دراسة حالة نظام RAG مخصص: بحث بالذكاء الاصطناعي في أكثر من ١٠٬٠٠٠ ملف PDF
بنت ديترمايندز نظام توليد معزز بالاسترجاع (RAG) مخصصًا لمؤسسة أبحاث سياسات تعمل على أكثر من ١٠٬٠٠٠ قرار من قرارات الجمعية العامة للأمم المتحدة، وهي وثائق عامة مثل A/RES/76/300. وكان الهدف واضحًا منذ البداية: «أريد أن يطرح فريقي سؤالًا فيحصل على إجابة موثقة بالمصادر في ثوانٍ، بدلًا من قضاء فترة ما بعد الظهر في البحث بين ملفات PDF.»
- العميل
- مؤسسة أبحاث سياسات
- القطاع
- منظمة غير حكومية
- الخدمة
- حلول البرمجيات المخصصة
- المستندات
- أكثر من ١٠٬٠٠٠ قرار من قرارات الجمعية العامة للأمم المتحدة
صمّمت ديترمايندز نظام RAG مخصصًا (التوليد المعزز بالاسترجاع) وبنته ليحقق ذلك بالضبط. والنهج نفسه هو اليوم الطريقة الأعلى جدوى من حيث التكلفة لأي مؤسسة تملك مجموعة كبيرة من المستندات كي تحولها إلى قاعدة معرفة حوارية تعمل بالذكاء الاصطناعي، سواء كانت المجموعة أرشيف مستندات أو مكتبة عقود أو مجموعة لوائح تنظيمية أو سجل دعم العملاء.
٠١ التحدي
تحدي البحث في أكثر من ١٠٬٠٠٠ قرار أممي
عميلنا مؤسسة أبحاث سياسات يستشهد محللوها بقرارات الجمعية العامة للأمم المتحدة باستمرار، في الإحاطات وأوراق المواقف والآراء القانونية والأبحاث التاريخية. ويكبر الأرشيف كل عام، وتضيف كل دورة جديدة مئات الوثائق المرقمة رسميًا بلغات متعددة.
قبل النظام الجديد، كان البحث يمر بأربع خطوات:
- يتلقى المحلل سؤالًا بحثيًا، مثل «ماذا قالت الجمعية العامة عن الحق في بيئة نظيفة وصحية منذ عام ٢٠١٨؟»
- يفتح المحلل بوابة وثائق الأمم المتحدة، ويجري عمليات بحث بالكلمات المفتاحية، ويحمّل مجموعة من ملفات PDF.
- يتصفح كل ملف، وينسخ الفقرات ذات الصلة إلى مستند ملاحظات، ويتتبع ما قاله كل قرار.
- وكثيرًا ما كان سؤال يستغرق ٣٠ دقيقة يتحول إلى مشروع يستغرق نصف يوم.
كان البحث بالكلمات المفتاحية في البوابة المصدر ينجح حين يعرف المحلل العبارة الدقيقة التي استخدمتها الوثيقة. لكن لغة السياسات كثيفة ومتنوعة. فالقرارات تستخدم عبارات مثل «تشجع الدول الأعضاء على» أو «تدعو»، ويمكن صياغة الفكرة نفسها بعشرات الطرق عبر الوثائق. فالبحث عن «تمويل المناخ» كان سيُغفل قرارًا يشير إلى «الدعم المالي للتخفيف في البلدان النامية»، مع أنه النص المطلوب تمامًا.
أراد العميل أن يطرح المحللون سؤالًا بلغة طبيعية ويتلقوا إجابة مستندة إلى المصادر وموثقة بها، مأخوذة مباشرة من القرارات نفسها ويمكن دائمًا تتبعها إلى مصدرها. ففي عمل السياسات، المصدر القابل للتحقق أساسي لكل إجابة، لذلك كان هذا هو المتطلب الجوهري.
