RELOOP: Recursive Retrieval with Multi-Hop Reasoner and Planners for Heterogeneous QA
يُعد RELOOP إطار عمل للتعزيز بالاسترجاع المعتمد على البنية، حيث يوحد مصادر الأدلة غير المتجانسة (النصوص، والجداول، ورسوم المعرفة البيانية) في تسلسل هرمي، ويستخدم نظاماً متعدد الوكلاء مع تكرار موجه ومدرك للميزانية لحل الأسئلة المعقدة متعددة الخطوات بكفاءة مع تحسين الدقة والاتساق.
المؤلفون الأصليون:Ruiyi Yang, Hao Xue, Imran Razzak, Hakim Hacid, Flora D. Salim
تخيل أنك محقق يحاول حل لغز معقد، مثل "من هو كاتب الكتاب الذي ألهم فيلماً روسياً معيناً صدر عام 2004؟"
في الماضي، كان لدى المحققين من الذكاء الاصطناعي طريقتان رئيسيتان للعمل، وكلتاهما تعانيان من المشكلات:
المحقق "بضربة واحدة": كان يمسك بمجموعة ضخمة من الأوراق العشوائية، ويقرأها كلها دفعة واحدة ثم يخمن الإجابة. إذا كانت المجموعة كبيرة جداً، يصاب بالارتباك والضغط. وإذا كانت صغيرة جداً، تفوته الأدلة.
المحقق "المفرط في التفكير": كان يرسل فريقاً من الوكلاء للبحث. وكيل يركض إلى المكتبة، وآخر إلى الإنترنت، وثالث إلى الأرشيف. يستمرون في الركض والعودة ذهاباً وإياباً، ويطرحون المزيد من الأسئلة، حتى يتعبوا أو ينفد مالهم. هذا يستغرق وقتاً طويلاً ويكلف ثروة طائلة.
RELOOP هي طريقة جديدة وأكثر ذكاءً لحل هذه الألغاز. فهي تجمع بين أفضل ما في العالمين باستخدام نظام ذكي يسمى HSEQ (التسلسل الهرمي).
إليك كيف يعمل، مقسماً إلى تشبيهات بسيطة:
1. المترجم العظيم (HSEQ-Adapter)
تخيل أن أدلتك تأتي بثلاث لغات مختلفة:
النصوص: روايات طويلة (مثل مقالات ويكيبيديا).
الجداول: جداول بيانات بصفوف وأعمدة (مثل التقارير المالية).
الرسوم البيانية المعرفية: شبكة ضخمة من الحقائق المتصلة (مثل شجرة عائلة الأفكار).
عادةً، يتعين على الذكاء الاصطناعي تعلم "لهجة" مختلفة لكل منها. لكن RELOOP يمتلك مترجماً عالمياً. فهو يأخذ رواية، وجدول بيانات، وشبكة من الحقائق، ويحولها جميعها إلى كتاب واحد منظم من الملاحظات اللاصقة.
كل ملاحظة لها ملصق (هل هي جملة؟ أم صف؟ أم حقيقة؟).
كل ملاحظة تعرف "والدها" (أي فصل أو جدول تنتمي إليه).
هذا يعني أن الذكاء الاصطناعي ليس عليه تغيير قبعاته؛ بل يقرأ تنسيقاً واحداً متسقاً، بغض النظر عن مصدر المعلومات.
2. فريق البحث الذكي (الوكلاء)
يستخدم RELOOP فريقاً مكوناً من شخصين لإيجاد الإجابة، حيث يعملان كعملية بحث وإنقاذ:
الوكيل الرئيسي (القائد): قبل بدء البحث، ينظر هذا الوكيل إلى السؤال ويرسم خريطة. يقول: "حسناً، لحل هذا، نحتاج أولاً للعثور على مخرج الفيلم، ثم عنوان الكتاب، ثم المؤلف. لنبدأ البحث من هناك". كما يضع ميزانية: "لدينا وقت لـ 5 خطوات فقط".
