ai-agents-for-beginners

(انقر على الصورة أعلاه لمشاهدة فيديو هذا الدرس)

Agentic RAG

يوفر هذا الدرس نظرة شاملة على التوليد المعزز بالاسترجاع الوكلي (Agentic RAG)، وهو نموذج متطور في الذكاء الاصطناعي حيث تخطط النماذج اللغوية الكبيرة (LLMs) بشكل مستقل لخطواتها التالية أثناء سحب المعلومات من مصادر خارجية. على عكس أنماط الاسترجاع الثابتة ثم القراءة، يتضمن Agentic RAG مكالمات تكرارية للنموذج اللغوي، تتخللها استدعاءات لأدوات أو دوال ومخرجات منظمة. يقوم النظام بتقييم النتائج، صقل الاستعلامات، استدعاء أدوات إضافية إذا لزم الأمر، ويستمر في هذه الدورة حتى يتم التوصل إلى حل مرضٍ.

مقدمة

سيغطي هذا الدرس

• فهم Agentic RAG: تعرّف على النموذج الناشئ في الذكاء الاصطناعي حيث تخطط النماذج اللغوية الكبيرة (LLMs) بشكل مستقل لخطواتها القادمة أثناء سحب المعلومات من مصادر بيانات خارجية.
• فهم أسلوب الصانع-المراجع التكراري: استيعاب دورة المكالمات التكرارية للنموذج اللغوي، تتخللها استدعاءات للأدوات أو الدوال ومخرجات منظمة، مصممة لتحسين الدقة والتعامل مع الاستعلامات المشوهة.
• استكشاف التطبيقات العملية: تحديد السيناريوهات التي يتألق فيها Agentic RAG، مثل بيئات الأولوية للدقة، تفاعلات قواعد البيانات المعقدة، وسير العمل الممتد.

أهداف التعلم

بعد إكمال هذا الدرس، ستتمكن من/تفهم:

• فهم Agentic RAG: تعرّف على النموذج الناشئ في الذكاء الاصطناعي حيث تخطط النماذج اللغوية الكبيرة (LLMs) بشكل مستقل لخطواتها القادمة أثناء سحب المعلومات من مصادر بيانات خارجية.
• أسلوب الصانع-المراجع التكراري: استيعاب مفهوم دورة المكالمات التكرارية للنموذج اللغوي، تتخللها استدعاءات للأدوات أو الدوال ومخرجات منظمة، مصممة لتحسين الدقة والتعامل مع الاستعلامات المشوهة.
• امتلاك عملية الاستدلال: فهم قدرة النظام على امتلاك عملية استدلاله، واتخاذ قرارات حول كيفية التعامل مع المشكلات دون الاعتماد على مسارات محددة مسبقًا.
• سير العمل: فهم كيفية اتخاذ النموذج الوكلي قرارًا مستقلًا لاسترجاع تقارير اتجاهات السوق، تحديد بيانات المنافسين، ترابط مقاييس المبيعات الداخلية، تجميع النتائج، وتقييم الاستراتيجية.
• الحلقات التكرارية، تكامل الأدوات، والذاكرة: التعرف على اعتماد النظام على نمط تفاعل دائري، مع الحفاظ على الحالة والذاكرة عبر الخطوات لتجنب الحلقات المتكررة واتخاذ قرارات مستنيرة.
• التعامل مع أوضاع الفشل والتصحيح الذاتي: استكشاف آليات التصحيح الذاتي القوية للنظام، بما في ذلك التكرار وإعادة الاستعلام، استخدام أدوات تشخيصية، والرجوع للرقابة البشرية.
• حدود الوكالة: فهم حدود Agentic RAG، مع التركيز على الاستقلالية المحددة للنطاق، الاعتماد على البنية التحتية، واحترام الضوابط.
• حالات الاستخدام العملية والقيمة: تحديد السيناريوهات التي يتألق فيها Agentic RAG، مثل بيئات الأولوية للدقة، تفاعلات قواعد البيانات المعقدة، وسير العمل الممتد.
• الحوكمة، الشفافية، والثقة: التعرف على أهمية الحوكمة والشفافية، بما في ذلك الاستدلال القابل للشرح، التحكم في الانحياز، والإشراف البشري.

