تبدأ 23 نوفمبرالدفعة المباشرة 3 من Vibe Coding ووكلاء الذكاء الاصطناعي: 3 أسابيع و9 جلسات حيةالدفعة 3 (23.11) →
إصدارAPI / منتج · جاهز للعملMistral AI News→ المصدر

Mistral تطلق Search Toolkit — إطار عمل مفتوح المصدر لمسارات البحث

أطلقت Mistral إطار Search Toolkit، وهو إطار عمل مفتوح المصدر لمسارات البحث الإنتاجية. في السابق كانت الفرق تقضي أسابيع في ربط أدوات منفصلة لتحميل البيانات والبحث وتقييم الجودة. أما الآن فالمراحل الثلاث كلها متاحة عبر واجهة API واحدة. يعمل الإطار في السحابة وداخل مقرات المؤسسات (on-premise) وعلى الأجهزة الطرفية (edge). وهو مناسب لأنظمة RAG والبحث المؤسسي والتطبيقات القائمة على الوكلاء.

معالج بواسطة الذكاء الاصطناعي من Mistral AI News؛ بتحرير Hamidun News
Mistral تطلق Search Toolkit — إطار عمل مفتوح المصدر لمسارات البحث
المصدر: Mistral AI News. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليMistral AI News ↗
رئيس التحرير
البحث المؤسسيأنماط موحدة لمعالجة وفهرسة أنواع مختلفة من المصادر — تضيف مصدرًا جديدًا دون إعادة بناء المسار من الصفر.
تقييم RAG المدمجيقيس أداء المسترجع (retriever) بمعزل عن جودة التوليد، ما يتيح العثور سريعًا على الحلقة الأضعف في السلسلة.
البحث المتخصص في مجال معينالمستندات القانونية والسجلات الطبية والتقارير المالية — مصطلحات وبنى متخصصة تتعامل معها أنظمة الاسترجاع العامة بشكل ضعيف.

فتحت Mistral AI المعاينة العامة لـ Search Toolkit، وهو إطار عمل مفتوح المصدر وقابل للتركيب (composable) لبناء مسارات بحث إنتاجية في تطبيقات الذكاء الاصطناعي. ويعالج المشروع مشكلة يعرفها مهندسو تعلّم الآلة جيدًا: فبناء البنية التحتية للبحث يستغرق وقتًا أطول من تحسين جودة البحث نفسه.

لماذا لا يزال البحث معقدًا

تضطر معظم الفرق التي تبني أنظمة الاسترجاع (retrieval) إلى ربط عدة أدوات منفصلة: أداة لاستيعاب البيانات، وأخرى للبحث، وثالثة لتقييم الجودة. ولكل أداة واجهتها الخاصة وافتراضاتها الخاصة حول صيغة البيانات. وتتحدث الفرق عن أسابيع من العمل على التكامل قبل أن تتمكن من تنفيذ أول استعلام حقيقي على بياناتها، كما أن قياس ما إذا كان المسترجع (retriever) يعيد النتائج الصحيحة يتطلب مجموعة أدوات أخرى.

وبالنسبة للمؤسسات التي تبني سير عمل RAG أو أنظمة معرفة داخلية، تتضاعف هذه التكاليف الإضافية على كل مستوى. فمعظم الشركات لا تواجه مهمة بحث واحدة، بل عشرات المهام: ويكي داخلي، وأنظمة التذاكر، ومستودعات المستندات، ومخازن الملفات، وقواعد الشيفرة. ولكل مصدر بنية مختلفة وبيانات وصفية مختلفة، ويحتاج إلى معالجة مختلفة كي تتم فهرسته جيدًا. والنتيجة مجموعة فهارس معزولة لا يمكن البحث فيها معًا، أو طبقة مخصصة هشة فوقها تتحول سريعًا إلى مصدر للمشكلات بحد ذاتها.

يجمع Search Toolkit الاستيعاب والاسترجاع والتقييم في إطار واحد بواجهة مشتركة، كي تُصرف أوقات الفرق على تحسين جودة البحث لا على صيانة التكاملات.

ما الذي يقدمه Search Toolkit

الإطار مفتوح المصدر ويمكن تشغيله في أي مكان: السحابة، وداخل مقرات المؤسسات (on-premise)، وعلى الأجهزة الطرفية (edge). وتقدمه Mistral بوصفه معيارًا للبنية التحتية، لا منتج SaaS آخر. وفيما يلي أبرز سيناريوهات الاستخدام:

  • البحث المؤسسي: أنماط موحدة لمعالجة وفهرسة أنواع مختلفة من المصادر — تضيف مصدرًا جديدًا دون إعادة بناء المسار من الصفر.
  • تقييم RAG المدمج: يقيس أداء المسترجع (retriever) بمعزل عن جودة التوليد، ما يتيح العثور سريعًا على الحلقة الأضعف في السلسلة.
  • البحث المتخصص في مجال معين: المستندات القانونية والسجلات الطبية والتقارير المالية — مصطلحات وبنى متخصصة تتعامل معها أنظمة الاسترجاع العامة بشكل ضعيف.
  • البحث بواسطة الوكلاء: ينفذ الوكلاء استعلامات البحث بصورة مستقلة وبحجم كبير، لذلك تؤثر جودة البنية التحتية للبحث مباشرة في كل خطوة لاحقة.
  • موصّلات البيانات الحية: يسحب الوكلاء المعلومات مباشرة من المصادر في الوقت الفعلي، لا من الفهارس الثابتة فقط.