وكيل التكرار (الكشاف): يتبع هذا الوكيل الخريطة. وبدلاً من قراءة المكتبة بأكملها، فإنه ينظر إلى "نافذة" صغيرة من الملاحظات اللاصقة.
يختار الملاحظات الأكثر واعدة.
يسأل: "هل لدينا معلومات كافية حتى الآن؟"
إذا لم تكن الإجابة كذلك، فإنه يستخدم الخريطة للقفز إلى الموقع المنطقي التالي (مثلاً: "إذا وجدنا الفيلم، فلنبحث في الملاحظات المرتبطة بهذا الفيلم").
يستمر في القيام بذلك، خطوة بخطوة، ليأخذ بالضبط ما يحتاجه فقط.
3. قاعدة "القدر الكافي فقط"
الجزء الأروع في RELOOP هو كيف يعرف متى يتوقف.
الأنظمة القديمة غالباً ما تستمر في البحث حتى تصل إلى حد زمني معين، مما يهدر الطاقة.
RELOOP يمتلك مستشعر كفاية. بعد كل خطوة، يسأل الكشاف القائد: "هل لدينا الإجابة؟"
إذا كانت الإجابة "نعم"، يتوقف البحث فوراً. لا خطوات ضائعة.
إذا كانت الإجابة "لا"، فإنه يتخذ خطوة واحدة أخرى.
4. التقرير النهائي (التقنين/Canonicalization)
بمج-بمج انتهاء البحث، لا يقوم الفريق بمجرد إلقاء كومة من الملاحظات على الطاولة. بل ينظمونها في ملف قضية نظيف.
يقومون بتجريد المعلومات من الضجيج.
يحتفظون بـ "الشيفرة المصدرية" (مصدر المعلومات)، بحيث يمكنك رؤية أي جملة أو خلية جدول أدت إلى الإجابة بالضبط.
إذا تعارضت الملاحظات (مثلاً: ملاحظة تقول إن المؤلف هو X، وأخرى تقول Y)، فإن النظام لديه حلقة تنقية خاصة للتدقيق وتصحيح الخطأ قبل تقديم الإجابة النهائية.
لماذا يعد هذا أمراً هاماً؟
إنه عالمي: يعمل على النصوص والجداول والرسوم البيانية دون الحاجة إلى دورة تدريبية جديدة لكل منها.
إنه فعال: لا يهدر المال أو الوقت. يتوقف بمجرد العثور على الإجابة.
إنه موثوق: لأن الفريق يحتفظ بـ "إيصال" يوضح بالضبط أين وجد المعلومات، يمكنك مراجعة عمله. ومن غير المرجح أن "يهلوس" (يختلق أشياءً)، لأنه يتبع بدقة الأدلة التي وجدها.
باخت- باختصار: RELOOP يشبه وجود محقق لا يكتفي بقراءة المكتبة بأكملها، بل لديه خريطة ذكية، وميزانية، وقاعدة للتوقف عن البحث في اللحظة التي يجد فيها الحقيقة. إنه أسرع، وأرخص، وأكثر دقة من الطرق القديمة.
إليك ملخص تقني مفصل لورقة البحث بعنوان: "RELOOP: الاسترجاع المتكرر مع المستنتج متعدد الخطوات والمخططين للأسئلة والأجوبة غير المتجانسة".
1. بيان المشكلة
تواجه أنظمة التوليد المعزز بالاسترجاع (RAG) حالياً ثلاثة تحديات حرجة عند التعامل مع الأسئلة المعقدة متعددة الخطوات عبر مصادر بيانات غير متجانسة (نصوص، جداول، ورسوم بيانية معرفية - KGs):
C1: التغطية في المسترجعات أحادية المسار: تعاني خطوط الأنابيب التقليدية "الاسترجاع ثم التوليد" من صعوبة في تتبع سلاسل الأدلة الكاملة. غالباً ما تفتقر المسترجعات الكثيفة إلى تغطية المسارات اللازمة للاستنتاج متعدد الخطوات، بينما يمكن لأساليب تقسيم البيانات (chunking) أن تؤدي إلى تفتيت السياق. كما أن التوجيه بالسياق الطويل (Long-context prompting) ينقل ميزانيات الرموز (tokens) نحو معلومات غير ذات صلة دون تقديم إشارات صريحة حول كفاية الأدلة.
