الانتقال إلى المحتوى

دليل الدورات

التوليد المعزّز باسترجاع المعلومات

ذاكرة موثوقة لنموذجك اللغوي الكبير.

تتوقف معرفة النماذج اللغوية الكبيرة عند تاريخ انتهاء تدريبها، وتختلق المعلومات، ولم تطّلع قط على بياناتك الخاصة. يعالج التوليد المعزّز باسترجاع المعلومات هذه المشكلات الثلاث بجلب الحقائق المناسبة وقت الاستعلام وتمريرها إلى النموذج ليجيب بالأدلة مع الاستشهاد بالمصادر. ستبني مسار RAG متكاملًا بلغة Python: تحميل المستندات، وتقسيمها، وإنشاء تمثيلاتها المتجهية، وتخزينها، واسترجاعها، ثم توليد الإجابة. وبعد ذلك ستطوّره بالبحث الهجين، وإعادة ترتيب النتائج، وإعادة صياغة الاستعلامات. وأخيرًا ستنشره: تقييم الالتزام بالمصادر بمقاييس على نمط RAGAS، وتقليل الهلوسة والتكلفة، والحماية من حقن التوجيهات وتسرّب البيانات.

المنهج

  1. القسم 1

    لماذا RAG؟

    فهم ما تعجز عنه النماذج اللغوية الكبيرة وحدها، وكيف يعالج استرجاع المعلومات ذلك.

    1. حدود النماذج اللغوية الكبيرة
    2. ما هو RAG؟
    3. RAG والضبط الدقيق والسياق الطويل
    4. مكوّنات تطبيق RAG
  2. القسم 2

    بناء مسار المعالجة

    ربط مراحل RAG الأساسية: التحميل، والتقسيم، والتمثيل المتجهي، والتخزين، والاسترجاع، والتوليد.

    1. التحميل والتقسيم
    2. التمثيل المتجهي للمقاطع
    3. استرجاع السياق
    4. تجميع التوجيه
  3. القسم 3

    تحسين الاسترجاع

    رفع جودة الاسترجاع بالبحث الهجين، وإعادة ترتيب النتائج، وإعادة صياغة الاستعلامات، والتصفية.

    1. البحث الهجين
    2. إعادة ترتيب النتائج
    3. تحويلات الاستعلام
    4. التصفية والتنوّع
  4. القسم 4

    RAG في بيئة الإنتاج

    تقييم RAG وتأمينه وتوسيعه، ونظرة إلى اتجاهات المجال في 2026.

    1. تقييم RAG
    2. تقليل الهلوسة
    3. الأمان والتكلفة والتخزين المؤقت
    4. RAG المتقدم

مسارات التعلّم

فكرتك على أرض الواقع. البداية في 60 ثانية.

تجربة مجانية لمدة 7 أيام في كل خطة للأعضاء الجدد لأول مرة · الإلغاء في أي وقت

البدء

العودة إلى الدورات