ما هو Agentic RAG؟

التوليد المعزز بالاسترجاع الوكلي (Agentic RAG) هو نموذج ناشئ في الذكاء الاصطناعي حيث تخطط النماذج اللغوية الكبيرة (LLMs) بشكل مستقل لخطواتها القادمة أثناء سحب المعلومات من مصادر خارجية. على عكس أنماط الاسترجاع الثابتة ثم القراءة، يتضمن Agentic RAG مكالمات تكرارية للنموذج اللغوي، تتخللها استدعاءات لأدوات أو دوال ومخرجات منظمة. يقوم النظام بتقييم النتائج، صقل الاستعلامات، استدعاء أدوات إضافية إذا لزم الأمر، ويستمر في هذه الدورة حتى يتم التوصل إلى حل مرضٍ. يحسن أسلوب “الصانع-المراجع” التكراري هذا الدقة، ويتعامل مع الاستعلامات المشوهة، ويضمن نتائج عالية الجودة.

يمتلك النظام عملية الاستدلال الخاصة به بنشاط، يعيد كتابة الاستعلامات الفاشلة، يختار طرق استرجاع مختلفة، ويدمج أدوات متعددة—مثل البحث المتجهي في Azure AI Search، قواعد بيانات SQL، أو واجهات برمجة التطبيقات المخصصة—قبل التوصل إلى الإجابة النهائية. الخاصية المميزة للنظام الوكلي هي قدرته على امتلاك عملية استدلاله. فتنفيذات RAG التقليدية تعتمد على مسارات محددة مسبقًا، لكن النظام الوكلي يحدد بشكل مستقل تسلسل الخطوات بناءً على جودة المعلومات التي يجدها.

تعريف التوليد المعزز بالاسترجاع الوكلي (Agentic RAG)

التوليد المعزز بالاسترجاع الوكلي (Agentic RAG) هو نموذج ناشئ في تطوير الذكاء الاصطناعي حيث لا تقتصر النماذج اللغوية الكبيرة (LLMs) على سحب المعلومات من مصادر بيانات خارجية فحسب، بل تخطط أيضًا بشكل مستقل لخطواتها القادمة. على عكس أنماط الاسترجاع الثابتة ثم القراءة أو تسلسل المطالبات المكتوبة بعناية، يتضمن Agentic RAG دورة من المكالمات التكرارية للنموذج اللغوي، تتخللها استدعاءات لأدوات أو دوال ومخرجات منظمة. في كل دورة، يقيم النظام النتائج التي حصل عليها، يقرر ما إذا كان يجب تحسين استعلاماته، يستدعي أدوات إضافية إذا لزم الأمر، ويستمر في هذه الدورة حتى يحقق حلاً مرضيًا.

تم تصميم هذا الأسلوب “الصانع-المراجع” التكراري لتحسين الدقة، والتعامل مع الاستعلامات المشوهة إلى قواعد بيانات منظمة (على سبيل المثال NL2SQL)، وضمان نتائج متوازنة وعالية الجودة. بدلاً من الاعتماد فقط على سلاسل المطالبات المهندسة بعناية، يمتلك النظام عملية الاستدلال الخاصة به بنشاط. يمكنه إعادة كتابة الاستعلامات التي تفشل، اختيار طرق استرجاع مختلفة، ودمج أدوات متعددة—مثل البحث المتجهي في Azure AI Search، قواعد بيانات SQL، أو واجهات برمجة التطبيقات المخصصة—قبل إنهاء إجابته. هذا يلغي الحاجة إلى أطر تنظيمية معقدة للغاية، حيث يمكن لدورة بسيطة نسبياً من “مكالمة النموذج → استخدام الأداة → مكالمة النموذج → …” أن تنتج مخرجات متطورة ومبنية جيدًا.