C2: التكرار غير المنضبط وزمن الاستجابة: تعاني أنظمة RAG الوكيلية (Agentic RAG) التي تستخدم تعاون الوكلاء المتعددين غالباً من خطط "متفرعة"، واستدعاءات متكررة للأدوات، وسلاسل استنتاج مسهبة. يؤدي هذا إلى تكاليف رموز غير متوقعة، وزمن استجابة مرتفع، وإنهاء مبكر أو حلقات مهدرة لأن معايير التوقف غالباً ما تكون قائمة على القواعد التجريبية (heuristics) بدلاً من كونها قائمة على الأدلة.
C3: عدم التجانس عبر التنسيقات: تتطلب الأنظمة الحالية عادةً فهارس ومسترجعات وأنماط توجيه متميزة لكل من النصوص والجداول والرسوم البيانية المعرفية (KGs). وهذا يمنع إعادة استخدام السياسات، ويعقد عملية التدريب، وغالباً ما يتضمن تسلسلاً (serialization) يفقد البيانات دقتها ويحجب مصدرها.
2. المنهجية: إطار عمل RELOOP
يعالج RELOOP هذه المشكلات من خلال تقديم تمثيل التسلسل الهرمي (HSEQ) وآلية تكرار موجهة وواعية بالميزانية. يتكون إطار العمل من ثلاث وحدات أساسية:
بدلاً من المسار الواحد أو التوسع غير المنضبط، يستخدم RELOOP سياسة تكرار متعلمة (πθ) تعمل على نافذة منزلقة من الـ HSEQ.
أولوية التوجيه (g): يقوم مخطط خفيف الوزن (الوكيل الرئيسي) أو قالب تجريبي بإنشاء خطة توجيه قصيرة تحدد الأهداف الأولية، وقواعد التوسع (مثل: قفزات الأب/الابن، أو الجيران في الصفوف/الأعمدة)، وشروط التوقف.
العملية التكرارية:
الاختيار: في كل خطوة t، تختار السياسة ما يصل إلى k من القطع الواعدة من نافذة مرشحة Ct.
التوسع: يمكنها توسيع البحث عبر مشغلات مدركة للهيكل (على سبيل المثال، جلب جميع الصفوف في جدول إذا كانت خلية ما واعدة).
التنبؤ بالكفاية: تتنبأ السياسة بإشارة ثنائية st∈{0,1} تشير إلى ما إذا كانت الأدلة المتراكمة Mt كافية للإجابة على السؤال.
الإنهاء: تتوقف الحلقة عندما تكون st=1 (اكتشاف الكفاية) أو عند استنفاد الميزانية (الرموز/الخطوات).
الكفاءة: يركز هذا النهج الحوسبة فقط على الأدلة التي يتم فحصها، مما يتجنب "انفجار" مساحة البحث الشائع في الأنظمة الوكيلية.
ج. رأس RELOOP (RELOOP-H): التركيب والتحسين
تركيب الإجابة: بمجرد انتهاء التكرار، تقوم وحدة التنميط (κ) بتعبئة القطع المختارة في تنسيق مدمج يحافظ على مصدر البيانات. تقوم وحدة الرأس (Head) بتوليد الإجابة النهائية بناءً فقط على هذه الأدلة.
حلقة التحسين: يقوم مُدقق اختياري بالتحقق من وجود تناقضات. في حالة اكتشافها، يتم تفعيل حلقة تحسين قصيرة مع توجيه أكثر صرامة وميزانية أقل.
