مساعد المعرفة بتقنية RAG

التحدي

كان موظفو شركة مؤسسية يهدرون ساعات كل أسبوع في البحث عن المعلومات. كانت لدى الشركة آلاف المستندات — سياسات وإجراءات ومواصفات تقنية وخطط مشاريع وملاحظات اجتماعات — متناثرة عبر Google Drive و Confluence و Notion و SharePoint. كان العثور على المستند الصعب صعبًا؛ والعثور على الإجابة الصحيحة داخل ذلك المستند كان أصعب.

تم قياس المشكلة في استطلاع: كان الموظفون يقضون جزءًا كبيرًا من أسبوعهم في البحث عن المعلومات. تأثر الموظفون الجدد بشكل خاص، إذ استغرقوا أسابيع للوصول إلى السرعة المطلوبة لأنهم لم يتمكنوا من العثور على الوثائق التي يحتاجونها. جربت الشركة أدوات بحث مؤسسية، لكن البحث بالكلمات المفتاحية لم يكن يفهم الأسئلة — كان يطابق الكلمات فقط.

الحل

قمنا ببناء مساعد معرفة بتقنية RAG يتيح للموظفين طرح الأسئلة بلغة طبيعية والحصول على إجابات دقيقة موثقة بالمصادر. يستوعب النظام المستندات من جميع مصادر المعرفة في الشركة، ويقسمها إلى أجزاء قابلة للبحث، ويخزنها في قاعدة بيانات متجهية. عندما يطرح موظف سؤالاً، يسترجع النظام الأجزاء الأكثر صلة ويولد إجابة مع استشهادات.

المساعد متاح عبر تطبيق ويب وعبر Slack، فيتمكن الموظفون من طرح الأسئلة حيث يعملون بالفعل. يوفر تطبيق الويب واجهة غنية مع معاينات المصادر وأسئلة متابعة، بينما يتيح تكامل Slack للفرق طرح الأسئلة في القنوات والحصول على إجابات يراها الجميع. يفهم النظام السياق، لذا “ما سياسة العمل عن بُعد لدينا؟” و “هل يمكنني العمل من دولة أخرى؟” كلاهما يجدان المستند الصحيح.

التقنيات

يستخدم النظام LangChain لخط أنابيب RAG، و Pinecone للتخزين المتجهي، و OpenAI للتضمينات وتوليد الإجابات، و FastAPI للخدمة الخلفية. موصلات استيعاب المستندات تسحب من Google Drive و Confluence و Notion و SharePoint وفق جدول، مع تحديثات تزايدية للحفاظ على قاعدة المعرفة محدثة.

يستخدم خط أنابيب RAG بحثًا هجينًا — يجمع البحث المتجهي الدلالي مع مطابقة الكلمات المفتاحية — لتعظيم دقة الاسترجاع. يعيد نموذج إعادة الترتيب ترتيب الأجزاء المسترجعة حسب الصلة قبل تمريرها إلى نموذج التوليد. يشمل النظام آلية تغذية راجعة: يمكن للموظفين تقييم الإجابات والإبلاغ عن معلومات غير صحيحة، مما يطلق إعادة استيعاب المستند المصدر ومراجعة خط أنابيب الاسترجاع.

النتائج

أصبح استرجاع المعلومات أسرع بشكل ملحوظ — يحصل الموظفون على إجابات في ثوانٍ بدلاً من البحث لفترات طويلة. بلغت دقة الإجابات مستوىً عاليًا بناءً على تقييمات الموظفين، والاستشهادات تعني أن الموظفين يمكنهم التحقق من المصدر والوثوق بالإجابة.

على مستوى الشركة، وفر النظام ساعات قيّمة أسبوعيًا لكل قسم — وقت كان يُقضى سابقًا في البحث وسؤال الزملاء وقراءة مستندات غير ذات صلة. انخفض وقت تأهيل الموظفين الجدد بشكل ملحوظ لأنهم يمكنهم سؤال المساعد بدلاً من البحث عن الوثائق. كان تكامل Slack شائعًا بشكل خاص، حيث طُرحت نسبة كبيرة من الأسئلة في قنوات Slack حيث استفاد الفريق بأكمله من الإجابات.

لقطات الشاشة

واجهة ويب لمساعد RAG مع إجابات موثقة

طرح الأسئلة والحصول على إجابات في Slack

البنية التقنية

النظام له مكونان رئيسيان: الاستيعاب و الاستعلام. يسحب خط أنابيب الاستيعاب المستندات من مصادر متعددة عبر موصلات، وينظف النص ويقسمه، ويولد التضمينات، ويخزنها في Pinecone مع بيانات وصفية (المصدر، التاريخ، المؤلف، القسم). يعمل الاستيعاب وفق جدول مع اكتشاف التغييرات لتجنب إعادة معالجة المستندات غير المتغيرة.

يستقبل خط أنابيب الاستعلام سؤالاً عبر تطبيق الويب أو Slack، ويولد تضميناً، ويسترجع الأجزاء ذات الصلة باستخدام البحث الهجين، ويعيد ترتيبها، ويولد إجابة موثقة. تتعامل خلفية FastAPI مع كلتا الواجهتين، مع اتصال WebSocket لاستجابات التطبيق المتدفقة ومعالج بوت Slack لتكامل Slack. تجمع خدمة التغذية الراجعة التقييمات والتصحيحات، وتغذيها في حلقة تحسين مستمرة.