ai-agents-for-beginners

(اضغط على الصورة أعلاه لمشاهدة فيديو الدرس)

Agentic RAG

يوفر هذا الدرس نظرة شاملة على مفهوم “Agentic Retrieval-Augmented Generation” (Agentic RAG)، وهو نموذج ناشئ في الذكاء الاصطناعي حيث تقوم نماذج اللغة الكبيرة (LLMs) بالتخطيط الذاتي لخطواتها التالية أثناء استرجاع المعلومات من مصادر خارجية. على عكس الأنماط التقليدية التي تعتمد على الاسترجاع ثم القراءة، يتضمن Agentic RAG استدعاءات متكررة للنموذج، تتخللها استدعاءات لأدوات أو وظائف وإنتاج مخرجات منظمة. يقوم النظام بتقييم النتائج، وتحسين الاستفسارات، واستدعاء أدوات إضافية إذا لزم الأمر، ويستمر في هذه الدورة حتى يتم الوصول إلى حل مرضٍ.

المقدمة

سيتناول هذا الدرس:

• فهم Agentic RAG: التعرف على هذا النموذج الناشئ في الذكاء الاصطناعي حيث تقوم نماذج اللغة الكبيرة بالتخطيط الذاتي لخطواتها التالية أثناء استرجاع المعلومات من مصادر بيانات خارجية.
• استيعاب أسلوب “Maker-Checker” التكراري: فهم دورة الاستدعاءات المتكررة للنموذج، التي تتخللها استدعاءات لأدوات أو وظائف وإنتاج مخرجات منظمة، بهدف تحسين الدقة ومعالجة الاستفسارات غير الصحيحة.
• استكشاف التطبيقات العملية: تحديد السيناريوهات التي يتألق فيها Agentic RAG، مثل البيئات التي تركز على الدقة، والتفاعلات المعقدة مع قواعد البيانات، وسير العمل الممتد.

أهداف التعلم

بعد إكمال هذا الدرس، ستتمكن من:

• فهم Agentic RAG: التعرف على هذا النموذج الناشئ في الذكاء الاصطناعي حيث تقوم نماذج اللغة الكبيرة بالتخطيط الذاتي لخطواتها التالية أثناء استرجاع المعلومات من مصادر بيانات خارجية.
• أسلوب “Maker-Checker” التكراري: استيعاب مفهوم دورة الاستدعاءات المتكررة للنموذج، التي تتخللها استدعاءات لأدوات أو وظائف وإنتاج مخرجات منظمة، بهدف تحسين الدقة ومعالجة الاستفسارات غير الصحيحة.
• امتلاك عملية التفكير: فهم قدرة النظام على امتلاك عملية التفكير الخاصة به، واتخاذ القرارات حول كيفية التعامل مع المشكلات دون الاعتماد على مسارات محددة مسبقًا.
• سير العمل: فهم كيفية اتخاذ النموذج القرارات بشكل مستقل لاسترجاع تقارير اتجاهات السوق، وتحديد بيانات المنافسين، وربط مقاييس المبيعات الداخلية، وتوليف النتائج، وتقييم الاستراتيجية.
• الحلقات التكرارية، تكامل الأدوات، والذاكرة: التعرف على اعتماد النظام على نمط تفاعل متكرر، مع الحفاظ على الحالة والذاكرة عبر الخطوات لتجنب التكرار واتخاذ قرارات مستنيرة.
• معالجة أوضاع الفشل والتصحيح الذاتي: استكشاف آليات التصحيح الذاتي القوية للنظام، بما في ذلك التكرار وإعادة الاستفسار، واستخدام أدوات التشخيص، والاعتماد على الإشراف البشري عند الحاجة.
• حدود الوكالة: فهم حدود Agentic RAG، مع التركيز على الاستقلالية الخاصة بالمجال، والاعتماد على البنية التحتية، والالتزام بالضوابط.
• الحالات العملية والقيمة: تحديد السيناريوهات التي يتألق فيها Agentic RAG، مثل البيئات التي تركز على الدقة، والتفاعلات المعقدة مع قواعد البيانات، وسير العمل الممتد.
• الحوكمة، الشفافية، والثقة: التعرف على أهمية الحوكمة والشفافية، بما في ذلك التفكير القابل للتفسير، والتحكم في التحيز، والإشراف البشري.

ما هو Agentic RAG؟

“Agentic Retrieval-Augmented Generation” (Agentic RAG) هو نموذج ناشئ في الذكاء الاصطناعي حيث تقوم نماذج اللغة الكبيرة بالتخطيط الذاتي لخطواتها التالية أثناء استرجاع المعلومات من مصادر خارجية. على عكس الأنماط التقليدية التي تعتمد على الاسترجاع ثم القراءة، يتضمن Agentic RAG استدعاءات متكررة للنموذج، تتخللها استدعاءات لأدوات أو وظائف وإنتاج مخرجات منظمة. يقوم النظام بتقييم النتائج، وتحسين الاستفسارات، واستدعاء أدوات إضافية إذا لزم الأمر، ويستمر في هذه الدورة حتى يتم الوصول إلى حل مرضٍ.

