قبل الإجابة عن أي سؤال، يبحث محرك الذكاء الاصطناعي داخل مجموعة من المستندات عن الفقرات الأكثر صلة، ثم يبني إجابته عليها. هذه الآلية القائمة على «البحث أولاً ثم الكتابة» هي RAG، وهي عامل أساسي في تحديد ما إذا كان سيُستشهد بمحتواك. فمهما بلغت جودة الصفحة، لن يراها النموذج أثناء توليد الإجابة إذا لم تدخل أصلاً في مرحلة الاسترجاع.
ما هو RAG؟ الاسترجاع يسبق التوليد
RAG اختصار لـ Retrieval-Augmented Generation، ويُترجم اسمه إلى الصينية بمعنى «التوليد المعزّز بالاسترجاع». ويتكون من وظيفتين: Retrieval، أي العثور على الفقرات ذات الصلة ضمن بيانات خارجية؛ وGeneration، أي صياغة النموذج اللغوي للإجابة استناداً إلى تلك الفقرات. أما Augmented فتوضح الصلة بينهما: بدلاً من اعتماد النموذج حصراً على المعرفة التي حفظها أثناء التدريب، بما قد يجعلها قديمة أو يدفعه إلى اختلاق معلومات، يزوّده RAG قبل التوليد بمعلومات آنية قابلة للتحقق تمنح الإجابة أساساً موثوقاً.
تعتمد Perplexity، ووضع البحث في ChatGPT، وGoogle AI Overviews، ومعظم أنظمة الأسئلة والأجوبة المبنية على قواعد المعرفة الداخلية للشركات على هذه العملية في بنيتها الأساسية. فعندما تجيبك، تكون قد أجرت في الخلفية جولة بحث واسترجاع. وهذه نقطة جوهرية: في عالم RAG، يتوقف الاستشهاد بالمحتوى أولاً على إمكانية استرجاعه، ثم على جودته.
ثلاث مراحل: التجزئة، والتضمين المتجهي، والاسترجاع
لفهم سبب تفضيل RAG لبعض أنواع المحتوى، عليك أولاً معرفة الطريقة التي يعالج بها صفحتك. ويمكن تلخيص العملية في ثلاث مراحل:
- التجزئة (Chunking): لا يعالج النظام المقال كاملاً كوحدة واحدة، بل يقسّمه إلى مقاطع صغيرة، يضم كل منها عادة بضع مئات من الكلمات. وتؤثر طريقة التقسيم في اكتمال معنى الفقرة؛ فالمعنى المبتور بين عدة مقاطع يصعب أن يصبح نتيجة استرجاع جيدة.
- التضمين المتجهي (Embedding): يتحول كل مقطع إلى سلسلة من الأرقام تُسمى متجهاً، تمثل المعنى الدلالي للنص. وكلما تقارب محتويان في المعنى، تقاربت مواضع متجهيهما في الفضاء المتجهي.
- الاسترجاع (Retrieval): عند طرح المستخدم سؤالاً، يحوّله النظام أيضاً إلى متجه، ثم يقارنه بمتجهات المقاطع، وينتقي المقاطع الأقرب إليه ليقدمها إلى النموذج.
تكمن النقطة الحاسمة في «العدد المحدود» من المقاطع المختارة في المرحلة الثالثة. فالنموذج لا يقرأ موقعك بالكامل، بل يتلقى فقط المقاطع التي تصدرت ترتيب الاسترجاع. إما أن يحجز محتواك مكاناً بينها، وإما أن يكون غائباً تماماً عن النموذج. يشبه ذلك سعي SEO التقليدي إلى الظهور في الصفحة الأولى، لكن وحدة المنافسة هنا تضيق من صفحة كاملة إلى فقرة واحدة.
لماذا يحدد RAG المصادر التي يستشهد بها الذكاء الاصطناعي؟
يعتمد الاسترجاع على تشابه المعنى، لا على التطابق الحرفي للكلمات المفتاحية ولا على قوة النطاق وحدها. ولهذا أثر عملي مهم على صنّاع المحتوى: إذا كانت الفقرة تطرح السؤال وتجيب عنه بوضوح، وكانت مكتفية بذاتها ومركزة، فقد تتصدر النتائج حتى إن نُشرت على موقع صغير نسبياً. أما النص المشتت الذي لا يُفهم إلا بعد الرجوع إلى عدة فقرات سابقة، فتكون دلالته المتجهية ملتبسة، ما يضعف فرص استرجاعه.
