00:00:00لقد قيل الكثير عن نهاية تقنية RAG، ولكن كان ذلك مبالغاً فيه بشكل كبير.
00:00:03نعم، أعلم أن النماذج اللغوية الكبيرة مثل Opus 4.6
00:00:05قد أصبحت أفضل بكثير مؤخراً في التعامل مع السياقات الضخمة.
00:00:09ولكن إذا كنت تعتقد أن هذا يعني أنك لن تحتاج أبداً إلى RAG،
00:00:12فإنك ستصطدم بجدار
00:00:14لا يمكنك تجاوزه بمجرد كتابة الأوامر.
00:00:16لذا سأشرح لكم اليوم متى تحتاجون لتقنية RAG،
00:00:19وما هو نوع RAG الذي يعمل حقاً في عام 2026
00:00:22لأن المشهد قد تغير تماماً خلال العام الماضي،
00:00:25وسأريكم كيفية ربط Cloud Code
00:00:28بنظام RAG الخاص بكم،
00:00:30بالإضافة إلى تزويدكم ببعض المهارات التي ستفيدكم.
00:00:32هدفنا اليوم هو بناء هذا،
00:00:35نظام Graph RAG مبني على أساس Light RAG
00:00:38الذي يمكننا استخدامه مع Cloud Code.
00:00:40والأهم من ذلك، سيوفر لنا هذا نظاماً
00:00:43يمكننا استخدامه عندما نحتاج لتوظيف الذكاء الاصطناعي
00:00:45مع مجموعات ضخمة جداً من المستندات، أليس كذلك؟
00:00:49ليس مجرد خمسة أو عشرة مستندات
00:00:51كما سترون في العرض التوضيحي،
00:00:52بل 500 أو 1,000 مستند،
00:00:55لأنه لا يكفي مجرد الاعتماد
00:00:57على نافذة السياق التي يأتي بها Cloud Code،
00:00:59أو أي نموذج لغوي آخر.
00:01:01لأنه عندما تبدأ في التعامل مع أحجام هائلة،
00:01:03وهو ما نراه في الكثير من الشركات الكبرى
00:01:05أو حتى الشركات الأصغر،
00:01:06فإن امتلاك نظام RAG كهذا هو في الواقع أرخص وأسرع
00:01:10من عمليات البحث الوكيلية التقليدية.
00:01:12مع وضع ذلك في الاعتبار،
00:01:13فإن امتلاك مهارة إنشاء
00:01:14هذه الأنواع من أنظمة RAG أمر مهم للغاية،
00:01:16ولكن لحسن الحظ، الأمر بسيط للغاية.
00:01:18وكما أشرت للتو،
00:01:19سنستخدم Light RAG اليوم.
00:01:21هذا مستودع مفتوح المصدر أحبه تماماً.
00:01:25لقد ظهر منذ فترة،
00:01:26وهو شيء تم تحديثه مراراً وتكراراً.
00:01:28إنه قادر على منافسة أنظمة
00:01:30Graph RAG الأكثر تعقيداً مثل الخاصة بمايكروسوفت
00:01:32بنسبة ضئيلة جداً من التكلفة.
00:01:35لذا فهو المكان المثالي لاختبار
00:01:37مفاهيم Graph RAG إذا لم تستخدمها من قبل.
00:01:40ولكن لكي نحقق أقصى استفادة من Light RAG،
00:01:43علينا فهم كيفية عمل RAG في مستواه الأساسي،
00:01:46لأن مشهد RAG قد تغير.
00:01:48ما كنا نفعله في نهاية 2024 وبداية 2025
00:01:51كان يسمى RAG البسيط (Naive RAG)، وهو المستوى الأساسي.
00:01:54هل تتذكرون كل تلك الأتمتة التي كانت تقول،
00:01:56هيا لنذهب إلى Pinecone وSuperbase.
00:01:58كان ذلك هو RAG البسيط.
00:02:00هذا لم يعد يعمل الآن.
00:02:02هذا لم يعد كافياً.
00:02:03علينا استخدام نسخ أكثر تطوراً من RAG،
00:02:06ولكننا بحاجة لفهم الأساسيات أولاً.
00:02:08لذا دعونا نقوم بمراجعة سريعة لما هو RAG
00:02:12وكيف يعمل قبل أن نتعمق في إعداد Light RAG.
00:02:14إذاً RAG، هو التوليد المعزز بالاسترجاع.
00:02:18طريقة عمله تبدأ أولاً
00:02:20بنوع من المستندات، حسناً؟
00:02:22وسيكون لديك الآلاف منها
00:02:25في نظام RAG قوي جداً.
00:02:27ولكن ما يحدث هو أن لدي هذا المستند
00:02:29الذي أريد إدخاله في نظام RAG الخاص بي،
00:02:31داخل قاعدة بيانات متجهة (Vector Database).
