• 1. المقدّمة
• 2. التّوليد المُعزَّز بالاسترجاع
• 1.2.آليّة العمل
• 2.2. التّحديات الّتي تواجه أنظمة التّوليد المُعزَّز بالاسترجاع  التّقليديّة
• 3. التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء
• 1.3. المكوّنات الأساسيّة 
• 2.3. تصنيف أنظمة التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء وأنماطها المعماريّة
• 3.3. مقارنةٌ بين الذّكاء الإصطناعيّ الوكيليّ والتّوليد المعزَّز بالاسترجاع القائم على الوكلاء
• 4.3. تقييم نظام الاسترجاع المعزَّز بالتّوليد القائم على الوكلاء
• 4. الخاتمة
• 5. المراجع

إعداد: م. نادية عبد الجواد

التدقيق العلميّ و اللغوي: م. ماريّا حماده

1. المقدّمة

تخيّل أنّك طلبت من نظام ذكاءٍ اصطناعيٍّ إعداد استراتيجيّة لإطلاق منتجٍ جديدٍ في السّوق. في نظامٍ تقليديٍّ، قد تحتاج إلى كتابة تعليماتٍ مفصّلةٍ تحدّد له مصادر البحث، وتسلسل الخطوات، وطريقة تحليل البيانات، وآليّة التّحقق من النّتائج. أمّا في نظام التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء Agentic RAG، فيكفي أن تطلب منه إعداد الاستراتيجيّة، ليبدأ بنفسه في تحليل المهمّة وتحديد ما يحتاج إليه لإنجازها.

قد يقرّر النّظام أوّلًا الاستعانة بتقارير اتجاهات السّوق الحديثة عبر “بينغ ويب غراوندينغ”  Bing Web Grounding، ثمّ يبحث عن بيانات المنافسين باستخدام “أزور إيه آي سيرتش ” Azure AI Search، ويربطها بمؤشرات المبيعات التّاريخيّة المخزّنة في “قاعدة بيانات أزور إس كيو إل” Azure SQL Database. بعد ذلك، يوظّف “أزور أوبن إيه آي سيرفِس ” Azure OpenAI Service لتجميع هذه المعطيات وصياغة استراتيجيّةٍ متكاملةٍ، ثمّ يراجع ما توصّل إليه بحثًا عن ثغراتٍ أو تناقضاتٍ. فإذا اكتشف نقصًا في المعلومات، يعيد صياغة استعلاماته، ويختار مصادر إضافيّة، ويكرّر دورة الاسترجاع والتّحقق حتّى يصل إلى إجابةٍ يراها كافيةً لتحقيق الهدف.

المثير هنا أنّ هذه الخطوات لم تُحدَّد مسبقًا في تعليماتٍ بشريّةٍ تفصيليّةٍ؛ بل اتخذ النّموذج قرارات البحث، واختيار الأدوات، وإعادة الاسترجاع، وتقييم النّتائج بصورةٍ ديناميكيّةٍ. 

فكيف يستطيع النّظام تحديد ما يحتاج إليه؟ ومتى يقرّر أنّ المعلومات غير كافية؟ وما الّذي يجعل هذا النّهج مختلفًا عن التّوليد المُعزَّز بالاسترجاع  Retrieval-Augmented Generation – RAG  التّقليدي؟

للإجابة عن هذه الأسئلة، يأخذنا هذا المقال في رحلةٍ لفهم بنية التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء، وآليّة عمله، وقدراته، والتّحديات الّتي تواجهه.

2. التّوليد المُعزَّز بالاسترجاع

اعتمدت النّماذج اللّغويّة الكبيرة Large Language Models – LLMs في الأصل على معرفةٍ مستمدّةٍ من بياناتٍ ثابتةٍ جرى تدريبها عليها مسبقًا، الأمر الّذي حدَّ من قدرتها على الوصول إلى المعلومات المستجدة والاستجابة للاستعلامات الّتي تتطلّب معرفةً محدّثة في الزّمن الحقيقي. ومن هنا ظهر مفهوم التّوليد المُعزَّز بالاسترجاع “راغ” RAG لسدّ هذه الفجوة، من خلال إتاحة الاسترجاع الدّيناميكي للمعلومات ذات الصّلة بالاستعلام من مصادر خارجيّة، ثمّ توظيفها في عمليّة التّوليد؛ بما يسهم في إنتاج استجاباتٍ أكثر حداثةً ودقةً وارتباطًا بالسّياق [1].

1.2.آليّة العمل

تقوم البنية المعماريّة لأنظمة “راغ” RAG على ثلاثة مكوّناتٍ أساسيّةٍ، تتكامل فيما بينها لتشكّل مسارًا متسلسلًا يبدأ باسترجاع المعرفة، ويمرّ بمعالجتها وتعزيز سياق الاستعلام بها، وينتهي بتوليد الاستجابة [1]. 

1. الاسترجاع Retrieval:
   يتولّى البحث عن المعلومات والاستعلام عن مصادر البيانات الخارجيّة، مثل قواعد المعرفة، وواجهات برمجة التّطبيقات APIs، وقواعد البيانات المتّجهيّة. وتستفيد أنظمة الاسترجاع المتقدّمة من البحث المتجهيّ الكثيف والنّماذج القائمة على المحوِّلات للارتقاء بدقة الاسترجاع وتعزيز مدى ارتباط المعلومات المسترجعة بالسّياق الدّلالي للاستعلام.
2. التّعزيز Augmentation:
   يتولّى معالجة البيانات المسترجعة، واستخلاص المعلومات الأكثر صلة بالاستعلام وتلخيصها، بما يضمن مواءمتها مع سياق السّؤال وتمهيدها لمرحلة التّوليد.
3. التّوليد Generation:
   يدمج المعلومات المسترجعة مع المعرفة السّابقة المُضمَّنة في النّموذج اللّغوي الكبير، ثمّ يوظفها لتوليد استجاباتٍ مترابطةٍ، دقيقةٍ، وملائمةٍ للسّياق.

