# فصل ۰۴ — RAG: دادنِ دانشِ تازه به مدل

<div dir="rtl">

# فصل ۰۴ — RAG: دادنِ دانشِ تازه به مدل

## در این فصل چه یاد می‌گیری

تا اینجا مدل را مثل کسی دیده‌ای که همه‌چیز را تا یک تاریخ خوانده و بعد کتاب‌ها را بسته؛ از آن به بعد فقط از **حافظه** جواب می‌دهد. ولی اگر بخواهی از رویِ **سندِ خودت** جواب بگیری، یا از خبری تازه‌تر از آن تاریخ، چه؟ اینجاست که `RAG` وارد می‌شود: راهی که پیش از جواب‌دادن، متنِ مربوط را پیدا می‌کند و باز جلوی مدل می‌گذارد. آخرِ این فصل می‌فهمی چرا همان مدلی که انگار می‌تواند «سندِ تو را بخواند» یا با «منبعِ روز» جواب بدهد، در پشتِ پرده اول چیزی را **پیدا** می‌کند و بعد جواب می‌سازد — و چرا این کار توهم را کم می‌کند، ولی از بین نمی‌برد.

![یک میزِ مطالعه با یک کتابِ باز در وسط، که یک بازوی مکانیکی از دلِ یک قفسهٔ کارت‌های مرجع یک کارتِ مشخص را بیرون کشیده و روی صفحهٔ باز گذاشته؛ یک نخِ نازک آن کارت را به همان صفحه وصل می‌کند](/lesson-assets/t4-s04-rag/prompt/01-image-rag-library.png)

آخر این فصل می‌توانی:

- بگویی `RAG` یعنی چه و چرا به آن «مدل + کتابخانه» می‌گویند
- توضیح بدهی `retrieval` چطور با `embedding` تکهٔ درستِ متن را پیدا می‌کند
- بگویی چرا یک جوابِ بندشده به سند، از یک جوابِ حافظه‌ای کم‌توهم‌تر است
- یک جوابِ `RAG` را که به سندِ درست ولی بندِ اشتباه استناد کرده، شناسایی کنی

## قبل از شروع

- **از ترم ۱ فصل ۱:** مدل جواب را همان لحظه **تولید** می‌کند؛ از یک انبارِ آمادهٔ واقعیت‌ها جست‌وجویش نمی‌کند.
- **از ترم ۱ فصل ۲:** مدل فقط تا یک `knowledge cutoff` می‌داند و از رویدادهای بعد از آن خبر ندارد.
- **از فصل ۲ همین ترم:** `embedding` یعنی معنا به‌صورتِ مختصات؛ دو متنِ هم‌معنا مختصاتِ نزدیک به هم دارند.
- **از فصل ۳ همین ترم:** `context window` حافظهٔ کوتاه‌مدتِ مدل است و ظرفیتش محدود.

مثل بقیهٔ فصل‌های آزمایشگاهی، فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

> 🧪 **آزمایشگاه:** [آزمایشگاه این فصل را باز کن](/lab/embed/hamhoosh/term-4-under-the-hood/session-04-rag) — یک سند به مدل می‌دهیم، از آن سؤال می‌پرسیم، و بعد استنادِ مدل را باز می‌کنیم تا ببینیم دقیقاً همان را می‌گوید که مدل ادعا کرد یا نه.

## ۱. مشکل: مدل از سندِ تو و از امروز خبر ندارد

یک سؤالِ ساده بپرس که جوابش فقط در یک جای مشخص است: «قانونِ مرخصیِ شرکتِ ما چند روز است؟» یا «نتیجهٔ بازیِ دیشب چه شد؟». مدل هیچ‌کدام را نمی‌داند — قانونِ داخلیِ شرکتِ تو هیچ‌وقت جزوِ متنی که مدل رویش آموزش دیده نبوده، و بازیِ دیشب بعد از `knowledge cutoff` اتفاق افتاده. مدل در این حالت دو کارِ محتمل می‌کند: یا صادقانه می‌گوید «نمی‌دانم»، یا — که خطرناک‌تر است — یک جوابِ باورپذیر **می‌بافد**.

اسمِ این حالت را بگذار **امتحانِ کتاب‌بسته**: مدل از حافظه جواب می‌دهد، بی‌آنکه منبعی جلویش باز باشد. برای دانشِ عمومی که بارها در آموزش دیده بد نیست، ولی برای دانشِ **تازه** یا **خصوصی** — که اصلاً در حافظه‌اش نیست — همین‌جا توهم زاده می‌شود.

## ۲. ایدهٔ `RAG`: امتحان را کتاب‌باز کن

راهِ حل ساده است: قبل از اینکه مدل جواب بدهد، متنِ مربوط را پیدا کن و کنارِ سؤال جلویش بگذار. امتحانِ کتاب‌بسته را تبدیل کن به **امتحانِ کتاب‌باز**. اسمِ این کار `RAG` است.

