدار للتداخل أو مقسّم الاسترجاع أو الاستشهاد أو الترتيب أو الظهور في إجابة نظام ذكاء اصطناعي خارجي؛ فكل مزود يختار إعداداته الافتراضية وقد يغيرها بلا إشعار.

التداخل هو النصف الذي لا ينال حقه. من دونه قد ينقسم المحتوى قرب الحد ويضيع. توصي Microsoft بالبدء عند تداخل 25% لتوفير “smoother transitions between chunks without excessive duplication” (ترجمة) «انتقالات أكثر سلاسة بين المقاطع من دون تكرار مفرط»، وتقترح مصادر أخرى 10–15%. لكن التداخل ليس مجانيًا: تُضمّن الرموز المتداخلة وتُخزن مرتين، فينتفخ الفهرس وقد تظهر مقاطع شبه متطابقة جنبًا إلى جنب في مجموعة الاسترجاع. لذلك هو مفاضلة مع حجم الفهرس والتكرار، لا شبكة أمان مجانية. زنه وفق عدد المرات التي يسبب فيها الحد فقدان حقيقة بالفعل. والنقطة العملية للمحتوى: لا تفترض أن النظام سيبقي حقيقة مهمة سليمة إذا دفنتها حيث يحتمل أن ينكسر المقطع.

فهل تفوز التجزئة الدلالية دائمًا؟ لا، وهذه هي النتيجة غير المريحة. وجدت دراسة Vectara لعام 2024 أن «فروق الأداء ضئيلة» على مستندات واقعية، والأهم أن جودة نموذج التضمين أهم من استراتيجية التجزئة. وعندما ولّد GPT-4o الإجابات، كانت الفروق بين الاستراتيجيات «مهملة». هذه النتيجة خاصة بمجموعة مستندات Vectara ونماذجها وطريقة تقييمها؛ وهي دليل على أن التجزئة الدلالية ليست فوزًا افتراضيًا موثوقًا، لا برهانًا على أنها لا تساعد أبدًا. وترجمتها لمتخصصي SEO: الهوس ببنية دقيقة أقل أهمية بكثير من جودة المحتوى ووضوحه الدلالي.

سياق المقطع: ما الذي تستطيع البادئات إصلاحه وما الذي لا تستطيع؟

قد يُسترجع مقطع واضح للإنسان استرجاعًا سيئًا بعد فصله عن المستند المحيط: القسم الذي يقع تحته، أو الكيان الذي يتناوله فعلًا، أو قيد ورد قبل عنوانين. أحد الحلول الموثقة هو إضافة سلسلة سياق قصيرة خاصة بالمقطع (عنوان المستند والقسم الذي ينتمي إليه وموضوعه الفعلي) قبل تضمينه، وهو نهج تسميه Anthropic الاسترجاع السياقي. يمكن للعناوين وتسلسل الأقسام وبادئة السياق إزالة غموض مقطع يتيم وتقليل إخفاقات الاسترجاع الناتجة عن غياب السياق.

لكن لهذا الحل نمط فشل خاصًا به: فالسياق القديم أو الخاطئ لا يعجز عن المساعدة فقط، بل يضلل المسترجع نحو المقطع الخطأ. البادئة المولدة من عنوان لم يعد يطابق القسم بعد إعادة تنظيم الصفحة، أو الملخص السياقي الذي يسيء وصف المقطع، أسوأ من غياب البادئة. الحفاظ على السياق خيار تصميم للمسار له نمط خطأ خاص، لا تحسين أحادي الاتجاه تضيفه ثم تنساه.

ترتيب المقاطع لدى Google — سلف التجزئة في SEO

استخدمت Google دقة ما دون المستند قبل أن يصبح «RAG» كلمة رائجة بوقت طويل. في Search On 2020 أعلن Prabhakar Raghavan ترتيب المقاطع: «بفهم أفضل لمدى صلة مقاطع محددة، لا الصفحة كاملة فحسب، يمكننا العثور على معلومة الإبرة في كومة القش التي تبحث عنها.» أُطلق في الإنجليزية الأمريكية في 10 فبراير 2021 ويؤثر في نحو 7% من الاستعلامات.