تعريف Agentic Retrieval-Augmented Generation (Agentic RAG)

“Agentic Retrieval-Augmented Generation” (Agentic RAG) هو نموذج ناشئ في تطوير الذكاء الاصطناعي حيث لا تقتصر نماذج اللغة الكبيرة على استرجاع المعلومات من مصادر البيانات الخارجية فحسب، بل تخطط أيضًا خطواتها التالية بشكل ذاتي. على عكس الأنماط التقليدية التي تعتمد على الاسترجاع ثم القراءة أو تسلسلات التعليمات المحددة بدقة، يتضمن Agentic RAG دورة من الاستدعاءات التكرارية للنموذج، تتخللها استدعاءات لأدوات أو وظائف وإنتاج مخرجات منظمة.

امتلاك عملية التفكير

الصفة المميزة التي تجعل النظام “وكيلًا” هي قدرته على امتلاك عملية التفكير الخاصة به. تعتمد تطبيقات RAG التقليدية غالبًا على مسارات محددة مسبقًا من قبل البشر للنموذج: سلسلة من الأفكار تحدد ما يجب استرجاعه ومتى.

لكن عندما يكون النظام “وكيلًا” حقًا، فإنه يقرر داخليًا كيفية التعامل مع المشكلة. فهو لا ينفذ مجرد تعليمات مكتوبة مسبقًا؛ بل يحدد بشكل ذاتي تسلسل الخطوات بناءً على جودة المعلومات التي يجدها.

على سبيل المثال، إذا طُلب منه إنشاء استراتيجية لإطلاق منتج، فإنه لا يعتمد فقط على تعليمات مكتوبة مسبقًا تحدد سير العمل بالكامل. بدلاً من ذلك، يقرر النموذج الوكيل بشكل مستقل:

1. استرجاع تقارير اتجاهات السوق الحالية باستخدام Bing Web Grounding.
2. تحديد بيانات المنافسين ذات الصلة باستخدام Azure AI Search.
3. ربط مقاييس المبيعات الداخلية التاريخية باستخدام Azure SQL Database.
4. توليف النتائج في استراتيجية متماسكة يتم تنسيقها عبر Azure OpenAI Service.
5. تقييم الاستراتيجية للبحث عن الثغرات أو التناقضات، مما يؤدي إلى جولة أخرى من الاسترجاع إذا لزم الأمر.

الحلقات التكرارية، تكامل الأدوات، والذاكرة

يعتمد النظام الوكيل على نمط تفاعل متكرر:

• الاستدعاء الأولي: يتم تقديم هدف المستخدم (المعروف أيضًا باسم استفسار المستخدم) إلى النموذج.
• استدعاء الأدوات: إذا حدد النموذج وجود معلومات مفقودة أو تعليمات غامضة، فإنه يختار أداة أو طريقة استرجاع—مثل استعلام قاعدة بيانات متجهية (على سبيل المثال، Azure AI Search Hybrid search) أو استدعاء SQL منظم—لجمع المزيد من السياق.
• التقييم والتحسين: بعد مراجعة البيانات المسترجعة، يقرر النموذج ما إذا كانت المعلومات كافية. إذا لم تكن كذلك، فإنه يحسن الاستفسار، يجرب أداة مختلفة، أو يضبط نهجه.
• التكرار حتى الرضا: تستمر هذه الدورة حتى يقرر النموذج أنه يمتلك وضوحًا كافيًا وأدلة لتقديم استجابة نهائية مدروسة جيدًا.
• الذاكرة والحالة: نظرًا لأن النظام يحافظ على الحالة والذاكرة عبر الخطوات، يمكنه تذكر المحاولات السابقة ونتائجها، مما يساعده على تجنب التكرار واتخاذ قرارات أكثر استنارة أثناء التقدم.

معالجة أوضاع الفشل والتصحيح الذاتي

تشمل استقلالية Agentic RAG أيضًا آليات تصحيح ذاتي قوية. عندما يواجه النظام طريقًا مسدودًا—مثل استرجاع مستندات غير ذات صلة أو مواجهة استفسارات غير صحيحة—يمكنه:

• التكرار وإعادة الاستفسار: بدلاً من تقديم استجابات منخفضة القيمة، يحاول النموذج استراتيجيات بحث جديدة، يعيد كتابة استفسارات قواعد البيانات، أو ينظر في مجموعات بيانات بديلة.
• استخدام أدوات التشخيص: قد يستدعي النظام وظائف إضافية مصممة لمساعدته في تصحيح خطوات التفكير الخاصة به أو تأكيد صحة البيانات المسترجعة.
• الاعتماد على الإشراف البشري: في السيناريوهات الحساسة أو التي تفشل بشكل متكرر، قد يشير النموذج إلى عدم اليقين ويطلب توجيهًا بشريًا.