00:02:34حسناً، ما يحدث ليس أن المستند
00:02:38يتم إلقاؤه ببساطة في هذه القاعدة،
00:02:40وكأنه مجرد نظام Google Drive.
00:02:41بل يمر المستند عبر نموذج تضمين (Embedding Model)
00:02:44ثم يتم تحويله إلى متجه (Vector).
00:02:46ولكن أكثر من ذلك،
00:02:47المستند لا يدخل كقطعة واحدة ضخمة.
00:02:50بل يتم تقسيمه إلى أجزاء (Chunks).
00:02:51تخيل أن لدينا هذا المستند المكون من صفحة واحدة
00:02:54ويتم تقسيمه إلى الجزء الأول، والثاني، والثالث.
00:02:59كل جزء من هذه الأجزاء يصبح متجهاً،
00:03:03وهو مجرد نقطة على رسم بياني،
00:03:05نقطة في قاعدة بيانات متجهة.
00:03:06نموذج التضمين هو المسؤول عن هذا التقسيم.
00:03:09هو المسؤول عن أخذ هذا المستند،
00:03:11وفهم محتواه،
00:03:13ثم تحويله إلى نقطة على هذا الرسم البياني.
00:03:16إذاً يتم تقسيم المستند،
00:03:18ويمر عبر نموذج التضمين،
00:03:20ثم يصبح مستندنا متجهاً على هذا الرسم.
00:03:24هذا رسم بياني ثلاثي الأبعاد.
00:03:27في الواقع، هو يتكون من آلاف الأبعاد،
00:03:30لكن اعتبره ثلاثي الأبعاد فقط للتبسيط الآن.
00:03:33الآن، تخيل أن هذا المستند كان عن السفن الحربية.
00:03:36حسناً، وكل متجه تحول إلى نوع من الأجزاء
00:03:39عن السفن الحربية.
00:03:40حسناً، أين سيذهب؟
00:03:41سيوضع هنا بجانب القوارب والسفن،
00:03:43بالتأكيد، وسيصبح متجهاً خاصاً به.
00:03:45وبكلمة متجه، أعني،
00:03:46أنه يُعطى سلسلة من الأرقام التي تمثله.
00:03:50يمكنكم رؤية ذلك هنا مع الموز.
00:03:53فالموز هو 0.52، 5.12، 9.31، وهكذا.
00:03:57يستمر هذا لآلاف الأرقام.
00:04:00لذا قاربنا الصغير هنا سيكون مثل واحد، اثنان، ثلاثة،
00:04:05إلى ما لا نهاية.
00:04:07الأمر بسيط.
00:04:08بالطبع لن يكون بجانب الموز والتفاح،
00:04:10ولكن هذه هي عملية تحويل المستند إلى تضمين،
00:04:14وكذلك عملية التقسيم.
00:04:15الآن، لنفترض أنك هنا، حسناً؟
00:04:18أنت هذا الشخص السعيد هنا،
00:04:20وسألت النموذج اللغوي الكبير
00:04:21سؤالاً عن السفن الحربية.
00:04:24حسناً، هذا السؤال في نظام RAG هذا
00:04:27سيتم تحويله أيضاً إلى متجه.
00:04:30لذا سؤالك، كما تعلم، ينظر إليه النموذج،
00:04:34ويخصص له سلسلة من الأرقام
00:04:35التي تتوافق أيضاً مع نوع من المتجهات
00:04:38في هذه القاعدة، حسناً؟
00:04:41وما سيفعله هو مقارنة
00:04:43متجه سؤالك
00:04:45بالمتجهات الأخرى في الرسم البياني.
00:04:49إنه يبحث عما يسمى بـ "تشابه جيب التمام" (Cosine Similarity)،
00:04:51ولكن كل ما يفعله حقاً هو القول،
00:04:53مرحباً، السؤال كان عن هذا.
00:04:55نحن نخصص هذه الأرقام.
00:04:56ما هي المتجهات الأقرب إليها؟
00:04:58ما هي الأرقام الأقرب لذلك السؤال؟
00:05:00حسناً، ستكون هذه المتعلقة بالسفن الحربية
00:05:02وربما القوارب والسفن.
00:05:04لذا سيقوم الآن باسترجاع كل تلك المتجهات
00:05:08بكل معلوماتها،
00:05:10وسيقوم بتعزيز الإجابة التي يولدها لك،
00:05:13ومن هنا جاءت تسمية "التوليد المعزز بالاسترجاع".
00:05:16بدلاً من أن يعتمد النموذج اللغوي
00:05:17بشكل كامل على بيانات تدريبه،
00:05:19فإنه قادر على الدخول إلى قاعدة البيانات المتجهة،
00:05:22وجلب المتجهات ذات الصلة،
00:05:24وإحضارها لإعطائك إجابتك حول السفن الحربية.