2.2. التّحديات الّتي تواجه أنظمة التّوليد المُعزَّز بالاسترجاع  التّقليديّة

على الرّغم من المزايا الّتي يقدّمها “راغ” RAG، فإنّ الأساليب التّقليديّة منه لا تزال تواجه عددًا من التّحدّيات، من أبرزها [2]:

• الاسترجاع أحادي الخطوة Single Retrieval Step:
  تعتمد أنظمة “راغ” RAG التّقليديّة غالبًا على تنفيذ عمليّة استرجاعٍ واحدةٍ. فإذا كانت النّتائج المسترجعة في هذه المرحلة الأوليّة غير دقيقةٍ أو غير ذات صلةٍ، انعكس ذلك مباشرةً على جودة الاستجابة النّهائيّة، إذ يعتمد التّوليد بدرجةٍ كبيرةٍ على جودة المعلومات المسترجعة.
• عدم التّطابق بين الاستعلام والوثيقة Query–Document Mismatch:
  قد لا يتطابق الاستعلام الّذي يقدّمه المستخدم، والّذي يأتي غالبًا في صورة سؤال، بصورةٍ مباشرةٍ مع الوثائق الّتي تتضمّن الإجابة، والّتي تكون غالبًا مصاغة في صورة عباراتٍ أو جملٍ تقريريّةٍ. وقد يؤدي هذا الاختلاف في الصّياغة إلى استرجاع وثائق أقلّ صلةٍ بالاستعلام، حتّى وإن كانت تحتوي على المعلومات المطلوبة.
• محدوديّة الاستدلال Limited Reasoning:
  تفتقر خطوط أنابيب “راغ” RAG البسيطة إلى القدرة على تنفيذ استدلال متعدّد الخطوات أو إعادة صياغة الاستعلام وتحسينه بصورةٍ تكراريّةٍ. وبذلك، قد يعجز النّظام عن التّعامل بكفاءةٍ مع الأسئلة المعقدة الّتي تتطلّب البحث المتتابع وربط المعلومات المسترجعة من مصادر متعدّدة.
• قيود نافذة السّياق Context Window Constraints:
  تفرض نافذة السّياق الخاصّة بالنّموذج حدودًا على حجم المعلومات الّتي يمكن تمريرها إليه. ولذلك، يجب أن تتوافق الوثائق المسترجعة مع السّعة المتاحة لنافذة السّياق، ممّا قد يؤدي إلى استبعاد بعض المعلومات المهمّة أو اختصارها عندما تكون كميّة المحتوى المسترجع كبيرة.

وهنا تحديدًا تظهر الحاجة إلى نهجٍ أكثر ديناميكيّة وقدرة على اتخاذ القرار؛ نهجٌ لا يكتفي بالاسترجاع لمرّةٍ واحدةٍ، بل يستطيع تحديد ما يحتاج إليه، وتحسين استعلاماته، وتكرار البحث، وربط الأدلّة معًا. ومن هذه الحاجة برز مفهوم ” الرّاغ الوكيليّ” Agentic RAG، إذ يجمع بين دقة الاسترجاع الّتي يوفّرها “راغ” RAG وبين قدرات الوكلاء على الاستدلال والتّخطيط واتخاذ القرار.

3. التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء

ويجدر بنا هنا أن نتساءل: لماذا نحتاج إلى التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء، وأين تكمن قوّته الاسترجاعيّة؟

تكمن الإجابة في أنّ التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء لا يتعامل مع الاسترجاع بوصفه خطوةً منفردةً تسبق التّوليد، بل يحوّله إلى عمليّة ديناميكيّة قائمة على التّخطيط واتخاذ القرار والتّقييم المستمر. فهو يعتمد على منطقٍ لاتخاذ القرار، وحلقاتٍ للتّغذية الرّاجعة، واستخدام الأدوات، والاسترجاع التّكراري؛ بما يمكّنه من التّعامل مع الاستعلامات المعقدة الّتي لا تكفي للإجابة عنها عمليّة استرجاعٍ واحدةٍ، وتتطلّب بدلًا من ذلك البحث المتتابع، وربط المعلومات، وتقييم الأدلّة، وتصحيح مسار الاسترجاع عند الحاجة [3].

وتتجلّى أهميّة هذا النّهج بصورةٍ خاصّةٍ في المهام الّتي تتطلّب مجموعةً متكاملةً من القدرات، من أبرزها:

• تركيب المعلومات من وثائق متعدّدة: جمع المعلومات المتناثرة عبر مصادر ووثائق مختلفة وربطها للوصول إلى إجابةٍ متكاملة.
• إجابات قابلة للتّتبّع: إسناد الإجابة إلى المعلومات المسترجعة ومصادرها، بما يتيح التّحقق من الأدلّة الّتي بُنيت عليها.
• التّعافي من الأخطاء واللّجوء إلى بدائل: اكتشاف فشل الاسترجاع أو عدم كفايته، ثمّ إعادة البحث أو تعديل الاستراتيجيّة أو الاستعانة بمصدر أو أداةٍ بديلة.
• القابليّة للتّفسير: إتاحة فهم المسار الّذي اتبعه النّظام والمعلومات الّتي استند إليها، بما يعزّز موثوقيّة مخرجاته وقابليّتها للمراجعة.

1.3. المكوّنات الأساسيّة

(وفقًا للشّكل (1)) فيما يلي أبرز المكوّنات الأساسيّة الّتي يتألّف منها إطار التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء [3]، حيث تتكامل هذه المكوّنات ضمن مسارٍ تفاعليٍّ يهدف إلى تحسين دقّة الاسترجاع، والتّحقّق من المعلومات، وجودة الإجابة النّهائيّة.

أوّلًا: استعلام المستخدم User Query

تبدأ العمليّة باستعلام المستخدم، الّذي قد يكون سؤالًا معقّدًا ومتعدّد الأبعاد، يتطلّب أكثر من مجرّد استرجاعٍ مباشر للمعلومات؛ إذ قد يستلزم تحليل الاستعلام، وتفكيكه، وإجراء عدّة خطواتٍ من الاستدلال والاسترجاع وتحليل الوثائق للوصول إلى إجابةٍ دقيقةٍ وشاملة.

