---
title: "ما هو RAG؟ شرح التوليد المعزّز بالاسترجاع | BroadRouter"
description: "يجلب RAG مقاطع ذات صلة من مستنداتك ويضيفها إلى الأمر ليجيب نموذج LLM منها. كيف يعمل خط المعالجة، ومتى يتفوّق عليه السياق الطويل."
url: https://broadrouter.com/ar/glossary/rag/
lang: ar
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/glossary/rag/) (حُدّث في 2026-11-14).

# RAG (التوليد المعزّز بالاسترجاع)

آخر تحديث 2026-11-14

RAG (التوليد المعزّز بالاسترجاع) نمط يسترجع فيه التطبيق أولًا مقاطع متصلة بالسؤال من مخزن خارجي، مثل فهرس بحث أو فهرس متجهات، ثم يضيفها إلى الأمر ليجيب النموذج اللغوي من ذلك النص لا من ذاكرته وحدها.

يُسمّى أيضًا: التوليد المعزز بالاسترجاع، التوليد المعزّز بالاسترجاع، الاسترجاع المعزز للتوليد، خط معالجة RAG، RAG، retrieval-augmented generation، retrieval augmented generation، RAG pipeline، retrieval-augmented LLM

يمنح RAG النموذج كتابًا مفتوحًا: فقبل أن يجيب، تبحث شيفرتك عن الصفحات ذات الصلة وتضعها في الأمر.

## كيف يعمل

يعود المصطلح إلى Lewis وزملائه (2020). فقد جمعوا نموذجًا مولِّدًا (“parametric memory”، ترجمة: ذاكرة بارامترية) مع “a dense vector index of Wikipedia” (ترجمة: فهرس متجهات كثيف لويكيبيديا) بوصفه “non-parametric memory” (ترجمة: ذاكرة غير بارامترية) يُوصَل إليه عبر أداة استرجاع عصبية، وأفادوا بنتائج أفضل في الإجابة عن الأسئلة المفتوحة مقارنةً بالنماذج التي تعتمد على أوزانها وحدها.

يبدو خط معالجة RAG الحديث مع LLM API عادةً هكذا:

1.  **الفهرسة.** قسّم المستندات إلى مقاطع، وحوّل كل مقطع إلى [تضمينات](https://broadrouter.com/ar/glossary/embeddings/)، وخزّنها في [قاعدة بيانات متجهات](https://broadrouter.com/ar/glossary/vector-database/)، وغالبًا إلى جانب فهرس للكلمات المفتاحية.
2.  **الاسترجاع.** حوّل سؤال المستخدم إلى تضمين، واجلب أكثر المقاطع تطابقًا، ولتكن من 5 إلى 20.
3.  **التوليد.** ضع هذه المقاطع في الأمر مع تعليمات بأن يجيب منها وحدها ويستشهد بها، ثم أرسله إلى نموذج المحادثة.

النموذج لا يبحث بنفسه أبدًا. وجودة الاسترجاع هي السقف: فإن لم يُسترجَع المقطع الصحيح، لا يستطيع النموذج استخدامه.

## لماذا يهم

-   **الحداثة.** تتوقف معرفة أوزان النموذج عند تاريخ انتهاء تدريبه، أما RAG فيتيح له الإجابة من قائمة أسعار اليوم أو سياسته الحالية.
-   **التكلفة.** إرسال 10 مقاطع يكلّف رموز إدخال أقل بكثير من إرسال المجموعة كلها مع كل سؤال.
-   **إمكانية التتبّع.** يمكن أن تستشهد الإجابات بالمقاطع التي جاءت منها، وهذا يدعم [الإسناد إلى المصادر](https://broadrouter.com/ar/glossary/grounding/) ويسهّل اكتشاف [الهلوسة](https://broadrouter.com/ar/glossary/hallucination/).
-   **الترتيب مهم.** تستفيد النماذج من بداية الأمر الطويل ونهايته أكثر من وسطه. ضع أفضل المقاطع أولًا. راجع [الضياع في المنتصف](https://broadrouter.com/ar/glossary/lost-in-the-middle/).

## في BroadNet Inference

تغطي BroadNet مرحلة التوليد. ولا يُدرج توثيقها نقطة نهاية للتضمينات، لذا تحتاج أداة الاسترجاع إلى نموذج تضمين منفصل أو إلى بحث بالكلمات المفتاحية. ويقبل نموذجا DeepSeek V4.1 Flash وGLM 5.3 سياقًا يصل إلى 1,048,576 رمزًا، ما يجعل الاسترجاع السخي (أو الاستغناء عن الاسترجاع للمجموعات الصغيرة) عمليًا. ويقارن مقال [السياق الطويل مقابل RAG](https://broadrouter.com/ar/blog/long-context-vs-rag/) بين الاثنين من حيث التكلفة والاستدعاء، ويغطي مقال [البحث بـ RAG للعربية](https://broadrouter.com/ar/blog/arabic-rag-search/) التطبيع والاسترجاع الهجين للعربية.

