مطوّر يستغني عن Pinecone: بحث في 72 450 مقطعًا برمجيًا خلال 50 مللي ثانية
عادةً ما يُنصح للبحث في ملفاتك الخاصة باستخدام OpenAI API المدفوع وقاعدة Pinecone السحابية. أما مطوّر من سامارا فقد استغنى عنهما: قسّم 18 مشروعًا إلى 72 450 مقطعًا (chunks) وخزّنها في ملف SQLite واحد بحجم 110 ميغابايت. يستغرق البحث على معالج عادي حتى 50 مللي ثانية، بينما تكلفة التضمينات (embeddings)، أي «البصمات» الرقمية للنص، 0 روبل. والخلاصة: تحتاج إلى RAG كمرشد للتنقل بين المستودعات الغريبة عنك، أما المشروع الحالي فقراءته مباشرةً أبسط.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
عندما تكثر المشاريع، ينسى وكيل الذكاء الاصطناعي أين يوجد كل شيء: يتبعثر سياق المحادثة، ويضطر المطوّر إلى البحث يدويًا عن المقطع البرمجي المطلوب. والنصيحة الشائعة على الإنترنت هي اعتماد LangChain وربطه بـ OpenAI API المدفوع وتخزين المتجهات في قاعدة Pinecone السحابية. لكن كاتب التحليل على Habr، وهو مهندس AI/ML يبلغ 22 عامًا وطالب ماجستير في جامعة سامارا، لم يرغب في الدفع عن كل استعلام.
فقسّم 18 مشروعًا من مشاريعه إلى 72 450 chunk (وهي الاسم الذي يُطلق على المقاطع الصغيرة من النص أو الكود التي يجري البحث فيها)، وجمعها في ملف SQLite واحد، وهو قاعدة بيانات مدمجة عادية لا تحتاج إلى خادم منفصل. يبلغ حجم الملف 110 ميغابايت، ويستغرق البحث في جميع المقاطع على معالج عادي حتى 50 مللي ثانية، أي جزءًا من عشرين من الثانية. أما التضمينات (embeddings)، وهي «البصمات» الرقمية لمعنى النص التي يقوم عليها البحث، فيدفع المؤلف مقابلها 0 روبل.
والنتيجة مذكرة هندسية صريحة عن الأعطال التي تظهر في نظام كهذا وعن الغرض العملي من RAG.
كيف يعمل النظام
الفكرة أن يُترك توليد الإجابات للنموذج المتاح بالاشتراك داخل بيئة التطوير (Antigravity أو Claude Code)، بينما تبقى الذاكرة والبحث والتخزين لدى المطوّر نفسه. ويتم الربط عبر MCP، وهو بروتوكول لتوصيل الأدوات بالوكلاء. أما وسيلة النقل فهي تدفقات الإدخال والإخراج العادية (stdio)، ولذلك لا توجد خوادم ويب ولا منافذ مفتوحة. والكود مكتوب بلغة Python 3.12 الصرفة دون LangChain أو LlamaIndex.
البحث هجين. تُحسب المتجهات الكثيفة بمكتبة numpy وتجد النصوص المتقاربة في المعنى. أما خوارزمية Okapi BM25 فتجد التطابقات الحرفية للكلمات. ثم تُدمج القائمتان الناتجتان بطريقة Reciprocal Rank Fusion، التي تجمع مراتب المستندات في الترتيبين.
تُخزَّن المتجهات في SQLite على هيئة BLOB ثنائية بصيغة float32. المقطع الواحد يعادل 128 رقمًا، أي نحو 512 بايت. وبحسب المؤلف، لا تستهلك القاعدة ذاكرة وصول عشوائي في حالة الخمول. وتتحقق 800 اختبار pytest من أنها لا تسرّب الذاكرة وأنها تصمد أمام الاستعلامات المتزامنة.