ثانيًا: وكيل التّخطيط (التّفكيك / إعادة الصّياغة) Planner Agent – Decompose / Reformulate

يتولّى وكيل التّخطيط فهم الاستعلام وتحليل مقصده، ثمّ تفكيكه إلى أسئلةٍ فرعيّةٍ عند الحاجة، وإعادة صياغته بما يعزّز وضوحه ويحسّن كفاءة الاسترجاع. كما يحدّد مسار المعالجة الأنسب، ويوجّه مراحل النّظام اللّاحقة وفقًا لطبيعة الاستعلام ودرجة تعقيده.

ثالثًا: مولّد الاستعلامات (استعلام واحد / متعدّد) Query Generator – Single / Multi-query

يحوّل مولّد الاستعلامات النيّةَ المنظّمة الّتي حدّدها وكيل التّخطيط إلى استعلاماتٍ قابلةٍ للتّنفيذ. وقد يكتفي بإنشاء استعلامٍ دلاليٍّ واحدٍ للوصول إلى المعلومات المطلوبة، أو يولّد عدّة استعلاماتٍ فرعيّة لتوسيع نطاق البحث وزيادة تغطية المعلومات ذات الصلة، وفق استراتيجيّة البحث متعدّد الاستعلامات.

رابعًا: وكيل الاسترجاع (البحث المتّجهي / الهجين) Retriever Agent – Vector / Hybrid Search

يتولّى وكيل الاسترجاع تنفيذ الاستعلامات والبحث في مصادر المعرفة وقواعد البيانات ومحرّكات البحث المعرفيّ باستخدام البحث المتجهي القائم على التّشابه الدّلاليّ، أو البحث الهجين الّذي يجمع بين البحث الدّلاليّ والبحث القائم على الكلمات المفتاحيّة. ويهدف ذلك إلى استرجاع المعلومات والوثائق الأكثر صلةً بالاستعلام لتشكيل سياقٍ مناسبٍ للمراحل اللّاحقة.

خامسًا: أداة إعادة التّرتيب (تعزيز الّدقة) Reranker Tool – Precision Boost

تعمل أداة إعادة التّرتيب على تنقية النّتائج المسترجعة وإعادة ترتيبها وفق درجة صلتها بالاستعلام، بحيث تتقدّم النّتائج الأكثر ارتباطًا ودقّةً إلى مقدّمة السّياق. ويسهم ذلك في تقليل النّتائج غير ذات الصّلة، ورفع جودة المعلومات الّتي تُقدَّم إلى الوكلاء في المراحل اللّاحقة.

سادسًا: وكيل التّحقّق (التّحقق من الحقائق / التّكرار /  المخاطر) Validator Agent – Fact Check / Redundancy / Risk

يتولّى وكيل التّحقّق فحص المحتوى المسترجع والتّأكّد من اتساقه الواقعيّ، وصلته بالاستعلام، وشموله لمختلف جوانب السّؤال، وخلوّه من التّناقضات أو المعلومات المُهلوسة. وقد يستعين بأدواتٍ خارجيّةٍ، مثل أدوات التّحقّق من الحقائق، وقواعد البيانات المنظّمة، والقواعد المتخصّصة بالمجال؛ لتعزيز موثوقيّة النّتائج.

وفي حال فشل التّحقّق أو ظهور نقصٍ في الأدلّة، يمكن للوكيل إعادة توجيه الاستعلام إلى وكيل الاسترجاع لتحسين عمليّة البحث، أو إحالة المهمّة إلى وكيل التّخطيط لإعادة صياغتها أو تفكيكها، وبذلك تستمرّ دورة المعالجة إلى حين الوصول إلى سياقٍ أكثر دقّةً وموثوقيّة.

سابعًا: وكيل التّوليف (الاستدلال / الاستشهادات) Synthesizer Agent – Reasoning / Citation

يتولّى وكيل التّوليف بناء الإجابة النّهائيّة من خلال دمج المعلومات المسترجعة والتّحقّق منها، وتلخيصها، وربطها ضمن سياقٍ منطقيٍّ متماسكٍ، وإدراج الاستشهادات المناسبة. ويضمن ذلك اتّساق الإجابة واكتمالها، مع إسناد المعلومات إلى مصادرها بما يعزّز موثوقيّتها وقابليّتها للتّحقّق.

كما يتضمّن الوكيل حلقةَ تحقّقٍ ذاتيٍّ، تمكّنه من اكتشاف أوجه التّناقض أو نقص الأدلّة، ثمّ إعادة المخرجات إلى وكيل التّحقّق لإعادة فحصها قبل اعتماد الإجابة النّهائيّة.

ثامنًا: الإجابة النّهائيّة

بعد اكتمال مراحل الاسترجاع والتّحقّق والتّوليف، تُقدَّم الإجابة النّهائيّة للمستخدم بصورةٍ متماسكةٍ وواضحةٍ، مدعومةً بالاستشهادات داخل النّصّ أو بالبيانات الوصفيّة والمصادر الدّاعمة، بما يتيح للمستخدم تتبّع المعلومات والتّحقّق من مصادرها.

تاسعًا: حلقة ملاحظات المستخدم

لا تنتهي عمليّة المعالجة عند تقديم الإجابة؛ إذ يمكن أن يشكّل تفاعل المستخدم وملاحظاته حلقةً إضافيّةً لتحسين المخرجات. فإذا كانت الإجابة غير مكتملة أو لم تلبِّ حاجة المستخدم، تُعاد الملاحظات إلى وكيل التّخطيط لإعادة تحليل الطّلب وتحديد جوانب القصور، ثمّ إعادة توجيه عملية الاسترجاع والتّوليف للوصول إلى إجابةٍ أكثر دقّةً وملاءمةً.