٠٢ الخيارات التي قيّمناها
ثلاثة أساليب للبحث في المستندات بالذكاء الاصطناعي
قبل كتابة أي سطر برمجي، عرضنا على العميل الأساليب الثلاثة الواقعية لبناء نظام بحث في المستندات بالذكاء الاصطناعي في عام ٢٠٢٦، والمفاضلات في كل منها.
بحث أفضل بالكلمات المفتاحية (Elasticsearch / Algolia)
محرك بحث حديث مثل Elasticsearch أو Algolia سريع وناضج وقليل التكلفة. وكان سيمنح العميل عوامل تصفية وتصنيفات ومطابقة تقريبية، وهي ترقية واضحة للبحث المدمج في بوابة الأمم المتحدة. لكنه يظل يطابق الكلمات ولا يفهم السؤال. فهو يبحث عن رموز تظهر في النص، وبدلًا من الإجابة عن سؤال مثل «ما الموقف المتخذ من X؟» يعيد قائمة وثائق على المحلل أن يقرأها.
يسهّل التنقل في الأرشيف، لكن المحللين يظلون يقرؤون كل وثيقة.
الضبط الدقيق لنموذج لغوي مخصص
يأخذ الضبط الدقيق (Fine-tuning) نموذج ذكاء اصطناعي أساسيًا، مثل أحد إصدارات Llama أو Mistral، ويواصل تدريبه على مستندات العميل حتى يستوعبها النموذج. والفكرة جذابة، لأن الذكاء الاصطناعي سيعرف مجموعة المستندات معرفة عميقة. لكن في حالة استخدام كهذه، للضبط الدقيق ثلاثة عيوب جوهرية:
- التكلفة. يصل الضبط الدقيق لنموذج أساسي على مجموعة بهذا الحجم عادةً إلى مبالغ من أربع خانات مرتفعة أو من خمس خانات في تكلفة الحوسبة وحدها، استنادًا إلى أسعار وحدات معالجة الرسومات المنشورة لدى مزودين مثل AWS SageMaker وLambda Labs، وتتكرر التكلفة مع كل تحديث للأرشيف.
- الهلوسة. يظل النموذج المضبوط يولّد النص من الأنماط، وقد يخترع بثقة استشهادًا لا وجود له. وهذا يستبعده تمامًا لدى مؤسسة بحثية.
- غياب المصادر القابلة للتحقق. حتى حين يصيب النموذج، لا يستطيع أن يبيّن القرار الذي جاءت منه الإجابة، فيبقى على المحلل التحقق من كل شيء.
نظام RAG مخصص
التوليد المعزز بالاسترجاع (RAG) نهج هجين. فبدلًا من تدريب النموذج على المستندات نفسها، نحفظها في فهرس منفصل قابل للبحث. وحين يطرح المستخدم سؤالًا، يسترجع النظام أولًا أكثر المقاطع صلة من الأرشيف، ثم يمررها إلى نموذج لغوي مع تعليمات بكتابة إجابة مستندة فقط إلى ما استرجعه.
والنتيجة تشبه محادثة مع مساعد بحث ماهر أمامه كل الوثائق مفتوحة على المكتب، ويستشهد بمصدر حقيقي في كل إجابة.
وبحسب ورقة Meta AI البحثية الأصلية الصادرة عام ٢٠٢٠ التي قدّمت هذه التقنية، تتفوق أنظمة RAG على البحث وحده والتوليد وحده في المهام كثيفة المعرفة، وقد وسّعت نماذج التضمين الحديثة هذه الفجوة أكثر.