ثلاثة أخطاء يجدر معرفتها مسبقًا
الأول عدم تطابق الأبعاد. فُهرست المستندات بمزوّد محلي ينتج 128 رقمًا لكل متجه، بينما كان نموذج FastEmbed الاحتياطي ينتج افتراضيًا 384. وفشل أول استعلام برسالة الخطأ Embedding dimension mismatch. ولم يلجأ المؤلف إلى إعادة فهرسة كل شيء عند تغيير النموذج، بل أضاف محوّلًا: يُقتطع الاستعلام الأطول من اللازم، ويُكمَّل الأقصر بالأصفار. لكن ثمة تحفظًا: متجهات النماذج المختلفة تعيش في فضاءات مختلفة. المحوّل يزيل الخطأ، لكنه لا يضمن جودة النتائج. وللعمل الجاد، الأسلم إعادة فهرسة البيانات بنموذج واحد.
الثاني مسارات Windows. كان الاستعلام LIKE '%Deckor%' على مسارات تحتوي على شرطات مائلة عكسية لا يُرجع أي صف. ويعزو المؤلف ذلك إلى أن الشرطة المائلة تُعامَل في بعض الإعدادات كحرف تهريب (escape). وقد حلّت المشكلة باستبدالها بـ INSTR(LOWER(doc_id), LOWER(?)) > 0: فهذه الدالة لا تستخدم تسلسلات التهريب، وهي أسرع بحسب قياسات المؤلف.
الثالث «المستودعات الفيلية». أضاف مستودع n8n 38 ألف مقطع من ملفات الترجمة والاختبارات. وبسببه كانت أفضل 8 نتائج لاستعلام «каркас брус» (هيكل من عوارض خشبية) تمتلئ بمقاطع غريبة قبل أن يصل الدور إلى مشروع Deckor المطلوب. والحل هو تمرير project_id مباشرةً في استعلام SQL. عندها لا تُعيد القاعدة سوى 2 300 مقطع من المشروع المطلوب خلال 2 مللي ثانية، أما الباقي فلا يدخل حتى في حساب التشابه الجيبي (cosine similarity)، وهو مقياس تقارب متجهين. وهذه قاعدة تفيد كل من يبني RAG فوق عدة مصادر: صفِّ النتائج قبل حساب التشابه، لا بعده.
لماذا نحتاج إلى RAG فعلًا
أكثر الاستنتاجات عملية يتعلق بسلوك النموذج. فقد أصرّ الوكيل على قراءة الملفات مباشرةً عبر الطرفية أو grep وتجاهل RAG الجاهز. غضب المؤلف في البداية، ثم وافق النموذج الرأي. فإذا كنت تحتاج إلى السطر 20 في CLAUDE.md، فالقراءة المباشرة تمنح دقة مئة بالمئة خلال أجزاء من الثانية. أما البحث المتجهي فلا يضيف هنا سوى الضجيج واحتمال الحصول على مقطع كود مبتور بلا استيرادات.
لذلك كتب المؤلف للوكيل بروتوكول توجيه. المستودع الحالي يُقرأ مباشرةً عبر read_file وgrep. أما المشاريع الخارجية والأرشيفات التي تضم أكثر من مئة ملف، فيجتازها الوكيل عبر rag_search. يعمل هذا البحث كرادار: يشير إلى أن منطق التصاق العقد موجود في builder.py وcustom.py. بعد ذلك يفتح الوكيل هذين الملفين بنفسه ويأخذ منهما الصيغ والثوابت الدقيقة مثل NODE_PX=11 وAXIS_PX=9. هذه الحزمة، «RAG كمرشد مع قراءة موضعية»، تعمل في ثانية واحدة وتوفّر عشرات الآلاف من رموز (tokens) السياق.