2.3. تصنيف أنظمة التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء وأنماطها المعماريّة

لا يتخذ التّوليد المُعزَّز بالاسترجاع القائم على الوكلاء بنيةً معماريّةً واحدةً ثابتةً، وإنّما يتوزّع ضمن مجموعةٍ من الأطر المعماريّة المتميّزة الّتي تختلف فيما بينها من حيث درجة التّعقيد ومبادئ التّصميم وآليّات توزيع المهام. ويهدف كلّ إطارٍ إلى معالجة تحدّيات أو مشكلات محدّدة في عمليّات الاسترجاع والتّوليد، بما يتيح مواءمة بنية النّظام مع طبيعة التّطبيق ومتطلّباته، وتحقيق أداءٍ أكثر كفاءة وملاءمة لمجموعةٍ واسعةٍ من التّطبيقات [1].

وفيما يلي نستعرض أبرز الأنماط المعماريّة لأنظمة ” الرّاغ الوكيليّ” Agentic RAG، مع توضيح آليّة عمل كلّ نمطٍ، وخصائصه، وأبرز استخداماته، إلى جانب أهمّ القيود والتّحديات المرتبطة به.

أوّلًا: التّوليد المُعزَّز بالاسترجاع القائم على وكيلٍ واحدٍ Single-Agent Agentic RAG

يعتمد هذا النّمط على وكيلٍ موحّدٍ يتولّى بصورةٍ مركزيّةٍ إدارة مختلف المهام المرتبطة بعمليّة الاسترجاع، بما في ذلك استرجاع المعلومات، وتوجيه الاسترجاع، ودمج المعلومات. ويتميّز هذا النّهج ببساطة بنيته مقارنةً بالأنماط متعدّدة الوكلاء، ممّا يجعله مناسبًا بصورةٍ خاصّةٍ للبيئات الّتي تتطلّب التّعامل مع عددٍ محدودٍ من الأدوات أو مصادر البيانات.

تتمّ آلية العمل وفقًا لما يلي [1]:

• وفقاً للشّكل (2) تبدأ العمليّة بتقديم المستخدم للاستعلام Query، حيث يتولّى الوكيل المنسِّق، أو ما يُعرف بـوكيل الاسترجاع الرّئيسيّ Master Retrieval Agent، تحليل الاستعلام وفهم طبيعته ومتطلّباته، ثمّ تحديد مصادر المعرفة والأدوات الأكثر ملاءمة للإجابة عنه. 
• واستنادًا إلى هذا التّحليل، يختار الوكيل مسار الاسترجاع الأنسب من بين مجموعةٍ متنوّعةٍ من مصادر المعرفة؛
  • فعند التّعامل مع استعلاماتٍ تتطلّب الوصول إلى بياناتٍ مهيكلةٍ أو جدوليّةٍ، يمكن للنّظام الاستعانة بمحرّك تحويل النّصّ إلى قاعدة بيانات Text-to-SQL للتّفاعل مباشرةً مع قواعد بيانات، مثل PostgreSQL أو MySQL.
  • في حين تُستخدم تقنيّات البحث الدّلاليّ عند التّعامل مع المعلومات غير المهيكلة.
  • أمّا الاستعلامات الّتي تتطلّب معلوماتٍ آنيّة أو سياقًا واسعًا ومتجدّدًا، فيمكن توجيهها إلى أدوات البحث على الويب للوصول إلى أحدث البيانات المتاحة عبر الإنترنت.
• وبعد تحديد مصادر المعرفة المناسبة واسترجاع البيانات ذات الصّلة منها، تُمرَّر المعلومات المجمّعة إلى نموذجٍ لغويٍّ كبيرٍ، الّذي يتولّى تركيبها ودمج المعارف المستقاة من المصادر المتعدّدة، وربط الأدلّة والمعلومات المتناثرة ضمن سياقٍ موحّدٍ، وصولًا إلى بناء استجابةٍ متماسكةٍ وذات صلةٍ مباشرةٍ بالاستعلام الأصليّ.
• وفي المرحلة النّهائيّة، يُولِّد النّظام إجابةً شاملةً موجّهةً إلى المستخدم، تعالج جوهر الاستعلام بصورةٍ مباشرةٍ وقابلةٍ للتّطبيق، وتُقدَّم في صيغةٍ موجزةٍ ومنظّمة،ٍ مع إمكانيّة إرفاق المراجع أو الاستشهادات الّتي تتيح تتبّع مصادر المعلومات الّتي استندت إليها الإجابة.

ولنوضّح هذه الآليّة من خلال مثالٍ تطبيقيٍّ على تتبّع حالة طلب. فعندما يسأل المستخدم عن حالة طلبه، يتولّى الوكيل المنسِّق تنفيذ عدّة مهام، منها استرجاع بيانات التتبّع من قاعدة بيانات إدارة الطّلبات، وجلب التّحديثات اللّحظية من واجهة برمجة التّطبيقات API الخاصّة بشركة الشّحن، وقد يستعين كذلك بالبحث على الويب للتّحقق من الظّروف المحليّة الّتي قد تؤثّر في عمليّة التّسليم. وفي النّهاية، تُدمج هذه المعلومات لتوليد استجابةٍ موجزةٍ ومتكاملةٍ، مثل: «طلبك قيد النّقل حاليًّا، ومن المتوقع وصوله مساء الغد. ووفقًا للتّتبّع المباشر من شركة الشّحن، يوجد الطّرد حاليًّا في مركز التّوزيع الإقليمي» [1].

ثانيًا: أنظمة التّوليد المُعزَّز بالاسترجاع متعدّدة الوكلاء Multi-Agent Agentic RAG Systems

على خلاف النّوع السّابق، يعتمد هذا النّمط على عدّة وكلاء متخصّصين، يتولّى كلٌّ منهم مهمّةً أو مجالًا محدّدًا، بما يتيح توزيع العمل وتحسين كفاءة الأداء، ويجعله أكثر ملاءمةً لأطر العمل المعقدة والاستعلامات المتنوّعة ومتعدّدة المتطلّبات [1].