٠٣ لماذا RAG
لماذا أوصينا بنظام RAG مخصص
لهذا العميل، ولمعظم المؤسسات التي نتحدث معها وتريد ذكاءً اصطناعيًا يعمل على مستنداتها، كان RAG الخيار الواضح. وهذه المقارنة التي عرضناها:
مقارنة أساليب البحث في المستندات بالذكاء الاصطناعي
| الأسلوب | تكلفة الإعداد | التكلفة المستمرة | الاستشهاد بالمصادر | سهولة التحديث | خطر الهلوسة |
|---|---|---|---|---|---|
| البحث بالكلمات المفتاحية | منخفضة | منخفضة | نعم (روابط فقط) | نعم | لا يوجد، ولا إجابات مباشرة |
| نموذج لغوي كبير مضبوط | مرتفعة جدًا | مرتفعة (إعادة التدريب) | لا | لا (إعادة تدريب كاملة) | مرتفع |
| نظام RAG مخصص | متوسطة | منخفضة إلى متوسطة | نعم (على مستوى المقطع) | نعم (إضافة المستندات في أي وقت) | منخفض (إجابات مستندة إلى المصادر) |
حسمت ثلاثة عوامل القرار لعميلنا:
كل إجابة مرفقة بمصادرها
يعيد النظام القرار والفقرة والصفحة بالتحديد وراء كل إجابة، فيتحقق المحلل من أي معلومة بنقرة واحدة.
إضافة المستندات سهلة
حين تصدر دورة الأمم المتحدة التالية ٤٠٠ قرار جديد، نضيفها في دفعة واحدة خلال الليل، دون أي إعادة تدريب.
الجدوى الاقتصادية قائمة على أي نطاق
تأتي تكلفة السؤال الواحد أساسًا من عملية استرجاع واحدة واستدعاء واحد للنموذج اللغوي، وهي أقل بكثير من سنت واحد بأسعار الواجهات البرمجية الحالية لدى OpenAI وAnthropic. ويسترد النظام تكلفته في أول أسبوع لا يقضي فيه المحلل نصف يوم في بحث واحد.
٠٤ كيف بنيناه
كيف بنينا نظام RAG المخصص، خطوة بخطوة
مسار RAG المخصص الذي بنته ديترمايندز لأرشيف قرارات الأمم المتحدة، من إدخال المستندات حتى الإجابة الموثقة.
يتكون نظام RAG المخصص من أربعة مكونات أساسية، ويمكن شرح كل منها ببساطة دون خلفية هندسية. وتشكّل معًا مسار المعالجة في لمحة:
الإدخال: تحويل ملفات PDF إلى نص نظيف
تنشر الأمم المتحدة قراراتها بصيغة PDF، وكثيرًا ما تكون ممسوحة ضوئيًا، وأحيانًا بحواشٍ وترويسات وتنسيقات متعددة الأعمدة، فكان المتطلب الأول نصًا نظيفًا. بنينا مسار إدخال يجلب كل ملف، ويمرر الصفحات الممسوحة عبر طبقة تعرف ضوئي على الحروف (OCR)، ويحذف العناصر المتكررة مثل أرقام الصفحات والترويسات، ويضيف إلى كل وثيقة بيانات وصفية: رقم القرار والدورة والتاريخ واللغة والموضوع. وهذه الخطوة تحدد جودة كل إجابة يقدمها النظام، لأن دقة الإجابات تعتمد على نظافة النص المصدر.
التقسيم: تقسيم المستندات إلى مقاطع مركزة
الوثيقة المكونة من ٤٠ صفحة أطول من أن نسلّمها لنموذج ذكاء اصطناعي ليجد جملة واحدة ذات صلة، لذلك نقسم كل وثيقة إلى أجزاء أصغر مستقلة، عادةً من ٣٠٠ إلى ٨٠٠ كلمة لكل منها، يمكن للنظام مطابقتها مع السؤال. وفي قرارات الأمم المتحدة، قسمنا على مستوى الفقرة، لأن فقرات القرارات مرقمة أصلًا، مع تداخل صغير بين الأجزاء كي تبقى الفكرة الموزعة على فقرتين متكاملة. ويحمل كل جزء البيانات الوصفية للوثيقة الأم، فيمكن تتبع كل جزء مسترجع إلى موضعه بالضبط.
التضمينات: التقاط معنى كل جزء
لكل جزء، يحوّل نموذج تضمين، وهو في هذا المشروع text-embedding-3-large من OpenAI، النص إلى قائمة أرقام (متجه من ٣٬٠٧٢ بعدًا) تعمل بصمة رياضية لمعناه. والفقرتان اللتان تعبّران عن الفكرة نفسها بكلمات مختلفة تكون بصمتاهما متقاربتين في الفضاء الرياضي، حتى إن لم تشتركا في أي كلمة مفتاحية. وبهذا يدرك النظام أن «تمويل المناخ» و«الدعم المالي للتخفيف» يصفان المفهوم نفسه، وهذا أساس البحث الدلالي.