ما ينبغي أخذه في الحسبان
هذا مشروع شخصي لمطوّر واحد، وجميع الأرقام (50 مللي ثانية، 0 ميغابايت من الذاكرة في الخمول، توفير الرموز) أوردها المؤلف نفسه. ولا توجد قياسات مستقلة. والمسح الكامل للمتجهات في numpy يناسب عشرات الآلاف من المقاطع، أما مع الملايين فسيلزم التفكير في فهارس تقريبية. ومع ذلك، تبدو الفكرة عملية وزهيدة التكلفة لقاعدة معرفة شخصية أو وثائق فريق داخلية أو لتنقّل الوكيل بين مستودعات قديمة. وقد نشر المؤلف الشيفرة المصدرية على GitHub في مستودع antigravity-local-core.
- 21 نوفمبر 2026Apple تعدّ وكيل ذكاء اصطناعي وتصعّب الوصول على الوكلاء الآخرين: الإذن الآن في 14 خطوة بدلًا من 4
- 21 نوفمبر 2026Gemini 4 Neon تقلّص حجم ملف TS Rust التنفيذي من 47,44 إلى 7,97 ميغابايت في أقل من 10 ساعات
- 21 نوفمبر 2026عدد وظائف FDE تضاعف 4.6 مرة خلال عام: ماذا يفعل المهندس في موقع العميل
- 21 نوفمبر 2026قائدة فريق سباحة تُسند ثلاث مهام مجدولة إلى ChatGPT وتختصر الروتين أضعافًا
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف يعمل النظام؟
الفكرة أن يُترك توليد الإجابات للنموذج المتاح بالاشتراك داخل بيئة التطوير (Antigravity أو Claude Code)، بينما تبقى الذاكرة والبحث والتخزين لدى المطوّر نفسه. ويتم الربط عبر MCP، وهو بروتوكول لتوصيل الأدوات بالوكلاء. أما وسيلة النقل فهي تدفقات الإدخال والإخراج العادية (stdio)، ولذلك لا توجد خوادم ويب ولا منافذ مفتوحة. والكود مكتوب بلغة Python 3.12 الصرفة دون LangChain أو LlamaIndex. البحث هجين. تُحسب المتجهات الكثيفة بمكتبة numpy وتجد النصوص المتقاربة في المعنى.
ما أبرز التفاصيل حول ثلاثة أخطاء يجدر معرفتها مسبقًا؟
الأول عدم تطابق الأبعاد. فُهرست المستندات بمزوّد محلي ينتج 128 رقمًا لكل متجه، بينما كان نموذج FastEmbed الاحتياطي ينتج افتراضيًا 384. وفشل أول استعلام برسالة الخطأ Embedding dimension mismatch. ولم يلجأ المؤلف إلى إعادة فهرسة كل شيء عند تغيير النموذج، بل أضاف محوّلًا: يُقتطع الاستعلام الأطول من اللازم، ويُكمَّل الأقصر بالأصفار. لكن ثمة تحفظًا: متجهات النماذج المختلفة تعيش في فضاءات مختلفة. المحوّل يزيل الخطأ، لكنه لا يضمن جودة النتائج. وللعمل الجاد، الأسلم إعادة فهرسة البيانات بنموذج واحد. الثاني مسارات Windows.
ما أبرز التفاصيل حول لماذا نحتاج إلى RAG فعلًا؟
أكثر الاستنتاجات عملية يتعلق بسلوك النموذج. فقد أصرّ الوكيل على قراءة الملفات مباشرةً عبر الطرفية أو grep وتجاهل RAG الجاهز. غضب المؤلف في البداية، ثم وافق النموذج الرأي. فإذا كنت تحتاج إلى السطر 20 في CLAUDE.md، فالقراءة المباشرة تمنح دقة مئة بالمئة خلال أجزاء من الثانية. أما البحث المتجهي فلا يضيف هنا سوى الضجيج واحتمال الحصول على مقطع كود مبتور بلا استيرادات. لذلك كتب المؤلف للوكيل بروتوكول توجيه. المستودع الحالي يُقرأ مباشرةً عبر read_file وgrep.
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.