شرح Machine Learning Mastery كيفية بناء long-context RAG من دون tokens إضافية

في 15 أبريل 2026، نشرت Machine Learning Mastery تحليلاً عملياً حول كيفية بناء RAG بسياق طويل دون إهدار رموز إضافية وبدون فقدان جودة الإجابات. الخلاصة الرئيسية للمقالة بسيطة: حتى النماذج التي تحتوي على نوافذ تضم مئات الآلاف والملايين من الرموز لا تلغي RAG، بل تفرض إعادة بناء هندستها.

لماذا السياق الطويل لا ينقذ

قبل فترة ليست بالطويلة، كانت النصيحة المعيارية لـ RAG تبدو بهذا الشكل: تقسيم المستندات إلى أجزاء صغيرة وتحويلها إلى embeddings واسترجاع أكثر الأجزاء صلة. كان هذا يملى عليه قيود نماذج اللغة الكبيرة نفسها: كان السياق مكلفاً وينتهي بسرعة. الآن يمتلك المطورون نماذج تحتوي على نوافذ تضم مليون رمز، والإغراء واضح — ما عليك سوى تحميل اللائحة الكاملة وجميع التعليمات أو قاعدة المعرفة بالكاملة في الفشوة.

لكن في الواقع العملي، يصطدم هذا النهج بسرعة بمشكلتين. الأولى هي تأثير Lost in the Middle، عندما يلاحظ النموذج بشكل أسوأ المعلومات المهمة إذا كانت مختبئة في منتصف سياق طويل. الثانية هي التكلفة: معالجة كمية ضخمة من النص من خلال النموذج في كل طلب بطيئة ومكلفة.

نتيجة لذلك، يتحول RAG بسياق طويل من مهمة "كيفية إدراج المزيد من النص" إلى مهمة "كيفية إعطاء النموذج السياق الذي سيولي له الانتباه فعلياً".

خمس تقنيات عملية

لا توفر Machine Learning Mastery رصاصة سحرية واحدة، بل مجموعة من الحيل العملية التي يمكن دمجها في خط أنابيب واحد. الفكرة ليست مجرد البحث عن المستندات، بل إدارة ترتيب وحجم وطريقة تسليم السياق إلى النموذج. هذا تحول ملحوظ من نهج RAG القديم، حيث كانت الأجزاء المكتشفة بعد الاسترجاع ترسل تقريباً تلقائياً إلى الفشوة دون منطق إضافي في كل خطوة وبدون التحكم في الجودة.

• إعادة التصنيف بعد الاسترجاع — أولاً أخذ مجموعة موسعة من المرشحين، ثم إعادة ترتيبهم بنموذج منفصل.
• تخزين السياق مؤقتاً — تحميل مستند كبير في الذاكرة المؤقتة مرة واحدة ثم نقل السؤال والمرجع لهذا السياق فقط إلى النموذج.
• تقسيم ديناميكي + مرشحات البيانات الوصفية — قطع المستندات إلى كتل ذات مغزى وتصفيتها حسب الأقسام والتواريخ والصفحات والبيانات الوصفية الأخرى.
• استرجاع هجين — دمج البحث الدلالي والبحث الدقيق عن الكلمات الرئيسية لتجنب فقدان المطابقات الحرفية في الاستعلامات التقنية.
• توسيع الاستعلام — توسيع السؤال الأصلي بصيغ إضافية إذا طرحه المستخدم بطريقة عامة جداً أو محادثة.

الجزء الأكثر إثارة للاهتمام ليس القائمة بحد ذاتها، بل الطريقة التي تترابط بها التقنيات. على سبيل المثال، توصي المقالة بالاسترجاع الأول لا 5 الأولى، بل لنقل 20 مرشحاً الأول من قاعدة البيانات المتجهة، ثم تمريرهم عبر معيد التصنيف ويتم بعد ذلك فقط وضع أفضل المستندات في الفشوة بشكل استراتيجي: الأكثر صلة في البداية والثاني من حيث الأهمية في النهاية والباقي في الوسط. بهذه الطريقة لا يحارب المطور قيود انتباه النموذج، بل يتكيف معها.

كيف يتغير خط الأنابيب

توضح المقالة بشكل واضح أن RAG الحديث للسياق الطويل يصبح أقرب إلى هندسة البحث من البسيط "retrieve-and-dump". إذا كان لديك قاعدة معرفة ثابتة، مثل دليل كبير الحجم أو لوائح داخلية، فإن تخزين السياق مؤقتاً يلغي الحاجة إلى معالجة مئات الآلاف من الرموز مجدداً ويقلل بشكل ملحوظ من التأخير. هذا مفيد بشكل خاص لروبوتات الدعم والمساعدين الداخليين الذين يردون مراراً وتكراراً من نفس مجموعة المستندات.

طبقة مهمة أخرى هي البيانات الوصفية والبحث الهجين. يفهم الاسترجاع الدلالي المعنى جيداً، لكنه قد يفقد الاسم الدقيق لمعامل أو رمز خطأ أو رقم قسم. البحث عن الكلمات الرئيسية، على النقيض، يتشبث بالمطابقات الحرفية. لذلك، ينصح المؤلف بدمج القناتين وجمع نتائجهما معاً من خلال دمج الرتب. علاوة على ذلك، يضاف تصفية حسب هيكل المستند: يتم قطع الأقسام غير الضرورية والتواريخ أو الصفحات أولاً، ولا يتم تشغيل بحث التشابه إلا بعد ذلك. هذا يقلل الضوضاء ويجعل السياق النهائي أنظف بشكل ملحوظ.

أخيراً، يساعد توسيع الاستعلام في الحالات التي يصيغ فيها المستخدم سؤالاً بطريقة مختلفة عن طريقة تسجيل المعلومات في المستندات. إذا سأل شخص "ماذا تفعل عندما ينطلق جرس الإنذار ضد الحرائق"، يمكن للنظام أن ينتج خيارات إضافية مثل "إجراء الإخلاء" أو "نقطة التجمع" أو "مخرج الطوارئ". من خلال هذا، يجد الاسترجاع ليس فقط المطابقات المباشرة بل أيضاً التعليمات القريبة دلالياً. بالنسبة لمعارف المؤسسات ووثائق الامتثال والتوثيق التقني، هذا ذو قيمة خاصة.

ما يعنيه هذا

تثبت مقالة Machine Learning Mastery تحولاً مهماً: لم تقتل نماذج السياق الطويل RAG، بل جعلتها ناضجة. الآن ليست الفريق التي تحمل أقصى كمية من النص في الفشوة هي التي تفوز، بل تلك التي تعرف كيفية ترتيب وتصفية وتخزين مؤقتاً وإعادة استخدام السياق بشكل صحيح. بالنسبة لفرق المنتج، هذا يعني تكاليف رمز أقل وكمون أقل واستجابات أكثر قابلية للتنبؤ على مجموعات المستندات الطويلة. هذا بالضبط ما يصبح المعيار الجديد لمساعدات الذكاء الاصطناعي للمؤسسات.