ما مدى بطء خط أنابيب الاسترجاع الوكيلي؟

بحسب تعقيد المهمة وعدد حلقات الاستدلال التكرارية المطلوبة، قد تكون سير العمل الوكيلية بالكامل أبطأ بما يتراوح بين 2 و4 أضعاف مقارنةً باستعلام RAG تقليدي بضربة واحدة.

هل يلغي Agentic RAG الهلوسة (hallucinations) تمامًا؟

لا، لكنه يقلّلها بشكل ملحوظ. تُظهر بيانات الاختبارات المعيارية أن البنى الوكيلية تخفض معدلات الهلوسة بنحو النصف تقريبًا، من نحو 23% إلى 8%، وذلك عبر تقييم السياق المسترجَع قبل توليد الرد النهائي.

المفاضلات بين التكلفة وزمن الاستجابة في Agentic RAG مقابل الاسترجاع التقليدي

Q: لماذا يكون Agentic RAG أعلى تكلفةً من RAG التقليدي؟

يعتمد Agentic RAG على حلقات تكرارية تتضمن خطوات تخطيط متعددة، وتقييمات متكررة من النموذج، واستدعاءات متتالية للأدوات أو قواعد البيانات لطلب مستخدم واحد. ويستهلك كل من هذه الخطوات رموزًا (tokens) وموارد حسابية إضافية، ما يرفع التكاليف.

By Mirko Peters · 2026-08-11

اكتشف لماذا يكلّف Agentic RAG ويستغرق وقتًا أطول بما يتراوح بين 2 و10 أضعاف مقارنةً بـ RAG التقليدي، وتعرّف على كيفية اختيار البنية المناسبة لمؤسستك في مجال الذكاء الاصطناعي.

Automatically translated with AI from the original post. Read the English original

Cover: The Copilot Assumption That's Holding You Back — Agentic RAG

يُدخل Agentic Retrieval-Augmented Generation استدلالًا متعدد الخطوات وحلقات تكرارية تحسّن بشكل ملحوظ الموثوقية ونسبة إنجاز المهام في أحمال العمل المؤسسية المعقدة. غير أن هذه المزايا المعمارية تأتي بثمن أداء باهظ، إذ تكون سير العمل الوكيلية عادةً أعلى تكلفةً بمرتين إلى 10 مرات، وأبطأ بشكل ملحوظ من أنظمة الاسترجاع التقليدية ذات الاستعلام الواحد.

النقاط الرئيسية

يحقق Agentic RAG نسبة إنجاز للمهام أعلى بمقدار 2.8 مرة في سير العمل المعقدة متعددة الخطوات مقارنةً بالاسترجاع ذي الاستعلام الواحد.
يقلّص الاستدلال التكراري والتحقق من عدة مصادر معدلات الهلوسة بنحو النصف تقريبًا، من 23% إلى 8%.
البنى الوكيلية أعلى تكلفةً بطبيعتها بمقدار 2 إلى 10 أضعاف، وأبطأ بشكل ملحوظ بسبب حلقات التخطيط المستمرة واستدعاءات الأدوات.
تصنيف أحمال العمل أمر بالغ الأهمية، فينبغي أن تستخدم عمليات البحث البسيطة عن الأسئلة المتداولة RAG التقليدي، بينما تبرر المشكلات متعددة المصادر تعقيد النهج الوكيلي.
يعتمد العائد على الاستثمار بشكل كبير على حجم العملية، إذ تحتاج المهام عالية التكرار إلى تغطية التكاليف الثابتة لتنسيق الأنظمة المتقدمة.

الثمن الخفي للاستدلال في بيئة الإنتاج

عندما تنتقل المؤسسات باستراتيجيات Microsoft 365 Copilot الخاصة بها من حلقات البحث والتلخيص القياسية إلى التنسيق الوكيلي، فإنها غالبًا ما تركّز بالكامل على مكاسب الدقة. فحين يُتاح للنموذج اللغوي التخطيط وتنفيذ استدعاءات الأدوات وتقييم النتائج الوسيطة وإعادة الاستعلام من الأنظمة، يتصرف الذكاء الاصطناعي أقرب إلى عامل رقمي مجتهد منه إلى محرك بحث ثابت. ومع ذلك، فإن هذا الاستقلال الجديد يغيّر جوهريًا نمط استهلاك الموارد لكل طلب مستخدم.

