فخّ RAG عديم الحالة: لماذا تقصر بنية الذكاء الاصطناعي في وقت الاستعلام

By Mirko Peters · 2026-08-13

أهلًا بكم مجددًا في المدونة! إذا كنتم تتابعون نقاشاتنا في البودكاست حول الذكاء الاصطناعي المؤسسي، فأنتم تعرفون أننا نقضي وقتًا طويلًا في تجاوز الضجة الأولية لأدوات الإنتاجية الحديثة…

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

أهلًا بكم مجددًا في المدونة! إذا كنتم تتابعون نقاشاتنا في البودكاست حول الذكاء الاصطناعي المؤسسي، فأنتم تعرفون أننا نقضي وقتًا طويلًا في تجاوز الضجة الأولية لأدوات الإنتاجية الحديثة. في عرض توضيحي معتاد، قد تبدو أدوات مثل Microsoft Copilot ذكية بشكل لافت. فيمكنها العثور على مستند مشروع، وتلخيص نهج، واستخراج المعلومات من SharePoint، وربط أجزاء من المحتوى المؤسسي لتقديم إجابة مقنعة. لكن خلف تلك التجربة المبهرة يكمن قيد معماري جوهري: الاسترجاع ليس ذاكرة. يستطيع Copilot البحث في مؤسستكم، لكن ذلك لا يعني أنه بنى فهمًا دائمًا لها. في هذه المقالة، سنتعمق في آليات التوليد المعزَّز بالاسترجاع (Retrieval-Augmented Generation) لنفهم كيف تمنع عمليات التقطيع إلى أجزاء وحلقات الاستعلام عديمة الحالة الذكاءَ الاصطناعي من الاحتفاظ بالسياق المتراكم عبر التفاعلات المؤسسية. وتأكدوا من الاطلاع على الحلقة ذات الصلة من البودكاست، Your Copilot Has No Memory — Why RAG Fails and LLM Wiki Fixes It، للاستماع إلى شرح صوتي أعمق لهذه المفاهيم.

Copilot لا يتذكر، بل يسترجع

تجربة استخدام Copilot تخلق وهمًا مهمًا. فعندما ينجح في ربط المعلومات من Microsoft 365، قد يبدو للمستخدم أن النظام تعلم شيئًا عن مؤسسته. غير أنك إذا طرحت سؤالًا مشابهًا لاحقًا، فقد ينتج النظام نتيجة مختلفة، لأنه ينفذ عملية استرجاع جديدة بدلًا من أن يستدعي ببساطة الفهم الذي كوَّنه سابقًا. وتصبح هذه التفرقة حاسمة عندما تتجاوز المؤسسات التلخيص الأساسي وتبدأ في توقع أن يدعم الذكاء الاصطناعي قرارات حقيقية.

إذا أمكن لأسئلة متطابقة تقريبًا أن تنتج إجابات غير متسقة، وفقًا لما تم استرجاعه من معلومات، فسيتردد المستخدمون بسرعة في الاعتماد على الذكاء الاصطناعي في الأعمال الحرجة. وقد تتحول النتيجة إلى مشكلة في التبني لا إلى مجرد مشكلة تقنية. فالمستخدمون يريدون القدرة على التنبؤ، وعندما يقدم المساعد إجابة يوم الاثنين ثم إجابة متناقضة يوم الخميس لنفس الطلب تمامًا، يبدأ الثقة في التآكل بسرعة.

ما الذي يفعله التوليد المعزَّز بالاسترجاع فعلًا

تعني RAG اختصارًا لعبارة Retrieval-Augmented Generation. وبصورة مبسطة، تُقسَّم مستندات المؤسسة إلى أجزاء، ثم يُمثَّل كل جزء عبر التضمينات (Embeddings)، ويُحوَّل سؤال المستخدم إلى تمثيل قابل للمقارنة، ثم يبحث النظام عن الأجزاء ذات الصلة الدلالية. بعد ذلك تُزوَّد أعلى المعلومات ترتيبًا إلى نموذج اللغة بوصفها سياقًا لتوليد الرد.

هذه البنية مفيدة للغاية. فهي تتيح لنموذج اللغة الكبير أن يجيب عن أسئلة باستخدام معلومات لم تكن جزءًا من بيانات تدريبه الأصلية، وتوفر طريقة عملية لتأسيس ردود الذكاء الاصطناعي على المحتوى المؤسسي. لكنها تفرض في المقابل قيدًا معماريًا مهمًا: إذ يتلقى النموذج مقاطع اختيرت للاستعلام الحالي، لا تمثيلًا دائمًا وكاملًا لمعرفة المؤسسة.

مشكلة التقطيع إلى أجزاء

نادرًا ما توجد المعرفة المؤسسية في فقرات معزولة. فقد تحتوي خطة مشروع على اعتماديات موزعة عبر عشرات الصفحات. وقد يشير نهج إلى نهج آخر. وقد تعتمد بنية تقنية على قرارات وُثِّقت قبل شهور في ملاحظات الاجتماعات، ومحادثات Teams، وصفحات SharePoint، ومستندات التصميم.

