البحث في المعرفة (RAG)
إجابات من مستنداتك، مع ذكر المصدر
نفهرس عقودك وأدلتك ومخططاتك ورسائل بريدك في قاعدة بيانات متجهية خاصة، ثم نتيح لنموذج لغوي الإجابة عن الأسئلة مع ذكر مصدر لكل معلومة. وتتبع الصلاحيات تلك المعمول بها حاليًا لدى فريقك.
ناقش البحث في المعرفة (RAG) لفريقكما نبنيه
ذاكرة خاصة لشركتك.
- 01استيعاب المستندات من PDF وملفات Office والبريد الإلكتروني والملفات الممسوحة ضوئيًا
- 02التعرف الضوئي على النص العربي (OCR) وتنقيحه
- 03بحث متجهي باستخدام pgvector أو Qdrant
- 04بحث هجين وإعادة ترتيب النتائج
- 05إجابات موثقة المصدر داخل Slack أو Teams أو بوابتك
- 06تقييم الدقة على أسئلتك الفعلية
حالات الاستخدام
أسئلة متكررة.
البحث المعزز بالمعرفة (RAG) يجعل النموذج اللغوي يجيب من مستنداتك أنت، لا مما تعلّمه أثناء تدريبه فقط. فهو يبحث في عقودك وأدلتك ورسائلك وملفاتك الممسوحة، ويمرر المقاطع ذات الصلة إلى النموذج، ثم يعيد إجابة تذكر مصادرها. تحتاجه حين تعتمد الإجابات على معرفة خاصة بالشركة أو معرفة تتغير باستمرار. أما إذا كان المطلوب كتابة عامة أو ترجمة، فالنموذج اللغوي وحده يكفي في أغلب الحالات.
نعم. يدعم المستندات العربية والإنجليزية والمختلطة، وتمر ملفات PDF والصور الممسوحة عبر التعرف الضوئي على النص العربي (OCR) وتنقيح النص قبل الفهرسة. ويجمع البحث بين المطابقة المتجهية والمطابقة بالكلمات مع إعادة ترتيب النتائج، وهذا يساعد مع اختلاف كتابة الكلمات العربية والمصطلحات الفنية. وتتأثر الجودة كثيرًا بوضوح المسح، لذلك نقيس الدقة على أسئلتك خلال تجربة أولية مدتها 3 إلى 4 أسابيع قبل التوسع إلى فرق أخرى.
الدقة تُقاس ولا تُفترض. قبل التشغيل نجمع مع فريقك مجموعة من الأسئلة الحقيقية ونقيّم الإجابات عليها، ثم نضبط استيعاب المستندات والبحث والتعليمات حتى تصل النتائج إلى مستوى مقبول. وكل إجابة تذكر الصفحة أو السجل أو الرسالة التي اعتمدت عليها، فيستطيع المستخدم فتح المصدر والتحقق بنفسه. وحين لا تحتوي المستندات على إجابة، نضبط المساعد ليقول ذلك بدل التخمين. وتتبع الصلاحيات ما يملكه موظفوك من صلاحيات حاليًا.
آخر تحديث