ثلاث استراتيجيات تُثبّتتُصحّحتُوثّق إجابة النموذج
في المحاضرة الثانية تعلّمنا ضبط مَن يتكلّم وكيف يفكّر. اليوم نعالج المشكلة الأصعب: كيف نجعل إجابته موثوقة؟ ثلاث استراتيجيات متكاملة — Self-Consistency تصوّت على أفضل استدلال، وRAG تُلزمه بمصادرك أنت، وReAct تمنحه أدواتٍ يتحقّق بها… وهي أول خطوة حقيقية نحو الـ Agent.
ابدأ الرحلةخمس محطّات نمرّ بها اليوم
كل استراتيجية تُعالج نوعًا مختلفًا من الفشل: الأولى تعالج تذبذب الاستدلال، والثانية تعالج الهلوسة ونقص المعرفة، والثالثة تعالج العجز عن التحقّق. وفي النهاية: متى تستخدم أيًّا منها، وبأي تكلفة.
Self-Consistency
خمسة مسارات تفكير… ثم تصويت. لماذا يتفوّق الإجماع على المسار الواحد.
02RAG
محرّك استرجاع حيّ: من سؤال إلى مصادر موثّقة بدل إجابة مُختلقة.
03ReAct
حلقة فكّر ← نفّذ ← لاحظ، خطوة بخطوة — وهنا يولد الوكيل.
04متى تستخدم أيّها؟
مصفوفة قرار عملية + التكلفة الحقيقية + كيف تُدمج الثلاثة معًا.
05التطبيق على Dify
ابنِ الثلاثة فعليًّا كعُقَد على لوحة Dify — خطوة بخطوة.
الاتّساق الذاتي — Self-Consistency
في المحاضرة الماضية جعلنا النموذج يفكّر خطوة بخطوة. لكن ماذا لو كانت خطواته نفسها خاطئة في هذه المرّة تحديدًا؟ التوليد احتمالي — فقد يسلك مسارًا سليمًا مرّة، ومسارًا معطوبًا مرّة أخرى. الفكرة العبقرية البسيطة: لا تسأله مرّة واحدة. اسأله عدّة مرّات بمسارات مستقلّة، ثم خُذ الإجابة التي تكرّرت أكثر. الاستدلال الصحيح يميل للتقارب، أمّا الأخطاء فتتشتّت في اتجاهات مختلفة.
🗳️ محاكي التصويت — نفس السؤال، خمسة مسارات مستقلّة
مسألة تسعير مشروع ترجمة (من واقع مكتبك):
محاكاة تعليمية: المسارات الثلاثة الصحيحة تصل إلى ٢٧٩٣.٦٠ دولار، ومساران يخطئان بطريقتين مختلفتين — لاحظ أن خطأيهما مختلفان، وهذا سبب نجاح التصويت.
للمسألة إجابة صحيحة واحدة، لكن طرق الخطأ لا نهائية. فحين تولّد عدّة مسارات، تتّفق المسارات السليمة على نفس الرقم بينما تتفرّق المسارات المعطوبة كلٌّ في اتجاه. الأغلبية إذن ليست «ديمقراطية» — بل كاشف تقارب. وقد أظهرت ورقة Wang وزملائه (2022) أن هذا يرفع الدقّة بفروق ملموسة على مقاييس الاستدلال الحسابي مقارنةً بمسار واحد.
الثمن الذي يجب أن تعرفه
خمسة مسارات = خمسة أضعاف التكلفة والزمن تقريبًا. لذلك لا تستخدمها في كل شيء — استخدمها حين تكون كلفة الخطأ أعلى من كلفة الحوسبة: أرقام في عقد، مواعيد تقادم، حسابات فواتير. ولا تصلح للمهام الإبداعية أو المفتوحة (لا توجد «إجابة أغلبية» لترجمة أدبية). قاعدة عملية: ٣ مسارات تكفي غالبًا، و٥ للحالات الحرجة.
- Wang et al. (2022). «Self-Consistency Improves Chain of Thought Reasoning in Language Models». الورقة المؤسِّسة: توليد مسارات متعدّدة ثم تهميش الإجابة الأكثر اتّساقًا. arXiv:2203.11171 · ICLR 2023
- Wei et al. (2022). «Chain-of-Thought Prompting». الأساس الذي تُبنى عليه هذه الاستراتيجية. arXiv:2201.11903
التوليد المعزّز بالاسترجاع — RAG
التصويت يُصلح الاستدلال، لكنه لا يُصلح الجهل. لو لم يكن النموذج يعرف مصطلحك المعتمد في مكتبك، فخمسة مسارات ستتّفق على نفس الخطأ. الحلّ ليس أن «يتذكّر» أكثر — بل ألّا يعتمد على ذاكرته أصلًا: نُحضر له المصادر الصحيحة لحظة السؤال ونُلزمه بالإجابة منها فقط. هذا هو RAG: استرجاع ثم توليد.