ووفقًا للشّكل (3)، تبدأ العمليّة عند استلام الاستعلام من المستخدم، حيث يتولّى الوكيل المنسِّق دور المنسِّق المركزي Central Orchestrator، فيحلّل الاستعلام ويحدّد متطلّباته، ثمّ يوزّع المهام على وكلاء الاسترجاع المتخصّصين وفقًا لطبيعة كلّ مهمّة أو مصدر البيانات المطلوب. ويتولّى كلّ وكيلٍ مجالًا محدّدًا؛ فعلى سبيل المثال: يتخصّص أحدهم في التّعامل مع البيانات المهيكلة، بينما يتولّى آخر البحث الدّلاليّ، ويختصّ ثالثٌ باسترجاع المعلومات من المصادر الخارجيّة، في حين يتخصّص وكيلٌ آخر في أنظمة التّوصية.

بعد توزيع المهام، ينتقل النّظام إلى مرحلة الوصول إلى الأدوات واسترجاع البيانات، حيث يختار كلّ وكيلٍ الأداة أو مصدر البيانات الأنسب لمهمّته. ويمكن تنفيذ عمليّات الاسترجاع المختلفة بالتّوازي، ممّا يرفع كفاءة النّظام ويتيح معالجة مصادر متعدّدة وأنواع مختلفة من المعلومات في الوقت نفسه. وبعد اكتمال عمليّات الاسترجاع، تُرسل النّتائج الّتي جمعها الوكلاء إلى نموذجٍ لغويٍّ كبيرٍ، الّذي يتولّى تركيب المعلومات المسترجعة ودمج الرّؤى المستخلصة من المصادر المختلفة في استجابةٍ واحدةٍ متماسكةٍ وذات صلةٍ بالسّياق. وفي المرحلة النّهائيّة، تُقدَّم للمستخدم استجابةٌ شاملةٌ ودقيقةٌ وملائمةٌ للاستعلام الأصلي، مع إمكانيّة إرفاق المراجع أو الاستشهادات بمصادر المعلومات المستخدمة [1].

ولنوضّح هذه الآليّة من خلال مثالٍ تطبيقيٍّ حول الآثار الاقتصاديّة والبيئيّة لاعتماد الطّاقة المتجدّدة في أوروبا. يقوم الوكيل المنسِّق بتوزيع المهام على عدّة وكلاء متخصّصين؛ إذ يتولّى أحدهم استرجاع البيانات الإحصائيّة من قواعد البيانات الاقتصاديّة باستخدام استعلامات SQL، بينما يبحث وكيلٌ آخر عن الأوراق الأكاديميّة المرتبطة بالاستعلام باستخدام أدوات البحث الدّلاليّ. ويجري الوكيل الثّالث بحثًا على الويب للوصول إلى أحدث الأخبار والتّحديثات المتعلّقة بالسّياسات الأوروبيّة في مجال الطّاقة المتجدّدة، في حين يستعين الوكيل الرّابع بنظام توصيةٍ لاقتراح تقارير أو مصادر إضافيّة وتعليقات متخصّصة ذات صلةٍ. بعد ذلك، تُجمع البيانات والمعلومات المسترجعة من مختلف الوكلاء وتُرسل إلى نموذجٍ لغويٍّ كبيرٍ، الّذي يتولّى تحليلها ودمجها لصياغة استجابةٍ متكاملةٍ، تُقدَّم في النّهاية إلى المستخدم [1]. 

ثالثًا: التّوليد المُعزَّز بالاسترجاع التّصحيحي القائم على الوكلاء Agentic Corrective RAG 

يقدّم آليّاتٍ للتّصحيح الذّاتي لنتائج الاسترجاع، بما يتيح تقييم المعلومات المسترجعة وتحسينها قبل استخدامها في توليد الاستجابة النّهائيّة [1]. ويتمثّل جوهر هذه البنية في التّقييم الدّيناميكي للوثائق المسترجعة واتخاذ إجراءاتٍ تصحيحيّةٍ عند الحاجة، وذلك وفق النّهج الآتي:

في البداية، يتولّى وكيل تقييمٍ مدى صلة المستندات المسترجعة Relevance Evaluation Agent تقييم الوثائق المسترجعة وتحديد مدى ارتباطها بالاستعلام، مع التّمييز بين الوثائق ذات الصّلة، والوثائق الغامضة أو غير الكافية، والوثائق غير ذات الصّلة.

بعد ذلك، يعمل وكيل تنقيح الاستعلامات Query Refinement Agent على تحليل الاستعلام وفهم دلالاته، ثمّ إعادة صياغته أو تحسينه عند الحاجة، بهدف توجيه عمليّة الاسترجاع نحو معلوماتٍ أكثر دقّة وارتباطًا بالسّؤال المطروح.

وفي حال تبيّن أنّ السّياق المسترجع غير كافٍ أو لا يوفر الأدلّة المطلوبة، يتولّى وكيل استرجاع المعرفة الخارجيّة External Knowledge Retrieval Agent الوصول إلى مصادر خارجيّة، مثل: الويب أو قواعد بيانات ومصادر معرفيّة بديلة، بهدف استكمال المعلومات النّاقصة وتعزيز السّياق المسترجع.

وأخيرًا، تُجمَع المعلومات الّتي جرى تقييمها والتّحقق من ملاءمتها وتنقيحها، وتُمرَّر إلى وكيل تركيب الاستجابة Response Synthesis Agent، الّذي يتولّى دمج المعلومات الموثوقة وتوليد الاستجابة النّهائيّة.

وتُعدّ هذه البنية مفيدةً بشكلٍ خاصٍّ في مهام البحث والاستكشاف العلميّ، مثل البحث عن الأوراق الأكاديميّة والدّراسات ذات الصّلة؛ إذ لا تكتفي باسترجاع مجموعةٍ من الوثائق، وإنّما تعمل بصورةٍ تكراريّةٍ على تقييمها وتصفيتها، واستبعاد الوثائق غير ذات الصّلة أو الغامضة، وتنقيح الاستعلام عند الحاجة، والاستعانة بمصادر خارجيّة لاستكمال المعلومات، ممّا يسهم في الوصول إلى نتائج أكثر دقّة وارتباطًا بالسّؤال البحثيّ.