3. المساهمات الرئيسية
التحليل الهيكلي الموحد والقابل للعكس: تقديم HSEQ، وهو تنسيق غير مرتبط بنوع معين، يوحد النصوص والجداول والرسوم البيانية المعرفية في تسلسل هرمي واحد مع علامات هيكلية خفيفة. يتيح ذلك لسياسة متعلمة واحدة التنقل عبر وسائط متنوعة دون الحاجة لتخصيص لكل مجموعة بيانات.
التكرار الموجه والواعي بالميزانية: سياسة اختيار متعلمة مع إشارة كفاية صريحة. يسمح هذا للنظام بتركيز الحوسبة على الأدلة الضرورية، مما يوفر زمن استجابة يمكن التنبؤ به ويقلل من استدعاءات الأدوات غير الضرورية مقارنة بالحلقات الوكيلية غير المقيدة.
الأدلة المنمطة لإجابات موثوقة: آلية لتعبئة الأدلة تحافظ على المصدر (المعرفات، الإزاحات، المصدر). هذا يحسن اتساق الإجابات، والقدرة على التدقيق، ويسمح بالتحسين الاختياري القائم على التناقض.
4. النتائج التجريبية
تم تقييم إطار العمل على أربعة اختبارات قياسية تغطي وسائط مختلفة:
الدقة: تفوق RELOOP باستمرار على النماذج المرجعية القوية (بما في ذلك LLM-only، وRAG أحادي المسار، والأنظمة الوكيلية المتخصصة مثل Graph-constrained Reasoning وThink-on-Graph).
في MetaQA-3hop، حقق RELOOP دقة بلغت 93.4% وF1 بنسبة 88.3%، متفوقاً على أقرب نموذج مرجعي (AdaptiveRAG) بفارق كبير.
في HotpotQA، حقق دقة بلغت 56.3%، متفوقاً على Graph-constrained Reasoning (39.2%) وThink-on-Graph (43.1%).
الكفاءة: أظهر RELOOP توازناً متفوقاً بين الدقة وزمن الاستجابة.
بينما كان "LLM-only" هو الأسرع (خطوة واحدة)، إلا أن دقته كانت ضعيفة.
تطلب "Think-on-Graph" ما بين 11 إلى 17 خطوة وزمن استجابة مرتفع (مثلاً ~24 ألف مللي ثانية في MetaQA-3hop).
حقق RELOOP دقة عالية بمتوسط 3 إلى 5 خطوات فقط، مما قلل زمن الاستجابة بأكثر من 50% مقارنة بالنماذج المرجعية المرتكزة على الرسوم البيانية مع الحفاظ على قدرات تعدد الخطوات.
دراسات الاستبعاد (Ablation Studies): أدى إزالة سياسة التكرار الضبطية (SFT) أو آلية التوجيه إلى انخفاض كبير في الأداء، مما يؤكد ضرورة كل من السياسة المتعلمة والتوجيه الهيكلي.
5. الأهمية
يمثل RELOOP تحولاً جذرياً في بنية RAG من خلال الانتقال من نهج "استرجع الكل" أو "الوكيل غير المنضبط" إلى الاستنتاج الهيكلي، والمتكرر، والواعي بالميزانية.
القابلية للتوسع: من خلال توحيد الوسائط، يسهل RELOOP نشر أنظمة الأسئلة والأجوبة عبر أنواع بيانات متنوعة.
الموثوقية: تجعل إشارة الكفاية الصريحة والحفاظ على المصدر النظام أكثر قوة ضد الهلوسة وأسهل في التدقيق.
الكفاءة: يثبت أن الاستنتاج عالي الجودة متعدد الخطوات لا يتطلب بحثاً شاملاً أو استهلاكاً هائلاً للرموز؛ بل يستفيد من الاستكشاف الموجه والصغير الخطوات.
الرموز البرمجية والنماذج متاحة لتسهيل المزيد من الأبحاث في الاسترجاع غير المتجانس والاستنتاج متعدد الخطوات.