ملخص تقني: وكيل الاسترجاع فائق الذكاء (SIRA)

1. بيان المشكلة

تتعامل وكلاء الاسترجاع المعزز بالاسترجاع (RAG) الحالية عادةً مع عملية استرجاع المعلومات كعملية تفاعل "صندوق أسود". يعمل هؤلاء الوكلاء عبر حلقات تكرارية: إصدار استعلامات استكشافية، وفحص المقتطفات المسترجعة، وإعادة صياغة الاستعلامات بناءً على السياق المتراكم. يجادل المؤلفون بأن هذا النهج يحاكي سلوك وافد جديد يستكشف قاعدة بيانات غير مألوفة بدلاً من خبير يتنقل في قاعدة بيانات يمتلك عنها معرفة مسبقة قوية. يؤدي هذا الاستكشاف التكراري القائم على مبدأ "الضرب والخطأ" إلى جولات استرجاع غير ضرورية، وزيادة في زمن الاستجابة (latency)، وضعف في القدرة على الاستدعاء (recall).

علاست ذلك، فإن التحول نحو الاستعلامات الحوارية والتركيبية (التي تجمع بين القيود والأهداف متعددة الخطوات) يكشف عن قصور في كل من الاسترجاع الكثيف (dense retrieval) والبحث الوكيل (agentic search) القياسي:

• الاسترجاع الكثيف: يعتمد على تمثيلات (embeddings) ذات أبعاد ثابتة تعمل كعوامل بحث عن أقرب جار "صندوق أسود"، مما يوفر تحكماً ضعيفاً في فرض القيود الهيكلية (مثل المصطلحات التي يجب تضمينها أو استبعادها) ويعاني من اختناقات معلوماتية عندما يتطلب الارتباط تفاعلات انتباه مشترك (cross-attention).
• البحث الوكيلي: بينما تعمل نماذج مثل ReAct أو IRCoT على تحسين الأداء من خلال التفاعل متعدد الجولات، إلا أنها تعوض ضعف التحكم في الاسترجاع عبر تعلم مجموعة البيانات (corpus) من خلال التفاعل. هذه الاستراتيجية مكلفة، ومليئة بالضجيج، وتعتمد على نماذج لغوية كبيرة (LLMs) ذات سياق طويل، وهي معروفة بعدم موثوقيتها عندما تكون الأدلة ذات الصلة مدفونة في سياقات طويلة.

الفجوة الجوهرية المحددة هي أنه بينما تمتلك النماذج اللغوية الكبيرة معرفة بارامترية هائلة، إلا أنها تفتقر إلى التحكم المباشر في بدائيات الاسترجاع (وزن الكلمات المفتاحية، اختيار القيود) وإحصائيات الفهرس المرئية، مما يجبرها على الدخول في استكشاف غير فعال بدلاً من استرجاع دقيق على مستوى الخبراء.

2. المنهجية: SIRA

يعيد وكيل الاسترجاع فائق الذكاء (SIRA) تعريف "الذكاء الفائق" في الاسترجاع باعتباره القدرة على ضغط البحث الاستكشافي متعدد الجولات في إجراء استرجاع واحد تمييزي للمجموعة (corpus-discriminative). يعمل SIRA دون تدريب، أو تسميات صلة، أو أزواج استعلام-وثيقة خاضعة للإشراف، مستخدماً نموذجاً لغوياً كبيراً مجمداً وإحصائيات خفيفة للمجموعة.