رابعًا: التّوليد المُعزَّز بالاسترجاع التّكيُّفي القائم على الوكلاء Adaptive Agentic RAG 

يُعزّز مرونة وكفاءة نماذج اللّغة الكبيرة، من خلال تكييف استراتيجيّة التّعامل مع الاستعلامات بصورةٍ ديناميكيّةٍ، استنادًا إلى درجة تعقيد الاستعلام الوارد من المستخدم [1].

• الاستعلامات المباشرة: تُستخدم للأسئلة القائمة على الحقائق البسيطة الّتي يمكن للنّموذج الإجابة عنها اعتمادًا على معرفته الدّاخليّة، دون الحاجة إلى الاسترجاع الخارجيّ.
• الاستعلامات البسيطة: ينفّذ النّظام عمليّة استرجاعٍ أحاديّة الخطوة لجلب المعلومات ذات الصّلة.
• الاستعلامات المعقّدة: يعتمد النّظام على استرجاعٍ متعدّد الخطوات، حيث تُنقَّح النّتائج الوسيطة تدريجيًّا للوصول إلى إجابةٍ شاملةٍ ودقيقةٍ.

ويعتمد النّهج على ثلاثة مكوّنات ٍأساسيّةٍ: دور المُصنِّف Classifier Role: يحلّل نموذجٌ لغويٌّ خفيفٌ الاستعلام لتحديد درجة تعقيده. الاختيار الدّيناميكي للاستراتيجيّة: يحدّد النّظام استراتيجيّة الاسترجاع المناسبة وفقًا لتعقيد الاستعلام. تكامل نموذج اللّغة الكبير: يدمج النّموذج المعلومات المسترجعة ويصوغها في استجابةٍ متماسكةٍ، مع إمكانيّة التّفاعل التّكراريّ مع المُصنِّف لتنقيح النّتائج في الاستعلامات المعقّدة [1].

وتبرز الفائدة في التّطبيقات الّتي تتباين فيها طبيعة الاستعلامات، مثل البحث العلميّ، وتحليل الوثائق، وخدمة الأسئلة والأجوبة، والأنظمة الطّبيّة، إذ يتيح استخدام الموارد المناسبة لكلّ استعلامٍ دون إجراء عمليّات استرجاعٍ معقّدةٍ عندما لا تكون هناك حاجةٌ إليها.

خامسًا: التّوليد المُعزَّز بالاسترجاع القائم على الرّسوم البيانيّة والوكلاء Graph-Based Agentic RAG

1. بنيةٌ قائمةٌ على الوكلاء للاسترجاع من المعرفة البيانيّة والنّصّيّة Agent-G 

يُقدّم بنيةً قائمةً على الوكلاء تدمج بين قواعد المعرفة القائمة على الرّسوم البيانيّة Graph Knowledge Bases واسترجاع المعلومات من المستندات النّصّيّة غير المهيكلة. وتتمثّل مهمّته الأساسيّة في توجيه مهام الاسترجاع إلى المسترجعات المتخصّصة، بما يتيح الاستفادة من مصادر المعرفة المهيكلة وغير المهيكلة بصورةٍ متكاملةٍ، ويعزّز دقة الاسترجاع وقدرات الاستدلال في أنظمة “راغ”  RAG.

تبدأ آليّة العمل، كما يوضّح الشّكل (4)، باستقبال السّؤال Question وتحليله بواسطة الوكيل، الّذي يتولّى اتخاذ القرار بشأن مسار الاسترجاع الأنسب. ثمّ يُوجَّه الاستعلام إلى بنك المسترجعات Retriever Bank، الّذي يضمّ مسارين رئيسيّين. يتمثّل المسار الأوّل في استرجاع المعلومات من قواعد المعرفة البيانيّة، بما في ذلك الكيانات والعلاقات والرّوابط البنيويّة بينها. أمّا المسار الثّاني فهو مخصّصٌ لاسترجاع المعلومات من المستندات النّصّيّة، مثل المقالات والأوراق البحثيّة والوثائق، وهو مناسبٌ للتّعامل مع المعرفة غير المهيكلة والمحتوى النّصّيّ التّفصيليّ.

بعد استرجاع المعلومات، تُمرَّر النّتائج إلى مُرتِّب النّتائج Ranker، الّذي يتولّى ترتيب الوثائق والمعلومات المسترجعة وفقًا لمدى صلتها بالسّؤال وأهمّيتها، بحيث تُقدَّم الأدلّة الأكثر فائدة إلى المرحلة اللّاحقة. ثمّ تنتقل النّتائج المرتبة إلى المولِّد Generator، حيث يستخدم نموذج اللّغة المعلومات المسترجعة لتوليد إجابةٍ تستند إلى الأدلّة المتاحة.

وتبرز هنا إحدى أهمّ مراحل البنية، وهي وحدة النّقد والتّقييم Critic Module، الّتي تتولّى تقييم الإجابة المولَّدة والتّحقق من مدى جودتها وملاءمتها. وتتكوّن هذه الوحدة من عنصرين رئيسيّين: المُحقِّق Validator، الّذي يقيّم الإجابة ويحدّد ما إذا كانت تستوفي معايير الجودة والملاءمة، والمُعلِّق Commentor، الّذي يقدّم ملاحظات تصحيحيّة عند عدم كفاية الإجابة أو انخفاض مستوى الثّقة فيها. وتُعاد هذه الملاحظات إلى الوكيل لتوجيه عمليّة الاسترجاع من جديد أو تنقيح الاستعلام، بما يسمح للنّظام بتصحيح مساره بدل الاكتفاء بالنّتيجة الأولى.