امتلاك عملية الاستدلال

الخاصية المميزة التي تجعل النظام “وكليًا” هي قدرته على امتلاك عملية استدلاله. غالبًا ما تعتمد تطبيقات RAG التقليدية على تحديد الإنسان مسبقًا لمسار للنموذج: سلسلة أفكار توضح ما يجب استرجاعه ومتى. لكن عندما يكون النظام وكليًا حقًا، فإنه يقرر داخليًا كيفية التعامل مع المشكلة. فهو لا ينفذ فقط نصًا برمجيًا؛ بل يحدد بشكل مستقل تسلسل الخطوات بناءً على جودة المعلومات التي يجدها. على سبيل المثال، إذا طُلب منه إنشاء استراتيجية إطلاق منتج، لا يعتمد فقط على مطالبة توضح بالكامل سير البحث واتخاذ القرار. بدلاً من ذلك، يقرر النموذج الوكلي بشكل مستقل أن:

1. استرجاع تقارير اتجاهات السوق الحالية باستخدام Bing Web Grounding
2. تحديد بيانات المنافسين ذات الصلة باستخدام Azure AI Search.
3. ارتباط مقاييس المبيعات الداخلية التاريخية باستخدام Azure SQL Database.
4. تجميع النتائج في استراتيجية متماسكة يتم تنسيقها عبر Azure OpenAI Service.
5. تقييم الاستراتيجية للثغرات أو التناقضات، مما يدفع لجولة جديدة من الاسترجاع إذا لزم الأمر. تُتخذ كل هذه الخطوات—تحسين الاستعلامات، اختيار المصادر، التكرار حتى الوصول إلى جواب “مرضي”—بقرار من النموذج، وليست مكتوبة مسبقًا بواسطة إنسان.

الحلقات التكرارية، تكامل الأدوات، والذاكرة

يعتمد النظام الوكلي على نمط تفاعل دائري:

• المكالمة الأولية: يتم تقديم هدف المستخدم (أي مطالبة المستخدم) إلى النموذج اللغوي الكبير.
• استدعاء الأداة: إذا حدد النموذج معلومات مفقودة أو تعليمات غامضة، يختار أداة أو طريقة استرجاع—مثل استعلام قاعدة بيانات متجهية (مثل Azure AI Search Hybrid للتصفح عبر البيانات الخاصة) أو مكالمة SQL منظمة—لجمع سياق إضافي.
• التقييم والتعديل: بعد مراجعة البيانات المسترجعة، يقرر النموذج ما إذا كانت المعلومات كافية. إذا لم تكن كذلك، يقوم بتحسين الاستعلام، يجرب أداة مختلفة، أو يضبط نهجه.
• التكرار حتى الرضا: تستمر هذه الدورة حتى يحدد النموذج أنه يمتلك وضوحًا وأدلة كافية لإعطاء جواب نهائي مدروس.
• الذاكرة والحالة: لأن النظام يحتفظ بالحالة والذاكرة عبر الخطوات، يمكنه استدعاء المحاولات السابقة ونتائجها، مما يتجنب الحلقات المتكررة ويتيح اتخاذ قرارات أكثر وعيًا أثناء تقدم العملية.

مع مرور الوقت، يخلق هذا إحساسًا بفهم متطور، مما يمكّن النموذج من التنقل في مهام معقدة متعددة الخطوات دون الحاجة إلى تدخل بشري مستمر أو إعادة تشكيل المطالبة.

التعامل مع أوضاع الفشل والتصحيح الذاتي

تشمل استقلالية Agentic RAG أيضًا آليات التصحيح الذاتي القوية. عندما يواجه النظام عقبات—مثل استرجاع مستندات غير ذات صلة أو مواجهة استعلامات مشوهة—يمكنه:

• التكرار وإعادة الاستعلام: بدلاً من إرجاع ردود منخفضة القيمة، يحاول النموذج استراتيجيات بحث جديدة، يعيد كتابة استعلامات قواعد البيانات، أو ينظر إلى مجموعات بيانات بديلة.
• استخدام الأدوات التشخيصية: قد يستدعي النظام وظائف إضافية مصممة لمساعدته في تصحيح خطوات استدلاله أو تأكيد صحة البيانات المسترجعة. تعد أدوات مثل Azure AI Tracing مهمة لتمكين الرصد والمراقبة المتينة.
• اللجوء إلى الإشراف البشري: في السيناريوهات الحساسة أو الحالات التي تفشل مرارًا، قد يعلن النموذج عن عدم اليقين ويطلب توجيهًا بشريًا. بمجرد أن يقدم الإنسان تعليقات تصحيحية، يمكن للنموذج دمج هذا الدرس للمستقبل.

