قدم فريق أبحاث Google إطار عمل RAG الوكيل الجديد. إنه مدمج في منصة Gemini Enterprise Agent Platform. إنه يدعم ميزة تسمى Cross-Corpus Retrieval، وهي الآن في المعاينة العامة.
الهدف هو وضع فشل معروف في البحث المؤسسي. لم يتم تصميم RAG القياسي أحادي الخطوة للاستعلامات متعددة المصادر ومتعددة القفزات. اسأل “ما هي مواصفات الخادم المستخدم في المشروع X؟” قد يعثر النظام على مستند يذكر معرف الخادم. لن يعرف أنه يجب أخذ هذا المعرف والبحث في قاعدة بيانات ثانية عن المواصفات. الجواب يعود جزئيا، أو “لم يتم العثور عليه”.
ما هو وكيل Google الجديد RAG
يخطط Agent RAG وأسبابه ويتفاعل بشكل متكرر مع مصادر البيانات. يتعامل مع الاستعلامات المعقدة لزيادة الاعتمادية والدقة. إصدار Google هو برنامج Cross-Corpus Retrieval الذي تستضيفه منصة Gemini Enterprise Agent والمدعوم من Agentic RAG. مثل أطر عمل RAG الأخرى متعددة الوكلاء، فإنه يستخدم وكلاء يعملون معًا. وخلافًا لها، فإنها تضيف فحصًا كافيًا للسياق قبل إنشاء استجابة. بالمقارنة مع RAG القياسي، فهو يزيد من دقة مجموعات البيانات الواقعية بنسبة تصل إلى 34%. قام فريق بحث Google أيضًا باختباره على مجموعات البيانات الداخلية الخاصة. إنه يُبلغ عن أسس أفضل ودقة تفكير محسنة في المهام الخاصة بالمجال.
كيف تعمل البنية متعددة الوكلاء
فكر في الأمر كقسم أبحاث منظم، وليس محرك بحث واحد. يقوم نظام RAG “Vanilla” بمطابقة سؤالك مع المستندات. يقوم LLM بعد ذلك بإنشاء استجابة من تلك التطابقات. يقوم إطار العمل متعدد الوكلاء بتقسيم الوظيفة إلى أدوار متخصصة.
يقرر المنسق أن الطلب ليس مهمة من خطوة واحدة ويفوضه. يقوم عامل المخطط بتعيين مسارات المعلومات عبر مصادر البيانات. تقوم أداة إعادة كتابة الاستعلام بتحويل الطلب الغامض إلى عدة استعلامات بحث دقيقة. يرسل وكيل البحث المتشعب هذه الاستعلامات إلى مصادر استرجاع مختلفة. أخيرًا، تقوم LLM بتجميع السياق الذي تم جمعه في استجابة.
ما الذي يجعل هذا الإطار مختلفا
والفرق الرئيسي هو المثابرة. يعرف إطار العمل عندما يفتقد المعلومات ويستمر في البحث. يؤدي هذا إلى منع النموذج من التخمين عندما يكون البحث الأول فارغًا. كما أنه يتجنب القول السابق لأوانه “ليس لدي معلومات كافية”.
يأتي هذا الاستمرار من وكيل السياق الكافي، وهو مكون جديد في إطار عمل Google. فكر في الطبيب الذي يطلب أدوية خروج المريض، والقيود الغذائية، وردود الفعل التحسسية.
في المرحلة 1، التنسيق، يقوم وكيل الجذر بتوزيع الطلب والتفويض. يستهدف وكيل المخطط الصيدلة والتغذية والملاحظات السريرية. تقوم أداة إعادة كتابة الاستعلام بتقسيم الطلب الطويل إلى أسئلة بسيطة يمكن البحث فيها.
في المرحلة 2، ابحث، يقوم RAG Agent بتشغيل كافة مشعبات الاستعلام مرة واحدة. يجد الأدوية والنظام الغذائي، ولكن لا يوجد ذكر للحساسية. قد يتوقف نظام Vanilla RAG هنا بإجابة غير كاملة.
في المرحلة 3، يقوم عامل السياق الكافي بفحص النتيجة. يقرأ المقتطفات المستردة المأخوذة من قاعدة البيانات. يقوم بمراجعة مسودة وسيطة مقابل الموجه والمقتطفات. ثم يقوم بتحليل القطع المفقودة. فهو لا يشير فقط إلى “السياق غير الكافي”. ويكتب سجلًا محددًا للسبب والتعليقات لتسمية الفجوة.
في المرحلة 4، التكرار، تقوم أداة إعادة كتابة الاستعلام بإنشاء بحث جديد عن المصطلح المفقود. يقوم RAG Agent بالتنقيب في الملفات التي تم تخطيها والعثور على البيانات.