00:05:27هكذا يعمل RAG، أليس كذلك؟
00:05:29إدخال المستند، تحويل الأجزاء إلى متجه.
00:05:32تتم مقارنة المتجه بالسؤال المطروح،
00:05:35جلب الأقرب منها، وفجأة، ها هو RAG.
00:05:39وهذا هو الـ RAG البسيط،
00:05:40وهو في الحقيقة لا يعمل بشكل جيد على الإطلاق.
00:05:44لذا فإن أشخاصاً أذكى مني ومنكم
00:05:46قد توصلوا إلى طرق أفضل للقيام بذلك،
00:05:49تحديداً البحث الهجين، و Graph RAG، و Agentic RAG.
00:05:53ما سنركز عليه اليوم هو Graph RAG.
00:05:55الآن Graph RAG يمر بنفس العملية.
00:05:57سيظل لديك ذلك المستند.
00:05:58وسيتم تقسيمه أيضاً.
00:05:59وسيتم وضعه في قاعدة البيانات المتجهة المسطحة هذه،
00:06:03ولكنه سيفعل شيئاً إضافياً واحداً.
00:06:05سيقوم بإنشاء "رسم بياني للمعرفة" (Knowledge Graph) أيضاً.
00:06:07سيقوم بإنشاء هذا الشيء المذهل.
00:06:08إذاً ما هو كل هذا؟
00:06:09ما هي كل هذه المتجهات والخطوط؟
00:06:11ماذا يعني هذا في الواقع؟
00:06:12حسناً، كل هذه المتجهات، هذه الدوائر الصغيرة،
00:06:14هي ما يعرف بـ "الكيانات" (Entities).
00:06:17والخطوط التي تربط بين كيانين
00:06:21هي "حافة" (Edge) أو "علاقة".
00:06:23بالعودة إلى مثال المستند،
00:06:25تخيل أن هذا المستند هو عن Anthropic و Claude Code.
00:06:28والجزء الذي تم استخراجه يقول،
00:06:31"أنشأت Anthropic برنامج Claude Code".
00:06:35سيأخذ ذلك ويحلله
00:06:36إلى كيانات وعلاقات.
00:06:38ما هما الكيانان؟
00:06:39الكيانان سيكونان
00:06:41Anthropic و Claude Code.
00:06:44والعلاقة هي أن Anthropic أنشأت Claude Code.
00:06:48إذاً لديك Anthropic هنا
00:06:51ولديك Claude Code هناك.
00:06:54ويمكنكم رؤية أن هذا كيان، وهذا كيان،
00:06:58وبينهما علاقة.
00:06:59على الرسم البياني المرئي، هو مجرد خط،
00:07:03ولكن برمجياً،
00:07:05هذا الخط بين هذين الكيانين
00:07:08يرتبط به الكثير من النصوص
00:07:10التي توضح طبيعة العلاقة بينهما.
00:07:11وفي نظام Graph RAG،
00:07:13يتم فعل ذلك لكل مستند تضيفه إليه.
00:07:16تخيل تكرار هذا في آلاف المستندات.
00:07:19هذا هو الوضع مع 10 مستندات فقط،
00:07:21كل هذه العلاقات والكيانات.
00:07:24ويمكنكم تخيل مدى تطور ذلك
00:07:26مقارنة بمجموعة من المتجهات العشوائية
00:07:28المعزولة في قاعدة بيانات متجهة.
00:07:30ومع نظام مثل Light RAG،
00:07:33نحصل على إنشاء رسم بياني للمعرفة
00:07:35بالإضافة إلى قاعدة البيانات المتجهة التقليدية.
00:07:38إنه يقوم بهذين الأمرين بالتوازي.
00:07:40وبالتالي، عندما تطرح الآن سؤالاً
00:07:43عن أي موضوع كان على النموذج اللغوي،
00:07:45فإنه لا يسحب فقط ذلك المتجه المحدد
00:07:47الذي يجده الأقرب،
00:07:49بل سيذهب أيضاً هنا وينظر إلى الكيان.
00:07:54لنفترض أنك سألت عن Anthropic.
00:07:56حسناً، سيقوم الآن بتتبع العلاقات،
00:07:59والحواف، ويجد كل ما يعتقد أنه ذو صلة.
00:08:03ماذا يعني هذا بالنسبة لك كمستخدم،
00:08:06مع نظام Graph RAG؟
00:08:08أصبح بإمكاني الآن طرح أسئلة أعمق بكثير،
00:08:11ليس فقط حول مستند ما
00:08:13وكأنني أقوم بعملية بحث بسيطة (Control F)
00:08:15لكل الأغراض العملية.