يقسم RAG التقليدي هذه المصادر إلى وحدات أصغر، ثم يحدد أي المقاطع تبدو ذات صلة بالسؤال الحالي. وبذلك يرى النموذج قطعًا مختارة، لا يفهم بالضرورة المستند كاملًا وجميع علاقاته. وبالنسبة إلى استرجاع المعلومات المباشر، قد ينجح ذلك بشكل ممتاز. أما الأسئلة التي تتطلب علاقات، أو سياقًا تاريخيًا، أو اعتماديات، أو قرارات متراكمة، أو استدلالًا عبر مصادر كثيرة، فستظهر القيود بوضوح أكبر بكثير.

فخّ RAG عديم الحالة

سير عمل الاسترجاع التقليدي لا يملك أي مفهوم متأصل عن كون شيء ما قد تم استيعابه أو التوصل إليه مسبقًا. يُستلم السؤال، وتُسترجع المعلومات، ويُولَّد الجواب، ثم تبدأ العملية من جديد تقريبًا مع عملية الاسترجاع التالية. وهنا تحديدًا يصبح غياب الحالة (Statelessness) في RAG's عائقًا رئيسيًا.

المعرفة المكتشفة خلال تفاعل واحد لا تتحول تلقائيًا إلى معرفة مؤسسية دائمة متاحة لكل تفاعل مستقبلي. بالنسبة إلى الذكاء الاصطناعي للمؤسسات، هذا فارق كبير. فالمؤسسات لا تحتاج ببساطة إلى بحث أفضل، بل تحتاج بشكل متزايد إلى أنظمة قادرة على الحفاظ على فهم منظم للمشاريع والعمليات والنهج والتقنيات والأشخاص والقرارات والاعتماديات والعلاقات التي تربط بينها.

البحث عن المعرفة مقابل تجميع المعرفة

يقودنا هذا إلى الفكرة المعمارية المحورية التي نستكشفها في سلسلتنا الصوتية الأحدث: بدلًا من إعادة بناء المعرفة المؤسسية مرارًا وقت الاستعلام، ماذا لو قام الذكاء الاصطناعي بتجميع تلك المعرفة مسبقًا؟ يمثل LLM Wiki هذا التحول في طريقة التفكير.

بدلًا من التعامل مع كل مستند مؤسسي بوصفه مجرد مجموعة أخرى من الأجزاء المتناثرة في انتظار الاسترجاع، يستطيع الذكاء الاصطناعي تركيب المعلومات في قطع معرفية منظمة تمثل ما تفهمه المؤسسة حاليًا. والتغيير المهم ليس مجرد واجهة مستخدم أخرى، بل هو الانتقال من إعادة البناء وقت الاستعلام نحو تركيب معرفي مستمر.

لماذا يغيّر LLM Wiki النموذج

تخيّل آلاف المستندات التي تصف المنتج نفسه أو العميل نفسه أو المشروع أو النهج أو البنية المعمارية نفسها. ينتظر RAG التقليدي السؤال ثم يحاول تحديد الأجزاء الأرجح للإجابة عنه. أما نهج LLM Wiki فيحاول بدلًا من ذلك تحويل تلك المصادر المجزأة باستمرار إلى صفحات معرفية متماسكة.

يمكن أن تصبح العلاقات والقرارات والتعريفات والاعتماديات والسياق التاريخي والمصادر الداعمة جزءًا من تمثيل معرفي مُدار. ويمكن لـ Copilot أو أي وكيل ذكاء اصطناعي آخر عندئذٍ الاسترجاع من طبقة تحتوي على فهم مؤسسي مُركَّب، بدلًا من محاولة إعادة بناء ذلك الفهم مرارًا من المستندات الخام.

من مستودع المستندات إلى طبقة المعرفة

يغيّر هذا دور أنظمة مثل SharePoint. يمكن أن يستمر SharePoint في العمل بوصفه المستودع الموثوق للمستندات والصفحات والنهج والعروض التقديمية وعناصر الاجتماعات ومحتوى التعاون. لكن المحتوى المؤسسي الخام لا يشكّل تلقائيًا معرفة مؤسسية قابلة للاستخدام.

يمكن لطبقة معرفة مولّدة بالذكاء الاصطناعي أن تقع فوق أنظمة المصدر، وتحوّل المعلومات المتناثرة إلى ما يشبه خريطة مؤسسية: مشاريع مرتبطة بقراراتها، ونهج مرتبطة بالعمليات، وأنظمة مرتبطة بمالكيها، ومفاهيم مرتبطة بأدلتها الداعمة. والهدف ليس إلغاء المستندات المصدرية، بل جعل العلاقات الكامنة داخلها صريحة.

لماذا لا تحل المطالبات الأفضل المعمارية

يمكن لهندسة المطالبات (Prompt engineering) أن تحسّن طريقة تفسير النموذج اللغوي للسياق المسترجع، لكنها لا تستطيع ضمان أن السياق الصحيح قد تم استرجاعه أصلًا. فإذا أعادت طبقة الاسترجاع أجزاء غير مكتملة، أو أغفلت اعتمادية مهمة، أو قدّمت مستندًا قديمًا، فحتى النموذج الممتاز يستدل على مجموعة معلومات ناقصة.