هناك أمران يسيء الناس فهمهما:

• إنه «ترتيب المقاطع»، لا «فهرسة المقاطع». استخدم إعلان Google الأول كلمة «الفهرسة»، ثم صححها سريعًا: «هذا التغيير لا يعني أننا نفهرس المقاطع الفردية بصورة مستقلة عن الصفحات.» تظل الصفحة مفهرسة كاملة، ويكون المقطع ذو الصلة إشارة ترتيب إضافية.
• الصفحة هي التي ترتب، لا المقطع. يقول John Mueller: «لا يتعلق ترتيب المقاطع بترتيب مقطع محدد، بل بفهم المحتوى في صفحة طويلة جدًا وغير محسنة لـSEO، وترتيب تلك الصفحة (لا المقطع) لاستعلام يكون المقطع ذا صلة به.»

إذًا يشترك ترتيب المقاطع وتجزئة RAG في مبدأ واحد: الفقرة، لا الصفحة، هي غالبًا الوحدة الصحيحة لمطابقة استعلام محدد. لكن النتيجة تختلف: يرفع ترتيب المقاطع ترتيب الصفحة، بينما تسترجع تجزئة RAG مقطعًا لتغذية إجابة مولدة. الفكرة نفسها والآلات مختلفة. (أما الأساس التقني، وفق تقرير Dawn Anderson، فهو DeepCT: أوزان سياقية للمصطلحات مشتقة من BERT تحل محل TF-IDF، فلا يعود تكرار المصطلح مساويًا لصلته.)

«Lost in the Middle» — موضع إجابتك مهم

حتى بعد استرجاع مقطعك، يؤثر موضعه في سياق LLM في مدى استخدام النموذج له فعلًا. وجدت دراسة Stanford «Lost in the Middle» ‏(Liu وآخرون، 2023) أن «الأداء يكون غالبًا أعلى عندما تقع المعلومات ذات الصلة في بداية سياق الإدخال أو نهايته، ويتدهور كثيرًا عندما يتعين على النماذج الوصول إلى المعلومات ذات الصلة في وسط السياقات الطويلة».

لا تنطبق هذه النتيجة عالميًا افتراضيًا؛ فهي تأثير موضعي قيس على مهام مسماة للأسئلة متعددة المستندات واسترجاع المفتاح والقيمة، وعلى جيل النماذج المحدد الذي اختبره Liu وآخرون في 2023. وليست دليلًا على أن كل نموذج حالي يتجاهل الأدلة الموضوعة وسط السياق؛ فقد تضيق البنى المختلفة ونوافذ السياق الفعالة الأطول والتدريب الأحدث التأثير أو توسعه. تعامل معها بوصفها خطرًا موثقًا تصمم لتجنبه، لا قانونًا ثابتًا لكل نموذج قد يُسترجع محتواك إليه.

يبقى الأثر العملي على المحتوى واضحًا ومنخفض المخاطر في الحالتين: ابدأ بالإجابة. ضع التعريف أو النتيجة الأساسية أو الإجابة المباشرة في الجملة الأولى من كل قسم، لا مدفونة في الفقرة الرابعة. هذا هو انضباط تقديم الخلاصة (BLUF) نفسه الذي يخدم القراء المتصفحين، وهو يحمي أيضًا من السقوط في وسط نافذة السياق في النماذج التي يظهر فيها التأثير.

القيود العملية التي لا تراها

• حد Chrome البالغ نحو 30 مقطعًا. تشير أبحاث Dan Petrovic إلى أن DocumentChunker في Chrome يحلل المحتوى في مقاطع من نحو 200 كلمة و«لا ينظر أبدًا إلا إلى أول 30 مقطعًا من الصفحة». وهو يجتاز HTML الدلالي كشجرة من الأعلى إلى الأسفل. النتيجة: يجب أن يظهر أهم محتواك مبكرًا، لا أسفل صفحة من 10 000 كلمة.
• لا تتحكم في المقسّم. تقول Despina Gavoyannis ‏(Ahrefs) بوضوح: «لا يمكنك التحكم في كيفية تجزئة Google أو ChatGPT أو Perplexity لمحتواك. تتغير مساراتها وفق التكلفة والنموذج والسياق.» وتضيف: «التحسين اليدوي للمقاطع مستحيل عمليًا.»