🔍 محرّك RAG حيّ — سؤال حقيقي على مسرد مكتبك
السؤال: «ما المقابل المعتمد لدينا لمصطلح indemnity؟ وما القاعدة المتّبعة؟»
قاعدة معرفة المكتب (٥ مقاطع مفهرسة):
لاحظ أن المحرّك تجاهل مقطعَي التسويق والإجازات تمامًا — الاسترجاع يقوم على القرب الدلالي في فضاء المتجهات الذي درسناه في المحاضرة الأولى، لا على مطابقة الكلمات.
كيف «عرف» المحرّك أن مقطع المسرد أقرب للسؤال من مقطع الإجازات؟ لأن كل مقطع من مستنداتك حُوِّل مسبقًا إلى متجه وخُزِّن في فهرس متجهي. وعند سؤالك، يُحوَّل سؤالك إلى متجه أيضًا، ثم يُقاس تشابهه مع كل المقاطع — والأقرب هندسيًّا هو الأقرب معنى. هذه هي نفس فكرة «فضاء المعنى» الذي لعبت به في المحاضرة الأولى، لكن مطبَّقة على مستنداتك أنت.
RAG ليست حصانةً من الخطأ
ثلاثة قيود مهنية يجب أن تعرفها: (١) جودة الإجابة سقفها جودة مصادرك — مسرد قديم يعني إجابة خاطئة موثّقة بثقة. (٢) قد يفشل الاسترجاع نفسه فيجلب مقاطع غير ذات صلة، فيبني النموذج عليها. (٣) أظهرت دراسة «Lost in the Middle» (Liu et al., 2023) أن النماذج تستخدم المعلومات في بداية السياق ونهايته أفضل بكثير مما تستخدمها في وسطه — فلا تُغرق النموذج بعشرين مقطعًا وتظنّ أنك زدت الدقّة. القاعدة: مقاطع قليلة وعالية الصلة، وألزِمه بذكر المصدر لكل معلومة، وراجع الاستشهادات بنفسك.
- Lewis et al. (2020). «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks». الورقة الأصلية التي صاغت المصطلح، ودمجت الذاكرة البارامترية مع فهرس متجهي غير بارامتري. arXiv:2005.11401 · NeurIPS 2020
- Liu et al. (2023). «Lost in the Middle: How Language Models Use Long Contexts». حدود استغلال النموذج للسياق الطويل. arXiv:2307.03172
- Karpukhin et al. (2020). «Dense Passage Retrieval for Open-Domain Question Answering». أساس الاسترجاع الكثيف بالمتجهات. arXiv:2004.04906
التفكير والتصرّف معًا — ReAct
RAG تجلب المصادر مرّة واحدة قبل الإجابة. لكن ماذا لو لم يكن النموذج يعرف مسبقًا ما الذي يحتاج البحث عنه؟ ماذا لو احتاج أن يبحث، فيقرأ، فيكتشف أنه يحتاج بحثًا آخر؟ هنا تأتي ReAct = Reasoning + Acting: النموذج يتناوب بين فكرة يخطّط بها وفعل ينفّذه بأداة وملاحظة يقرأ بها النتيجة… ثم يقرّر خطوته التالية. وهذه — كما رأينا في المحاضرة الأولى — هي تعريف الـ Agent بالضبط.
🤖 متتبِّع الوكيل — نفّذ الحلقة خطوة بخطوة
المهمّة: «راجع البند 7 في عقد العميل: هل مدّة الإخطار المذكورة تطابق سياستنا المعتمدة؟ وما المقابل الصحيح لمصطلحه؟»
لاحظ الفرق الجوهري عن CoT: هنا كل «ملاحظة» تأتي من العالم الخارجي لا من داخل النموذج — فهو لا يخمّن مدّة الإخطار، بل يقرأها فعليًّا من الملف.
