استبدل المطور شرح السياق المتكرر للشبكة العصبية بسير عمل LLM Wiki

عرض مؤلف مدونة تقنية على Habr سير عمل LLM Wiki: بدلاً من إعادة شرح السياق لشبكة عصبية مع كل طلب، يملأ النموذج تدريجياً وينظم قاعدة معارف في تخزين Obsidian. تم استخدام عدة مقالات من Habr نفسه كمصادر لملء القاعدة، وتم بناء معالجة المهام على Codex.

ما الذي تم بناء سير العمل عليه

يعتمد النظام على مزيج من عدة أدوات وثلاث عمليات متسلسلة قام المؤلف بتنفيذها بشكل مستقل في الأعلى من vault موجود في Obsidian.

• تخزين المعرفة — vault في Obsidian
• معالجة الطلب والإنشاء — من خلال Codex
• المصادر لملء القاعدة — عدة مقالات من Habr
• ثلاث عمليات خط أنابيب: ingest (تحميل المواد)، query (الاستعلام عن القاعدة)، lint (فحص الجودة)
• حسب المؤلف تكلفة ingest على نموذج Yandex Foundation Models

بناء سير العمل حول ثلاث عمليات منفصلة بالضبط — ingest و query و lint — يسمح للمؤلف بتقسيم المسؤولية: تحميل المواد الجديدة والوصول إلى المعرفة المتراكمة بالفعل والتحقق من الجودة تحدث كخطوات مستقلة، وليس كعملية مونوليتية واحدة.

كيف يختلف هذا عن RAG العادي

يجد نهج RAG الكلاسيكي، مع كل طلب، أجزاء ذات صلة جديدة في قاعدة المستندات ويستبدلها في الحث — النموذج لا يتذكر شيئاً بين الجلسات، والسياق يجب أن يتم إعادة تجميعه من الصفر في كل مرة. في LLM Wiki، يكمل النموذج بالمقابل ويهيكل تدريجياً vault: نتيجة كل استعلام لا تجيب على المستخدم فحسب، بل تستقر أيضاً في قاعدة المعارف كطبقة wiki منفصلة يمكن إعادة استخدامها في الاستعلامات اللاحقة دون إعادة شرح السياق.

يوضح المؤلف في المقالة بنية vault نفسها وأمثلة على ما تبدو عليه طبقة wiki هذه في الممارسة، مقارناً النهج الناتج مع RAG العادي من حيث الراحة والتكلفة. وفقاً لوصفه، الفرق الأساسي ليس من أين يحصل النموذج على الحقائق، بل ما يحدث للإجابة بعد استقبالها: في RAG الكلاسيكي تُفقد الإجابة بعد الجلسة، بينما في LLM Wiki تبقى جزءاً من القاعدة للاستعلامات اللاحقة.

ما المخاطر التي ينطوي عليها هذا النهج

يحلل المؤلف بشكل منفصل المخاطر التي تظهر بسرعة في الممارسة العملية مع هذا النهج — على وجه الخصوص، مسألة تكلفة ingest المستمرة للمواد الجديدة والحاجة إلى عملية lint منفصلة بحيث لا تتدهور قاعدة المعارف ولا تتراكم فيها مدخلات متناقضة مع نموها.

حسب المؤلف تكاليف ingest ليس بشكل مجرد، بل على نموذج محدد — Yandex Foundation Models — وهذا يتحدث عن محاولة لتقييم اقتصاديات النهج في الممارسة، بدلاً من مجرد وصف معماريته في النظرية.

ما المقصود بهذا

يوفر سير عمل LLM Wiki بديلاً لـ RAG التقليدي: بدلاً من إعادة تجميع السياق من المستندات الخام في كل مرة، يحافظ النموذج على قاعدة معارف حية ومحدثة باستمرار — قد يقلل هذا من عدد الرموز التي يتم صرفها لشرح السياق، لكنه يتطلب مراقبة جودة منفصلة من خلال lint للحفاظ على القاعدة موثوقة.

بالنسبة لأولئك الذين يعملون مع LLM على أحجام كبيرة من الأسئلة المتكررة — سواء كانت قاعدة معارف شخصية في Obsidian أو توثيق الشركات — يوضح هذا النهج طريقة عملية لتقليل تكلفة تكرار السياق نفسه باستمرار في الأوامر.