عند إجراء عمليات تدقيق GEO للعملاء، كثيراً ما نجد مقالتين للعلامة التجارية نفسها تتناولان الموضوع ذاته: يستشهد الذكاء الاصطناعي بإحداهما باستمرار، بينما تكاد الأخرى لا تظهر. نادراً ما يعود الفرق إلى قوة النطاق؛ وغالباً ما تحسمه البنية. فكل فقرة في المقالة المُستشهد بها مفهومة بمفردها: يبدأ السؤال في أولها وترد الإجابة داخلها. أما المقالة الأخرى فتدفن النقاط الأساسية خلف مقدمة طويلة أو توزعها على امتداد النص. وعندما يجزّئ RAG هذا النوع من المقالات، يصبح كل مقطع ناقصاً، فتقل بطبيعة الحال فرص اختياره.
كيف تكتب محتوى قابلاً للاسترجاع؟
ما دامت الفقرة هي وحدة الاسترجاع، فينبغي أن تقوم استراتيجية الكتابة على جعل كل فقرة مستقلة ومكتفية بذاتها. ويمكن تطبيق ذلك من خلال المبادئ التالية:
- خصص الفقرة لفكرة واحدة، وابدأ بخلاصتها أو تعريفها بوضوح. لا تجعل فهم الإجابة مرهوناً بالنص السابق.
- صُغ العنوان بالطريقة التي يستخدمها القراء عند طرح السؤال فعلياً. وكلما اقترب العنوان من صيغة السؤال، زاد تشابهه مع متجه الاستعلام.
- اشرح المصطلح عند ظهوره لأول مرة. لا تفترض أن نظام الاسترجاع سيتمكن من رؤية شرحه في فقرة أخرى.
- اجمع الأرقام والخطوات والشروط ذات الصلة في الفقرة نفسها قدر الإمكان، لتصبح إجابة مكتملة بذاتها.
- تجنب الإحالات بالضمائر بين الفقرات. فإذا كان المقصود بعبارة مثل «هذه الممارسة» معرّفاً في الفقرة السابقة، فقد تتحول العبارة بعد التجزئة إلى كلام بلا مرجع واضح.
لا تعني هذه المبادئ تحويل المقال إلى قائمة من الأسئلة والأجوبة، بل إدراك أن طريقة استهلاك المحتوى قد تغيرت. في السابق، كان القارئ يتابع المقال من بدايته إلى نهايته؛ أما اليوم، فقد ينتزع الذكاء الاصطناعي فقرة منفردة ليبني منها إجابته. أثناء الكتابة، تخيل أن فقرة من مقالك نُشرت وحدها بوصفها إجابة: هل يظل معناها متماسكاً؟ إذا كان الجواب نعم، فلديها فرصة أفضل لأن يُستشهد بها.
ما الفرق بين RAG وSEO التقليدي؟
يركز SEO التقليدي على ترتيب الصفحة كاملة في نتائج البحث، ثم ينقر المستخدم عليها ليبحث بنفسه عن الإجابة. أما RAG فيركز على قابلية انتزاع مقطع محدد من الصفحة وتحويله مباشرة إلى جزء من إجابة الذكاء الاصطناعي، وقد لا يزور المستخدم موقعك أصلاً. ولا تعارض بين النهجين: يضمن SEO التقني الجيد إمكانية زحف محركات البحث إلى صفحاتك وفهرستها، وهو شرط دخولها في نطاق الاسترجاع؛ لكن يلزم بعد ذلك أن يكون المحتوى قابلاً للاستخراج بوضوح على مستوى الفقرة. وهنا يتكامل دور GEO، أي تحسين محركات التوليد، مع دور SEO التقليدي.
في آلية RAG، لا تنافس المواقع الأخرى على ترتيب صفحة فحسب؛ بل ينافس كل مقطع تكتبه سائر المقاطع كي يدخل مجال رؤية النموذج.
ابدأ الآن بتقييم قابلية محتواك للاسترجاع
بعد فهم RAG، عد إلى محتواك وراجعه على مستوى الفقرات: أيها مكتفٍ بذاته؟ وأيها يخفي النقطة الأساسية؟ وما الموضوعات التي تفتقر فيها إلى إجابة واضحة قابلة للاقتباس؟ مراجعة كل مقطع يدوياً عملية بطيئة، ومن السهل أن تفوتك ثغرات مهمة. إذا أردت معرفة فجوات الاسترجاع التي تراها محركات الذكاء الاصطناعي في محتواك، يمكنك حجز جلسة تشخيص GEO مدتها 30 دقيقة. سنراجع معك سيناريوهات بحث فعلية ونحدد الفقرات التي تستحق الأولوية في التعديل.