حدود الوكالة

على الرغم من استقلاليته داخل المهمة، فإن Agentic RAG ليس مكافئًا للذكاء الاصطناعي العام. تقتصر قدراته “الوكيلية” على الأدوات، ومصادر البيانات، والسياسات التي يوفرها المطورون البشريون.

الحالات العملية والقيمة

يتألق Agentic RAG في السيناريوهات التي تتطلب تحسينًا تكراريًا ودقة:

1. البيئات التي تركز على الدقة: في عمليات التحقق من الامتثال، التحليل التنظيمي، أو البحث القانوني.
2. التفاعلات المعقدة مع قواعد البيانات: عند التعامل مع البيانات المنظمة حيث قد تفشل الاستفسارات أو تحتاج إلى تعديل.
3. سير العمل الممتد: في الجلسات الطويلة التي تتطور مع ظهور معلومات جديدة.

الحوكمة، الشفافية، والثقة

مع زيادة استقلالية هذه الأنظمة، تصبح الحوكمة والشفافية أمرًا بالغ الأهمية:

• التفكير القابل للتفسير: يمكن للنموذج توفير سجل واضح للاستفسارات التي أجراها، والمصادر التي استشارها، وخطوات التفكير التي اتبعها للوصول إلى استنتاجه.
• التحكم في التحيز والاسترجاع المتوازن: يمكن للمطورين ضبط استراتيجيات الاسترجاع لضمان مراعاة مصادر البيانات المتوازنة والممثلة.
• الإشراف البشري والامتثال: يبقى المراجعة البشرية ضرورية للمهام الحساسة.

الخاتمة

يمثل Agentic RAG تطورًا طبيعيًا في كيفية تعامل أنظمة الذكاء الاصطناعي مع المهام المعقدة والمكثفة بالبيانات. من خلال تبني نمط تفاعل متكرر، واختيار الأدوات بشكل ذاتي، وتحسين الاستفسارات حتى تحقيق نتيجة عالية الجودة، يتحول النظام إلى صانع قرارات أكثر تكيفًا ووعيًا بالسياق.

هل لديك المزيد من الأسئلة حول Agentic RAG؟

انضم إلى Azure AI Foundry Discord للتواصل مع متعلمين آخرين، حضور ساعات المكتب، والحصول على إجابات لأسئلتك حول وكلاء الذكاء الاصطناعي.

موارد إضافية

- تنفيذ استرجاع البيانات المعزز بالتوليد (RAG) باستخدام خدمة Azure OpenAI: تعلم كيفية استخدام بياناتك الخاصة مع خدمة Azure OpenAI. يقدم هذا الدليل من Microsoft Learn شرحًا شاملاً حول كيفية تنفيذ RAG

• تقييم تطبيقات الذكاء الاصطناعي التوليدي باستخدام Azure AI Foundry: يغطي هذا المقال تقييم ومقارنة النماذج باستخدام مجموعات بيانات متاحة علنًا، بما في ذلك تطبيقات الذكاء الاصطناعي الوكيل وهياكل RAG
• ما هو Agentic RAG | Weaviate
• Agentic RAG: دليل شامل للاسترجاع المعزز بالتوليد القائم على الوكلاء – أخبار من جيل RAG
• Agentic RAG: عزز أداء RAG الخاص بك بإعادة صياغة الاستعلام والاستعلام الذاتي! Hugging Face Open-Source AI Cookbook
• إضافة طبقات وكيلة إلى RAG
• مستقبل مساعدي المعرفة: جيري ليو
• كيفية بناء أنظمة Agentic RAG
• استخدام خدمة Azure AI Foundry Agent لتوسيع نطاق وكلاء الذكاء الاصطناعي الخاص بك

الأوراق الأكاديمية

• 2303.17651 Self-Refine: تحسين تكراري مع التغذية الراجعة الذاتية
• 2303.11366 Reflexion: وكلاء اللغة مع التعلم التعزيزي اللفظي
• 2305.11738 CRITIC: يمكن للنماذج اللغوية الكبيرة تصحيح نفسها باستخدام النقد التفاعلي مع الأدوات
• 2501.09136 Agentic Retrieval-Augmented Generation: استعراض حول Agentic RAG

الدرس السابق

نمط تصميم استخدام الأدوات

الدرس التالي

بناء وكلاء ذكاء اصطناعي موثوقين

---

إخلاء المسؤولية:
تم ترجمة هذا المستند باستخدام خدمة الترجمة الآلية Co-op Translator. بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية هو المصدر الموثوق. للحصول على معلومات حساسة أو هامة، يُوصى بالاستعانة بترجمة بشرية احترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة تنشأ عن استخدام هذه الترجمة.

This site is open source. Improve this page.