في خط أنابيب RAG التقليدي، يُنفّذ النظام استعلامًا واحدًا على قاعدة بيانات متجهات، ويجمّع المقاطع المسترجعة في موجّه (prompt)، ويسلّم الحمولة إلى النموذج اللغوي مرة واحدة. البصمة الحاسوبية ثابتة ويمكن التنبؤ بها، وسريعة بشكل لافت. أما البنى الوكيلية فتفكك هذا الخط الخطي. في إطار نمط ReAct (الاستدلال، التنفيذ، الاستدلال، التنفيذ)، قد يستعلم النموذج من SharePoint، ثم يقيّم المخرجات، ويستنتج أن المعلومات ناقصة، فيصوغ استعلامًا ثانويًا إلى Dataverse، ويسحب خيوط السياق من Microsoft Graph قبل أن يولّد الرد النهائي. وكل خطوة تخطيط إضافية واستدعاء أداة تستهلك رموزًا إضافية، وتتطلب تقييمات إضافية من النموذج، وتضيف زمن استجابة يتراكم.

قياس مكاسب الأداء مقابل التبعات التشغيلية

لتبرير الأعباء التشغيلية، يجب أن تحقق الأنظمة الوكيلية مقاييس أداء تتفوق بكثير على الطرق التقليدية. تكشف بيانات الاختبارات المعيارية مبررًا قويًا للمهام المعقدة، لكنها تبرز أيضًا حجم المفاضلة. ففي المهام طويلة الأفق التي تتطلب أكثر من عشر خطوات مميزة لإنجازها، مثل تجميع سجلات حسابات من مصادر متعددة أو مطابقة تحديثات السياسات المتعارضة، تحقق الأطر الوكيلية نسب إنجاز مهام أعلى بمقدار 2.8 مرة من نظيراتها ذات الاستعلام الواحد.

يُعدّ أثر ذلك على سلامة البيانات بالقدر نفسه من الأهمية. تظل الهلوسة (Hallucination) أكبر عائق منفرد أمام تبنّي الذكاء الاصطناعي في المؤسسات. فإجابة واحدة خاطئة تُقدَّم بثقة قد تُفقد المستخدم ثقته أسرع من عدة اعترافات صادقة بالجهل. ويقلّص الاسترجاع الوكيلي التكراري معدل الهلوسة إلى النصف تقريبًا، إذ تنخفض الأخطاء من نحو 23% إلى 8% على مجموعات البيانات نفسها. وتعمل حلقة التقييم كفحص آلي للجودة، فترصد السياق الناقص والتفاصيل المتناقضة قبل أن تصل إلى المستخدم النهائي.

غير أن هذه الموثوقية تأتي بتكلفة مالية وزمنية باهظة. فمسارات الوكلاء ذاتية التصحيح التي تعمل بحلقات متكررة تكلّف عادةً نحو 10 أضعاف مسارات الاسترجاع التقليدية، وتستغرق نحو أربعة أضعاف زمنها. وعند ضربها في آلاف التفاعلات اليومية داخل المؤسسة، يمكن لهذه التكاليف المرتبطة بزمن الاستجابة والرموز (Tokens) أن ترهق ميزانيات السحابة بسرعة إذا طُبّقت دون تمييز.

الحلول المعمارية: التوجيه الهجين واختيار أحمال العمل

وبما أن أيًا من RAG التقليدي أو الوكيلي ليس متفوقًا في كل الحالات، يتعين على مهندسي البنية المؤسسية اعتماد نهج هجين. وتعتمد أكثر بيئات Microsoft 365 مرونةً على طبقات ذكية للتصنيف والتوجيه عند نقطة الدخول لكل طلب يُرسَل إلى Copilot.