تسمح هذه الطريقة التكرارية والديناميكية للنموذج بالتحسن المستمر، مما يضمن أنه ليس نظاماً لمرة واحدة فقط بل يتعلم من أخطائه خلال الجلسة.

حدود الوكالة

بالرغم من استقلاليته داخل مهمة معينة، لا يُعتبر Agentic RAG ذكاءً اصطناعيًا عامًا. قدراته “الوكيلية” محصورة ضمن الأدوات، مصادر البيانات، والسياسات التي يزودها المطورون البشر. لا يمكنه اختراع أدواته الخاصة أو تجاوز حدود النطاقات المحددة. بدلاً من ذلك، يتفوق في تنسيق الموارد المتاحة ديناميكيًا. الاختلافات الرئيسية عن أشكال الذكاء الاصطناعي الأكثر تقدمًا تشمل:

1. الاستقلالية المحددة للنطاق: تركز أنظمة Agentic RAG على تحقيق أهداف مستخدم محددة داخل نطاق معروف، وتوظف استراتيجيات مثل إعادة كتابة الاستعلام أو اختيار الأداة لتحسين النتائج.
2. الاعتماد على البنية التحتية: قدرات النظام تعتمد على الأدوات والبيانات التي يدمجها المطورون. لا يمكنه تجاوز هذه الحدود دون تدخل بشري.
3. الاحترام للضوابط: تبقى المبادئ الأخلاقية وقواعد الامتثال وسياسات العمل مهمة جدًا. حرية الوكيل مقيدة دائمًا بإجراءات السلامة وآليات الإشراف (نأمل ذلك؟)

حالات الاستخدام العملية والقيمة

يتألق Agentic RAG في السيناريوهات التي تتطلب تحسينات تكرارية ودقة:

1. البيئات ذات الأولوية للدقة: في فحوصات الامتثال، التحليل التنظيمي، أو البحث القانوني، يمكن للنموذج الوكلي التحقق المتكرر من الحقائق، استشارة مصادر متعددة، وإعادة كتابة الاستعلامات حتى يقدم إجابة مُدققة بالكامل.
2. التفاعلات المعقدة مع قواعد البيانات: عند التعامل مع بيانات منظمة حيث قد تفشل الاستعلامات أو تحتاج إلى تعديل متكرر، يمكن للنظام تحسين استعلاماته بشكل مستقل باستخدام Azure SQL أو Microsoft Fabric OneLake، لضمان أن الاسترجاع النهائي يتماشى مع نية المستخدم.
3. سير العمل الممتد: قد تتطور الجلسات الأطول مع ظهور معلومات جديدة. يمكن لـ Agentic RAG دمج بيانات جديدة بشكل مستمر، وتغيير الاستراتيجيات مع تعلّمه المزيد عن مجال المشكلة.

الحوكمة، الشفافية، والثقة

مع ازدياد استقلالية هذه الأنظمة في الاستدلال، تكون الحوكمة والشفافية ضرورية:

• الاستدلال القابل للشرح: يمكن للنموذج توفير سجل تدقيق للاستعلامات التي قام بها، المصادر التي استشارها، وخطوات الاستدلال التي اتبعها للوصول إلى استنتاجه. تساعد أدوات مثل Azure AI Content Safety و Azure AI Tracing / GenAIOps في الحفاظ على الشفافية وتقليل المخاطر.
• التحكم في الانحياز والاسترجاع المتوازن: يمكن للمطورين ضبط استراتيجيات الاسترجاع لضمان مراعاة مصادر بيانات متوازنة وتمثيلية، ومراجعة المخرجات بانتظام لاكتشاف الانحياز أو الأنماط المشوهة باستخدام نماذج مخصصة لمنظمات علوم البيانات المتقدمة باستخدام Azure Machine Learning.
• الإشراف البشري والامتثال: في المهام الحساسة، يظل المراجعة البشرية ضروريًا. لا يحل Agentic RAG محل الحكم البشري في القرارات الحساسة—بل يعززه بتقديم خيارات مُدققة بشكل أعمق.

