Contextual Retrieval
تعلّم كيف يحسّن الاسترجاع السياقي RAG باستخدام أجزاء مدركة للوثائق والبحث الهجين وإعادة الترتيب، واستكشف Ultralytics YOLO26 للسياق المرئي متعدد الوسائط.
الاسترجاع السياقي هو تقنية للمعالجة المسبقة تحسّن التوليد المعزّز بالاسترجاع (RAG) من خلال إضافة شرح موجز خاص بالوثيقة إلى كل جزء من البيانات قبل فهرسته. وقد قُدّمت هذه التقنية في دليل Anthropic للاسترجاع السياقي لعام 2024، وهي تساعد أنظمة البحث على فهم موضع مقطع قد يكون ملتبسًا لولا ذلك، مما يحسّن الأدلة المقدَّمة إلى نموذج لغوي كبير. (anthropic.com)
آلية عمل الاسترجاع السياقي#
يقسّم RAG القياسي الوثائق إلى أجزاء ويحوّلها إلى تمثيلات تضمينية. غير أن جزءًا مثل «زادت الإيرادات بنسبة 3%» قد لا يذكر الشركة أو الفترة المشمولة بالتقرير أو نوع الوثيقة. ويستخدم الاسترجاع السياقي الوثيقة الكاملة لإنشاء بادئة موجزة، مثل «يصف هذا المقطع النتائج المالية لشركة ACME في الربع الثاني من عام 2025»، قبل فهرسة النص المدمج.
تشمل سيرورة العمل النموذجية ما يلي:
- التقسيم الدلالي: تقسيم الوثائق إلى مقاطع مترابطة تتوافق مع حدود الاسترجاع والنموذج. ويتمثل الغرض الرئيسي من التقسيم في جعل المصادر الكبيرة قابلة للبحث دون تجاوز نافذة السياق الخاصة بالنموذج.
- إنشاء السياق: استخدام نموذج لتلخيص علاقة كل جزء بمصدره، باتباع عملية شبيهة بـ وصفة Claude لكتاب الطبخ الخاص بالتمثيلات التضمينية السياقية.
- البحث الهجين: فهرسة الأجزاء المزوّدة بالسياق باستخدام المتجهات الكثيفة والأساليب المعجمية مثل ترتيب الكلمات المفتاحية BM25.
- إعادة الترتيب: إعادة ترتيب المرشحين المسترجعين باستخدام مقارنات أعمق بين الاستعلام والأجزاء قبل إرسال أفضل الأدلة إلى المُولِّد.
أفادت Anthropic بأن التمثيلات التضمينية السياقية، مقترنةً بـ BM25 السياقي، خفّضت معدل فشل الاسترجاع ضمن أفضل 20 نتيجة بنسبة 49%، في حين أدّت إضافة إعادة الترتيب إلى خفض بنسبة 67% في اختباراتها. وتختلف النتائج باختلاف مجموعة البيانات، لذا ينبغي التعامل مع هذه الأرقام على أنها معايير قياس لا ضمانات. (anthropic.com)
الاسترجاع السياقي في الرؤية الحاسوبية#
في RAG متعدد الوسائط، يمكن أن يتضمن سياق الوثيقة الكائنات المكتشفة، أو أوصاف الصور، أو الطوابع الزمنية، أو مواقع الكاميرات، أو أحداث الفيديو المحيطة. يستخدم المثال أدناه Ultralytics YOLO26 لإنشاء سياق قابل للبحث لصورة:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg")[0]
labels = [model.names[int(cls)] for cls in result.boxes.cls.tolist()]
context = f"Street-scene image containing: {', '.join(labels)}."
print(context)يمكن إضافة النص المُنشأ في بداية وصف الصورة أو سجل البيانات الوصفية قبل إنشاء التمثيل التضميني. ويمكن للمطورين استكشاف سير عمل التنبؤ باستخدام YOLO والبحث عن التشابه البصري ذوي الصلة.
التطبيقات الواقعية#
- البحث المؤسسي والقانوني: يحافظ مساعدو السياسات على أسماء الوثائق والتواريخ والإدارات والعلاقات بين البنود، مما يقلّل الإجابات المضللة الناتجة عن المقاطع المعزولة.
- أنظمة الصيانة البصرية: توفّر الآلات المكتشفة وأنواع العيوب ومواقع المنشآت سياقًا للصور قبل أن يسترجع النظام أدلة الإصلاح أو سجلات الفحص.
- التعليم المخصّص: يمكن لوكلاء التعلّم دمج حوار الطالب مع سجلات الأنشطة لاسترجاع إرشادات ذات صلة بالمهمة الحالية للمتعلّم.
التقنيات ذات الصلة وأفضل الممارسات#
يختلف الاسترجاع السياقي عن هندسة السياق، التي تدير جميع المعلومات المقدَّمة إلى النموذج أثناء التشغيل. كما يختلف عن أبحاث التقسيم المتأخر، التي تنشئ تمثيلًا تضمينيًا لوثيقة كاملة قبل تجميع تمثيلات الرموز في أجزاء. ووجد تقييم مقارن لعام 2025 أن الاسترجاع السياقي فعّال في الحفاظ على الاتساق الدلالي، لكنه يتطلب موارد حسابية أكبر. (arxiv.org)
تشمل أفضل الممارسات الحالية اختبار أحجام متعددة للأجزاء، والاحتفاظ بالبيانات الوصفية للمصدر، ودمج الاسترجاع الكثيف واسترجاع الكلمات المفتاحية، وقياس الاستدعاء والدقة والارتكاز واكتمال الاستجابة باستخدام إرشادات Microsoft لتقييم RAG. ويفضّل بحث أحدث مثل الاسترجاع الدقيق SAGE التقسيم الدلالي والاختيار الديناميكي للأجزاء، بينما يدعم معيار قياس للاسترجاع لعام 2026 الاسترجاع الهجين وإعادة الترتيب العصبي للوثائق النصية والجدولية المعقدة. ويمكن للفرق التي تبني أنظمة معرفة بصرية استخدام Ultralytics Platform لوسم مجموعات البيانات، وتدريب نماذج الرؤية، ونشر نقاط النهاية، ومراقبة المكوّنات التي توفّر السياق البصري المنظّم.