لو فكّر فقط بلا أدوات (CoT) لظلّ حبيس معرفته القديمة وقد يهلوس. ولو نفّذ أفعالًا بلا تفكير لتاه بلا خطّة عند أول نتيجة غير متوقّعة. الجمع بينهما يعطي التآزر الذي وصفته ورقة Yao وزملائه: الأفكار تساعده على وضع الخطّة وتحديثها ومعالجة الاستثناءات، والأفعال تربطه بمصادر خارجية تُصحّح مساره. النتيجة أيضًا: أثرٌ مقروء يمكنك تدقيقه خطوةً خطوة — وهذا وحده سبب كافٍ لاستخدامها في العمل الملزِم.
من هنا يبدأ الـ Agent — وتبدأ المسؤولية
كل ما هو «وكيل» اليوم يقوم على هذه الحلقة أو تطويرات لها. ومع القدرة تأتي المخاطر العملية: حلقات لا تنتهي (ضع حدًّا أقصى للدورات)، وتكلفة متضاعفة (كل دورة استدعاء كامل)، وأفعال ذات أثر حقيقي — فإن أعطيته أداة تُرسل بريدًا أو تُعدّل ملفًّا، فالخطأ لم يعد نصًّا سيّئًا بل ضررًا واقعًا. القاعدة المهنية: ابدأ بأدوات للقراءة فقط، وأضف صلاحيات الكتابة تدريجيًّا وبموافقة بشرية عند كل خطوة حسّاسة.
- Yao et al. (2022/2023). «ReAct: Synergizing Reasoning and Acting in Language Models». الورقة المؤسِّسة لتوليد آثار الاستدلال والأفعال بالتناوب. arXiv:2210.03629 · ICLR 2023
- Anthropic (2024). «Building Effective Agents». إرشادات هندسية عملية لبناء الوكلاء وحدود استخدامهم. anthropic.com/engineering/building-effective-agents
- Schick et al. (2023). «Toolformer: Language Models Can Teach Themselves to Use Tools». اتّجاه موازٍ في تعليم النماذج استدعاء الأدوات. arXiv:2302.04761
متى تستخدم أيًّا منها؟ مصفوفة القرار
القاعدة الأولى: شخِّص نوع الفشل أوّلًا، ثم اختر الدواء. استخدام الاستراتيجية الخاطئة يكلّفك مالًا وزمنًا بلا فائدة — بل قد يزيد الطين بلّة.
| الاستراتيجية | تعالج أي فشل؟ | استخدمها حين… | لا تستخدمها حين… | التكلفة |
|---|---|---|---|---|
| Self-Consistency | تذبذب الاستدلال: النموذج يعرف، لكنه يخطئ أحيانًا في الطريق. | توجد إجابة واحدة صحيحة يمكن التحقّق منها: حساب، رقم، تصنيف، استخلاص بند. | المهام الإبداعية أو المفتوحة — لا توجد «أغلبية» لترجمة أدبية. | ×٣ إلى ×٥ |
| RAG | الجهل والهلوسة: النموذج لا يعرف مصادرك أو معرفته قديمة. | الإجابة يجب أن تستند إلى مستنداتك: مسرد، سياسة، عقد، لوائح، أرشيف مشاريع. | المهمّة لا تحتاج معرفة خارجية أصلًا (إعادة صياغة، تلخيص نص أمامك). | ×١ + فهرسة |
| ReAct | العجز عن التحقّق: المهمّة متعدّدة الخطوات ولا تُعرف مسبقًا. | تحتاج بحثًا متتابعًا أو أدوات: تحقّق من مرجع، اقرأ ملفًّا ثم قارنه بسياسة، احسب ثم راجع. | المهمّة بسيطة أحادية الخطوة — الحلقة تعقيد وتكلفة بلا مقابل. | ×عدد الدورات |
🔗 والأقوى: أن تُدمج الثلاثة
ليست بدائل متنافسة، بل طبقات تتكامل. هكذا يبدو نظام مراجعة عقود احترافي:
الطبقة 1 — RAG
ثبّت المعرفة: احقن المسرد المعتمد ودليل الأسلوب وسياسة المكتب في السياق، وألزِم النموذج بالاستشهاد بمصدر كل حكم.
الطبقة 2 — ReAct
امنحه أدوات القراءة: ابحث في العقد، افتح السياسة، احسب المدد. كل خطوة تُوثَّق في أثر قابل للتدقيق.
الطبقة 3 — Self-Consistency
على البنود الحرجة فقط (المبالغ والمدد والغرامات): كرّر الاستدلال ثلاث مرّات، وإن اختلفت النتائج ارفعها لمراجعة بشرية.