وبذلك يعتمد على حلقةٍ تكراريّةٍ للتّغذية الرّاجعة تجمع بين الاسترجاع والتّوليد والتّقييم والتّصحيح، بحيث يمكن للنّظام إعادة توجيه عمليّة الاسترجاع عند الحاجة، والاستفادة من كلٍّ من المعرفة البيانيّة والمعلومات النّصّيّة للوصول إلى إجابةٍ أكثر دقّة وموثوقيّة. ويمنح هذا النّهج النّظام قدرةً أكبر على تحسين دقّة الاسترجاع، وتعزيز جودة الاستدلال، والارتقاء بجودة الإجابة النّهائيّة [1].

2.  وكيل التّوليد المُعزَّز بالاسترجاع والمدعوم بالمعرفة البيانيّة Graph-Enhanced Agent for 

Retrieval-Augmented Generation – GeAR

من خلال توظيف تقنيّات التّوسّع البيانيّ وبنيةٍ معماريّة قائمةٍ على الوكلاء، يعالج النّموذج تحدّيات الاسترجاع متعدّد القفزات، ويعزّز قدرته على التّعامل مع الاستعلامات المعقدة. تبدأ العمليّة باستقبال سؤال المستخدم وإرساله إلى المسترجع الأساسيّ Base Retriever، الّذي يوفّر مجموعةً أوليّةً من المعلومات تمثّل نقطة انطلاقٍ لعمليّة البحث. بعد ذلك، يستخدم النّموذج اللّغويّ الكبير المعلومات المسترجعة لتمثيلها في صورة ثلاثيّاتٍ معرفيّةٍ: (الكيان الأوّل، العلاقة، الكيان الثّاني) (Subject, Relation, Object). ثمّ يوظّف GeAR تقنيّة التّوسّع البيانيّ المتزامن Synchronized Graph Expansion – SyncGE لتمثيل العلاقات بين المعلومات المسترجعة واكتشاف مقاطع نصّيّة إضافيّة مرتبطةٍ بها، ممّا يدعم تنفيذ الاستعلامات متعدّدة القفزات.

وبالاستفادة من الذّاكرة الموجزة Gist Memory، يحتفظ النّظام بالمعلومات المهمّة المتراكمة خلال جولات الاسترجاع، بينما يتولّى الوكيل تقييم كفاية الأدلّة وتحديد الحاجة إلى استرجاعٍ إضافيٍّ أو توليد استعلاماتٍ فرعيّةٍ جديدةٍ عند وجود فجواتٍ معرفيّةٍ. تستمرّ هذه العمليّة بصورةٍ تكراريّةٍ حتّى تتوافر الأدلّة الكافية، ثمّ تُدمج المعرفة المتراكمة مع نتائج الاسترجاع لتوليد الإجابة النّهائيّة [4]. 

لمقارنة النّموذجين بصورةٍ سريعةٍ، يُلاحظ أنّ ” الوكيل – جي ” Agent-G يعتمد على دمج الأنماط النّصّيّة والمعلومات البيانيّة، مع الاستعانة بوحدة نقدٍ Critic لتقييم نتائج الاسترجاع وتوجيه عمليّة البحث. في المقابل، يعتمد ” جي إيه آر ” GeAR على الرّسم البيانيّ لتوسيع نطاق البحث في فضاء المعرفة والوصول إلى معلوماتٍ مترابطةٍ، بينما يتولّى الوكيل مهمّة تقييم نتائج الاسترجاع وتحديد الخطوة التّالية في عملية البحث.

3.3. مقارنةٌ بين الذّكاء الإصطناعيّ الوكيليّ والتّوليد المعزَّز بالاسترجاع القائم على الوكلاء

ويتبادر إلى أذهان كثيرٍ منّا سؤالٌ جوهريّ: ما الفرق بين الذّكاء الإصطناعيّ الوكيليّ Agentic AI والتّوليد المعزَّز بالاسترجاع القائم على الوكلاء Agentic RAG؟ وهل يُمكن اعتبار أحدهما امتدادًا للآخر؟

يمكن القول إنّ ” الرّاغ الوكيليّ” Agentic RAG يمثّل تطبيقًا متخصّصًا لمبادئ الذّكاء الإصطناعيّ الوكيليّ Agentic AI، إذ يوظّف القدرات الوكيليّة ضمن إطار Retrieval-Augmented Generation بهدف تحسين عمليّة الوصول إلى المعرفة وتوليد إجاباتٍ أكثر دقّةً وارتباطًا بالمصادر.

وعلى نحوٍ أكثر تحديدًا، يركّز وكيل الذّكاء الإصطناعيّ AI Agent أو النّظام متعدّد الوكلاء Multi-Agent System غالبًا على توظيف نموذجٍ لغويٍّ كبيرٍ بوصفه محرّكًا للاستدلال المنطقيّ والسّببيّ، واتخاذ القرارات استنادًا إلى المدخلات والأهداف المحدّدة. ويعمل النّظام من خلال حلقةٍ متكرّرة تشمل التّخطيط، وتنفيذ سلسلةٍ من المهام الموكلة، وملاحظة النّتائج، ثمّ تقييمها وتعديل الخطّة التّنفيذيّة عند الحاجة، بما يتيح له مواصلة العمل بصورةٍ ديناميكيّة حتّى تحقيق الهدف [5].

لمزيدٍ من التّعرّف إلى الأنظمة متعدّدة الوكلاء، وآليّة عملها، وبنيتها المعماريّة، وأنماطها المختلفة، يُرجى الرّجوع إلى المقالة المشار إليها في المرجع [6].

ويعتمد هذا النّوع من الأنظمة عادةً على ذاكرةٍ تتيح الاحتفاظ بالسّياق والمعلومات ذات الصّلة، ومجموعةٍ من الأدوات الّتي تمكّنه من التّفاعل مع مصادر البيانات والبيئات الخارجيّة. كما يمتلك كلّ وكيلٍ دورًا متخصّصًا ومهام محدّدة ضمن النّظام، في حين تدعم عمليّة التّخطيط قدراته على الاستدلال واتخاذ القرار والتّنسيق مع الوكلاء الآخرين [1].