00:08:17يمكنني الآن أن أسأل كيف ترتبط المستندات المختلفة والنظريات المختلفة
00:08:19والأفكار المختلفة ببعضها البعض
00:08:21لأن تلك العلاقات قد تم رسمها، أليس كذلك؟
00:08:24هذا هو جوهر الأمر برمته.
00:08:25يتعلق الأمر بأخذ معلومات متباعدة وربطها ببعضها.
00:08:30هذه هي قوة نظام Graph RAG.
00:08:32هذه هي قوة نظام LightRAG.
00:08:33وهذا ما سنتعلمه اليوم.
00:08:35لذا، فإن تثبيت واستخدام LightRAG
00:08:37هو أمر في غاية السهولة.
00:08:40سأريكم أسهل طريقة
00:08:42حيث سنستخدم فقط Cloud Code.
00:08:44سنعطيه رابط مستودع LightRAG،
00:08:48ونقول له: "مهلاً، قم بإعداد هذا لنا".
00:08:50وسيقوم هو بكل شيء تقريباً.
00:08:52في هذا السيناريو، سنحتاج فقط لبعض الأشياء.
00:08:55كما رأيتم في شرح كيفية عمل الـ RAG،
00:08:58نحن بحاجة إلى نموذج تضمين (Embedding Model).
00:08:59وهذا سيتطلب واجهة برمجة تطبيقات (API).
00:09:02أقترح استخدام OpenAI.
00:09:04لديهم نموذج تضمين فعال للغاية.
00:09:07لذا، ستحتاج إلى مفتاح OpenAI.
00:09:09لديك القدرة مع LightRAG
00:09:11على جعل هذا الأمر محلياً بالكامل.
00:09:14فيمكنك الحصول على نموذج محلي عبر Ollama
00:09:17يقوم بكل عمليات التضمين،
00:09:20وكذلك مهام الأسئلة والأجوبة.
00:09:21لذا افهم أن هذا خيار متاح أيضاً، وهو العمل محلياً بالكامل.
00:09:24نحن سنقوم بنظام هجين (نصف ونصف).
00:09:25لذا سنقوم بإعداد نموذج تضمين من OpenAI
00:09:28بالإضافة إلى النموذج الذي سيقوم بكل العمل الفعلي.
00:09:31ونحتاج أيضاً إلى Docker.
00:09:34فإذا لم تكن قد استخدمت Docker من قبل،
00:09:35فمن السهل جداً إعداده.
00:09:36ستحتاج فقط إلى Docker Desktop،
00:09:39فقط قم بتنزيله وتثبيته واتركه قيد التشغيل
00:09:41عند تشغيل LightRAG،
00:09:42لأنه سيحتاج إلى حاوية (Container).
00:09:45ما ستفعله الآن
00:09:46هو فتح Cloud Code
00:09:47وتقول له: انسخ مستودع LightRAG،
00:09:50واكتب ملف الـ .env المهيأ لـ OpenAI
00:09:53مع GPT-5 mini ونموذج text-embedding-3-large،
00:09:56استخدم التخزين المحلي الافتراضي
00:09:58وابدأ التشغيل باستخدام Docker Compose،
00:10:00ثم أعطه رابط LightRAG.
00:10:02إذا فعلت ذلك، فسيقوم بكل شيء نيابة عنك.
00:10:06سأضع هذا الأمر (Prompt) داخل مجتمع المدرسة المجاني،
00:10:10الرابط موجود في الوصف.
00:10:12أيضاً، ما سيوجد هناك
00:10:13هو ما سأريكم إياه بعد قليل،
00:10:15بعض المهارات المتعلقة بـ Cloud Code و LightRAG
00:10:17لتسهيل التحكم فيه من داخل Cloud Code.
00:10:19لذا ستتمكنون من العثور على ذلك هناك أيضاً.
00:10:22وكنتم تعلمون أن هذا قادم.
00:10:22وبالحديث عن مدرستي،
00:10:24ترويج سريع للدورة المتقدمة في Cloud Code،
00:10:25وهي الطريقة الأولى للانتقال من الصفر إلى مطور ذكاء اصطناعي،
00:10:28خاصة إذا لم تكن قادماً من خلفية تقنية،
00:10:31الرابط موجود في التعليق المثبت.
00:10:33أقوم بتحديثها حرفياً كل أسبوع
00:10:35في الأسبوعين الماضيين،
00:10:36أضفت بالفعل حوالي ساعة ونصف
00:10:38من المحتوى الإضافي.
00:10:39لذا تأكد من الاطلاع عليها
00:10:40إذا كنت جاداً بشأن إتقان Cloud Code
00:10:42والذكاء الاصطناعي بشكل عام.
00:10:44ولكن مرة أخرى، إذا كنت مبتدئاً وهذا يبدو كثيراً عليك،
00:10:46فتأكد من مراجعة المدرسة المجانية
00:10:47التي تضم الكثير من الموارد الرائعة لك
00:10:49إذا كنت في بداية طريقك.