الخلاصة المهنية للمترجم ومهندس اللغويات
هذه الاستراتيجيات الثلاث لا تجعل النموذج «يفهم» — بل تجعل مخرَجه قابلًا للتدقيق. التصويت يكشف عدم اليقين، وRAG يربط كل ادّعاء بمصدر، وReAct يترك أثرًا مقروءًا لكل خطوة. وهذا بالضبط ما يحوّلك من شخص «يستخدم أداة» إلى مهندس يبني نظامًا يمكن الدفاع عنه أمام عميل أو جهة قضائية. المسؤولية النهائية تبقى بشرية — لكن بهذه الأدوات صارت لديك أدلّة، لا انطباعات.
- Gao et al. (2023). «Retrieval-Augmented Generation for Large Language Models: A Survey». مسح شامل لأنماط RAG وتطويراتها. arXiv:2312.10997
- Anthropic (2024). «Building Effective Agents». مبدأ «ابدأ بالأبسط ولا تُعقّد إلّا عند الحاجة». anthropic.com/engineering/building-effective-agents
- Ji et al. (2023). «Survey of Hallucination in Natural Language Generation». تصنيف الهلوسة وطرق التخفيف. arXiv:2202.03629
المعمل العملي: ابنِ الثلاثة على Dify
في المحاضرة الثانية طبّقنا على OpenAI Playground وGoogle AI Studio — وهما مستوى أمر. أمّا اليوم فنحن في مستوى معمارية: نحتاج منصّة نربط فيها عُقَدًا ومصادر وأدوات. لذلك ننتقل إلى Dify — منصّة مفتوحة المصدر لبناء تطبيقات النماذج بلوحة مرئية، تدعم اثنتين من استراتيجياتنا جاهزتين، والثالثة نبنيها بأيدينا.
أنشئ قاعدة المعرفة
من التبويب Knowledge ارفع مسرد المكتب ودليل الأسلوب (PDF أو Markdown أو TXT). Dify يتولّى التقطيع والتضمين والفهرسة — لا تحتاج قاعدة بيانات متجهية منفصلة.
اضبط التقطيع بوعي
مقطع أكبر = سياق أوفر لكن دقّة استرجاع أقل. للمسارد والبنود القصيرة اختر مقاطع صغيرة؛ وللمواد التفسيرية الطويلة اختر أكبر مع تداخل (overlap) بسيط. هذا القرار وحده يحدّد نصف جودة نظامك.
أضِف عقدة Knowledge Retrieval
في تطبيق Chatflow اسحب العقدة واربطها بقاعدتك، واضبط Top-K (ابدأ بـ ٣) وعتبة التشابه. وفي تطبيق الدردشة البسيط يكفي زرّ Add Context.
ألزِم النموذج بالمصادر
في عقدة LLM اجعل السياق هو مخرَج الاسترجاع، واكتب في التعليمات صراحةً: أجب من المقاطع فقط + اذكر المصدر + صرّح بعدم المعرفة عند غياب الدليل. بدون هذه الجملة قد يعود النموذج لذاكرته ويهلوس رغم وجود RAG.
اختبر الاسترجاع لا الإجابة فقط
شغّل أسئلة نموذجية وافحص أي مقاطع استُرجعت فعلًا. لو كانت خاطئة فالمشكلة في التقطيع أو الفهرسة، لا في صياغة الأمر.
أنشئ تطبيق Workflow
اختر نوع التطبيق Workflow (أو Chatflow لو أردت محادثة)، وستفتح لك لوحة العُقَد المرئية.
اسحب عقدة Agent واختر ReAct
من لوحة المكوّنات اسحب Agent، ثم من Agent Strategy اختر ReAct. لو لم تظهر الاستراتيجيتان فثبّتهما من الـ Marketplace ضمن فئة Agent Strategies. البديل Function Calling: أدقّ وأسرع للمهام المحدّدة، وReAct أوضح تعليميًّا لأنه يُظهر التفكير.
عرّف الدور والأدوات
اكتب تعليمات الوكيل بلغة طبيعية (هنا يعود Role Prompting من المحاضرة الثانية)، ثم اربط الأدوات. اجعل قاعدة معرفتك أداةً متاحة — عندئذٍ يقرّر الوكيل متى يبحث بدل استرجاع إجباري مرّة واحدة.