ما «تحسين المقاطع» فعلًا (وتحذير Google)

هذه هي الدقة التي تتجاهلها الضجة. يقول دليل Google لتحسين الذكاء الاصطناعي لعام 2026 بوضوح: “There’s no requirement to break your content into tiny pieces for AI to better understand it.” (ترجمة) «لا يوجد شرط لتقسيم محتواك إلى أجزاء صغيرة كي يفهمه الذكاء الاصطناعي على نحو أفضل.» فأنظمتها “are able to understand the nuance of multiple topics on a page and show the relevant piece to users.” (ترجمة) «قادرة على فهم الفروق بين موضوعات متعددة في الصفحة وعرض الجزء ذي الصلة للمستخدمين». لذلك لا تعِد كتابة محتواك في كتل جامدة من 300 كلمة.

لكن هذا لا يعني أن البنية غير مهمة. وكما تقول Gavoyannis: «معظم متخصصي SEO الذين يستخدمون مصطلح [تحسين المقاطع] يتحدثون فقط عن بنية محتوى جيدة.» النصيحة تحت الكلمة الرائجة سليمة؛ التأطير فقط يضخم حداثتها. ويلخص Duane Forrester التحول جيدًا: «إذا كان SEO التقليدي يحسن للنقرات، فإن أنظمة GenAI تحسن للمقاطع… وتظل البنية هي الفائزة.»

فماذا تفعل عمليًا؟ اكتب محتوى جاهزًا للتجزئة:

• موضوع واحد لكل قسم. يرتبط H2/H3 مركز بسهولة بمقطع متماسك.
• الإجابة أولًا. ابدأ بالادعاء ثم ادعمه أدناه.
• أقسام مكتفية بذاتها. الاختبار: هل ستفهم هذه الفقرة لو ظهرت منفردة؟ إن لم يكن، فلن تصمد بعد اقتطاعها كمقطع.
• طول مناسب. يتوافق 200–500 كلمة لكل قسم رئيسي طبيعيًا مع مقاطع من 256–512 رمزًا؛ كاملة بما يكفي لتفيد، وليست قصيرة اصطناعيًا.
• تنسيقات منظمة. تمنح الجداول والقوائم الأنظمة حدودًا صريحة لاكتشافها. (وفق أبحاث Onely، تزيد الجداول معدلات الاستشهاد نحو 2,5 مرة.)

تأطير Mike King هو الطمأنة الصحيحة: «التجزئة والكتابة للمستخدمين لا تتعارضان.» فالبنية التي تساعد القارئ على التصفح هي نفسها التي تُجزّأ بوضوح. أنت لا تحسن لروبوت على حساب إنسان؛ إنه المحتوى نفسه.

ترتيب المقاطع مقابل تجزئة RAG — جنبًا إلى جنب

موضع التجزئة في المسار

التجزئة هي الخطوة الأولى في استرجاع الذكاء الاصطناعي: جزّئ ← ضمّن ← خزّن ← استرجع ← ولّد. تغذي التضمينات (يصير كل مقطع متجهًا)، التي تغذي البحث المتجهي (يطابق الاستعلام أقرب المقاطع)، الذي يغذي RAG (تصير المقاطع المسترجعة إجابة). وقبل ذلك، تمثل زواحف الذكاء الاصطناعي طريق إدخال محتواك أصلًا. وللنسخة الخاصة بالبحث التقليدي من هذا المسار كله، راجع كيف يعمل البحث.

ملخص الذكاء الاصطناعي

نسخة مكثفة من القسم المتقدم:

• التجزئة = تقسيم المستند إلى مقاطع قبل تضمينها وفهرستها واسترجاعها. إنها أول خطوة في مسار RAG وتحدث عند الإدخال، لا وقت الاستعلام.
• المقطع، لا الصفحة، هو وحدة الاسترجاع. لا تكفي الفهرسة؛ تحتاج إلى مقطع يجيب عن استعلام محدد بمفرده. قد يُستشهد بالنتيجة رقم 15 بدل الأولى إذا كان مقطعها أسهل استخراجًا.
• سبب وجودها: لنماذج التضمين ونوافذ السياق حدود رموز، والاسترجاع على مستوى المقطع أدق من مستوى الصفحة.
• حجم المقطع مفاضلة: الصغير (128–256 رمزًا) دقيق لكنه فقير بالسياق؛ والكبير (512–1 024) غني لكنه مشوش. لا يوجد أفضل عالمي؛ وجد LlamaIndex أن 1 024 أمثل، ووجد Chroma أن 200 أفضل، ولا يضمن أي حجم أو مقسّم استشهادًا. يحمي التداخل (10–25%) الحدود لكنه يكرر الرموز وينفخ الفهرس؛ فزنه مقابل خسائر الحدود الفعلية.
• التجزئة الدلالية ليست أفضل من الحجم الثابت بثبات (Vectara 2024 ضمن نماذج الدراسة ومستنداتها)؛ فجودة نموذج التضمين أهم من استراتيجية التجزئة.
• قد تزيل بادئات السياق (العنوان وتسلسل الأقسام، أي «الاسترجاع السياقي» لدى Anthropic) غموض مقطع يتيم، لكن البادئة القديمة أو الخاطئة تضلل الاسترجاع؛ إنه خيار تصميم له نمط فشل.
• «Lost in the Middle» ‏(Liu وآخرون، 2023): تأثير موضعي قيس على مهام مسماة ونماذج من حقبة 2023، لا دليلًا على أن كل نموذج حالي يتجاهل وسط السياق. استخدمت نماذج الدراسة البداية والنهاية أفضل، لذا ابدأ كل قسم بالإجابة في كل الأحوال.
• ترتيب المقاطع لدى Google (2020/2021، نحو 7% من الاستعلامات) يستخدم مبدأ ما دون المستند نفسه، لكنه إشارة ترتب الصفحة، لا فهرسة مستقلة للمقاطع. أما تجزئة RAG فتسترجع مقطعًا.
• لا يمكنك التحسين لحجم مقطع محدد، وتقول Google إنك لا تحتاج إلى تفتيت المحتوى. لكن يمكنك كتابة أقسام مركزة مكتفية بذاتها تبدأ بالإجابة تحت عناوين واضحة؛ وهذه بنية جيدة ببساطة.

الوثائق الرسمية

وثائق المصادر الأولية حول الاسترجاع على مستوى المقطع والتجزئة.

Google

• دليل أنظمة ترتيب بحث Google — يعرّف ترتيب المقاطع بأنه “an AI system we use to identify individual sections or ‘passages’ of a web page.” (ترجمة) «نظام ذكاء اصطناعي نستخدمه لتحديد أقسام أو مقاطع فردية في صفحة ويب».
• تحسين موقعك لميزات الذكاء الاصطناعي التوليدي — موقف Google بأنك لا تحتاج إلى تقسيم المحتوى إلى أجزاء صغيرة (آخر تحديث 15 يونيو 2026).
• الدليل المتعمق لكيفية عمل بحث Google — مسار الزحف ← الفهرسة ← العرض الذي توسّعه هذه النسخة الخاصة بالذكاء الاصطناعي.

Microsoft / Azure AI Search

• تجزئة المستندات الكبيرة للبحث المتجهي — أشمل دليل رسمي للتجزئة من مزود كبير: إعدادات حجم المقطع الافتراضية (512 رمزًا)، والتداخل (نقطة بدء 25%)، وجدول تقنيات الحجم الثابت والمتغير والدلالي (آخر تحديث 8 يونيو 2026).

OpenSearch

• تجزئة النص — التجزئة كميزة مدمجة في مسار إدخال البحث المتجهي.

مرجع ممارس (وثائق مزود)

• Pinecone — استراتيجيات التجزئة — التصنيف المرجعي للاستراتيجيات، مع الاختبار الذي يثبتها كلها: «إذا كان مقطع النص مفهومًا للإنسان من دون السياق المحيط، فسيكون مفهومًا لنموذج اللغة أيضًا.»

اقتباسات من المصدر

تصريحات مسجلة من Google. كل رابط عميق ينتقل إلى المقطع المقتبس في صفحة المصدر.