قاعدة البيانات المتجهية: مستودع البصمات
نحفظ بصمة كل جزء في قاعدة بيانات متجهية، وهي فهرس بحث متخصص مصمم لإيجاد أقرب التطابقات بين ملايين الأرقام في أجزاء من الثانية. واستخدمنا في هذا المشروع مخزن متجهات مُدارًا يبقي التكاليف الجارية منخفضة، والنظام مصمم لاستيعاب ١٠٠٬٠٠٠ وثيقة.
سؤال المستخدم ← التضمين ← استرجاع أفضل الأجزاء ← يكتب النموذج اللغوي الكبير إجابة موثقة
حين يطرح المحلل سؤالًا، يحوّله نموذج التضمين نفسه إلى بصمة، وتعيد قاعدة البيانات المتجهية أكثر الأجزاء صلة، من ٥ إلى ١٠ أجزاء، ثم يكتب نموذج لغوي كبير، وهو في نظامنا GPT-5.5 من OpenAI، إجابة واضحة موثقة ومستندة حصرًا إلى تلك الأجزاء المسترجعة. ومن البداية إلى النهاية، يتلقى المحلل الإجابة في نحو ٢ إلى ٤ ثوانٍ.
المكونات التقنية في لمحة: text-embedding-3-large للتضمينات، ومخزن متجهات مُدار للاسترجاع، وGPT-5.5 لتوليد الإجابات المستندة إلى المصادر، وكلها مترابطة عبر مسار إدخال مخصص وواجهة محادثة مستضافة في بيئة العميل نفسه.
ويتضمن النظام كذلك ضوابط ترفض الأسئلة التي لا تجيب عنها المستندات، وحلقة ملاحظات تتيح للمحللين الإشارة إلى الإجابات الضعيفة، واكتشاف اللغة للقرارات متعددة اللغات، ولوحة تحكم لإدخال المستندات الجديدة. وهذه الخطوات الأربع هي جوهر كل نظام RAG مخصص نبنيه.
٠٥ عرض مرئي
عرض مرئي لنظام RAG
يعرض الفيديو، ومدته دقيقتان، النظام وهو يتعامل مع سؤال بحثي حقيقي، من كتابة استعلام بلغة طبيعية إلى تلقي إجابة مستندة إلى المصادر في ثوانٍ، ثم النقر للانتقال إلى قرار الأمم المتحدة والفقرة التي استشهد بها بالتحديد.
٠٦ نتائج الأعمال
نتائج الأعمال في وقت البحث والتكلفة والثقة
نقيس كل مشروع برمجيات مخصصة بأثره على الأعمال. وبعد الإطلاق، حقق نظام RAG المخصص هذه النتائج للعميل:
- انخفض وقت البحث لكل سؤال من ٣٠ إلى ٩٠ دقيقة إلى أقل من ١٠ ثوانٍ. وأصبح المحلل المعتاد ينجز في صباح واحد ما كان يستغرق يومًا كاملًا.
- ارتفعت الثقة في الاستشهادات. فكل إجابة ترتبط بالقرار والفقرة بالتحديد، ويثق الفريق بالنتائج بما يكفي لاستخدامها مباشرة في الإحاطات.
- أصبح تأهيل المحللين الجدد أسرع. فلم يعد أعضاء الفريق المبتدئون يحتاجون إلى عام من الذاكرة المؤسسية للتنقل في الأرشيف، لأن النظام يعرض السياق المناسب عند الطلب.
- يكبر الأرشيف دون جهد إضافي. يستوعب النظام كل دورة جديدة للأمم المتحدة خلال ليلة واحدة، دون إعادة تدريب أو فهرسة يدوية أو استشاريين من خارج المؤسسة.