يعمل النظام على جسر الفجوة المفرداتية بين الاستعلامات والوثائق من خلال إطار عمل إثراء ثنائي المراحل:

أ. الإثراء من جانب المجموعة (غير متصل، مستهلك زمنياً - Offline, Amortized)

• العملية: يقرأ النموذج اللغوي الكبير (المجمد) كل وثيقة في المجموعة ويتوقع مفردات البحث التي قد يحتاجها المستخدم للعثور عليها، مقترحاً مصطلحات مرشحة (مرادفات، أسماء مستعارة، صياغات خاصة بالمجال) تكون غائبة عن نص الوثيقة.
• التحقق: يقوم مرشح تردد الوثيقة (Document Frequency - DF) بالتحقق من هذه المرشحات مقابل فهرس المجموعة. يتم استبعاد المصطلحات الشائعة جداً (التي تتجاوز حداً علوياً $\tau \cdot |C|$) لمنع تخفيف أوزان الـ IDF.
• التكامل: تُحقن المصطلحات الناجية في فهرس BM25 كمدخلات n-gram ذرية، مما يثري الفهرس بمفردات بحث مفقودة.

ب. الإثراء من جانب الاستعلام (متصل، لكل استعلام - Online, Per-Query)

• العملية: عند تلقي استعلام مستخدم، يولد النموذج اللغوي "مخطط استجابة متوقع" (expected-response sketch)—وهو فرضية مدمجة للمفاهيم، والكيانات، والمصطلحات التمييزية التي من المرجح أن تظهر في الأدلة ذات الصلة ولكنها غائبة عن الاستعلام الأصلي.
• القيد: يتم توجيه النموذج اللغوي صراحةً ألا يخمن الإجابة نفسها (لتجنب الانحياز نحو مرشح واحد) بل أن يتنبأ بـ مفردات وثيقة الإجابة.
• التحقق: يتم تطبيق نفس مرشح الـ DF، مع شرط إضافي وهو أن يكون $DF > 0$ لضمان وجود المصطلحات المقترحة في الفهرس المثري.
• التنفيذ: يتم دمج مصطلحات التوسع المتحقق منها ($q_{exp}$) مع الاستعلام الأصلي ($q_{orig}$) في استدعاء واحد لـ BM25 موزون:
  $$\text{score}(d) = \text{BM25}(q_{orig}, d) + w \cdot \text{BM25}(q_{exp}, d)$$
  ينتج عن ذلك خطوة استرجاع واحدة وشفافة تستفيد من أوزان IDF لـ BM25 لتضخيم المصطلحات النادرة والتمييزية.

3. المساهمات الرئيسية

1. إعادة تعريف ذكاء الاسترجاع الفائق: يفترض البحث أن ذكاء الاسترجاع الحقيقي لا يتعلق بتراكم السياق عبر جولات متعددة، بل بصياغة إجراء لغوي واحد رفيع المستوى يكون تمييزياً ضد المشتتات على مستوى المجموعة.
2. استرجاع قابل للتحكم وخالٍ من التدريب: يثبت SIRA أن النموذج اللغوي الكبير المجمد يمكن أن يعمل كمتحكم لمحرك BM25، محولاً إياه من مجرد خط أساس لغوي بسيط إلى مسترجع متطور (state-of-the-art) دون الحاجة لضبط دقيق (fine-tuning) أو مؤشرات تضمين (embedding indices).
3. توسيع المفردات المرتكز على المجموعة: من خلال ربط المفردات التي يولدها النموذج اللغوي بإحصائيات تردد الوثائق، يضمن SIRA أن مصطلحات التوسع ليست فقط منطقية دلالياً بل تمييزية إحصائياً ضمن مجموعة مستهدفة محددة.
4. الشفافية والكفاءة: على عكس الاسترجاع الكثيف أو الوكلاء متعددي الجولات، فإن عملية SIRA قابلة للتفسير بالكامل (يمكن تتبع الكلمات المفتاحية والقيود) وفعالة (استدعاء استرجاع واحد).

4. النتائج التجريبية

قيم المؤلفون SIRA عبر عشرة اختبارات معيارية من BEIR (تغطي مهام متنوعة مثل التحقق من الحقائق، واسترجاع الحجج، والأسئلة والأجوبة) ومهام الأسئلة والأجوبة النهائية (NQ, HotpotQA).

