💬 NLP

SPARC-RAG: Adaptive Sequential-Parallel Scaling with Context Management for Retrieval-Augmented Generation

إن SPARC-RAG هو إطار عمل متعدد الوكلاء يعمل على تحسين التوليد المعزز بالاسترجاع للأسئلة المعقدة متعددة الخطوات من خلال التنسيق التكيفي لتوسيع الاستدلال المتسلسل والمتوازي عبر إدارة موحدة للسياق، وتوليد استعلامات فرعية مستهدفة، وضبط دقيق على مستوى العمليات لتحقيق دقة فائقة بتكاليف حوسبة أقل.

المؤلفون الأصليون: Yuxin Yang, Gangda Deng, Ömer Faruk Akgül, Nima Chitsazan, Yash Govilkar, Akasha Tigalappanavara, Shi-Xiong Zhang, Sambit Sahu, Viktor Prasanna

نُشر 2026-02-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yuxin Yang, Gangda Deng, Ömer Faruk Akgül, Nima Chitsazan, Yash Govilkar, Akasha Tigalappanavara, Shi-Xiong Zhang, Sambit Sahu, Viktor Prasanna

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول حل لغز معقد للغاية، مثل معرفة من كان أول طالب أفريقي أمريكي في جامعة معينة. لديك مكتبة ضخمة (الإنترنت) لمساعدتك، ولكن لا يمكنك سوى طرح بضعة أسئلة في كل مرة على أمين المكتبة.

هذا هو التحدي الذي تواجهه أنظمة الذكاء الاصطناعي الحديثة التي تسمى RAG (التوليد المعزز بالاسترجاع). فهي تحاول العثور على الحقائق الصحيحة في مكتبة ما للإجابة على سؤال ما. ولكن عندما يكون السؤال معقداً، يتعثر الذكاء الاصطناعي القياسي؛ فإما أنه يطرح الكثير من الأسئلة المتتالية ويصاب بالارتباك بسبب كثرة المعلومات، أو يطرح الكثير من الأسئلة المختلفة في وقت واحد ويهدر الوقت في قراءة الكتب نفسها مراراً وتكرارًا.

يقدم البحث نظاماً جديداً يسمى SPARC-RAG. فكر في الأمر كترقية من محقق يعمل بمفرده إلى وكالة تحقيقات منظمة جيداً لديها مدير صارم ونظام أرشفة ذكي.

إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. المشكلة: "المكتب الفوضوي" و"الرحلة الضائعة"

حدد البحث مشكلتين رئيسيتين في كيفية محاولة الذكاء الاصطناعي حالياً حل الأسئلة الصعبة:

المكتب الفوضوي (تلوث السياق): إذا استمر المحقق في إضافة أدلة جديدة إلى مكتبه دون تنظيف الأدلة القديمة، فسيصبح المكتب مزدحماً. سيشعر المحقق بالإرهاق وينسى الأدلة المهمة. في مصطلحات الذكاء الاصطناعي، كلما قرأ المزيد من المستندات، فإن "الضجيج" يطغى على "الإشارة"، مما يجعل الإجابة أسوأ.
الرحلة الضائعة (عدم كفاءة التوسع): إذا أرسل المحقق 10 مساعدين للبحث عن الشيء نفسه، أو استمر في طرح السؤال نفسه 10 مرات، فسيضيع الوقت والمال. غالباً ما يفعل الذكاء الاصطناعي ذلك عبر زيادة جهوده بشكل عشوائي دون التحقق مما إذا كان ذلك يساعد حقاً.

2. الحل: وكالة تحقيقات مكونة من ثلاثة وكلاء متخصصين

يحل SPARC-RAG هذه المشكلة باستخدام فريق من ثلاثة "وكلاء" (برامج) متخصصين يعملون معاً تحت سقف واحد. بدلاً من أن يحاول برنامج ذكاء اصطناعي واحد القيام بكل شيء، يتم تقسيم العمل:

