«Смысл.ИИ»: بناء RAG وكيلي على مستندات الشركة باستخدام Kotlin دون Python
يسأل موظف مساعد الذكاء الاصطناعي: «ما مدة الموافقة على الإجازة وفق اللائحة؟»، والإجابة موجودة في أحد ملفات الشركة. يبحث نظام «Смысл.ИИ» المبني على Kotlin وLangChain4j في المستندات على عدة جولات: إذا أخطأ البحث الأول هدفه، يعدّل الوكيل الاستعلام. ولا يُرسل إلى نموذج اللغة سوى المقاطع التي عُثر عليها، لا المجموعة الكاملة من المستندات. وبذلك تحصل الفرق العاملة على JVM على مثال لبناء RAG من هذا النوع دون Python.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
تخيّل أن موظفًا يسأل مساعد الذكاء الاصطناعي المؤسسي: «ما مدة الموافقة على الإجازة وفق اللائحة؟» الإجابة موجودة في أحد الملفات الداخلية، ومهمة النظام أن يعثر على المقطع المناسب ويجيب استنادًا إليه، لا اعتمادًا على «معرفة النموذج المستمدة من الإنترنت». يُسمّى هذا النهج RAG: قبل الإجابة، يتلقى نموذج اللغة (LLM) مقاطع نصية عُثر عليها في المستندات. ويختلف RAG «الوكيلي» في أن النموذج نفسه يقرر ما الذي يبحث عنه، ويمكنه إجراء عدة عمليات بحث متتالية إذا لم ينجح الأول.
أصدر مؤلف نظام B2B «Смысл.ИИ» (smysl.ai) أول مقال في سلسلة من ثلاث مقالات: كل شيء مبني على JVM، أي على Kotlin وSpring Boot ومكتبة LangChain4j، لا على Python المعتادة.
وبالنسبة إلى فرق Java وKotlin، هذا تحليل نادر لمنتج يعمل فعلًا، وليس دليلًا تعليميًا.
ما المشكلة التي يحلّها المنتج
تملك الشركات المتوسطة والكبيرة كمًّا كبيرًا من المستندات الداخلية، لكن العثور على إجابة سؤال محدد يستغرق وقتًا طويلًا: يجب تصفح المجلدات ومخازن الملفات، ثم سؤال الزملاء. ويختصر كثيرون الطريق بتحميل الملفات إلى دردشة خارجية مثل ChatGPT «لمجرد تحليلها». وعندئذ تصبح المستندات خارج نطاق الشركة.
في «Смысл.ИИ» تُحفظ المكتبة داخل البنية التحتية للنظام نفسه. ولا يُرسل إلى LLM سوى المقاطع التي عُثر عليها، أي الأجزاء (chunks) أو الصفحات الكاملة، لا المجموعة الكاملة من المستندات. ويتصل النموذج عبر API. في العرض التجريبي يُستخدم مزوّد خارجي، لكن يمكن توجيه المسار نفسه إلى نموذج في سحابة الشركة أو on-prem، إذا كانت نقطة وصول متوافقة منشورة هناك.
المهمة محدودة عن قصد: سؤال عن ملفات الشركة وإجابة تستند إليها مع ذكر المصادر. وهذا ليس نظام LMS، ولا بديلًا عن قاعدة المعرفة بأكملها، ولا منصة وكلاء.
بماذا يختلف عن RAG التقليدي
يعمل RAG الكلاسيكي في مرور واحد: بحث، ثم وضع كل المقاطع المعثور عليها في السياق، ثم إجابة. أما هنا فيملك LLM أدوات (tools). ويمكن للوكيل أن يبحث على عدة جولات: يعدّل الاستعلام أو يستكمل المقاطع الناقصة، ثم يجيب. وإذا جلب البحث الأول نسخة غير صحيحة من اللائحة، يمكن تصحيح ذلك قبل الإجابة. وثمن هذا النهج واضح: مزيد من استدعاءات النموذج وتأخير أعلى. ولا يورد المؤلف أي قياسات، ولذلك لا يمكن تقدير المكسب في الدقة من النص.
تجري عملية التحميل على النحو التالي: تحليل الملف (parsing)، ثم تقطيعه إلى أجزاء (chunks)، ثم كتابة المقاطع في الفهرس. وتُدعم صيغ PDF وDOCX وTXT وMD وHTML؛ ويتولى Docling التحليل والتقطيع.
كيف بُنيت المنظومة التقنية
يتكون الجزء الخلفي من خدمتين على Kotlin وSpring Boot. الأولى، data-processor، مسؤولة عن تحميل الملفات ومعالجتها الثقيلة. والثانية، assistant، تدير المحادثة والوكيل والبحث عبر LangChain4j. ويعزو المؤلف هذا الفصل إلى اختلاف الأحمال، لا إلى موضة الخدمات المصغّرة: إذ يمكن تطوير مسار المستندات ومسار الذكاء الاصطناعي ونشرهما بشكل مستقل.
ثلاثة قرارات تستحق التذكّر:
- Apache Doris يخزّن المقاطع ويوفّر البحث النصي الكامل والبحث الدلالي في مكان واحد، دون الجمع بين «محرك بحث وقاعدة بيانات متجهية». ويقرّ المؤلف بأن Qdrant يملك الوضعين أيضًا، وبأن قواعد البيانات المتخصصة غالبًا ما تتفوق في البحث المتجهي الخالص. لكن الأهم عنده هو مسار موحّد للبحث الهجين وهامش أمان في الحمل.
