RAG چیست؟

پاسخ مستقیم

RAG یعنی مدل فقط از حافظه یا حدس خودش جواب ندهد. وقتی کاربر سؤال می‌پرسد، سیستم اول در منابع قابل اعتماد جست‌وجو می‌کند، بخش‌های مرتبط را می‌آورد و بعد پاسخ نهایی را بر پایه همان اطلاعات می‌سازد.

RAG یعنی «بازیابی دانش» قبل از «پاسخ‌سازی».

خلاصه کوتاه برای شروع

اگر خیلی ساده بخواهیم بگوییم:

• گفت‌وگوی معمولی فقط یک پاسخ می‌سازد.
• RAG اول اطلاعات مرتبط را پیدا می‌کند.
• بعد مدل پاسخ را با تکیه بر همان اطلاعات می‌نویسد.
• این کار کمک می‌کند جواب دقیق‌تر، تازه‌تر و قابل‌اتکاتر شود.

RAG در یک نگاه

چرخه معمول RAG این‌طوری است:

1. کاربر سؤال را می‌پرسد.
2. سیستم در دانش‌پایه، اسناد یا جست‌وجو دنبال بخش‌های مرتبط می‌گردد.
3. چند تکه اطلاعات مفید برمی‌گردد.
4. مدل بر اساس همان تکه‌ها پاسخ می‌سازد.
5. اگر لازم باشد، منبع هم نشان داده می‌شود.

فرق پاسخ معمولی و پاسخ مبتنی بر RAG

یک سوءبرداشت رایج: فکر کنیم اگر مدل خوب صحبت می‌کند، پس حتماً جوابش واقعی است. این دو چیز یکی نیستند.

مدل ذهنی یک Agent با RAG

برای فهم RAG، این مدل ذهنی را نگه دار:

• کاربر یک سؤال یا درخواست می‌دهد.
• Agent تشخیص می‌دهد آیا باید سراغ دانش بیرونی برود یا نه.
• اگر لازم باشد، در منبع مناسب جست‌وجو می‌کند.
• بخش‌های مرتبط را جمع می‌کند.
• پاسخ نهایی را بر اساس همان بخش‌ها می‌نویسد.

این چرخه باعث می‌شود Agent فقط یک پاسخ‌گوی گفت‌وگویی نباشد، بلکه یک خواننده و جمع‌بندِ دانش هم باشد.

مثال‌های روزمره

RAG چه چیزی نیست

سوءبرداشت رایج: فکر کنیم RAG یعنی حافظه واقعی.

RAG حافظه نیست؛ فقط دسترسی به منابع بیرونی است.

RAG فقط کیفیت دسترسی به منبع را بهتر می‌کند؛ اگر منبع بد باشد، جواب هم می‌تواند بد باشد.

یک تصور نادرست: فکر کنیم RAG یک دیتابیس جادویی است.

RAG باید منبع را پیدا کند، بخش درست را بیاورد و بعد مدل از آن استفاده کند. بدون این زنجیره، RAG کامل نیست.

چه چیزهایی ممکن است خراب شود

خطای رایج: منبع بد. اگر سند قدیمی یا نامعتبر باشد، پاسخ هم به همان سمت می‌رود.

خطای رایج: بازیابی نامرتبط. اگر سیستم بخش‌های بی‌ربط بیاورد، مدل ممکن است مسیر سؤال را گم کند.

خطای رایج: پاسخ بدون استناد. اگر معلوم نباشد جواب از کجا آمده، اعتماد به آن سخت‌تر می‌شود.

خطای رایج: توهم پاسخ. مدل ممکن است چیزی را که در سند نیست، از خودش بسازد.

چه زمانی RAG واقعاً مفید است

RAG معمولاً وقتی مفید است که:

• اطلاعات زیاد باشد
• داده‌ها مرتب تغییر کنند
• منبع معتبر وجود داشته باشد
• کاربر نیاز به پاسخ مستند داشته باشد
• پیدا کردن پاسخ از حافظه مدل کافی نباشد

هرجا «دانش درست» مهم‌تر از «پاسخ روان» باشد، RAG ارزش بیشتری پیدا می‌کند.

رابطه RAG با Memory و Tool Calling

RAG با Memory یکی نیست.

• Memory یعنی چیزی را برای بعد نگه داریم.
• RAG یعنی چیزی را از منبع بیرونی پیدا کنیم.

RAG با Tool Calling هم فرق دارد.

• Tool Calling یعنی Agent یک ابزار را صدا بزند و نتیجه بگیرد.
• RAG معمولاً یک نوع جست‌وجوی دانش است که بعد به پاسخ‌سازی کمک می‌کند.

در عمل، این سه مفهوم می‌توانند کنار هم کار کنند:

• Memory برای یادآوری زمینه
• RAG برای آوردن دانش مرتبط
• Tool Calling برای انجام کار واقعی

چک‌لیست تشخیص نیاز به RAG

• آیا جواب باید به منبع واقعی وصل باشد؟
• آیا اطلاعات ممکن است قدیمی شود؟
• آیا کاربر انتظار پاسخ مستند دارد؟
• آیا پاسخ فقط با حافظه مدل کافی نیست؟
• آیا یک دانش‌پایه یا مجموعه سند قابل اعتماد داریم؟
• آیا لازم است منبع بعداً قابل بررسی باشد؟

اگر چند مورد بالا «بله» است، RAG احتمالاً انتخاب درستی است.

خروجی که باید بسازی

• یک منبع قابل اعتماد
• یک بخش مرتبط و کوتاه
• یک پاسخ نهایی که فقط از حدس ساخته نشده باشد

حالا کاملش کن

اگر خواستی تمرین را سخت‌تر کنی، این سه سؤال را هم جواب بده:

• اگر سند قدیمی بود، چه باید کرد؟
• اگر پاسخ منبع و پاسخ مدل فرق داشت، کدام مهم‌تر است؟
• اگر منبع پیدا نشد، Agent چه کند؟

جمع‌بندی عملی

اگر فقط یک چیز از این مقاله به خاطر بسپاری، این باشد:

• RAG یعنی اول دانش را پیدا کن، بعد جواب را بساز.
• RAG حافظه نیست، اما به حافظه‌مانند شدن سیستم کمک می‌کند.
• RAG برای وقتی خوب است که دقت، تازگی و استناد مهم باشند.

وقتی RAG را بفهمی، بهتر می‌فهمی چرا Knowledge Base، Search، Memory و Tool Calling هر کدام نقش جداگانه دارند.

قدم بعدی

اگر این مفهوم برایت روشن شد، قدم بعدی این است که برای یک موضوع واقعی مشخص کنی:

• منبع کجاست؟
• چه چیزی باید بازیابی شود؟
• پاسخ نهایی باید به چه چیزی تکیه کند؟