00:10:50وقبل تشغيل هذا،
00:10:51فقط تأكد من أن Docker Desktop قيد التشغيل
00:10:53وأن مفتاح OpenAI جاهز لديك
00:10:55ودع Cloud Code يبدأ العمل.
00:10:56الآن بمجرد أن ينتهي Cloud Code من التثبيت
00:10:58وتضيف مفتاح OpenAI الخاص بك إلى ملف الـ env،
00:11:01يجب أن ترى شيئاً كهذا.
00:11:02أولاً، في Docker Desktop الخاص بك،
00:11:04يجب أن ترى حاوية تسمى LightRag تعمل.
00:11:07ويجب أن يعطيك Cloud Code أيضاً رابطاً
00:11:11للمضيف المحلي (localhost)، وغالباً ما سيكون 9621.
00:11:13وسيأخذك إلى صفحة تبدو بهذا الشكل.
00:11:15هذه هي واجهة المستخدم الرسومية لـ LightRag.
00:11:18وهنا يمكننا رفع المستندات،
00:11:21ويمكننا رؤية مخطط المعرفة (Knowledge Graph)، واسترجاع الأشياء،
00:11:24ويمكننا أيضاً إلقاء نظرة
00:11:25على جميع نقاط نهاية واجهة البرمجة (API Endpoints) المختلفة،
00:11:28والتي ستكون مفيدة لاحقاً.
00:11:30وما تراه هنا هي المستندات
00:11:31التي قمت برفعها لهذا الفيديو.
00:11:33رفع المستندات أمر بسيط للغاية.
00:11:35سنأتي هنا إلى اليمين
00:11:36حيث نجد "Upload"، ثم نقوم بسحبها وإسقاطها.
00:11:39الآن افهم أن هناك أنواعاً معينة فقط من المستندات
00:11:42التي يمكننا وضعها هنا، صحيح؟
00:11:43المستندات النصية، ملفات الـ PDF، وبشكل أساسي،
00:11:46أنت مقيد بالمستندات النصية.
00:11:49هناك طريقة للالتفاف على هذا،
00:11:51خاصة مع أشياء مثل الصور والرسوم البيانية والجداول
00:11:56وما إلى ذلك.
00:11:57وسنتحدث عن ذلك في النهاية
00:11:59لأنه خارج نطاقنا قليلاً الآن،
00:12:00لكننا سنتعلم عنه.
00:12:02لذا، قم بإسقاط أي مستندات تريدها هنا،
00:12:04وبعد ذلك ستتمكن من رؤية حالتها
00:12:07بينما يتم رفعها.
00:12:08سيستغرق الأمر بعض الوقت لأنه، مرة أخرى،
00:12:10يقوم ببناء مخطط المعرفة أثناء قيامه بذلك.
00:12:12لذا قد يستغرق هذا وقتاً طويلاً.
00:12:14وإذا كنت في صفحة مخطط المعرفة لسبب ما
00:12:16لأن هذا قد يحدث أحياناً، وظهرت رسالة مثل،
00:12:18"مهلاً، لم يتم التحميل"، أو ما شابه،
00:12:19يمكنك ببساطة إعادة تعيينه بالضغط على هذا الزر
00:12:21الموجود هنا في الزاوية العلوية اليسرى.
00:12:23إذا انتقلت إلى علامة تبويب الاسترجاع (Retrieval)،
00:12:25فهناك يمكنك طرح الأسئلة
00:12:27حول مخطط المعرفة الخاص بك لنموذج اللغة الكبير،
00:12:30والذي في هذه الحالة سيكون على الأرجح OpenAI
00:12:31إذا استخدمت نفس المفتاح للتضمين.
00:12:33وهنا على اليمين، لدينا بعض المعايير (Parameters).
00:12:36بصراحة، في البداية، ليس هناك الكثير مما تحتاج لتغييره.
00:12:39وبعد ثانية، سأريكم كيف يمكن لـ Claude Code القيام بذلك.
00:12:42ولكن بينما تطرح أسئلتك، كما في هذا المثال،
00:12:44كان لدي مجموعة من مستندات الذكاء الاصطناعي والـ RAG هناك.
00:12:47قلت: "مهلاً، ما هي التكلفة الإجمالية التقريبية
00:12:48لتشغيل نظام RAG في عام 2026؟"
00:12:50ويعطيني إجابة متطورة للغاية.
00:12:53وعلاوة على ذلك، فإنه يعطيك أيضاً المراجع
00:12:56لكل ما يقوم به، صحيح؟
00:12:57انظر، 4، 3 هنا، 2،
00:13:00لأنه في أسفل الصفحة،
00:13:01سيعطيك بالفعل المراجع
00:13:03للمستندات التي استخلص منها المعلومات.