إعادة كتابة الاستعلام (المخطط الاستراتيجي):
- ما يفعله: بدلاً من مجرد طرح سؤال واحد، يقوم هذا الوكيل بتفكيك اللغز الكبير إلى عدة زوايا مختلفة ومحددة.
- التشبيه: تخيل أن المحقق الرئيسي يقول: "نحن بحاجة للعثور على الطالب". فيقول المخطط الاستراتيجي: "حسناً، لنرسل مساعداً واحداً للتحقق من كتب التاريخ، وآخر للتحقق من سجلات الجامعة، وثالثاً للبحث في المقالات الإخبارية". هذا يضمن أنهم يبحثون في أماكن مختلفة (العرض المتوازي) حتى لا يفوتهم أي شيء.
مدير السياق (أمين المكتبة):
- ما يفعله: هذا هو الجزء الأهم. فهو يأخذ جميع الملاحظات من المساعدين المختلفين وينظمها في ملخص واحد نظيف وقصير.
- التشبيه: إذا وجد المساعد (أ) دليلاً حول "روبرت خيات" ووجد المساعد (ب) دليلاً حول "جامعة ميسيسيبي"، فإن أمين المكتبة لا يقوم بمجرد لصق الملاحظتين على الحائط. بل يقرأهما، ويدرك أنهما متكاملتان، ويكتب جملة واحدة واضحة: "ذهب روبرت خيات إلى جامعة ميسيسيبي". إنه يتخلص من الحشو غير المفيد. هذا يحافظ على نظافة "المكتب" حتى لا يرتبك الذكاء الاصطناعي.
مقوّم الإجابة (المدير/الرئيس):
- ما يفعله: ينظر هذا الوكيل إلى الإجابة ويقرر: "هل هذا جيد بما يكفي للتوقف، أم نحتاج إلى مواصلة البحث؟"
- التشبيه: في الماضي، ربما كان الذكاء الاصطناعي يستمر في طرح الأسئلة حتى بعد العثور على الإجابة (مما يهدر الوقت) أو يتوقف مبكراً جداً عندما تكون الإجابة خاطئة. يقوم المدير بفحص الأدلة. إذا كانت الأدلة قوية، يقول: "رائع، لقد انتهينا!". وإذا كانت الأدلة ضعيفة، يقول: "لا، استمر في البحث".

3. "التدريب" (تعليم الفريق ليكون أكثر ذكاءً)

يذكر المؤلفون أيضاً طريقة تدريب خاصة (الضبط الدقيق).

التشبيه: تخيل أنك توظف فريقاً جديداً من المحققين. في البداية، قد يكونون غير متمرسين. يقوم المؤلفون بـ "تدريبهم" من خلال عرض أمثلة على القرارات الجيدة والسيئة.
- يعلمون المخطط الاستراتيجي طرح أسئلة تجد أدلة مختلفة، وليس نفس الأدلة.
- يعلمون المدير أن يكون حذراً جداً بشأن التوقف. من الأفضل الاستمرار في البحث لفترة أطول قليلاً بدلاً من التوقف وتقديم إجابة خاطئة.
- هذا التدريب يجعل الفريق أسرع وأرخص في التشغيل لأنهم يتوقفون عن إضاعة الوقت في المسارات المسدودة.

النتيجة

عندما اختبر الباحثون هذه "وكالة التحقيقات" الجديدة على ألغاز صعبة (أسئلة متعددة الخطوات)، حققت أداءً أفضل بكثير من الطرق السابقة.

دقة أفضل: وجدوا الإجابات الصحيحة في كثير من الأحيان.
تكلفة أقل: لأن الفريق كان منظماً ولم يضع وقته، فقد استخدموا طاقة حاسوبية أقل (عدد أقل من "الرموز/tokens") لتحقيق نفس النتائج أو نتائج أفضل.

باختصار: SPARC-RAG هو طريقة أذكى للذكاء الاصطناعي للبحث عن الإجابات. فبدلاً من القراءة بشكل عشوائي وزيادة كمية المعلومات، يستخدم فريقاً من المتخصصين لطرح الأسئلة الصحيحة، وتنظيم الإجابات بوضوح، ومعرفة الوقت المناسب للتوقف تماماً. وهذا يجعله أسرع، وأرخص، وأكثر دقة في حل الألغاز المعقدة.

ملخص تقني: SPARC-RAG

بيان المشكلة

تعمل تقنية التوليد المعزز بالاسترجاع (RAG) على ترسيخ مخرجات النماذج اللغوية الكبيرة (LLM) في أدلة خارجية، لكنها تعاني مع الإجابة على الأسئلة المعقدة متعددة الخطوات (multi-hop QA) التي تتطلب استدلالاً عميقاً. تحاول النهج الحديثة معالجة ذلك من خلال توسيع نطاق RAG أثناء الاستنتاج عبر بُعدين: العمق التسلسلي (التحسين التكراري) والعرض المتوازي (توسيع التغطية).

ومع ذلك، يؤدي التوسع الساذج إلى نمطين حرجين من الفشل:

تلوث السياق (Context Contamination): يؤدي التراكم غير المنضبط للأدلة في التوسع التسلسلي إلى إغراق قدرة الانتباه لدى النموذج، مما يدخل الضجيج ويؤدي إلى تدهور الأداء.
عدم كفاءة التوسع (Scaling Inefficiency): تؤدي الزيادات الميكانيكية في العمق والعرض إلى عمليات حسابية واستدلالات متكررة، مما ينتج عنه عوائد متناقصة أو حتى سلبية رغم زيادة التكلفة الحسابية.