أمّا التّوليد المعزَّز بالاسترجاع القائم على الوكلاء، فيركّز بصورةٍ أساسيّةٍ على توظيف السّلوك الوكيليّ لإدارة عمليّة استرجاع المعرفة إدارةً ديناميكيّة، بهدف تحسين جودة الإجابة النّهائيّة وتعزيز ارتباطها بالأدلّة والمصادر الخارجيّة. ولا يقتصر النّظام على تنفيذ عمليّة استرجاعٍ واحدةٍ، بل يستطيع تحليل الاستعلام، وتحديد استراتيجيّة البحث المناسبة، وتقييم النّتائج المسترجعة، وإعادة صياغة الاستعلامات، والاستعانة بمصادر أو أدوات إضافيّة عند الحاجة، ثمّ تكرار عمليّة الاسترجاع والتّحقّق قبل توليد الإجابة النّهائيّة.

وعليه، فإنّ ” الرّاغ الوكيليّ” لا يشترط بنيةً محدّدةً لعدد الوكلاء؛ فقد يُبنى على وكيلٍ واحدٍ يتولّى إدارة مراحل الاسترجاع والتّقييم والتّوليد، أو ضمن نظامٍ متعدّد الوكلاء تتوزّع فيه هذه المهام بين وكلاء متخصّصين.

4.3. تقييم نظام الاسترجاع المعزَّز بالتّوليد القائم على الوكلاء

يُعَدُّ تقييم نظام التّوليد المعزَّز بالاسترجاع القائم على الوكلاء عمليّةً متعدّدة الأبعاد، لا تقتصر على فحص جودة الإجابة النّهائيّة، بل تشمل أيضًا دقّة الاسترجاع، وقدرة النّظام على الاستدلال واتخاذ القرار، وكفاءة تنسيق الوكلاء، والأداء التّشغيلي أثناء مراحل التّخطيط والاسترجاع والتّوليد. ويعتمد اختيار مقاييس التّقييم على الهدف من النّظام وطبيعة المهام الّتي ينفذها، إذ ينبغي التّحقق من مدى موثوقيّة المعلومات المسترجعة، ودقة الإجابات المولّدة، وقدرة النّظام على معالجة الاستعلامات المعقدة بكفاءةٍ [3].

فعلى مستوى الاسترجاع، تُستخدم مقاييسٌ، مثل Retrieval Precision@k لقياس نسبة الوثائق ذات الصّلة ضمن أعلى (k) نتائج مسترجعة. وعلى مستوى التّوليد، يُقاس مدى صحة المعلومات باستخدام Factual Accuracy، بينما يُستخدم مقياس Faithfulness to Source للتّحقق من استناد الإجابة إلى المحتوى المسترجع دون اختلاق معلوماتٍ غير مدعومة. كما يمكن تقييم Answer Completeness أو اكتمال الإجابة، للتّحقق من تغطيتها لمختلف جوانب سؤال المستخدم، إلى جانب Answer Relevance لقياس مدى ارتباط الإجابة بالاستعلام المطروح [3].

ولا يكتمل التّقييم دون قياس الأداء التّشغيلي، مثل Latency، واستهلاك الموارد، وعدد دورات الاسترجاع، وعدد استدعاءات النّماذج والأدوات، والتّكلفة التّشغيليّة، ومدى قابليّة النّظام للتّوسّع والنّشر في بيئة الإنتاج. ولتقييم النّظام بصورةٍ شاملةٍ، يمكن الاستعانة بمعايير اختبار متخصّصة، مثل HotpotQA لقياس الاستدلال متعدّد القفزات، وFEVER للتّحقق من صحة الادعاءات، و TruthfulQA لتقييم مقاومة المعلومات المضلّلة والهلوسة. وفي التّطبيقات عالية المخاطر، يُوصى بإشراك الخبراء البشريّين ضمن حلقة التّقييم للتّحقق من موثوقيّة النّتائج وسلامتها قبل اعتماد النّظام في الاستخدام الفعليّ [3].

4. الخاتمة

يمثّل التّوليد المعزَّز بالاسترجاع القائم على الوكلاء Agentic RAG تطوّرًا طبيعيًّا في طريقة تعامل أنظمة الذّكاء الإصطناعيّ مع المهام المعقدة والكثيفة بالبيانات. فمن خلال اعتماد نمطٍ تفاعليٍّ قائمٍ على الحلقات، والاختيار الذّاتي للأدوات، وتحسين الاستعلامات بصورةٍ متكرّرةٍ حتّى الوصول إلى نتيجةٍ عالية الجودة، يتجاوز النّظام نمط التّنفيذ الثّابت للتّعليمات النّصّيّة، لينتقل إلى نموذج أكثر تكيّفًا ووعيًا بالسّياق وقدرةً على اتخاذ القرار.

وعلى الرغم من أنّ هذه الأنظمة لا تزال تعمل ضمن بنىً تحتيّة وأطر أخلاقيّة يحدّدها الإنسان، فإنّ قدراتها الوكيليّة تفتح المجال أمام تفاعلات ذكاءٍ إصطناعيٍّ أكثر ثراءً وديناميكيّة، وأكثر فائدةً للمؤسسات والمستخدمين على حدّ سواء.

ولا تزال هناك تحدّياتٌ جوهريّةٌ مفتوحةٌ في تنسيق الوكلاء في الأنظمة متعدّدة الوكلاء، وتقييم العمليّات، وإدارة الذّاكرة، والكفاءة الحاسوبيّة، والحوكمة.

5. المراجع

1.  arXiv:2501.09136
2. Agentic RAG | huggingface
3. Understanding Agentic RAG: A Deep Dive into Intelligent Retrieval and Reasoning Systems | medium
4. arXiv:2412.18431
5. The ABCs of RAG and Agentic AI: A Beginner’s Guide | medium
6. multi-agent-systems-mas | aiinarabic