A New Role for Relevance: Guiding Corpus Interaction in Agentic Search
تقدم الورقة البحثية RARG، وهو وكيل بحث مدرك للأهمية يستفيد من درجات الأهمية لتوجيه التفاعل مع المتون من الخشن إلى الناعم عبر التتبع المرتب للوثائق وإعادة ترتيب المطابقة، مما يحسن كلاً من الدقة والكفاءة في الإجابة على الأسئلة المعقدة مقارنة بطرق الاسترجاع والتفاعل المباشر القائمة.
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 محقق تحاول حل لغز ما، ولكن بدلاً من بضع دفاتر مليئة بالقرائن، وُضعت بين يديك مكتبة تحتوي على ملايين الكتب. هدفك هو العثور على جملة واحدة محددة تحمل الإجابة. في عالم الذكاء الاصطناعي، يُطلق على هذا اسم "الاسترجاع" (retrieval). لفترة طويلة، كانت مساعدات الذكاء الاصطناعي تعمل مثل أمين مكتبة يقوم بمسح سريع لعناوين الكتب العشرة الأولى ويقدمها لك، آملاً أن تكون الإجابة موجودة في الصفحة الأولى. ولكن ماذا لو كانت الإجابة مخبأة في عمق فقرة في الصفحة 400 من كتاب لم يكن حتى ضمن العشرة الأوائل؟ أو ماذا لو كانت القرينة عبارة عن عبارة صغيرة ومحددة لا تظهر إلا عند البحث عن نمط معين للغاية؟
هنا يأتي دور "البحث الوكيل" (Agentic Search). فبدلاً من مجرد طلب قائمة من أمين المكتبة، يتم منح "وكيل" الذكاء الاصطناعي مجموعة من الأدوات ليدخل إلى المكتبة بنفسه. يمكنه فتح أي كتاب، وقراءة صفحات محددة، واستخدام أداة بحث (مثل أمر "grep" أو "find" الرقمي) للبحث عن الكلمات المفتاحية. ومع ذلك، هناك عقبة: إذا بدأ الوكيل بالبحث عشوائياً عبر ملايين الكتب، فقد يضيع ساعات في البحث في الممرات الخاطئة قبل أن يجد القرينة الصحيحة. السؤال الكبير الذي يطرحه الباحثون هو: كيف نعلم الذكاء الاصطناعي أن يعرف أي الكتب يفتح أولاً، وأي الجمل يقرأ، لكي يحل اللغز بشكل أسرع وبجهد أقل؟
تقدم الورقة البحثية التي ستطلع عليها شخصية جديدة في هذه القصة: RARG (وكيل بحث RipGrep المدرك للأهمية). فكر في RARG كأنه محقق فائق الذكاء لا يبحث عشوائياً فحسب. فقبل أن يمسك المحقق بالعدسة المكبرة، يحصل على "خريطة صلة" (relevance map). هذه الخريطة لا تعطيه الإجابة؛ بل تخبره بالكتب الأكثر احتمالاً لأن تحتوي على القرائن. يستخدم RARG هذه الخريطة ليقرر الترتيب الذي يفتح به الكتب؛ حيث يبدأ بالكتب الأكثر واعدة، لضمان أنه إذا كانت الإجابة موجودة هناك، فإن المحقق سيجدها فوراً.
لكن RARG لا يتوقف عند هذا الحد، فلديه حيلتان خاصتان. أولاً، يمنح المحقق "حقيبة أدوات أولية" تتكون من بضع فقرات ذات صلة وثيقة في البداية، حتى لا يضيع الوقت في التخمين من أين يبدأ. ثانياً، عندما يجد المحقق مجموعة من الجمل المتطابقة (hits) عبر العديد من الكتب، يعمل RARG كمحرر صارم؛ حيث ينظر إلى كل تلك التطابقات ويعيد ترتيبها، دافعاً الجمل الأكثر إفادة إلى الأعلى ومخفياً الجمل المملة وغير ذات الصلة. يضمن ذلك أن المحقق لا يرى إلا أفضل القرائن، حتى لو جاءت تلك القرائن من كتاب لم يكن في الأصل ضمن قائمة الكتب الأعلى تصنيفاً.
اختبر الباحثون هذا المحقق الجديد مقابل الأساليب القديمة، ووجدوا أنه من خلال استخدام "الصلة" لتوجيه البحث أثناء قيام الوكيل بعملية البحث، بدلاً من مجرد استخدامها لاختيار قائمة من الكتب مسبقاً، استطاع الذكاء الاصطناعي حل الأسئلة المعقدة بشكل أسرع بكثير. وفي الاختبارات التي أجريت على مكتبة تضم 100,000 وثيقة، وصلت دقة الطريقة الجديدة (R++) إلى 84%، متفوقة على أفضل الأساليب السابقة التي كانت تحوم حول 78%. وعندما وسعوا المكتبة لتصل إلى مليون وثيقة، انخفضت دقة الطريقة الجديدة إلى 79%، لكنها ظلت تحافظ على تفوق ملحوظ على الأساليب القديمة التي انخفضت إلى 69%. وحتى مع هذا الانخفاض، استخدمت الطريقة الجديدة عدداً أقل بكثير من "استدعاءات الأدوات" (tool calls) (خطوات في عملية البحث)، مما جعلها أرخص وأسرع بكثير.
تشير الورقة البحثية إلى أن مفتاح البحث الأفضل في الذكاء الاصطناعي ليس مجرد امتلاك مكتبة أكبر أو أداة بحث أذكى، بل منح الوكيل حساً أفضل بالاتجاه. فمن خلال تحويل "الصلة" من مجرد مرشح بسيط إلى دليل لكيفية حدوث البحث، يمكن للذكاء الاصطنا_ي العثور على الإبرة في كومة القش دون الحاجة إلى تحريك كومة القش بأكملها أولاً. يوضح المؤلفون أن هذا النهج يعمل جيداً لكل من العثور على إجابات محددة (مثل مسألة رياضية) وترتيب قوائم المعلومات، مما يثبت أن معرفة أين تبحث لا تقل أهمية عن معرفة كيفية البحث.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.