افحص أثر الاستدلال
بعد التشغيل افتح السجلات: ستجد الأثر خطوة بخطوة (فكرة ← أداة ← ملاحظة) وعدد الدورات — وهو نفس ما شاهدته في محاكي المحطة الثالثة، لكن من تشغيل حقيقي. هذا الأثر هو دليلك المهني عند مراجعة أي مخرَج.
اضبط الحواجز
حدّد سقفًا لعدد الدورات لمنع الحلقات اللانهائية، وابدأ بأدوات قراءة فقط. لا تمنحه أداة تكتب أو ترسل إلّا بعد اختبار مستقرّ وبموافقة بشرية على الخطوات الحسّاسة.
لا يوجد زرّ جاهز — وهذا مقصود
Self-Consistency ليست ميزة مدمجة في Dify، بل نمط تصميم تبنيه أنت. وهذه أفضل فرصة ليفهم الطالب أن الاستراتيجيات أفكار معمارية لا أزرارًا.
أنشئ ثلاثة فروع متوازية
من عقدة البداية اربط ثلاث عُقَد LLM في وقت واحد بنفس الأمر ونفس النموذج. Dify ينفّذ الفروع المتوازية معًا، فلا يتضاعف الزمن ثلاث مرّات.
ارفع الـ Temperature فوق الصفر
هذه أهم خطوة وأكثرها إغفالًا: بـ Temperature = 0 ستخرج المسارات الثلاثة متطابقة ويصبح التصويت بلا معنى. اجعلها ~0.7 لتُولّد تنوّعًا حقيقيًّا في مسارات الاستدلال.
ادمج بـ Variable Aggregator
أضِف عقدة Variable Aggregator لتوحيد مخرجات الفروع الثلاثة في متغيّر واحد يسهل تمريره للعقدة التالية.
أضِف عقدة الحَكَم
عقدة LLM أخيرة تقارن الثلاثة وتعتمد الأغلبية. والأهم مهنيًّا: اطلب منها أن تُبلّغ صراحةً عند اختلاف المسارات — فالاختلاف إشارة إنذار ترفع البند لمراجعة بشرية، لا مجرد رقم.
ابنِ التطبيق الأول (RAG) كاملًا خلال الجلسة: ارفع مسردك، أنشئ Chatflow، اربط عقدة الاسترجاع، واكتب تعليمات الإلزام بالمصادر. ثم اسأله سؤالًا إجابته غير موجودة في مسردك عمدًا — واختبر: هل قال «غير موجود» أم اخترع إجابة؟ هذه هي اللحظة التي تعرف فيها أن نظامك جاهز للعمل الحقيقي أم لا.
لماذا Dify تحديدًا في هذه المحاضرة؟
ليس تحيّزًا لمنصّة، بل لأن ما نتعلّمه اليوم معمارية لا صياغة: عُقَد ومصادر وأدوات وحلقات. Playground وAI Studio ممتازتان لضبط الأمر الواحد (المحاضرة الثانية)، لكنهما لا تُظهران خط الأنابيب. ونفس المفاهيم تنتقل حرفيًّا إلى أي أداة أخرى (n8n أو LangGraph أو Flowise أو كود خام) — لأن ما تعلّمته هو النمط، والأدوات تتبدّل. وتذكّر: واجهات Dify تتطوّر بسرعة، فإن اختلف مسمّى زرّ عمّا هنا فابحث عن وظيفته لا اسمه.
- Dify Docs — Agent Node. استراتيجيتا ReAct وFunction Calling، وأثر الاستدلال وعدد الدورات وسجلات الأدوات. docs.dify.ai/en/use-dify/nodes/agent
- Dify Docs — Knowledge Retrieval & Variable Aggregator. إعدادات الاسترجاع ودمج مخرجات الفروع المتوازية. docs.dify.ai
- Dify Blog — «Agentic RAG: Smarter Retrieval with Autonomous Reasoning». الفرق بين الاسترجاع أحادي اللقطة والاسترجاع الوكيلي وتكلفته. dify.ai/blog
- ملاحظة منهجية: الأسماء والواجهات في هذه المحطة صحيحة وقت إعداد المادة (يوليو 2026) وقابلة للتغيّر — تحقّق دائمًا من التوثيق الرسمي.
اختبر فهمك
جاوب في ذهنك أولًا، ثم اضغط «أظهر الإجابة النموذجية». ركّز في أسئلة التشخيص — فهي جوهر مهارة اليوم.