RAG چیست؟ ساخت چت‌بات هوشمند با داده‌های خودتان
مدل زبانی هرچقدر هم باهوش باشد، دو چیز را نمی‌داند: اسناد داخلی شرکت شما و اتفاقات بعد از تاریخ آموزشش. بپرسید «شرایط گارانتی محصول ما چیست؟» و مدل یا اعتراف می‌کند که نمی‌داند، یا بدتر، با اعتمادبه‌نفس یک جواب غلط می‌سازد. راه‌حل استاندارد این مشکل نه آموزش دوباره‌ی مدل، که تکنیکی است به نام RAG: دادن مدارک درست به مدل، درست در لحظه‌ی سؤال.
RAG چیست؟
RAG مخفف Retrieval-Augmented Generation («تولید تقویت‌شده با بازیابی») است. ایده‌اش یک جمله است: قبل از اینکه مدل جواب بدهد، مرتبط‌ترین بخش‌های اسناد شما را پیدا کن و کنار سؤال به او بده. مدل به‌جای اتکا به حافظه‌ی آموزشی، از مدارکی که همان لحظه جلویش گذاشته‌اید جواب می‌سازد، مثل کارمندی که قبل از پاسخ به مشتری، پرونده‌ی مربوطه را باز می‌کند.
سازوکار در چهار قدم
- آماده‌سازی: اسناد (PDF، صفحات سایت، مستندات…) به قطعات کوچک تقسیم می‌شوند.
- بردارسازی (Embedding): هر قطعه با یک مدل امبدینگ به مجموعه‌ای از اعداد تبدیل می‌شود که «معنا» را نمایندگی می‌کند؛ این بردارها در پایگاه‌داده برداری ذخیره می‌شوند.
- بازیابی: سؤال کاربر هم بردار می‌شود و شبیه‌ترین قطعات (از نظر معنا، نه فقط کلمات مشترک) پیدا می‌شوند.
- تولید پاسخ: قطعات بازیابی‌شده همراه سؤال به مدل داده می‌شود و پاسخ بر اساس همان‌ها ساخته می‌شود؛ معمولاً با ارجاع به منبع.
چرا RAG و نه فاین‌تیون؟
| معیار | RAG | فاین‌تیون |
|---|---|---|
| به‌روزرسانی دانش | لحظه‌ای، سند جدید را اضافه کنید | هر بار آموزش مجدد |
| هزینه | پایین | GPU و داده و زمان |
| ارجاع به منبع | دارد، قابل راستی‌آزمایی | ندارد |
| کاربرد اصلی | دانش و مستندات | لحن، سبک و رفتار خاص |
قاعده‌ی ساده: «مدل چیزی را نمی‌داند» → RAG؛ «مدل باید جور خاصی رفتار کند» → فاین‌تیون. بیشتر نیازهای واقعی از جنس اولی است.
کاربردهای رایج
- پشتیبانی مشتری: چت‌باتی که از مستندات واقعی محصول شما جواب می‌دهد، نه از حدس.
- دانش‌نامه داخلی سازمان: جواب سریع از دل آیین‌نامه‌ها و مستندات پراکنده.
- دستیار حقوقی/مالی: پاسخ با ارجاع مستقیم به بند قرارداد یا گزارش.
- جستجوی هوشمند در آرشیو: پرسیدن به زبان آدمیزاد از هزاران سند قدیمی.
با چه ابزارهایی؟
پشته‌ی متن‌باز کامل است و همه‌اش روی سرور خودتان اجرا می‌شود: اولاما برای مدل زبانی و مدل امبدینگ، یک پایگاه‌داده برداری مثل Qdrant یا pgvector (روی PostgreSQL)، و فریم‌ورک‌هایی مثل LangChain برای اتصال قطعات. یعنی می‌توانید یک چت‌بات RAG کاملاً خصوصی (بدون خروج حتی یک سند از زیرساخت‌تان) روی سرور GPU بسازید و اسناد را هم در فضای ذخیره‌سازی ابری نگه دارید.
جمع‌بندی
RAG پلی است بین هوش عمومی مدل و دانش خصوصی شما: اسناد بردار می‌شوند، مرتبط‌ترین‌ها در لحظه بازیابی می‌شوند و مدل بر اساس آن‌ها (با ارجاع) جواب می‌دهد. ارزان‌تر و به‌روزتر از فاین‌تیون، و امروز استاندارد صنعت برای چت‌بات‌های سازمانی. اگر داده دارید و مدل، حلقه‌ی وصل همین است.