00:13:05ومن الواضح داخل مخطط المعرفة الخاص بنا،
00:13:07أننا نوضح الكيانات (Entities) والعلاقات.
00:13:09إذا نقرت على أحد هذه الكيانات مثل OpenAI مثلاً،
00:13:12يمكنني رؤية بعض الخصائص.
00:13:14لذا فهو يفعل أكثر من مجرد سحب العلاقات والكيانات
00:13:17في عملية التضمين مع LightRag.
00:13:19إنه في الواقع يذهب إلى عمق أكبر، وكأنه يحدد،
00:13:20"حسناً، ما هو نوع هذا الكيان؟
00:13:22هل هي منظمة أم شخص؟"
00:13:25لديه الملفات المحددة التي جلبها
00:13:27بالإضافة إلى معرفات تقسيم البيانات (Chunking IDs).
00:13:29وبعد ذلك يمكنك رؤية العلاقات الفعلية
00:13:31في الركن السفلي الأيمن.
00:13:32سأحرك هذا للحظة.
00:13:33لذا هنا في الأسفل على اليمين،
00:13:35إذا لم تتمكن من رؤيته بصرياً،
00:13:36لأنه يمكن أن يتراكم بشكل معقد على المخطط،
00:13:40يمكنك فقط النقر هنا
00:13:41وسيأخذك إليها أيضاً.
00:13:43لذا فإن واجهة برمجة تطبيقات الخادم هذه هي ما سنستخدمه
00:13:46لربط هذا الشيء بـ Claude Code.
00:13:48لأنه على الرغم من روعة هذا،
00:13:50فأنا لن أجلس هنا فعلياً
00:13:51في كل مرة أريد فيها طرح سؤال
00:13:53حول مخطط المعرفة الخاص بي عبر علامة تبويب الاسترجاع.
00:13:56سيكون ذلك أمراً مرهقاً ومزعجاً للغاية.
00:13:57لذلك بدلاً من ذلك، سنستخدم فقط هذه الـ APIs.
00:14:00الآن، كل واحد من هذه الـ APIs،
00:14:03له وصف، ويمكنك رؤية المعايير والأشياء الخاصة به،
00:14:05وكل واحد من هذه الـ APIs يمكن تحويله إلى مهارة (Skill)، صحيح؟
00:14:08وهذا ما سأفعله وأريكم إياه هنا اليوم.
00:14:11بهذه الطريقة، عندما تريد من Claude Code استخدام LightRag،
00:14:15حسناً، نذهب ببساطة داخل Claude Code، أينما كنا،
00:14:17ونقول: "مهلاً، أريد استخدام مهارة استعلام LightRag
00:14:19وطرح سؤال، كذا وكذا..."
00:14:22إنه نفس الشيء كما لو كنت هنا
00:14:23في علامة تبويب الاسترجاع وطرحت سؤالك.
00:14:26والأفضل من ذلك، سيقوم Claude Code بأخذ الإجابة
00:14:28التي يعطيها لك وسيقوم بتلخيصها
00:14:30لأن هذه الردود قد تكون مفصلة للغاية
00:14:32بشكل افتراضي عندما يتعلق الأمر بـ LightRag.
00:14:34ولكن إذا كنت تريد الإجابة الخام فقط،
00:14:36يمكنك إعداد ذلك أيضاً.
00:14:37النقطة هي، على الرغم من أن لهذا واجهة ويب،
00:14:40إلا أنك لست مضطراً حقاً للتفاعل معها
00:14:41إذا لم تكن ترغب في ذلك.
00:14:42ومن السهل جداً جلبها
00:14:44إلى نظام Cloud Code الخاص بنا.
00:14:46المهارات الأربع الكبرى التي أعتقد أنكم ستستخدمونها أكثر من غيرها
00:14:48هي: الاستعلام، الرفع، الاستكشاف، والحالة.
00:14:51كل هذه الأربع ستكون داخل المدرسة المجانية أيضاً.
00:14:55ولكن ماذا ستفعل غالباً؟
00:14:56ستقوم بإضافة مستندات جديدة
00:14:58وستطرح أسئلة حول تلك المستندات.
00:15:01وربما سترغب في معرفة،
00:15:02"مهلاً، ما الذي وضعته هناك بالفعل؟"
00:15:04لأنه بعد أن يصبح لديك كم هائل من المستندات،
00:15:05ستحتاج لتجنب وضع نفس المستندات
00:15:07مراراً وتكراراً.
00:15:08وهكذا، إذا طرحت نفس السؤال داخل Claude Code،
00:15:12فقد قمت للتو باستدعاء مهارة استعلام LightRag،
00:15:14التي ترسل هذا الطلب إلى LightRag،
00:15:18وهي مستضافة مرة أخرى على أجهزة الكمبيوتر الخاصة بنا،
00:15:21وتعمل داخل حاوية Docker تلك،
00:15:22وسوف تعيد الاستجابة.