- تبقى التكاليف الجارية في حدها الأدنى. فالتكلفة الشهرية الإجمالية، التي تشمل قاعدة البيانات المتجهية وواجهة التضمين البرمجية واستدعاءات النموذج اللغوي، أقل مما كان الفريق ينفقه سابقًا على يوم عمل واحد لمتعاقد خارجي.
وفي مشروعات RAG التي سلّمناها، تتكرر القيمة نفسها. يتولى الذكاء الاصطناعي الجزء الأكثر تكرارًا من عمل المحلل، فيتفرغ المحللون للعمل الاستراتيجي القائم على التقدير الذي وُجدت أدوارهم من أجله.
٠٧ أين يناسب
أين يمكن أن يخدم نظام RAG مخصص أعمالك
مشروع قرارات الأمم المتحدة حالة استخدام محددة، لكن النمط الذي يقوم عليه ينطبق على نطاق واسع. إن كانت لدى مؤسستك أي من هذه الحالات، فمن المرجح جدًا أن يستحق نظام RAG مخصص محادثة مدتها ٣٠ دقيقة:
مكتبة قانونية أو مكتبة عقود
بنود وسوابق واتفاقيات عدم إفصاح واتفاقيات موردين يعيد المحامون قراءتها باستمرار.
قاعدة معرفة داخلية
صفحات Confluence وإجراءات العمل القياسية ومواد التدريب ومستندات التأهيل التي يحتاج فريقك إلى إيجادها بسرعة.
مستندات تنظيمية أو مستندات امتثال
ملفات مقدمة إلى FDA ولوائح مالية وسجلات تدقيق وشهادات ISO.
سجل دعم العملاء
تذاكر ونصوص محادثات وحالات محلولة يستطيع موظف الدعم البحث فيها في ثوانٍ بدلًا من دقائق.
الأدلة التقنية ووثائق المنتجات
مواصفات هندسية وأدلة إصلاح ووثائق تكامل عبر خطوط منتجات متعددة.
التقارير المالية وأرشيفات المحللين
عروض المستثمرين ونصوص مكالمات الأرباح وأبحاث السوق.
وتتحسن الجدوى الاقتصادية مع زيادة عدد المستندات. فدون بضع مئات من المستندات، يكفي عادةً مجلد منظم جيدًا وشريط بحث جيد. وفوق بضعة آلاف، تصبح المجموعة تحديًا في إدارة المعرفة يستفيد من نظام مخصص، وعادةً ما يسترد نظام RAG المخصص تكلفته خلال الربع الأول.
٠٨ اختبار ذاتي من ٨ نقاط
ثماني علامات على أرشيف جاهز لنظام RAG
كل عبارة علامة على أن الأرشيف جاهز لنظام RAG. وإذا انطبقت خمس عبارات أو أكثر، فمن المرجح جدًا أن يسترد نظام RAG مخصص تكلفة بنائه خلال الربع الأول.
- لدينا أكثر من ١٬٠٠٠ مستند (ملفات PDF وملفات Word وصفحات داخلية ونصوص مفرغة) يبحث فيها الموظفون بانتظام.
- يستغرق سؤال البحث أو الاستعلام المعتاد من الشخص اليوم أكثر من ١٥ دقيقة.
- يطرح أعضاء مختلفون في الفريق الأسئلة نفسها مرارًا.
- يُغفل البحث بالكلمات المفتاحية نتائج حين تختلف الصياغة عن النص المصدر.
- يجب أن تتضمن الإجابات استشهادًا قابلًا للتحقق (في السياقات القانونية والتنظيمية والبحثية وسياقات الامتثال).
- مجموعة المستندات تنمو باستمرار (عقود وملفات تنظيمية وتذاكر دعم وإصدارات جديدة).
- يقضي الخبراء المتخصصون ساعات في عمليات بحث يستطيع زميل مبتدئ إنجازها بالأداة المناسبة.
- يجب أن تبقى المستندات داخل بيئتك (سحابة خاصة، أو خوادم داخل مقرك، أو قطاع خاضع للتنظيم).