## أخطاء شائعة

-   لوم النموذج بينما الخلل في أداة الاسترجاع. سجّل المقاطع التي استُرجعت لكل إجابة.
-   مقاطع تقطع الجداول أو الجمل من المنتصف.
-   غياب تعليمات بأن يقول “لم يُعثر عليه”. فبدونها يملأ النموذج الفجوات من ذاكرته.

## أسئلة شائعة

### هل RAG هو نفسه الضبط الدقيق (fine-tuning)؟

لا. يضيف RAG المستندات إلى الأمر وقت الطلب ولا يغيّر شيئًا في النموذج، أما الضبط الدقيق فيغيّر أوزان النموذج. وتحديث RAG أسهل؛ إذ تعيد فهرسة مستند بدل إعادة التدريب.

### هل أحتاج إلى قاعدة بيانات متجهات لـ RAG؟

ليس دائمًا. فالبحث بالكلمات المفتاحية أو استعلام SQL أو فهرس صغير في الذاكرة يمكن أن يؤدي دور أداة الاسترجاع. وتفيد قاعدة بيانات المتجهات حين تكون لديك مستندات كثيرة وتحتاج إلى مطابقات دلالية.

### هل تغني نافذة سياق من مليون رمز عن RAG؟

أحيانًا. فإن اتسعت النافذة للمجموعة كلها وكانت تُستعلَم كثيرًا مع التخزين المؤقت، يمكنك إرسالها كلها. أما المجموعات الكبيرة أو سريعة التغيّر، فيبقى الاسترجاع فيها أرخص وأسرع لكل سؤال.

## انظر أيضًا

-   [التضمينات (Embeddings)](https://broadrouter.com/ar/glossary/embeddings/) (مصطلح)
-   [قاعدة بيانات المتجهات (Vector database)](https://broadrouter.com/ar/glossary/vector-database/) (مصطلح)
-   [نافذة السياق (Context window)](https://broadrouter.com/ar/glossary/context-window/) (مصطلح)
-   [الإسناد إلى المصادر (Grounding)](https://broadrouter.com/ar/glossary/grounding/) (مصطلح)
-   [الهلوسة (Hallucination)](https://broadrouter.com/ar/glossary/hallucination/) (مصطلح)
-   [الضياع في المنتصف (Lost in the middle)](https://broadrouter.com/ar/glossary/lost-in-the-middle/) (مصطلح)
-   [التقطيع إلى أجزاء (Chunking في RAG)](https://broadrouter.com/ar/glossary/chunking/) (مصطلح)
-   [إعادة الترتيب (Reranking)](https://broadrouter.com/ar/glossary/reranking/) (مصطلح)
-   [البحث الهجين (Hybrid search)](https://broadrouter.com/ar/glossary/hybrid-search/) (مصطلح)
-   [BM25 (ترتيب نتائج البحث بالكلمات المفتاحية)](https://broadrouter.com/ar/glossary/bm25/) (مصطلح)
-   [استخدام OpenAI Python SDK مع BroadNet Inference](https://broadrouter.com/ar/guides/openai-python-sdk/) (دليل)
-   [السياق الطويل أم RAG: متى تُغني مليون رمز عن قاعدة المتجهات؟](https://broadrouter.com/ar/blog/long-context-vs-rag/) (مقال)
-   [RAG للعربية: التطبيع والتقطيع والاسترجاع الذي ينجح فعلًا](https://broadrouter.com/ar/blog/arabic-rag-search/) (مقال)
-   [متى تستحق نافذة سياق بمليون رمز (ومتى لا تستحق)؟](https://broadrouter.com/ar/blog/million-token-context-window-guide/) (مقال)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-glossary-rag&utm_content=page-cta) ·

**المصادر**

-   [Lewis وآخرون، Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv، NeurIPS 2020)](https://arxiv.org/abs/2005.11401)
-   [OpenAI، دليل التضمينات المتجهية (حالة استخدام البحث)](https://developers.openai.com/api/docs/guides/embeddings)
-   [المرجع التقني لـ BroadNet Inference API، معرّفات النماذج والسياق (بالإنجليزية)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-glossary-rag&utm_content=sources#models)