غالباً ما تتعامل الطرق الحالية مع العمق والعرض كموارد منفصلة وغير منسقة، وتفشل في إدراك تكاملهما الجوهري. هناك حاجة لإطار عمل ينسق بين التحسين التسلسلي والاستكشاف المتوازي تحت آلية موحدة لإدارة السياق لتحسين المقايضة بين الدقة والتكلفة.

المنهجية: SPARC-RAG

يقترح المؤلفون SPARC-RAG (التوسع التسلسلي-المتوازي التكيفي مع إدارة السياق)، وهو إطار عمل متعدد الوكلاء مصمم للتحكم صراحة في عمق الاستدلال، وعرضه، وتوحيد السياق أثناء الاستنتاج.

بنية النظام

يقوم SPARC-RAG بتنظيم عملية التوسع من خلال ثلاثة وكلاء متخصصين متعاونين، يعملون ضمن حلقة تنفيذ ديناميكية:

إعادة كتابة الاستعلام (التوسع المتوازي):
- يعمل كمولد "واحد إلى كثير".
- بدلاً من تحسين استعلام واحد تسلسلياً، يقوم بتخليق $W(t)$ من الاستعلامات الفرعية المحددة للهدف في تمريرة استنتاج واحدة.
- تستكشف هذه الاستعلامات اتجاهات استرجاع متعامدة لتعظيم تغطية المعلومات وتنوعها، مما يخفف من عدم كفاءة التوسع عبر تقليل الفروع المتكررة.
مدير السياق (توحيد المعلومات):
- المكون المركزي لإدارة حالة الاستدلال المتطورة.
- داخل الفروع: يقوم بتحديثات مدركة للاستعلام، حيث ينتبه للسؤال الحالي ويحتفظ فقط بالأدلة ذات الصلة للحفاظ على نافذة سياق مدمجة ومنخفضة الضجيج.
- عبر الفروع: بعد التنفيذ المتوازي، يختار المسار الاستدلالي الأكثر واعداً بناءً على جودة الإجابة ودعم الأدلة. ثم يقوم بتوحيد المعلومات المتكاملة من جميع الفروع في حالة سياق موحدة، مع تصفية الضجيج والتكرار.
مقيم الإجابة (التحكم التسلسلي):
- يقيم جودة الإجابات المولدة بناءً على الاستعلام والذاكرة الحالية.
- يولد إشارة قرار (استمرار CONTINUE أو توقف STOP) لتحديد ما إذا كان سيتم تعميق الاستدلال أو إنهاؤه.
- يمنع التكرارات غير الضرورية في الاستعلامات البسيطة ويضمن تخصيص الميزانية الحسابية فقط للحالات المعقدة.

بروتوكول التنفيذ

يعمل النظام كحلقة ديناميكية:

التهيئة: يبدأ بحالة ذاكرة فارغة $m(0)$ .
التوزيع المتوازي: يقوم "إعادة كتابة الاستعلام" بتوليد $W$ من الاستعلامات المعاد كتابتها.
تنفيذ الفروع: يسترجع كل فرع الأدلة بشكل مستقل، ويحدث ذاكرته المحلية، ويولد إجابة مرشحة، ويقيمها.
التجميع والتحكم العالمي: يقوم "مدير السياق" باختيار أفضل فرع، ويدمج الأدلة في حالة موحدة، ويقرر "مقيم الإجابة" ما إذا كان سيتوقف أو ينتقل إلى دورة العمق التالية ( $t \leftarrow t+1$ ).

الضبط الدقيق الموجه نحو التوسع

لتحسين سلوك التوسع بشكل أكبر دون تكاليف ضبط دقيق باهظة، قدم المؤلفون استراتيجية خفيفة الوزن باستخدام التفضيلات القابلة للتحقق على مستوى العملية:

لإعادة كتابة الاستعلام: يتم إنشاء أزواج تفضيل بناءً على استرجاع الفقرات. تُفضل إعادة الكتابة التي تسترجع المزيد من الأدلة الداعمة الذهبية، مما يشجع ضمناً على استعلامات فرعية متنوعة ومركزة.
لمقيم الإجابة: يتم إنشاء أزواج تفضيل بناءً على صحة قرارات التوقف. تُستخدم خسارة "تحسين التفضيل المباشر" (DPO) الموزونة، حيث يتم معاقبة التوقف المبكر الخاطئ (قبول إجابة خاطئة) بشكل أكبر ( $\lambda > 1$ ) من الاستمرار الخاطئ. هذا يعاير النموذج لتبني سياسة توقف أكثر تحفظاً في الحالات الصعبة مع السماح بالإنهاء المبكر في الحالات البسيطة.