في المرحلة 5، التوليف، الوكيل يؤكد اكتمال السياق. يقوم وكيل التجميع بعد ذلك بكتابة ملخص واضح ودقيق.
القضية المرجعية
قام فريق Google بتقييم النظام على FramesQA، والذي يعتمد على ورقة بحث FRAMES. يحتوي FramesQA على 824 استعلامًا ومجموعة مكونة من 2676 مستند PDF. استخدم خط الأساس “Vanilla” محرك RAG من Google. يشتمل هذا المحرك على محرك استرجاع متقدم ومحلل LLM وإعادة ترتيب.
تم تشغيل Agent RAG في موقعين. يسترد النص المفرد من مستندات FramesQA فقط. يضيف Cross-corpus ثلاث مجموعات بيانات مشتتة للانتباه، لذا يجب على Planner Agent اختيار مكان الاسترداد. وهذا يحاكي الشركات التي تتم إدارة قواعد بياناتها بواسطة فرق منفصلة. استخدمت الدقة LLM-as-a-قاضيًا ضد إجابات الحقيقة الأرضية.
في المجموعة المتقاطعة، كان النظام يطابق تقريبًا دقة المجموعة الفردية. لقد أجاب بشكل صحيح على 90.1% من الأسئلة مع اختيار المجموعة الصحيحة من أربعة. بقي زمن الوصول في حدود 3% في المتوسط بين الإعدادين.
| القدرة | فانيليا راج (محرك RAG) | RAG الوكيل القياسي | وكيل Google Cross-Corpus RAG |
|---|---|---|---|
| أسلوب الاسترجاع | مباراة من خطوة واحدة | متعدد الوكيل، تمريرة واحدة | متعدد الوكيل، متكرر |
| وكلاء متعددون | لا | نعم | نعم |
| وكيل سياق كاف | لا | لا | نعم |
| إعادة البحث التكراري | لا | لا | نعم |
| التوجيه عبر الجسم | لا | لا | نعم (يختار المخطط من بين 4) |
| دقة المبلغ عنها | خط الأساس | لم يتم الإبلاغ عنها هنا | 90.1% عبر الجسم؛ ما يصل إلى 34% من مكاسب الواقع مقابل RAG القياسي |
| كمون | لم يتم الإبلاغ عنها هنا | لم يتم الإبلاغ عنها هنا | في حدود 3% فردي مقابل متقاطع |
حالات الاستخدام
يناسب الإطار العمل المؤسسي متعدد القفزات ومتعدد المصادر. يمكن لفرق الرعاية الصحية تجميع بيانات الأدوية والنظام الغذائي والحساسية من سجلات منفصلة. يمكن للفرق الهندسية تتبع معرف الخادم للمواصفات الموجودة في قاعدة بيانات أخرى. يمكن لفرق الشؤون المالية وفرق المشاريع ضم بيانات الميزانية مع سجلات المخطط الزمني. يناسب التصميم المتقاطع المؤسسات التي لديها قواعد بيانات مملوكة لفرق مختلفة.
الوجبات السريعة الرئيسية
- يضيف وكيل Google RAG وكيل سياق كافي لإعادة البحث حتى يكتمل السياق.
- يتم شحنه كـ Cross-Corpus Retrieval في Gemini Enterprise Agent Platform، في المعاينة العامة.
- المكسب المُبلغ عنه يصل إلى 34% أعلى من دقة الواقع مقارنة بـ RAG القياسي.
- أجاب التوجيه عبر المجموعة على 90.1% من أسئلة FramesQA أثناء الاختيار من بين أربع مجموعات.
- بقي زمن الوصول في حدود 3% بين عمليات التشغيل الفردية والمجموعات المشتركة.
تحقق من التفاصيل الفنية. أيضا، لا تتردد في متابعتنا على تغريد ولا تنسى الانضمام إلينا 150 ألف+ مل من SubReddit والاشتراك في النشرة الإخبارية لدينا. انتظر! هل أنت على برقية؟ الآن يمكنك الانضمام إلينا على التليجرام أيضًا.
هل تحتاج إلى الشراكة معنا للترويج لصفحة GitHub Repo أو صفحة الوجه المعانقة أو إصدار المنتج أو الندوة عبر الويب وما إلى ذلك؟ تواصل معنا
ميشال سوتر متخصص في علوم البيانات وحاصل على درجة الماجستير في علوم البيانات من جامعة بادوفا. بفضل أساس متين في التحليل الإحصائي والتعلم الآلي وهندسة البيانات، تتفوق ميشال في تحويل مجموعات البيانات المعقدة إلى رؤى قابلة للتنفيذ.
اكتشاف المزيد من كحيل | أخبار التقنية
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.