Google — ما ترتيب المقاطع وما ليس هو

• “By better understanding the relevancy of specific passages, not just the overall page, we can find that needle-in-a-haystack information you’re looking for.” (ترجمة) «بفهم أفضل لمدى صلة مقاطع محددة، لا الصفحة كاملة فحسب، يمكننا العثور على معلومة الإبرة في كومة القش التي تبحث عنها.» — Prabhakar Raghavan، نائب رئيس أول في Google، أكتوبر 2020 (عبر Search Engine Land). انتقل إلى الاقتباس
• “this change doesn’t mean we’re indexing individual passages independently of pages.” (ترجمة) «هذا التغيير لا يعني أننا نفهرس المقاطع الفردية بصورة مستقلة عن الصفحات.» — توضيح Google في 20 أكتوبر 2020 (عبر Search Engine Land). انتقل إلى الاقتباس
• «أُطلق ترتيب المقاطع بعد ظهر أمس بتوقيت المحيط الهادئ للاستعلامات الإنجليزية في الولايات المتحدة.» — @searchliaison، 11 فبراير 2021 (عبر Search Engine Land). اقرأ التغطية

Google — ترتيب المقاطع يرتب الصفحة لا المقطع

• «لا يتعلق ترتيب المقاطع بترتيب مقطع محدد، بل بفهم المحتوى في صفحة طويلة جدًا وغير محسنة لـSEO، وترتيب تلك الصفحة (لا المقطع) لاستعلام يكون المقطع ذا صلة به.» — John Mueller، مناصر بحث Google (عبر Search Engine Roundtable). اقرأ التغطية

Google — هل ينبغي أن تجزّئ محتواك؟

• «لا يوجد شرط لتقسيم محتواك إلى أجزاء صغيرة كي يفهمه الذكاء الاصطناعي على نحو أفضل.» — Google Search Central، «تحسين موقعك لميزات الذكاء الاصطناعي التوليدي». اقرأ الدليل

Microsoft Azure AI Search — لماذا التجزئة ضرورية؟

• «يمكن أن يساعد تقسيم المستندات الكبيرة إلى مقاطع أصغر في البقاء دون حدود إدخال الرموز القصوى لنماذج إكمال المحادثة والتضمين.» — وثائق Microsoft Azure AI Search. اقرأ الوثائق

التجزئة — ورقة غش

مقارنة استراتيجيات التجزئة

حجم المقطع في لمحة

حقائق سريعة

• المقطع، لا الصفحة، هو وحدة الاسترجاع في بحث الذكاء الاصطناعي.
• مثال لحد نموذج تضمين: text-embedding-3-small = 8 191 رمزًا.
• لا يضمن أي حجم مقطع أو تداخل أو مقسّم الاسترجاع أو الاستشهاد أو الظهور في إجابة ذكاء اصطناعي؛ فهذه إعدادات افتراضية للمسار وليست عالمية.
• التداخل ليس مجانيًا: تُخزن الرموز المتداخلة مرتين، فينتفخ الفهرس ويزداد خطر استرجاع مقاطع شبه متطابقة.
• قد تزيل بادئات السياق (العنوان وتسلسل الأقسام) غموض المقطع، لكن البادئة القديمة أو الخاطئة تضلل الاسترجاع بدل مساعدته.
• «Lost in the Middle»: في مهام دراسة 2023 ونماذجها، استخدمت LLMs بداية السياق ونهايته أفضل؛ لذا ابدأ بالإجابة مهما كان النموذج.
• يُقال إن DocumentChunker في Chrome لا ينظر إلا إلى أول نحو 30 مقطعًا (نحو 200 كلمة لكل منها)؛ ضع المحتوى الأساسي مبكرًا.
• Google: ترتيب المقاطع ≠ فهرسة المقاطع. ترتب الصفحة، والمقطع إشارة.
• Google: لا تحتاج إلى تفتيت المحتوى. نظمه ولا تشرذمه.

النماذج الذهنية

1. مسار الاسترجاع — جزّئ ← ضمّن ← خزّن ← استرجع ← ولّد. التجزئة هي الخطوة الأولى. إذا لم يُستشهد بمحتواك، فتتبع السلسلة: هل زُحف إليه؟ هل نتج مقطع متماسك؟ هل طابق المقطع الاستعلام؟ هل وصل إلى موضع يستخدمه LLM؟

2. المقطع هو الوحدة، لا الصفحة. توقف عن التفكير «هل صفحتي مفهرسة؟» وابدأ بالسؤال «هل تحتوي صفحتي على مقطع يجيب عن هذا الاستعلام المحدد بمفرده؟» الفهرسة ضرورية؛ وقابلية الاستخراج هي ما يكسب الاستشهاد.