لهذا السبب لا يمكن لتحسين النموذج وحده أن يحل كل مشكلات الذكاء الاصطناعي المؤسسي. تظل جودة المعرفة المقدمة للنموذج وبنيتها أساسيتين. ولا تستطيع أي كمية من براعة صياغة المطالبات إصلاح بنية تعتمد على نتائج بحث عابرة بدلًا من ذاكرة منظمة ودائمة.

تزداد مشكلة الحوكمة اتساعًا

ترافق هذه البنية أيضًا تحذيرًا مهمًا. فإذا احتوت بيئة SharePoint في المؤسسة على نهج قديمة، ووثائق مكررة، وعمليات مهجورة، وتعليمات متناقضة، أو مستندات دون مالك واضح، فيمكن لطبقة LLM Wiki أن تركّب هذه المعلومات السيئة بالكفاءة نفسها التي تركّب بها المعلومات الجيدة.

الخطر أن المعرفة المركّبة قد تبدو أنظف وأكثر موثوقية بكثير مما يستحقه المحتوى الأساسي. لذلك يجعل الذكاء الاصطناعي حوكمة المعلومات التقليدية أكثر أهمية لا أقل. تصبح ملكية المحتوى، وإدارة دورة حياته، والإصدارات، والاستبقاء، وعمليات الأرشفة، والمصادر الموثوقة، والبيانات الوصفية، وأنظمة السجلات المحددة بوضوح، مكوّنات أساسية في البنية المعمارية للذكاء الاصطناعي.

يبدأ جاهزية الذكاء الاصطناعي من جودة المحتوى

غالبًا ما تتعامل المؤسسات مع جاهزية Copilot على أنها مشروع ترخيص أو أمان أو نشر أو تدريب. هذه العناصر مهمة، لكن بيئة المعرفة الأساسية لا تقل أهمية عنها. فإذا لم يعرف أحد أي مستند يمثل العملية الحالية، فلن يتمكن الذكاء الاصطناعي من حل الغموض التنظيمي كما لو كان بقوة سحرية.

إذا كانت ثلاثة أقسام تحتفظ بنسخ متناقضة من نهج واحد، فإن الذكاء الاصطناعي يرث ثلاث نسخ من الحقيقة. وإذا بقيت وثائق قديمة قابلة للبحث إلى أجل غير مسمى، فإنها تظل مادة محتملة للاستناد إليها في الإجابات. لذلك يكشف الذكاء الاصطناعي على مستوى المؤسسة ديون إدارة المعرفة التي كان بإمكان المؤسسات تجاهلها من قبل.

لماذا تحدد الثقة مدى تبني Copilot

تتحول العواقب التقنية بسرعة إلى عواقب على مستوى الأعمال. قد يتقبل المستخدمون تناقضات عرضية عندما يُستخدم الذكاء الاصطناعي في صياغة بريد إلكتروني أو تلخيص اجتماع. لكنهم يصبحون أقل تسامحًا بكثير عندما يُتوقع من الذكاء الاصطناعي أن يشرح نهجًا، أو يدعم قرارات العملاء، أو يفسر حالة المشروع، أو يقدم معلومات الامتثال، أو يوجه العمليات التشغيلية.

عندما يلاحظ المستخدمون إجابات متضاربة على أسئلة مهمة، يعودون غالبًا إلى الخبراء البشريين الموثوقين والعمليات اليدوية المعتمدة. وهذا سبب رئيسي لتراجع تبني Copilot بعد نشر يبدو ناجحًا ظاهريًا. لذلك تصبح الثقة متطلبًا معماريًا، وليست مجرد مقياس للتبني.

الخلاصة

باختصار، ومع أن التوليد المعزَّز بالاسترجاع (Retrieval-Augmented Generation) قد منح الذكاء الاصطناعي على مستوى المؤسسة وسيلة قوية للوصول إلى المستندات الخارجية، فإن حلقات الاستعلام عديمة الحالة (Stateless) وقيود تقطيع المحتوى (Chunking) تعني أنه غالبًا ما يقصر عن تحقيق ذاكرة تنظيمية حقيقية. ومن دون تجميع معرفي مستمر، ستستمر أنظمة مثل Copilot في معاناة الاتساق والعلاقات السياقية العميقة والثقة المؤسسية. والانتقال من مستودعات المستندات الخام إلى طبقة معرفية منظمة ومجمّعة، مثل نهج LLM Wiki الناشئ، هو المفتاح لسد الفجوة بين العروض التجريبية اللافتة وأدوات الأعمال الموثوقة. ولاستكشاف هذا الموضوع بعمق والاستماع إلى تحليلنا الكامل حول إصلاح ذاكرة الذكاء الاصطناعي المؤسسي، تأكد من الاستماع إلى الحلقة كاملة عبر Your Copilot Has No Memory — Why RAG Fails and LLM Wiki Fixes It.