المساهمات الرئيسية

مبادئ تصميم الوكلاء: يحدد البحث "تلوث السياق" و"عدم كفاءة التوسع" كتحديات أساسية ويصيغ مبادئ تصميم على مستوى الوكيل للتخفيف منها، مع التركيز بشكل خاص على تعزيز تنوع الاستكشاف وإدارة السياق الموحدة.
إطار عمل متعدد الوكلاء تعاوني: يقدم SPARC-RAG إطار عمل موحداً يتحكم بشكل مشترك في العمق التسلسلي والعرض المتوازي. وهو يعمم الطرق السابقة التي كانت تقتصر على التسلسل فقط أو التوازي فقط، محققاً مقايضات فائقة بين الدقة والتكلفة من خلال توحيد المعلومات عالمياً.
الضبط الدقيق الموجه نحو التوسع: استراتيجية ضبط دقيق مبتكرة تشرف على عملية التوسع باستخدام مقاييس وسيطة قابلة للتحقق (تغطية الأدلة ودقة التوقف). وهذا يسمح للنموذج باستيعاب متى يكون التوسع مفيداً، مما يحسن الفعالية والكفاءة معاً.

النتائج التجريبية

تم تقييم الإطار على معايسات الإجابة على الأسئلة أحادية الخطوة (Natural Questions) ومتعددة الخطوات (HotpotQA, 2WikiMultiHopQA, Bamboogle, MuSiQue) باستخدام نماذج Qwen2.5-7B-Instruct و Qwen3-32B كقواعد أساسية.

الأداء: يتفوق SPARC-RAG باستمرار على النماذج المرجعية القوية (بما في ذلك IRCoT، وIter-RetGen، وSelf-RAG، وSpeculative-RAG، وDeepNote).
- في مجموعة بيانات MuSique (2-4 خطوات) مع Qwen2.5-7B، حقق SPARC-RAG درجة F1 بلغت 24.3، متفوقاً بشكل كبير على الحالة السابقة (DeepNote) التي بلغت 19.8.
- عبر مجموعات البيانات متعددة الخطوات، حسنت النسخة المضبوطة دقيقاً (SPARC-RAG + DPO) متوسط درجات F1 بمقدار 5.1 نقطة مع تقليل التكلفة الحسابية بنسبة تقارب 60%.
كفاءة التكلفة: يحقق النموذج المضبوط دقيقاً درجات F1 مماثلة أو أفضل من أفضل التكوينات غير المضبوطة (البحث الشبكي عبر العمق والعرض) ولكن بتكاليف توكن أقل بكثير (على سبيل المثال، ~30% من التوكنات المستخدمة في 2WikiMultiHopQA).
ديناميكيات التوسع: يظهر التحليل أن الجمع بين عرض متوازي معتدل ( $W=2$ ) والعمق التكيفي يوفر التوازن الأمثل. يتوقف التوسع في العمق الصرف أو يتدهور بعد $D=4$ ، بينما يحسن العرض المتوازي باستمرار استرجاع الفقرات ودرجات F1 من خلال استكشاف أدلة متنوعة.

الأهمية والادعاءات

يزعم البحث أن SPARC-RAG يعالج القيود الأساسية لطرق توسيع RAG الحالية من خلال التعامل مع العمق التسلسلي والعرض المتوازي كموارد يمكن التحكم فيها بشكل مشترك بدلاً من متغيرات مستقلة.

التحكم الموحد: من خلال تنسيق هذه الأبعاد تحت آلية موحدة لإدارة السياق، يمنع الإطار تراكم الضجيج والتكرار الذي يعيب التوسع الساذج.
الكفاءة عبر المعايرة: تظهر استراتيجية الضبط الدقيق المقترحة أن سلوك التوسع يمكن تعلمه ومعايرته بشكل صريح. يؤدي هذا إلى نظام يعرف متى يتوقف وكيف يستكشف، مما يؤدي إلى تقليل كبير في تكلفة الاستنتاج دون التضحية بالدقة.
المتانة: يحسن الإطار المتانة في الاستعلامات المعقدة متعددة الخطوات من خلال تخليق أدلة متكاملة عبر فروع متوازية، متفوقاً على الطرق التي تعتمد على التجميع البسيط (مثل التصويت بالأغلبية) أو عدد التكرارات الثابت.

يقر المؤلفون بوجود قيود، مشيرين إلى أن الطريقة تفرض عبئاً إضافياً في وقت الاستنتاج مقارنة بـ RAG أحادي التمريرة، مما قد يؤثر على التطبيقات التي تتطلب زمن استجابة منخفضاً. علاوة على ذلك، فإن الأداء يعتمد على جودة نظام الاسترجاع والمتن، ولا يمكن للإطار ضمان الصحة إذا كانت الأدلة المسترجعة مضللة بشكل منهجي.