`RAG` سه‌قدمی است. اول، **`retrieval`**: از دلِ یک مجموعه متن (سندِ تو، مقاله‌ها، صفحه‌های یک سایت) تکه‌های مربوط به سؤال بیرون کشیده می‌شوند. دوم، آن تکه‌ها کنارِ سؤالِ تو داخلِ `context window` گذاشته می‌شوند. سوم، مدل با **نگاه به همان تکه‌ها** جواب می‌سازد، نه فقط از حافظه. برای همین به `RAG` می‌گویند «مدل + کتابخانه»: مدل مغز است، و `retrieval` کتابداری که تکهٔ درست را به‌موقع جلویش می‌گذارد.

راستش تو یک‌بار در ترم ۳ همین کار را **با دست** کردی: وقتی یک سندِ بلند را داخلِ پرامپت چسباندی و گفتی «فقط بر اساسِ همین متن جواب بده»، خودت نقشِ `retrieval` را بازی کردی. `RAG` همان کار است، ولی خودکار و روی متنی که برای چسباندن خیلی بزرگ است.

## ۳. «پیدا کردن» چطور کار می‌کند: `retrieval` با `embedding`

نکتهٔ ظریف اینجاست: `retrieval` چطور می‌فهمد کدام تکه به سؤالِ تو «مربوط» است؟ ساده‌ترین حدس این است که دنبالِ کلمهٔ مشترک بگردد. ولی این ضعیف است: اگر تو بپرسی «خودرو» و سند نوشته باشد «ماشین»، جست‌وجوی کلمه‌ای هیچ تطبیقی پیدا نمی‌کند، هرچند معنا یکی است.

اینجاست که `embedding`ِ فصل ۲ به کار می‌آید. هم سؤالِ تو و هم هر تکهٔ کتابخانه به **مختصاتِ معنا** تبدیل می‌شوند. بعد `retrieval` تکه‌هایی را برمی‌دارد که مختصاتشان به مختصاتِ سؤال **نزدیک‌ترین** است — یعنی از نظرِ معنا نزدیک‌ترین‌اند، نه از نظرِ کلمه. برای همین «خودرو» و «ماشین» پیدا هم می‌شوند: معنا نزدیک است، پس مختصات نزدیک است. هیچ ریاضی‌ای لازم نیست بدانی؛ فقط همین قدر که `retrieval` بر اساسِ **نزدیکیِ معنا** پیدا می‌کند، نه تطبیقِ حروف.

## ۴. چرا توهم را کم می‌کند

حالا فرقِ کتاب‌باز و کتاب‌بسته را کنارِ هم بگذار. در امتحانِ کتاب‌بسته، مدل ادعاهایش را از حافظهٔ مه‌آلودش بیرون می‌کشد و همان‌جاست که چیز می‌بافد. در `RAG`، جوابِ مدل **بند** است به متنِ واقعی‌ای که جلویش گذاشته‌ای — به این می‌گویند `grounding`. مدل دیگر لازم نیست از خودش چیزی بسازد؛ فقط از رویِ متنِ داده‌شده می‌خواند و خلاصه می‌کند، و می‌تواند بگوید «این را از فلان بند برداشتم» تا تو همان بند را باز کنی.

یادت هست در ترم ۳ مدل چطور یک منبعِ علمیِ **ساختگی** با اسم و سال کامل ساخت؟ آن اتفاق در امتحانِ کتاب‌بسته افتاد. `RAG` دقیقاً همان حفره را کوچک می‌کند: به‌جای اینکه مدل منبع را بسازد، `retrieval` یک منبعِ **واقعی** دستش می‌دهد.

> ✅ **وارسی:** حتی وقتی مدل به یک بند استناد می‌کند، خودت همان بند را باز کن و بخوان. `RAG` جواب را به یک منبعِ واقعی بند می‌کند، ولی تضمین نمی‌کند مدل آن منبع را **درست خوانده** باشد.

## ۵. مرزها: `RAG` جواب را بند می‌کند، ولی درست‌بودنش را تضمین نمی‌کند

حالا مهم‌ترین درسِ فصل. فرض کن یک دفترچهٔ راهنمای محصول را به یک دستیارِ `RAG` می‌دهی. این دفترچه دو نسخه از محصول را توضیح می‌دهد: در یک بخش «نسخهٔ خانگی» با گارانتیِ یک‌ساله، و در بخشی دیگر «نسخهٔ صنعتی» با گارانتیِ سه‌ساله. تو می‌پرسی «گارانتیِ این محصول چند سال است؟». جوابی که می‌گیری چیزی شبیهِ این است (خروجیِ تو ممکن است فرق کند):

</div>

```text
طبقِ سندی که دادی، گارانتیِ این محصول سه سال است.
(منبع: بخشِ «گارانتی»، نسخهٔ صنعتی)
```

<div dir="rtl">

این جواب هم بند است، هم استناد دارد — و **غلط** است، چون تو نسخهٔ خانگی را داری که یک‌سال گارانتی دارد. خطا این‌بار توهمِ ساختگی نیست؛ `retrieval` بندِ **شبیه ولی نامربوط** را برداشته (بخشِ صنعتی که کلماتِ «گارانتی» بیشتری داشت) و سؤالِ تو هم مبهم بود. مدل با اطمینان به یک بندِ واقعی استناد کرد، ولی به بندِ اشتباه. اسمِ این را می‌شود گذاشت `mis-cite`: منبع واقعی است، ولی به کارِ سؤالِ تو نمی‌آید.