3. مفاضلة الحجم — الدقة مقابل السياق. المقاطع الصغيرة حادة لكنها رقيقة. والكبيرة غنية لكنها مشوشة. لا توجد إجابة عالمية، وأنت لا تضبط الحجم أصلًا؛ لذا حسّن ما تتحكم فيه: اجعل كل قسم متماسكًا بما يكفي للعمل عند أي دقة.

4. الإجابة أولًا تتفوق على الوسط. تقول «Lost in the Middle» إن الموضع داخل نافذة السياق مهم. ابدأ كل قسم بالتعريف أو الادعاء. فالانضباط نفسه الذي يساعد القارئ المتصفح يبقي فكرتك خارج المنطقة الميتة.

5. نظّم ولا تشرذم. تقول Google ألا تفتت المحتوى؛ لذلك ليست الخطوة تجزئة اصطناعية، بل تسلسل عناوين واضح، وموضوع واحد لكل قسم، وفقرات مكتفية بذاتها. «تحسين المقاطع» هو غالبًا بنية جيدة باسم جديد.

6. ترتيب المقاطع ≠ تجزئة RAG. المبدأ واحد (دقة ما دون المستند)، والنتيجة مختلفة. ترتيب المقاطع إشارة ترتب الصفحة؛ أما تجزئة RAG فتسترجع مقطعًا إلى إجابة. لا تخلط مفهوم حقبة SEO بمفهوم حقبة الذكاء الاصطناعي.

قائمة تحقق للمحتوى الجاهز للتجزئة

مراجعة تجعل محتواك يصمد بعد تقسيمه واسترجاعه والاستشهاد به خارج سياقه:

• يغطي كل قسم H2/H3 موضوعًا أو سؤالًا واحدًا، بلا قسم يجمع غرضين.
• يبدأ كل قسم بالإجابة (التعريف/الادعاء الأساسي أولًا والدعم أدناه)، ولا تدفنها في الفقرة 3–4.
• يُقرأ كل قسم رئيسي بوصفه مكتفيًا بذاته: يظل مفهومًا منفردًا بلا ما يحيط به.
• للأقسام طول مناسب (نحو 200–500 كلمة): كاملة وغير مقطعة اصطناعيًا إلى كتل صغيرة.
• يظهر أهم المحتوى مبكرًا في الصفحة (يقال إن Chrome لا ينظر إلا إلى أول نحو 30 مقطعًا).
• تسلسل العناوين واضح (H1 ← H2 ← H3 منطقي)؛ فهو جزء من الإشارة البنيوية التي يجتازها المقسّم.
• لا تُترك الحقائق التي يجب أن تبقى معًا عبر حد محتمل (مثل ادعاء في فقرة ودليله بعد ثلاث فقرات).
• استُخدمت الجداول / القوائم عندما يكون المحتوى قائمًا عليها فعلًا (حدود صريحة تكتشفها المقسّمات ومعدلات استشهاد أعلى).
• لم تُعد كتابة كل شيء في كتل جامدة بعدد كلمات؛ تقول Google إن ذلك غير مطلوب.

كتابة قسم عملاق واحد لنيات متعددة

قد تفيد كتلة طويلة عن التعريفات والتنفيذ والاستثناءات والقياس بوصفها صفحة، لكنها تكون مشوشة كمقطع مسترجع. افصل الأسئلة المختلفة تحت عناوين، وامنح كل قسم سياقًا محليًا يكفي ليقف بمفرده.

تحويل كل جملة إلى عنوان مستقل

قد تفقد المقاطع الصغيرة القيود والعلاقات. لا تحسن لعدد رموز متخيّل. أبقِ الفكرة الكاملة وقيودها ودليلها الداعم معًا.

البدء بإحالة خلفية بلا سياق

قد تنفصل المقاطع التي تبدأ بـ«هذا» أو «هو» أو «لكن» عن النص الذي يسمّي موضوعها. ابدأ الأقسام المهمة بجملة مباشرة تحدد الموضوع والإجابة.

تكرار النص لفرض التداخل

تنشئ الفقرات المتكررة مقاطع شبه متطابقة متنافسة وتجربة قراءة أسوأ. تستطيع أنظمة الاسترجاع إضافة التداخل داخليًا؛ وعلى المؤلفين استخدام انتقالات واضحة وأقسام مكتفية بذاتها بدل نسخ النثر.