وجود أدوات توفر سجلاً واضحًا للإجراءات أمر ضروري. بدونها، قد يكون تصحيح الأخطاء في عملية متعددة الخطوات صعبًا للغاية. انظر المثال التالي من Literal AI (الشركة وراء Chainlit) لتشغيل وكيل:

الخلاصة

يمثل Agentic RAG تطورًا طبيعيًا في الطريقة التي تتعامل بها أنظمة الذكاء الاصطناعي مع المهام المعقدة والمكثفة بياناتيًا. من خلال اعتماد نمط تفاعل دائري، اختيار الأدوات بشكل مستقل، وتحسين الاستعلامات حتى تحقيق نتيجة عالية الجودة، ينتقل النظام من مجرد اتباع مطالبات ثابتة إلى صانع قرارات أكثر تكيفًا ووعيًا بالسياق. وبينما يبقى مقيدًا بالبنى التحتية التي يحددها البشر والإرشادات الأخلاقية، تمكن هذه القدرات الوكيلة من تفاعلات ذكاء اصطناعي أغنى وأكثر ديناميكية، ومفيدة في النهاية لكل من المؤسسات والمستخدمين النهائيين.

هل لديك المزيد من الأسئلة حول Agentic RAG؟

انضم إلى Microsoft Foundry Discord للقاء متعلمين آخرين، حضور ساعات المكتب، والحصول على إجابات حول وكلاء الذكاء الاصطناعي.

موارد إضافية

• تنفيذ التوليد المعزز بالاسترجاع (RAG) باستخدام خدمة Azure OpenAI: تعلّم كيفية استخدام بياناتك الخاصة مع خدمة Azure OpenAI. توفر هذه الوحدة التعليمية على Microsoft Learn دليلًا شاملاً لتنفيذ RAG
• تقييم تطبيقات الذكاء الاصطناعي التوليدي مع Microsoft Foundry: تغطي هذه المقالة التقييم والمقارنة للنماذج على مجموعات البيانات المتاحة للجمهور، بما في ذلك تطبيقات الذكاء الاصطناعي الوكي وهياكل RAG
• ما هو Agentic RAG | Weaviate

• Agentic RAG: دليل كامل للتوليد المعزز بالاسترجاع المستند إلى الوكلاء – أخبار من generation RAG

• RAG الوكيلية: عزز RAG الخاص بك بإعادة صياغة الاستعلامات والاستعلام الذاتي! كتاب وصفات Hugging Face للذكاء الاصطناعي مفتوح المصدر
• إضافة طبقات وكيلة إلى RAG
• مستقبل مساعدي المعرفة: جيري ليو
• كيفية بناء أنظمة RAG وكيلية
• استخدام خدمة Microsoft Foundry Agent لتوسيع نطاق وكلاء الذكاء الاصطناعي الخاص بك

الأوراق الأكاديمية

• 2303.17651 تحسين ذاتي: تحسين تكراري مع تغذية راجعة ذاتية
• 2303.11366 الانعكاس: وكلاء لغويون مع تعلم تعزيزي شفهي
• 2305.11738 ناقد: نماذج اللغة الكبيرة قادرة على التصحيح الذاتي بالنقد التفاعلي بالأدوات
• 2501.09136 التوليد المعزز بالاسترجاع الوكيلة: مسح حول RAG الوكيل

اختبار تجريبي لهذا الوكيل (اختياري)

بعد أن تتعلم نشر الوكلاء في الدرس 16، يمكنك اختبار التدخين لـ TravelRAGAgent الخاص بهذا الدرس — للتأكد من أن إجاباته تظل مستندة إلى قاعدة المعرفة — باستخدام tests/lesson-05-smoke-tests.json. راجع tests/README.md لمعرفة كيفية تشغيله.

الدرس السابق

نمط تصميم استخدام الأدوات

الدرس التالي

بناء وكلاء ذكاء اصطناعي موثوقين

---

تنويه: تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator. بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.

This site is open source. Improve this page.