Veynrel يضع الملاحظة المطلوبة في المرتبة الأولى في 3 من 3 استعلامات

يفشل البحث التقليدي في الملاحظات في اللحظة الأكثر شيوعًا: تتذكر الفكرة، لكنك لا تتذكر الصياغة الدقيقة ولا اسم الملف. فالاستعلام «كيف أختبر نفسي دون ملخص» لا يلزم أن يحتوي على كلمات من ملاحظة «بروفة الإجابة الشفوية». ولذلك قد يعيد البحث القائم على مطابقة النصوص نتيجة فارغة، رغم أن المادة المطلوبة موجودة على مقربة.

تعالج إضافة Veynrel لتطبيق Obsidian هذه المشكلة عبر البحث الدلالي. فهي تحوّل مسبقًا مقاطع من الملاحظات إلى تمثيلات رقمية — أي embeddings — وتحفظ فهرسًا، ثم تقارن به سؤالًا مطروحًا بكلمات عادية. وفي تجربة صغيرة أجراها المؤلف، وضع BGE-M3 الملاحظة المطلوبة في المرتبة الأولى في ثلاثة استعلامات من ثلاثة. هذه نتيجة مفيدة، لكنها ليست بعد اختبارًا مقارنًا كاملًا.

كيف يبدو ذلك في مثال بسيط

للتحقق، أنشأ المؤلف مخزنًا تعليميًا من 16 ملاحظة وهمية: أسئلة امتحانية ومسائل وخطط للتحضير. ثم طرح ثلاثة أسئلة تختلف صياغتها عن نص الملفات المطلوبة. فعلى سبيل المثال، كان الاستعلام عن رسم بياني «يرتفع وينخفض» يفترض أن يقود إلى سؤال عن تزايد الدالة وتناقصها.

لم يعثر بحث Obsidian المدمج على هذا الملف بكلمتين مختارتين. أما MiniLM المحلي فوضع الملاحظة المطلوبة في المرتبة الرابعة، بينما وضعها BGE-M3 في المرتبة الأولى. والأكثر دلالة هو الاستعلام عن سبب تغيير التبديل لكلمة المرور: فلم تكن كلمة «تبديل» موجودة أصلًا في الملاحظة الأصلية. عجز البحث بالكلمات، في حين ربط البحث الدلالي بين وصف تغيير ترتيب الرموز والسؤال.

جرى اختبار ثلاث إعدادات. عمل MiniLM محليًا عبر ONNX ووضع الملفات الصحيحة في المراتب 1 و4 و1. أما BGE-M3 السحابي عبر OpenRouter وBGE-M3 المحلي عبر Ollama فقد أعطيا المراتب 1 و1 و1. وبُني لـ Ollama فهرس منفصل من 19 متجهًا، لكل منها 1024 مكوّنًا. ولم تغادر الملاحظات الحاسوب في هذا الإعداد.

ليس بحثًا فقط

لدى Veynrel وضع Health الذي يفحص محليًا بنية المخزن. وفي المجلد التجريبي اكتشف رابطًا تُرك عمدًا يشير إلى ملاحظة غير موجودة، ونسخة مطابقة تمامًا لملف آخر. ولا يحتاج هذا الفحص إلى نموذج لغوي ولا إلى مفتاح API.

يُنشئ وضع Recall بطاقات للمراجعة من أسئلة وأجوبة مكتوبة بصيغة Markdown. يكشف المستخدم الإجابة، ويقيّم مدى تذكره لها، ثم تحدد الإضافة موعد المراجعة التالية. ويحفظ Studio سيناريوهات معالجة النصوص، بينما يتيح تكامل Companion لوكيل ذكاء اصطناعي قراءة نسخ متزامنة من الملاحظات واقتراح تعديلات. وتبقى كتابة التعديلات تحت سيطرة المستخدم.

ما يجب التحقق منه قبل الاعتماد

لا تثبت ثلاثة استعلامات و16 ملاحظة مُعدّة أن BGE-M3 سيتفوق على مخزن عملي يضم آلاف الملفات المتنوعة. ويشير المؤلف صراحةً إلى أن الترتيب قد يتغير في مجلد آخر. كما لا يمكن مقارنة درجات التقارب الرقمية بين نماذج مختلفة مباشرةً. ولم يحسّن Rerank في المثال المعروض المرتبة الأولى، إذ كانت الملاحظة المطلوبة في الأعلى أصلًا.

وهناك أيضًا مسألة الخصوصية. فعند العمل عبر OpenRouter تُرسل مقاطع من الملاحظات إلى مزوّد خارجي. وبالنسبة إلى البيانات السرية، من الأحكم البدء بإعداد محلي: تثبيت Ollama، وتنزيل bge-m3، وتحديد العنوان http://127.0.0.1:11434، وبناء فهرس جديد. يشغل النموذج نحو 1,2 غيغابايت، لذا ينبغي التحقق مسبقًا من مساحة القرص والذاكرة.

الخلاصة العملية بسيطة: البحث الدلالي مفيد حيث يتذكر الإنسان المعنى أفضل من اسم الملف. لكن من المبكر اختيار نموذج استنادًا إلى ثلاث إصابات جميلة. اجمع أولًا من 20 إلى 50 استعلامًا حقيقيًا من سجلك الخاص، وحدّد الملاحظات المتوقعة، وقارن مراتب النتائج. عندها سيتضح ما إذا كان الفهرس الجديد يستحق كلفة الذاكرة والتأخير واحتمال نقل البيانات إلى السحابة.