به چت‌بات پشتیبانی می‌پرسید «شرایط گارانتی این محصول چیست؟» و جوابی می‌گیرید که دقیقاً از مستندات شرکت است — با ذکر شماره‌ی بند. این تجربه‌ی ساده، حاصل یکی از مهم‌ترین الگوهای معماری هوش مصنوعی است: RAG — تولید با بازیابی. دلیل محبوبیتش هم ساده است: مشکل اصلی مدل‌های زبانی برای استفاده‌ی سازمانی، «دانستن» است — مدل دانش شما را ندارد و دانشش کهنه است — و RAG این مشکل را بدون بازآموزی مدل حل می‌کند. در این مطلب می‌بینیم چطور.
ایده‌ی اصلی: اول پیدا کن، بعد جواب بده
RAG دو قطعه را کنار هم می‌گذارد: بازیابی — پیدا کردن بخش‌های مرتبط از منبع دانش شما — و تولید — پاسخ‌سازی مدل زبانی بر اساس همان بخش‌ها. جریان کار در هر پرسش: سؤال کاربر گرفته می‌شود؛ سیستم جست‌وجو، اسناد مرتبط را پیدا می‌کند (با همان امبدینگ و جست‌وجوی معنایی که در مطلب امبدینگ دیدیم)؛ بخش‌های انتخاب‌شده به‌همراه سؤال به مدل داده می‌شود؛ و مدل با دستور «فقط بر اساس این متن‌ها جواب بده»، پاسخ می‌سازد — اغلب همراه با ارجاع به سند مبنا.
نکته‌ی ظریف این الگو این است که هیچ‌چیز از مدل «خواسته» نمی‌شود که حفظ کند؛ مدل فقط «خواننده‌ی باهوش» است: متن را می‌فهمد، مقایسه می‌کند، جمع‌بندی می‌کند. دانش در بیرون مدل زندگی می‌کند و هر وقت عوض شد، فقط منبع به‌روز می‌شود — نه مدل.
RAG مدل را بازآموزی نمی‌کند؛ مدل را با متنِ درست، در لحظه‌ی پاسخ، همسفر می‌کند.
چه مشکلی را حل می‌کند؟
سه درد مزمن مدل‌های زبانی در کار سازمانی: اول، دانش مفقود — مدل مستندات داخلی شما را نمی‌داند و بدون RAG یا باید همه‌چیز را در پرامپت بریزید یا با توهم روبه‌رو شوید. دوم، کهنگی — دانش مدل در تاریخ قطع آموزش قفل است؛ قیمت‌ها، قوانین و محصولات تغییر می‌کنند اما حافظه‌ی مدل نه؛ در RAG فقط سند عوض می‌شود. سوم، توهم — وقتی مدل مجبور است از حافظه حدس بزند، ممکن است با اطمینان غلط بسازد؛ RAG کار را از «حدس زدن» به «خواندن و جمع‌بندی» تغییر می‌دهد و با ارائه‌ی منبع، پاسخ قابل‌بررسی می‌شود — مکمل مستقیم تحلیل مرز دانش مدل‌ها.
قطعات یک سیستم RAG
- پایپ‌لاین شمارت‌سازی: اسناد به تکه‌های معنادار تقسیم و امبد گرفته می‌شوند؛ کیفیت همین تقسیم — نه خیلی کوچک که معنا از بین برود، نه خیلی بزرگ که نویز بیاید — تعیین‌کننده است.
- ذخیره‌سازی برداری: امبدینگ‌ها در پایگاه داده‌ی برداری می‌نشینند — موضوع مطلب پایگاه داده‌ی برداری — تا جست‌وجوی شباهت در میلی‌ثانیه انجام شود.
- بازیابی: سؤال کاربر امبد می‌گیرد و k تکه‌ی نزدیک‌ترین برمی‌گردد؛ نسخه‌های پیشرفته، جست‌وجوی کلمه‌ای را هم ترکیب می‌کنند تا نام‌های خاص و کدها گم نشوند.
- تولید: مدل زبانی سؤال + تکه‌های بازیابی‌شده را می‌گیرد و پاسخ مستند می‌سازد؛ پرامپت سیستم صریحاً می‌گوید: «خارج از متن‌ها حدس نزن؛ اگر جواب در متن نیست، بگو نیست.»
سناریوهای واقعی که RAG موتورشان است
- چت‌بات پشتیبانی و داکیومنت: پاسخ به سؤالات مشتری و کارکنان از مستندات محصول و دانش‌نامه‌ی داخلی.
- دستیار حقوقی و قراردادی: پرس‌وپاسخ روی قراردادها و مقررات با ارجاع دقیق به بند.
- دستیار کدنویس سازمانی: جواب از مستندات چارچوب‌ها و کدبیس داخلی.
- خلاصه‌سازی و پرس‌وجو روی آرشیو: «در پروژه‌های سال گذشته چه الگوهای شکست تکرار شده؟» — سؤالی که بدون بازیابی عملاً غیرممکن است.
محدودیت‌ها را جدی بگیرید
RAG جادو نیست و ضعف‌های شناخته‌شده دارد. بازیابی غلط یعنی پاسخ غلط: اگر تکه‌ی مرتبط پیدا نشود، مدل یا «پیدا نکرد» می‌گوید — که خوب است — یا با متن نامربوط قانع‌کننده جواب می‌دهد؛ کیفیت بازیابی، کیفیت کل سیستم است و باید اندازه‌گیری شود — موضوع مطلب ارزیابی RAG. تکه‌های ناهماهنگ هم مشکل می‌سازند: اطلاعاتِ پراکنده در چند سند که مدل باید خودش ترکیب کند، گاهی غلط جمع می‌شود. و داده‌ی آلوده — سند قدیمی کنار نسخه‌ی جدید بدون علامت‌گذاری — پاسخ‌های منسوخ می‌سازد؛ نظم نگهداری منابع، بخشی از نگهداری سیستم RAG است.
RAG یا Fine-tuning؟
سؤال رایجی که پاسخ روشنی دارد: برای «دانش» — مستندات، داده‌های متغیر، محتوای سازمان — RAG انتخاب پیش‌فرض است؛ به‌روز می‌شود، منبع می‌دهد و ارزان است. برای «رفتار» — سبک، قالب، لحن — تنظیم دقیق، آن‌همه‌هم با روش‌های کم‌هزینه مثل LoRA. و در بسیاری از سیستم‌های بلوغ‌یافته، هر دو با هم‌اند: RAG دانش می‌دهد، تنظیم دقیق رفتار را شکل می‌دهد. تحلیل کامل این انتخاب در مطلب RAG یا Fine-tuning.
جمع‌بندی
RAG یعنی به‌جای این‌که مدل «بداند»، در لحظه‌ی پاسخ «بخواند»: بازیابی معنایی اسناد شما + تولید مستند مدل. سه مزیت ساختاری دارد — دانش به‌روز بدون بازآموزی، کاهش توهم با پاسخ مستند، و حریم داده چون اسناد در زیرساخت خودتان می‌مانند — و یک شرط موفقیت: کیفیت بازیابی را باید اندازه گرفت و نگه داشت. اگر گام بعدی برای شما ساختن است، مسیر پیشنهادی: آموزش ساخت سیستم RAG گام‌به‌گام.