عندما يطرح المستخدم سؤالًا مباشرًا يمكن التنبؤ به ويتطلب قفزة واحدة فقط، مثل استرجاع كلمة مرور شبكة Wi-Fi للمكتب أو العثور على تقويم العطلات، يوجّه النظام الطلب عبر مسار الاسترجاع التقليدي منخفض التكلفة، فتُقدَّم الإجابة فورًا وبتكلفة زهيدة. وعلى العكس، عندما يقدّم المستخدم طلبًا غامضًا أو يتطلب مصادر متعددة، مثل تحليل سبب ارتفاع فاتورة عبر مقارنة بيانات الفوترة السابقة والشروط التعاقدية ومقاييس الاستخدام، يُحوَّل الطلب إلى سير عمل وكيلي مزود بقدرات التخطيط والبحث التكراري.

يُعدّ اختيار أحمال العمل أمرًا بالغ الأهمية. فالعمليات التجارية ذات الحجم الكبير توفر التكرار التشغيلي اللازم لتوزيع التكاليف الثابتة لتصميم منطق التنسيق المتقدم، وتكامل الأدوات المخصصة، وأنهج الحوكمة الصارمة. أما نشر سير عمل وكيلي معقّد لعملية لا تُنفَّذ إلا بضع مرات في اليوم، فغالبًا ما يُدخل تعقيدًا هندسيًا غير ضروري دون أن يولّد قيمة تجارية تبرر النفقات التشغيلية.

الخلاصة

إن الانتقال نحو الذكاء الاصطناعي المؤسسي المستقل يتطلب فهمًا واضحًا لاقتصاديات البنى السحابية الحديثة. وبينما يقلّص الاستدلال الوكيلي الهلوسة بشكل كبير ويتعامل مع التعقيد متعدد المصادر، فإنه يتطلب تأهيلًا دقيقًا لأحمال العمل لمنع تصاعد تكاليف السحابة وزمن الاستجابة الذي يلمسه المستخدم. ولاستكشاف هذا التحول المعماري بعمق أكبر، استمع إلى الحلقة الكاملة وانضم إلينا ونحن نفصّل الاستراتيجيات العملية التي تشكّل مستقبل Microsoft 365.

الأسئلة المتداولة

لماذا يكون Agentic RAG أغلى من RAG التقليدي؟

يعتمد Agentic RAG على حلقات تكرارية تتضمن عدة خطوات تخطيط، وتقييمات متكررة من النموذج، واستدعاءات متتالية للأدوات أو قواعد البيانات لطلب مستخدم واحد. وكل خطوة من هذه الخطوات تستهلك رموزًا وموارد حاسوبية إضافية، مما يرفع التكاليف.

بكم مرة يكون مسار الاسترجاع الوكيلي أبطأ؟

تبعًا لتعقيد المهمة وعدد حلقات الاستدلال التكرارية المطلوبة، قد تكون سير العمل الوكيلي الكامل أبطأ بما يتراوح بين 2 و4 أضعاف مقارنةً باستعلام RAG تقليدي بخطوة واحدة.

هل يلغي Agentic RAG الهلوسة تمامًا؟

لا، لكنه يقلّلها بشكل ملحوظ. تُظهر بيانات الاختبارات المرجعية أن البنى الوكيلية تخفض معدلات الهلوسة إلى النصف تقريبًا، من نحو 23% إلى 8%، من خلال تقييم السياق المسترجع قبل توليد الرد النهائي.

ما هي بنية RAG الهجينة؟

تجمع البنية الهجينة بين طريقتي الاسترجاع التقليدية والوكيلية. فهي تستخدم طبقة توجيه ذكية لإرسال الاستعلامات البسيطة ذات المصدر الواحد عبر المسار التقليدي السريع، بينما توجّه الطلبات المعقدة متعددة المصادر إلى سير العمل الوكيلي.