- Valkey Streams يحلّ مشكلة البث. فإجابة LLM تولّدها نسخة واحدة من assistant، بينما قد يصل اتصال SSE الخاص بالعميل إلى نسخة أخرى. تُكتب الرموز (tokens) في Valkey، وتقرأها منه النسخة التي تحتفظ بالاتصال.
- GraalVM Native Image يوفّر إقلاعًا سريعًا وتكاليف تشغيلية أقل مقارنة بـ JVM العادية. والثمن هو بناء أطول زمنًا.
والبقية: PostgreSQL للبيانات الوصفية والمحادثات، وKeycloak للمصادقة عبر OIDC، وCaddy كوكيل (proxy)، ومخزن متوافق مع S3 للملفات، وReact في الواجهة الأمامية، واستضافة العرض التجريبي على VK Cloud.
القيود وما يلي
الشيفرة المصدرية مغلقة، ولا يوجد وصول عام إلى العرض التجريبي، بل لقطات شاشة فقط وربما مقطع فيديو قصير. وقد جُمعت مكتبة العرض التجريبي من مستندات شركة وهمية. ولا يتناول المؤلف البنية الخلفية المساندة إلا بالكاد، ويصف النص نفسه بأنه وصف لمنتج يعمل، لا قائمة تحقق للتطبيق «جاهزًا للتسليم». ولا توجد حتى الآن أرقام عن الجودة أو السرعة أو التكلفة.
أثناء العمل وجد المؤلف قيودًا في المكتبات التي يعتمد عليها، وفتح issues في Docling وDocling Java، وقدّم PR إلى LangChain4j.
تتناول المقالتان التاليتان مسار معالجة المستندات من Docling حتى الفهرس في Doris، والوكيل: الأدوات، والبحث في المجموعة، والإجابة مع المصادر، وبث الرموز (tokens). وبالنسبة إلى فرق JVM، هذه فرصة للاطلاع على حلول ملموسة قبل أن تقرر إعادة كتابة كل شيء بـ Python.
- 19 نوفمبر 2026Anthropic تطرح أسهمها في البورصة وتجمع 81.3 مليار دولار، متجاوزة رقم SpaceX القياسي البالغ 75 مليار دولار
- 19 نوفمبر 2026إنفوستارت تربط Yandex Direct وYandex Metrica وWordstat بـ ChatGPT: 6 أوامر ووصول مشترك
- 19 نوفمبر 2026تقييم حصتي Amazon وGoogle في Anthropic بنحو 308 مليار دولار عند الطرح العام بسعر 83 دولارًا للسهم
- 19 نوفمبر 2026Gemini 4 Neon من Google تعمل بسرعة تبلغ ضعف Carbon تقريبًا وبتكلفة أقل بنسبة 17% للمهمة الواحدة
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما المشكلة التي يحلّها المنتج؟
تملك الشركات المتوسطة والكبيرة كمًّا كبيرًا من المستندات الداخلية، لكن العثور على إجابة سؤال محدد يستغرق وقتًا طويلًا: يجب تصفح المجلدات ومخازن الملفات، ثم سؤال الزملاء. ويختصر كثيرون الطريق بتحميل الملفات إلى دردشة خارجية مثل ChatGPT «لمجرد تحليلها». وعندئذ تصبح المستندات خارج نطاق الشركة. في «Смысл.ИИ» تُحفظ المكتبة داخل البنية التحتية للنظام نفسه. ولا يُرسل إلى LLM سوى المقاطع التي عُثر عليها، أي الأجزاء (chunks) أو الصفحات الكاملة، لا المجموعة الكاملة من المستندات. ويتصل النموذج عبر API.
ما أبرز التفاصيل حول بماذا يختلف عن RAG التقليدي؟
يعمل RAG الكلاسيكي في مرور واحد: بحث، ثم وضع كل المقاطع المعثور عليها في السياق، ثم إجابة. أما هنا فيملك LLM أدوات (tools). ويمكن للوكيل أن يبحث على عدة جولات: يعدّل الاستعلام أو يستكمل المقاطع الناقصة، ثم يجيب. وإذا جلب البحث الأول نسخة غير صحيحة من اللائحة، يمكن تصحيح ذلك قبل الإجابة. وثمن هذا النهج واضح: مزيد من استدعاءات النموذج وتأخير أعلى. ولا يورد المؤلف أي قياسات، ولذلك لا يمكن تقدير المكسب في الدقة من النص.
ما أبرز التفاصيل حول كيف بُنيت المنظومة التقنية؟
يتكون الجزء الخلفي من خدمتين على Kotlin وSpring Boot. الأولى، data-processor، مسؤولة عن تحميل الملفات ومعالجتها الثقيلة. والثانية، assistant، تدير المحادثة والوكيل والبحث عبر LangChain4j. ويعزو المؤلف هذا الفصل إلى اختلاف الأحمال، لا إلى موضة الخدمات المصغّرة: إذ يمكن تطوير مسار المستندات ومسار الذكاء الاصطناعي ونشرهما بشكل مستقل. ثلاثة قرارات تستحق التذكّر: Apache Doris يخزّن المقاطع ويوفّر البحث النصي الكامل والبحث الدلالي في مكان واحد، دون الجمع بين «محرك بحث وقاعدة بيانات متجهية».
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.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.