سه مرزِ `RAG` را همیشه یادت باشد:

1. **آشغال بدهی، آشغال می‌گیری.** اگر خودِ سند غلط باشد، `RAG` وفادارانه همان غلط را تکرار می‌کند — چون کارش وفاداری به متن است، نه راستی‌آزماییِ متن.
2. **`retrieval` ممکن است تکهٔ درست را نیاورد.** یا تکهٔ مربوط را اصلاً پیدا نکند، یا مثلِ مثالِ بالا تکهٔ شبیه ولی نامربوط را بیاورد.
3. **`context window` محدود است.** فقط چند تکه جا می‌شود؛ اگر جواب در تکه‌ای باشد که جا نشد، مدل آن را نمی‌بیند.

> ✅ **وارسی:** جوابی را که `RAG` می‌دهد باور نکن تا بندی را که به آن استناد کرده خودت باز کنی و ببینی **دقیقاً همان** را می‌گوید که مدل ادعا کرد و به سؤالِ **تو** مربوط است. سه قانونِ ثابتِ این دوره: **«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».**

**قبل از ادامه، جواب بده:** اگر مدل جوابی بدهد که هم به یک منبعِ واقعی استناد می‌کند و هم خیلی مطمئن است، آیا همین دو نشانه کافی است که درست باشد؟ چه چیزی هنوز باید خودت چک کنی؟

## ۶. کجا به کارت می‌آید

`RAG` پشتِ خیلی از کارهایی است که تازگی «هوش مصنوعی» انجام می‌دهد: گفت‌وگو با یک فایلِ PDF، دستیاری که روی اسنادِ یک سازمان جواب می‌دهد، یا جوابی که «منبعِ روز» را با لینک می‌آورد. همه یک ترفندِ مشترک دارند: مدل را از حافظه‌اش جدا و به یک کتابخانهٔ واقعی وصل می‌کنند.

ولی درست به همین دلیل، عادتِ فصلِ قبل سرِ جایش می‌ماند: **مدل جایی است که کار شروع می‌شود، نه جایی که تمام می‌شود.** `RAG` سرعت و استناد را می‌دهد؛ درست‌بودنِ نهایی هنوز کارِ توست.

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| RAG | اِر-اِی-جی | روشی که پیش از جواب‌دادن، متنِ مربوط را از یک مجموعه پیدا می‌کند و جلوی مدل می‌گذارد تا مدل به‌جای حافظه، از رویِ آن متن جواب بسازد — «مدل + کتابخانه» |
| retrieval | ری‌تری‌وال | همان قدمِ «پیدا کردن» در RAG؛ بیرون‌کشیدنِ تکه‌های مربوط به سؤال از دلِ یک مجموعه متن، بر اساسِ نزدیکیِ معنا |

<div dir="rtl">

## تمرین‌ها

**تمرین اجباری:** یک متنِ بلندِ خودت را به مدل بده و از آن یک سؤالِ مشخص بپرس که جوابش در متن هست. وقتی مدل جواب داد، از او بخواه بگوید جواب را از کدام بخش برداشته، بعد همان بخش را خودت باز کن. در دو سه جمله بنویس: مدل واقعاً همان را گفت که آن بخش می‌گوید، یا کمی جابه‌جا کرد؟

**تمرین ستاره‌دار ⭐:** عمداً یک سند بساز که دو بخشِ شبیه به هم دارد (مثلِ دو نسخهٔ یک محصول با دو عدد متفاوت). یک سؤالِ **مبهم** از مدل بپرس و ببین به کدام بخش استناد می‌کند. بعد سؤال را دقیق‌تر کن و ببین جواب عوض می‌شود یا نه. بنویس چرا ابهامِ سؤال باعثِ `mis-cite` شد.

## در فصل بعد

حالا می‌دانی چطور به مدل دانشِ تازه می‌دهند و چرا این کار توهم را کم می‌کند ولی حذف نمی‌کند. `retrieval` در واقع یک نمونه از کارِ بزرگ‌تری است: مدل به‌جای اینکه فقط حرف بزند، از یک **ابزار** استفاده می‌کند. فصلِ بعد این را کامل باز می‌کنیم: `tool use` و `agent` — مدلی که نه‌تنها یک ابزار، بلکه چند قدمِ پشتِ‌هم را خودش برمی‌دارد، و چرا همین قدرت آن را شکننده می‌کند.

</div>

---
Source: https://yaadestan.com/courses/hamhoosh/lessons/t4/s04-rag (یادستان, Yaadestan)