• أداء الاسترجاع (BEIR):

  • حقق SIRA أعلى متوسط لـ Recall@10 (0.691) و NDCG@10 (0.572) عبر جميع الاختبارات العشرة.
  • تفوق على المسترجعات الكثيفة الخاضعة للإشراف (E5: 0.648 Recall@10)، والمسترجعات المتفرقة المتعلمة (SPLADE: 0.625 Recall@10)، و BM25 القياسي (0.530 Recall@10).
  • أظهر SIRA مكاسب كبيرة في مجموعات البيانات ذات الفجوات الكبيرة بين مفردات الاستعلام والوثيقة (على سبيل المثال، تحسن نسبي قدره +36% في SciDocs، و +23% في CQADupStack).
  • تفوق على النماذج الوكيلية متعددة الجولات (Search-R1, GrepRog, ShellAgent) رغم استخدامه لجولة استرجاع واحدة فقط.

• أداء الأسئلة والأجوبة النهائي (Downstream QA):

  • عند التقييم على NQ و HotpotQA، تجاوز تغطية الإجابة (fraction of queries where the gold answer string appears in the top-k retrieved documents) الخاصة بـ SIRA (في مرحلة الاسترجاع فقط) دقة الأنظمة الوكيلية الستة الأخيرة المدربة بالتعلم التعزيزي (RL-trained).
  • عند Top-10، حقق SIRA تغطية بنسبة 84.7% في NQ و 77.6% في HotpotQA، متفوقاً على أقوى النماذج المرجعية (HiPRAG: 71.2% في NQ؛ E-GRPO: 69.0% في HotpotQA).
  • تشير هذه النتيجة إلى أنه بالنسبة للأسئلة والأجوبة المرتكزة على المجموعة، فإن القدرة على إظهار الأدلة الصحيحة عبر إجراء استرجاع خبير واحد أكثر أهمية من إضافة جولات بحث أو تدريب مولدات الإجابات.

5. الأهمية والادعاءات

يدعي البحث أن العائق الأساسي في الوكلاء المعززين بالاسترجاع ليس تطور المسترجع أو عدد جولات البحث، بل قدرة الوكيل على صياغة إجراءات استرجاع على مستوى الخبراء دون الاعتماد على سياق الاسترجاع المتراكم.

يثبت SIRA أن:

• استعلام لغوي واحد جيد الصياغة، موجه بإدراك النموذج اللغوي وإحصائيات المجموعة الخفيفة، يمكن أن يتجاوز بشكل كبير أنظمة البحث متعددة الجولات الأكثر تكلفة.
• نقاط قوة BM25 (الشفافية، وزن الـ IDF، المطابقة التامة) غير مستغلة بشكل كافٍ في أنظمة RAG الحديثة؛ وعند اقترانه بنموذج لغوي كبير يمكنه توفير المفردات الصحيحة والتحقق من قيمتها التمييزية، يصبح BM25 محرك استرجاع قوياً، وقابلاً للتفسير، وفعالاً.
• التحكم في الاسترجاع هو قدرة متميزة عن الاستنتاج (reasoning)؛ فالوكلاء يحتاجون إلى تحكم مباشر في بدائيات الاسترجاع (مثل وزن الكلمات المفتاحية والقيود) بدلاً من مجرد القدرة على إعادة كتابة الاستعلامات وقراءة المقتطفات.

يخلص المؤلفون إلى أن المسار المستقبلي للوكلاء المعززين بالاسترجاع لا يكمن في جعل الوكلاء يبحثون لفترة أطول، بل في جعل إجراء الاسترجاع نفسه أكثر خبرة، وإدراكاً للمجموعة، وقابلية للتفسير. ويشيرون إلى وجود قيد: يفترض SIRA أن النموذج اللغوي المجمد يمتلك معرفة كافية بالمجال؛ وبالنسبة للمجموعات التي تقع بعيداً عن توزيع التدريب المسبق للنموذج، قد يكون التكيف مع المجموعة أو الضبط الدقيق ضرورياً.