ai-agents-for-beginners

Agentic RAG

(اضغط على الصورة أعلاه لمشاهدة فيديو الدرس)

Agentic RAG

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

المقدمة

سيتناول هذا الدرس:

أهداف التعلم

بعد إكمال هذا الدرس، ستتمكن من:

ما هو Agentic RAG؟

“Agentic Retrieval-Augmented Generation” (Agentic RAG) هو نموذج جديد في الذكاء الاصطناعي حيث تقوم نماذج اللغة الكبيرة (LLMs) بالتخطيط الذاتي للخطوات التالية أثناء استرجاع المعلومات من مصادر خارجية. على عكس الأنماط التقليدية التي تعتمد على الاسترجاع ثم القراءة، يتضمن Agentic RAG استدعاءات متكررة للنموذج، تتخللها استخدام أدوات أو وظائف وإنتاج مخرجات منظمة. يقوم النظام بتقييم النتائج، تحسين الاستفسارات، استدعاء أدوات إضافية إذا لزم الأمر، ويستمر في هذه الدورة حتى يتم الوصول إلى حل مرضٍ. هذا النمط التكراري “Maker-Checker” يعزز الدقة، يعالج الاستفسارات غير الصحيحة، ويضمن نتائج عالية الجودة.

يمتلك النظام عملية التفكير الخاصة به، حيث يعيد كتابة الاستفسارات الفاشلة، يختار طرق استرجاع مختلفة، ويقوم بدمج أدوات متعددة—مثل البحث المتجهي في Azure AI Search، قواعد بيانات SQL، أو واجهات برمجة التطبيقات المخصصة—قبل تقديم الإجابة النهائية. السمة المميزة للنظام الذاتي هي قدرته على امتلاك عملية التفكير الخاصة به. تعتمد تطبيقات RAG التقليدية على مسارات محددة مسبقًا، لكن النظام الذاتي يحدد تسلسل الخطوات بناءً على جودة المعلومات التي يجدها.

تعريف Agentic Retrieval-Augmented Generation (Agentic RAG)

“Agentic Retrieval-Augmented Generation” (Agentic RAG) هو نموذج جديد في تطوير الذكاء الاصطناعي حيث لا تقوم نماذج اللغة الكبيرة (LLMs) فقط باسترجاع المعلومات من مصادر البيانات الخارجية، بل تخطط أيضًا خطواتها التالية بشكل ذاتي. على عكس الأنماط التقليدية التي تعتمد على الاسترجاع ثم القراءة أو تسلسل التعليمات المكتوبة بعناية، يتضمن Agentic RAG دورة من الاستدعاءات التكرارية للنموذج، تتخللها استخدام أدوات أو وظائف وإنتاج مخرجات منظمة. في كل خطوة، يقوم النظام بتقييم النتائج التي حصل عليها، يقرر ما إذا كان يحتاج إلى تحسين استفساراته، يستدعي أدوات إضافية إذا لزم الأمر، ويستمر في هذه الدورة حتى يصل إلى حل مرضٍ.

هذا النمط التكراري “Maker-Checker” مصمم لتحسين الدقة، معالجة الاستفسارات غير الصحيحة لقواعد البيانات المنظمة (مثل NL2SQL)، وضمان نتائج متوازنة وعالية الجودة. بدلاً من الاعتماد فقط على سلاسل التعليمات المصممة بعناية، يمتلك النظام عملية التفكير الخاصة به. يمكنه إعادة كتابة الاستفسارات الفاشلة، اختيار طرق استرجاع مختلفة، ودمج أدوات متعددة—مثل البحث المتجهي في Azure AI Search، قواعد بيانات SQL، أو واجهات برمجة التطبيقات المخصصة—قبل تقديم الإجابة النهائية. هذا يلغي الحاجة إلى أطر تنظيمية معقدة للغاية. بدلاً من ذلك، يمكن لدورة بسيطة نسبيًا من “استدعاء النموذج → استخدام الأداة → استدعاء النموذج → …” أن تنتج مخرجات متطورة وموثوقة.

Agentic RAG Core Loop

امتلاك عملية التفكير

السمة المميزة التي تجعل النظام “ذاتيًا” هي قدرته على امتلاك عملية التفكير الخاصة به. تعتمد تطبيقات RAG التقليدية غالبًا على البشر لتحديد مسار للنموذج: سلسلة من الأفكار التي تحدد ما يجب استرجاعه ومتى.
لكن عندما يكون النظام ذاتيًا حقًا، فإنه يقرر داخليًا كيفية التعامل مع المشكلة. إنه لا ينفذ فقط تعليمات مكتوبة؛ بل يحدد بشكل ذاتي تسلسل الخطوات بناءً على جودة المعلومات التي يجدها.
على سبيل المثال، إذا طُلب منه إنشاء استراتيجية إطلاق منتج، فإنه لا يعتمد فقط على تعليمات مكتوبة تحدد سير العمل بالكامل للبحث واتخاذ القرار. بدلاً من ذلك، يقرر النموذج الذاتي 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. تلخيص النتائج في استراتيجية متماسكة يتم تنسيقها عبر Azure OpenAI Service.
  5. تقييم الاستراتيجية للثغرات أو التناقضات، مما يستدعي جولة أخرى من الاسترجاع إذا لزم الأمر.
    كل هذه الخطوات—تحسين الاستفسارات، اختيار المصادر، التكرار حتى الوصول إلى إجابة “مرضية”—يتم اتخاذها بواسطة النموذج، وليس مكتوبة مسبقًا بواسطة الإنسان.