الفكرة الأساسية للإطار هي قابلية التركيب (composability): يمكن استبدال كل مكوّن أو توسيعه بشكل مستقل، ما يتيح للفرق الانتقال تدريجيًا من الحلول القائمة دون إعادة كتابة البنية التحتية بأكملها.

RAG: أين البحث وأين التوليد

عندما يعطي نظام RAG نتائج سيئة، يكون السؤال الأول: هل المشكلة في الاسترجاع أم في التوليد؟ عمليًا، لا تملك معظم الفرق طريقة واضحة للإجابة. فهي تعدّل الموجّهات (prompts)، وتغيّر استراتيجية التقطيع (chunking)، وتبدّل النماذج — دون أن تعرف ما إذا كان المسترجع يجلب السياق الصحيح. وحتى لو كانت المشكلة في البحث، لا توجد أداة لمقارنة الإعدادات بصورة قابلة لإعادة الإنتاج.

والفرق التي تركّز فعلًا على الاسترجاع كثيرًا ما تفتقر إلى أدوات لمقارنة الاستراتيجيات بصرامة على بياناتها الخاصة ووفق معايير الصلة التي تحددها بنفسها. أما البديل فهو كتابة سكربتات تقييم منفصلة لكل تجربة.

يتضمن Search Toolkit تقييمًا مدمجًا يقيس أداء المسترجع بمعزل عن التوليد. ويمكن عزل جودة البحث، ومقارنة الإعدادات مع نمو المجموعة النصية (corpus)، وتحديد موضع الخلل في المسار بسرعة — دون تجريب معاملات النموذج عشوائيًا.

ماذا يعني ذلك

تتناول Mistral مشكلة بنية تحتية تعرفها جيدًا فرق تعلّم الآلة وكل من يبني أنظمة RAG. فإطار مفتوح المصدر موحّد للاستيعاب والبحث والتقييم رهان جاد على أن يصبح معيارًا في البحث المؤسسي القائم على الذكاء الاصطناعي. والإطار غير مرتبط بسحابة بعينها ولا بنموذج لغوي بعينه، ما يجعله طبقة بنية تحتية محايدة. وإذا حظي بالتبني، فإن الفجوة بين «بناء المسار» و«تحسين جودة البحث» ستتقلص من أسابيع إلى أيام.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لماذا لا يزال البحث معقدًا؟

تضطر معظم الفرق التي تبني أنظمة الاسترجاع (retrieval) إلى ربط عدة أدوات منفصلة: أداة لاستيعاب البيانات، وأخرى للبحث، وثالثة لتقييم الجودة. ولكل أداة واجهتها الخاصة وافتراضاتها الخاصة حول صيغة البيانات. وتتحدث الفرق عن أسابيع من العمل على التكامل قبل أن تتمكن من تنفيذ أول استعلام حقيقي على بياناتها، كما أن قياس ما إذا كان المسترجع (retriever) يعيد النتائج الصحيحة يتطلب مجموعة أدوات أخرى. وبالنسبة للمؤسسات التي تبني سير عمل RAG أو أنظمة معرفة داخلية، تتضاعف هذه التكاليف الإضافية على كل مستوى.

ما أبرز التفاصيل حول ما الذي يقدمه Search Toolkit؟

الإطار مفتوح المصدر ويمكن تشغيله في أي مكان: السحابة، وداخل مقرات المؤسسات (on-premise)، وعلى الأجهزة الطرفية (edge). وتقدمه Mistral بوصفه معيارًا للبنية التحتية، لا منتج SaaS آخر. وفيما يلي أبرز سيناريوهات الاستخدام: البحث المؤسسي: أنماط موحدة لمعالجة وفهرسة أنواع مختلفة من المصادر — تضيف مصدرًا جديدًا دون إعادة بناء المسار من الصفر. تقييم RAG المدمج: يقيس أداء المسترجع (retriever) بمعزل عن جودة التوليد، ما يتيح العثور سريعًا على الحلقة الأضعف في السلسلة.

ما أبرز التفاصيل حول RAG: أين البحث وأين التوليد؟

عندما يعطي نظام RAG نتائج سيئة، يكون السؤال الأول: هل المشكلة في الاسترجاع أم في التوليد؟ عمليًا، لا تملك معظم الفرق طريقة واضحة للإجابة. فهي تعدّل الموجّهات (prompts)، وتغيّر استراتيجية التقطيع (chunking)، وتبدّل النماذج — دون أن تعرف ما إذا كان المسترجع يجلب السياق الصحيح. وحتى لو كانت المشكلة في البحث، لا توجد أداة لمقارنة الإعدادات بصورة قابلة لإعادة الإنتاج. والفرق التي تركّز فعلًا على الاسترجاع كثيرًا ما تفتقر إلى أدوات لمقارنة الاستراتيجيات بصرامة على بياناتها الخاصة ووفق معايير الصلة التي تحددها بنفسها.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…