مطالبة: تدقيق استقلال المقاطع

Review the article section by section as if each section could be retrieved without its
neighbors. For each heading, state the question it answers, whether the opening sentence
names the subject, what context is missing, whether unrelated intents are mixed, and the
smallest edit that makes the section self-contained. Preserve necessary qualifications
and evidence. Do not target an arbitrary token count or rewrite the author's voice.

Article:
[PASTE ARTICLE WITH HEADINGS]

مطالبة: تقسيم قسم محمّل بأفكار كثيرة

This section covers several ideas. Propose a minimal heading structure that groups one
complete intent per section. For each proposed section, write only an answer-first
opening sentence and list which existing paragraphs belong under it. Do not add facts,
remove caveats, duplicate prose, or turn every sentence into a heading.

Section:
[PASTE HEADING AND CONTENT]

وحدة تحكم DevTools: تمييز الأقسام المعروضة الطويلة

شغّل هذا على صفحة مقال. حد المحارف أداة مساعدة للمراجعة، وليس حدًا لمقاطع محرك بحث.

console.table([...document.querySelectorAll('main h2, main h3')].map((heading, i, all) => {
  let text = '';
  for (let node = heading.nextElementSibling; node && !all.includes(node); node = node.nextElementSibling) text += ` ${node.textContent}`;
  return { heading: heading.textContent.trim(), characters: text.trim().length };
}).filter(row => row.characters > 2000));

تعبير نمطي: العثور على بدايات الأقسام عديمة السياق في Markdown

يميز هذا النمط متعدد الأسطر العناوين التي تكون أول كلمة نثرية بعدها إحالة خلفية شائعة. راجع كل تطابق يدويًا.

^#{2,4}\s+.+\n+(?:\n|>.*\n|\s*)*(This|That|It|They|These|Those|However|Therefore|Also|And|But|So|Then)\b

أدوات لضمان جودة المقاطع

• يكشف مخطط المستند أو خريطته في المتصفح سريعًا العناوين التي تجمع أسئلة غير مترابطة أو تترك مساحات طويلة بلا عناوين فرعية.
• يمكن لقاعدة بيانات متجهية أو بيئة تجريب للتضمينات توضيح أثر حجم المقطع في اختبار استرجاع مضبوط، لكن لا تحوّل نتيجة نموذج واحد إلى وصفة SEO عالمية.
• يقيس Search Console وتتبع الاستشهادات نتائج الصفحة، لكنهما لا يخبرانك بالمقطع الدقيق والخاص الذي خزّنته منصة بحث.

التحقق من إعادة كتابة موجهة للتجزئة

اختبر نفسك: التجزئة

موارد تستحق وقتك

كتاباتي ذات الصلة

• ما نعرفه فعلًا عن التحسين لبحث LLM — يغطي نتيجة DocumentChunker في Chrome / حد 30 مقطعًا وكيف يعامل استرجاع الذكاء الاصطناعي محتواك فعلًا.

الأبحاث التأسيسية

• Dense Passage Retrieval ‏(Karpukhin وآخرون، 2020) — لماذا يتفوق استرجاع المقاطع الكثيف على مطابقة الكلمات؛ البنية تحت RAG الحديث.
• Retrieval-Augmented Generation ‏(Lewis وآخرون، 2020) — الورقة التي سمّت RAG؛ واستخدمت مقاطع Wikipedia من 100 كلمة.
• Lost in the Middle ‏(Liu وآخرون، 2023) — تستخدم LLMs بداية السياق ونهايته أفضل؛ ولماذا يهم تقديم الإجابة.
• RAPTOR ‏(Sarthi وآخرون، 2024) — تجزئة هرمية/تكرارية عبر شجرة ملخصات.
• هل تستحق التجزئة الدلالية التكلفة؟ (Vectara، 2024) — الدراسة التي وجدت أن التجزئة الدلالية ليست أفضل من الحجم الثابت بثبات.

الرأي المقابل في SEO (اقرأه)

• المبالغة في تحسين المقاطع لـSEO ‏(Despina Gavoyannis، Ahrefs) — الحجة القائلة إن «تحسين المقاطع» ليس غالبًا سوى بنية محتوى جيدة، وإنك لا تستطيع التحكم في كيفية تجزئة الأنظمة لك. وهذه أهم دقة في الموضوع.