الحلقات التكرارية، تكامل الأدوات، والذاكرة

Tool Integration Architecture

يعتمد النظام الذاتي على نمط تفاعل متكرر:

مع مرور الوقت، يخلق هذا إحساسًا بالفهم المتطور، مما يمكن النموذج من التعامل مع المهام المعقدة متعددة الخطوات دون الحاجة إلى تدخل الإنسان المستمر أو إعادة تشكيل الطلب.

معالجة أوضاع الفشل والتصحيح الذاتي

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

هذا النهج التكراري والديناميكي يسمح للنموذج بالتحسن باستمرار، مما يضمن أنه ليس مجرد نظام يعتمد على محاولة واحدة، بل نظام يتعلم من أخطائه خلال الجلسة.

Self Correction Mechanism

حدود الوكالة

على الرغم من استقلاليته داخل المهمة، فإن Agentic RAG ليس مكافئًا للذكاء الاصطناعي العام. قدراته “الذاتية” تقتصر على الأدوات، مصادر البيانات، والسياسات التي يوفرها المطورون البشريون. لا يمكنه اختراع أدواته الخاصة أو الخروج عن حدود المجال التي تم تحديدها. بدلاً من ذلك، يتفوق في تنظيم الموارد المتاحة بشكل ديناميكي.
تشمل الاختلافات الرئيسية عن أشكال الذكاء الاصطناعي الأكثر تقدمًا:

  1. الاستقلالية الخاصة بالمجال: تركز أنظمة Agentic RAG على تحقيق أهداف محددة من قبل المستخدم داخل مجال معروف، باستخدام استراتيجيات مثل إعادة كتابة الاستفسارات أو اختيار الأدوات لتحسين النتائج.
  2. الاعتماد على البنية التحتية: تعتمد قدرات النظام على الأدوات والبيانات التي يدمجها المطورون. لا يمكنه تجاوز هذه الحدود دون تدخل بشري.
  3. احترام الضوابط: تظل المبادئ الأخلاقية، قواعد الامتثال، وسياسات الأعمال مهمة للغاية. حرية الوكيل دائمًا مقيدة بإجراءات السلامة وآليات الإشراف (نأمل؟).

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، يمكن للنموذج الذاتي التحقق من الحقائق بشكل متكرر، استشارة مصادر متعددة، وإعادة كتابة الاستفسارات حتى يقدم إجابة مدققة تمامًا.
  2. التفاعلات المعقدة مع قواعد البيانات: عند التعامل مع البيانات المنظمة حيث قد تفشل الاستفسارات أو تحتاج إلى تعديل، يمكن للنظام تحسين استفساراته بشكل ذاتي باستخدام Azure SQL أو Microsoft Fabric OneLake، مما يضمن أن الاسترجاع النهائي يتماشى مع نية المستخدم.
  3. سير العمل الممتد: قد تتطور الجلسات الطويلة مع ظهور معلومات جديدة. يمكن لـ Agentic RAG دمج البيانات الجديدة باستمرار، وتغيير الاستراتيجيات أثناء تعلم المزيد عن مجال المشكلة.

الحوكمة، الشفافية، والثقة

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

وجود أدوات توفر سجلًا واضحًا للإجراءات أمر ضروري. بدونها، يمكن أن يكون تصحيح عملية متعددة الخطوات أمرًا صعبًا للغاية. انظر المثال التالي من Literal AI (الشركة وراء Chainlit) لتشغيل وكيل:

AgentRunExample

الخاتمة

يمثل Agentic RAG تطورًا طبيعيًا في كيفية تعامل أنظمة الذكاء الاصطناعي مع المهام المعقدة والمكثفة بالبيانات. من خلال اعتماد نمط تفاعل متكرر، اختيار الأدوات بشكل ذاتي، وتحسين الاستفسارات حتى تحقيق نتيجة عالية الجودة، ينتقل النظام من اتباع التعليمات الثابتة إلى اتخاذ قرارات أكثر تكيفًا ووعيًا بالسياق. على الرغم من أنه لا يزال مقيدًا بالبنى التحتية المحددة من قبل البشر والمبادئ الأخلاقية، فإن هذه القدرات الذاتية تمكن من تفاعلات أكثر ثراءً وديناميكية، وفي النهاية أكثر فائدة للمؤسسات والمستخدمين النهائيين.

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

الأوراق الأكاديمية

الدرس السابق

نمط تصميم استخدام الأدوات

الدرس التالي

بناء وكلاء ذكاء اصطناعي موثوقين


إخلاء المسؤولية:
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي 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 المصدر الرسمي. للحصول على معلومات حاسمة، يُوصى بالترجمة البشرية الاحترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.