من RAG إلى Agentic RAG: حين يتوقّف المساعد عن «البحث ثم الإجابة» ويبدأ التفكير

كتبنا قبل عام عن RAG بوصفه «ابحث في بياناتك ثم أجب». كان ذلك صحيحاً وكافياً لروبوت دعم. لكنه يفشل أمام سؤال مثل: «ما المسار التعليمي المناسب لموظّف مبيعات جديد لم يجتز اختبار المنتجات، بحسب سياسة التدريب لهذا العام؟». هذا السؤال يحتاج تخطيطاً، وعدة عمليات استرجاع، وتحقّقاً. هذا هو Agentic RAG.

الفرق في جملة

RAG التقليدي: استرجاع واحد، إجابة واحدة. Agentic RAG: خطة، استرجاعات متعددة، تحقّق، ثم إجابة مُسنَدة.

الحلقة التي نبنيها

1. التحليل: يفكّك الوكيل السؤال إلى أسئلة فرعية («ما سياسة التدريب؟»، «ما نتيجة الاختبار؟»، «ما المسارات المتاحة؟»).
2. الاسترجاع المتعدّد: لكل سؤال فرعي مصدر مناسب — قاعدة معرفة، قاعدة بيانات، أو API.
3. التحقّق: هل تتعارض المصادر؟ هل النتيجة كافية؟ إن لا، يعيد الاسترجاع بصيغة مختلفة.
4. التركيب: إجابة واحدة بمراجع، وقائمة بما لم يستطع التأكّد منه.

تطبيق حقيقي: Learnly وLMS By SLT

في Learnly (LMS مؤسّسي يدعم SCORM) المساعد لا يجيب عن «أين أجد الدرس» فقط؛ يقرأ نتائج الاختبارات، يقارنها بمتطلّبات المسار، ويقترح الخطوة التالية. وفي LMS By SLT ثنائية اللغة، الاسترجاع يجري بالعربية والإنجليزية معاً ثم يُوحَّد — لأن نصف المحتوى مكتوب بلغة والسؤال بالأخرى.

تطبيق مختلف تماماً: منصّة Pioneers التحريرية

في Pioneers (دليل تحريري للقيادات في السوق السعودي) استخدمنا الحلقة نفسها لغرض آخر: التحقّق من الحقائق قبل النشر. الوكيل يسترجع كل ما ذُكر عن الشخصية من مصادر معتمدة، ويعلّم أي جملة في المسوّدة لا يجد لها سنداً. لم يكتب مقالاً واحداً؛ منع عشرات الأخطاء.

الأخطاء التي ستقع فيها (وقعنا فيها)

• حلقات لا تنتهي: ضع حداً أقصى لعدد الاسترجاعات وميزانية زمنية.
• ثقة زائدة بالنفس: اجعل «لم أجد» مخرجاً شرعياً ومقاساً، لا فشلاً.
• الصلاحيات بعد الاسترجاع: يجب أن تُطبَّق قبله؛ الوكيل لا يجب أن «يرى» ما لا يحق للمستخدم رؤيته.
• التكلفة: أربع استرجاعات وثلاثة استدعاءات نموذج لسؤال واحد — قِس واستخدم نماذج أصغر للخطوات الوسيطة.

متى لا تحتاجه؟

إن كانت أسئلة مستخدميك من نوع «ما ساعات العمل؟»، فـ RAG البسيط أفضل وأرخص وأسرع. Agentic RAG للأسئلة التي يحتاج الإنسان فيها إلى فتح ثلاث نوافذ ليجيب عنها.