00:15:24الآن أنت لست مقيداً بهذا النظام شبه المحلي.
00:15:28إذا كنت شخصاً يتوسع بشكل كبير جداً
00:15:30مع Light RAG، يمكنك استضافة هذا
00:15:33على خادم Postgres قياسي.
00:15:36لديك الكثير من الخيارات، يمكنك استخدام شيء مثل Neon.
00:15:38لذا فإن الأمر يشمل النطاق الكامل.
00:15:40يمكنك الاعتماد كلياً على الجهاز المحلي أو نقل كل هذا
00:15:43إلى السحابة إذا كنت ترغب في ذلك أيضاً.
00:15:44نظام Light RAG قابل للتخصيص للغاية.
00:15:46وهنا الاستجابة التي عاد بها كود Clod،
00:15:48والتي هي مجدداً ملخص للاستجابة الخام
00:15:52التي قدمها لنا Light RAG، كما يذكر مصادره أيضاً.
00:15:55لقد طلبت منه أيضاً الاستجابة الخام
00:15:57لأنه يمكنك الحصول عليها أيضاً،
00:15:58لأنها تعود ببساطة إلى كود Clod
00:16:00في استجابة بتنسيق JSON.
00:16:02هذا كل ما في الأمر.
00:16:04ومرة أخرى، يحتوي أيضاً على المراجع إذا كنت تريدها.
00:16:07فكما رأيتم للتو، من السهل جداً تثبيت Light RAG
00:16:10ومن البسيط جداً دمجه في سير عمل كود Clod الخاص بك.
00:16:14الآن يطرح السؤال نفسه، "حسناً يا تشيس، يبدو هذا رائعاً."
00:16:18أفهم نظرياً أنه إذا كان لدي الكثير من المستندات،
00:16:20فربما ينبغي علي استخدام هذا.
00:16:22حسناً، أين هو الخط الفاصل؟
00:16:23متى يجب أن أبدأ في دمج Light RAG؟
00:16:26حسناً، لا يوجد رقم محدد لهذا.
00:16:28المنطقة الرمادية هي، كما أقول، ما بين حوالي 500
00:16:33و 2000 صفحة من المستندات.
00:16:36لا أريد أن أقول فقط مستندات
00:16:37لأن من يدري كم سيكون حجمها،
00:16:39ولكن حوالي 500 إلى 2000 صفحة نصية.
00:16:42عند تلك النقطة، عند 2000 صفحة، ستبدأ في الدخول
00:16:44إلى حوالي مليون رمز (token).
00:16:47أبعد من ذلك، فمن المنطقي بالتأكيد
00:16:50البدء في دمج Light RAG،
00:16:52لأن الطريقة التي تم بها إعداد RAG،
00:16:54ستكون أرخص وأسرع للقيام بذلك
00:16:57من مجرد الاعتماد على البحث القياسي (grep) من كود Clod.
00:17:00طريقة البحث التي يستخدمها كود Clod للملفات
00:17:03رائعة بالفعل.
00:17:04هناك سبب وراء اختيار كود Clod للقيام بذلك.
00:17:07ومع ذلك، لم يكن ذلك تحت افتراض أن لديك 2000 صفحة
00:17:12من المستندات أو 4000 أو 5000، أليس كذلك؟
00:17:14هناك حد أقصى.
00:17:16الشيء الجيد هو أنه ليس عليك بالضرورة اتخاذ
00:17:19هذا القرار بشكل نهائي، كما رأيت،
00:17:22من السهل جداً تنفيذ ذلك.
00:17:24لذا فقط جرب.
00:17:26إذا كنت تشعر أن لديك الكثير من المستندات وتقول،
00:17:28"مهلاً، هل يجب أن نستخدم RAG عند هذه النقطة؟"
00:17:30حسناً، لا أدري، جرب الأمر.
00:17:32لن يستغرق الأمر طويلاً للقيام به.
00:17:34الجزء الأكثر إيلاماً هو عملية التضمين (embedding).
00:17:36يمكن أن يستغرق ذلك دقيقة بالتأكيد، لكنه ليس عائقاً.
00:17:40والتكلفة ليست جنونية، خاصة مع Light RAG.
00:17:43إذا قارنت هذا مرة أخرى بأنظمة Graph RAG الأخرى
00:17:45مثل Graph RAG من Microsoft، فهذا يمثل نسبة
00:17:48صغيرة جداً من التكلفة.
00:17:49وعند أحجام المستندات الكبيرة جداً،
00:17:52التكلفة مع RAG مقابل التكلفة مع شيء مثل grep
00:17:56تصل إلى ألف مرة أرخص.