أدلة الممارسين

• Pinecone — استراتيجيات التجزئة — التصنيف المرجعي للاستراتيجيات.
• LlamaIndex — تقييم حجم المقطع المثالي (Ravi Theja) — اختبار 128/256/512/1024/2048 الذي انتهى إلى 1 024.
• Databricks — استراتيجيات التجزئة لـRAG — ست استراتيجيات مع إرشادات خاصة بالمجالات.

من أنحاء القطاع

• دليل تجزئة المحتوى (Search Engine Land) — التعريف وأصول تجربة المستخدم وأنواع المقاطع الكلية والدقيقة والذرية وصلتها باسترجاع الذكاء الاصطناعي.
• جزّئ، واستشهد، ووضّح، وابنِ (Benu Aggarwal، Search Engine Land) — إطار محتوى من أربعة أجزاء لبحث الذكاء الاصطناعي؛ ويصف المحتوى بأنه «يتنافس الآن في يانصيب لتوليد الإجابات مرجح بالاحتمالات».
• تجزئة المحتوى: ما هي وهل ينبغي أن تهتم؟ (Semrush) — عرض للممارسين يتضمن اقتباس Mike King واختبار تنسيق الأسئلة والأجوبة.
• مجزأ، مسترجع، مركب (Duane Forrester) — منظور مسؤول سابق في Bing حول سبب فوز البنية حتى مع نوافذ السياق الكبيرة.
• محتوى ملائم لـLLM ‏(Onely / Bartosz Góralewicz) — المصدر الأولي لنتيجة زيادة الجداول معدلات الاستشهاد 2,5 مرة وأن القوائم تمثل 50% من أهم استشهادات الذكاء الاصطناعي.
• تقرير استشهادات الذكاء الاصطناعي وظهور LLM لعام 2025 ‏(The Digital Bloom) — بيانات عما يتنبأ باستشهادات LLM، ومنها حجم البحث عن العلامة والإحصاءات والاقتباسات.
• الدليل الشامل لاستراتيجيات التجزئة (Agenta.ai) — تصنيف شامل موجه للمطورين مع بيانات معايير Chroma.

إحصاءات تستحق الاستشهاد

• 9–19% مطلقًا — مقدار تفوق استرجاع المقاطع الكثيف (DPR) على مطابقة كلمات BM25 في دقة أفضل 20 مقطعًا؛ وهي حجة للاسترجاع بالمعنى لا بالكلمات. Karpukhin وآخرون، 2020
• نحو 7% من الاستعلامات — حصة استعلامات البحث التي يؤثر فيها ترتيب المقاطع لدى Google عند الإطلاق الكامل (أُطلق للإنجليزية الأمريكية في 10 فبراير 2021). التغطية
• +20% دقة مطلقة — مكسب التجزئة الهرمية لـRAPTOR على معيار أسئلة وأجوبة صعب عند اقترانه بـGPT-4. Sarthi وآخرون، 2024
• نموذج التضمين > استراتيجية التجزئة — نتيجة Vectara لعام 2024 بأن جودة النموذج أثرت في الاسترجاع أكثر من كون التجزئة دلالية أو ثابتة؛ وكانت الفروق في المستندات الواقعية «ضئيلة». الدراسة
• أول نحو 30 مقطعًا — عدد المقاطع التي يقال إن DocumentChunker في Chrome ينظر إليها لكل صفحة (نحو 200 كلمة لكل منها)، وفق أبحاث Dan Petrovic؛ وهي حجة لتقديم المحتوى الأساسي. عبر Ahrefs
• نحو 2,5 مرة معدل الاستشهاد — نتيجة Onely بأن الجداول تزيد معدلات استشهاد الذكاء الاصطناعي، وأن القوائم تمثل نحو 50% من أهم الاستشهادات. تساعد البنية. Onely
• 93,67% من AI Overviews في Google تستشهد بنتيجة عضوية واحدة على الأقل من أفضل 10 نتائج؛ ارتباط قوي لكنه غير مطلق بين الترتيب العضوي واستشهاد الذكاء الاصطناعي، ما يعني أن التطابق على مستوى المقطع قد يتجاوز موضع الترتيب. The Digital Bloom، تقرير استشهادات الذكاء الاصطناعي 2025

سجل التغييرات