00:17:58كانت هناك دراسة أُجريت في الصيف الماضي
00:18:04أظهرت أنها كانت أرخص بـ 1250 مرة استخدام RAG
00:18:07في تلك الأنواع من المواقف.
00:18:08يمكنك رؤية ذلك هنا مع RAG النصي
00:18:10مقابل LLM النصي، بالإضافة إلى وقت الاستجابة الفعلي.
00:18:14الآن، للإفصاح الكامل، كان هذا من يوليو من العام الماضي.
00:18:19لذا فقد تغيرت النماذج.
00:18:20أشك بشدة في أن الفرق لا يزال بهذا الجنون
00:18:23عندما نقارن RAG بالمواقف التقنية القياسية.
00:18:26وكان هذا أيضاً على Gemini 2.0.
00:18:28لم نكن نتحدث عن Harness.
00:18:29لذا فقد تغيرت الكثير من الأشياء،
00:18:31ولكن هل تغيرت لدرجة إغلاق الفجوة البالغة 1250 ضعفاً؟
00:18:36ربما، وربما لا.
00:18:39لا أعتقد ذلك.
00:18:40في كلتا الحالتين، فقط جرب الأمر.
00:18:42لا أعتقد أن هناك الكثير لتخسره.
00:18:44الشيء الآخر مع Light RAG هو فكرة أنه،
00:18:46مهلاً، إذا كنت أرغب في تحميل المستندات،
00:18:48لقد تحدثنا عن هذا قليلاً في وقت سابق.
00:18:49ماذا نفعل إذا كان لدينا مجدداً جداول ورسوم بيانية،
00:18:53وأشياء ليست نصية؟
00:18:54هل يمكن لـ Light RAG التعامل مع هذا؟
00:18:57ليس بالضبط، ولكن يمكننا إصلاح ذلك.
00:18:59والإجابة هي "RAG Anything"
00:19:02من نفس صانعي Light RAG بالضبط.
00:19:04وهذا شيء يمكن أن يكون أساساً متعدد الوسائط (multimodal).
00:19:07وهو شيء يمكننا تقريباً دمجه
00:19:09مباشرة فوق Light RAG.
00:19:10الآن، لا أريد أن أحبطكم،
00:19:13ولكن سيكون ذلك خارج نطاق اليوم،
00:19:15نطاق فيديو اليوم.
00:19:17ومع ذلك، في فيديو الغد،
00:19:18ماذا تعتقدون أننا سنفعل؟
00:19:19غداً، سنشرح بالتفصيل RAG Anything
00:19:22وسنوضح أساساً كيف يمكنك دمجها
00:19:25في ما بنيناه باستخدام Light RAG.
00:19:27لذا سيكون نوعاً من الثنائي القوي.
00:19:28لذا إذا كان هذا شيئاً يهمك،
00:19:31فقم بالإعجاب والاشتراك،
00:19:32لأننا سنقوم بمراجعة ذلك غداً.
00:19:34وعلى هذا النحو،
00:19:35هذا هو المكان الذي سننتهي فيه تقريباً.
00:19:39أتمنى أن تكونوا قد استمتعتم به.
00:19:41هذا هو أول فيديو لي أيضاً بهذا الإعداد الجديد للكاميرا.
00:19:43الإضاءة، أستطيع أن ألاحظ بالفعل أنها ليست،
00:19:46ليست تماماً في المكان الذي أردتها أن تكون فيه.
00:19:48لذا أعتذر عن كل ذلك.
00:19:49لا زلت أعمل على حل المشكلات،
00:19:50أنا سعيد فقط لأنها كانت تعمل على الإطلاق
00:19:52ولم ترتفع حرارة الكاميرا في منتصف هذا الأمر.
00:19:55ولكن نعم، جميع المهارات موجودة داخل المدرسة المجانية.
00:19:58أمور RAG مثيرة للاهتمام للغاية، خاصة Light RAG.
00:20:01لقد كان منتجاً رائعاً.
00:20:02لقد كنت أستخدمه لفترة طويلة.
00:20:03لذا تحقق من هذا الشيء بنسبة 100%، 100%.
00:20:06ومن السهل جداً دمجه
00:20:07داخل كود Clod كما رأيتم.
00:20:08لذا تحقق من المدرسة المجانية للمهارات،
00:20:12وكذلك الأوامر (prompts) إذا كنت بحاجة إليها.
00:20:14لنكن صادقين تماماً،
00:20:15إذا قمت فقط بتوجيه كود Clod إلى Light RAG،
00:20:16فسيقوم بإعداده بشكل جيد بمفرده.
00:20:19ولكن بخلاف ذلك،
00:20:20تأكد من مراجعة Chase AI Plus
00:20:21إذا كنت ترغب في الحصول على تلك الدورة التدريبية المتقدمة.
00:20:24وسأراكم لاحقاً.