تبني ديترمايندز هذه الأنظمة من البداية إلى النهاية، من مسار الإدخال حتى واجهة المحادثة، وتنشرها على بنية تحتية تملكها أنت، فتبقى مستنداتك داخل بيئتك. وأسرع طريقة لتأكيد الملاءمة محادثة مع فريقنا. سنراجع مجموعة مستنداتك وحالة الاستخدام، ونوصي بما إذا كان RAG الأداة المناسبة أم أن نظامًا أبسط سيخدمك أفضل.
٠٩ الخلاصة
من أرشيف مستندات إلى قاعدة معرفة حوارية
لدى مؤسسات كثيرة، أرشيف المستندات الذي تراكم عبر سنوات من العمل من أثمن أصولها وأقلها استخدامًا، والسبب الرئيسي أن أحدًا لا يجد وقتًا لقراءته. ويحوّل نظام RAG مخصص هذا الأرشيف إلى محادثة: اطرح سؤالًا، واحصل على إجابة موثقة، وواصل يومك.
انتقل عميلنا في أبحاث السياسات من حاجته إلى فترة ما بعد الظهر كاملة إلى حاجته إلى عشر ثوانٍ، والتحول نفسه متاح لأي مؤسسة مستعدة لاستثمار بضعة أسابيع في البنية الصحيحة. ويسعد فريقنا بأن يبدأ هذه المحادثة مع فريقك.
١٠ أسئلة شائعة
الأسئلة الشائعة
ما نظام RAG المخصص بعبارات بسيطة؟
نظام RAG المخصص (التوليد المعزز بالاسترجاع) أداة ذكاء اصطناعي تجيب عن الأسئلة المطروحة بلغة طبيعية حول مستنداتك أنت، بإجابات موثقة ومستندة إلى المصادر. فهو يسترجع أولًا أكثر المقاطع صلة من أرشيفك، ثم يستخدم نموذجًا لغويًا لكتابة إجابة مبنية فقط على ما استرجعه، فتحصل على قدرة الذكاء الاصطناعي الحوارية مع إجابات مرتبطة كلها بمصادرك.
ما الفرق بين RAG واستخدام ChatGPT وحده؟
يجيب نظام RAG المخصص من مستنداتك الخاصة، أما ChatGPT والنماذج العامة المشابهة فلا تعرف إلا ما كان في بيانات تدريبها. ويربط نظام RAG نموذج الذكاء الاصطناعي بملفاتك مباشرة، فتأتي كل إجابة من عقودك أو سياساتك أو أدلتك أو أبحاثك، مع استشهاد يشير إلى المصدر.
كم يستغرق بناء نظام RAG مخصص؟
يستغرق بناء نظام RAG مخصص جاهز لبيئة الإنتاج عادةً من ٤ إلى ١٠ أسابيع، بحسب مجموعة المستندات، ومدى تعقيد الملفات المصدر (نص نظيف، أو ملفات PDF ممسوحة، أو وسائط مختلطة)، وواجهة المستخدم المطلوبة. وكثيرًا ما يمكن إنجاز نموذج أولي يعمل للعروض الداخلية خلال ٢ إلى ٣ أسابيع.
كم تبلغ التكلفة الجارية لنظام RAG مخصص؟
تعتمد التكاليف الجارية على حجم الاستخدام. ففي معظم أرشيفات المستندات متوسطة الحجم (من ١٠٬٠٠٠ إلى ١٠٠٬٠٠٠ وثيقة) مع حجم استعلامات معتدل، تتراوح التكلفة الشهرية بين بضع مئات وبضعة آلاف من الدولارات، وتشمل استضافة قاعدة البيانات المتجهية وواجهات التضمين البرمجية واستدعاءات النموذج اللغوي. وتبلغ تكلفة السؤال الواحد عادةً جزءًا من السنت.
هل ستكون مستنداتي آمنة إذا استخدمت نظام RAG مخصصًا؟
نعم، حين يكون النظام مصممًا لذلك. تبني ديترمايندز أنظمة RAG المخصصة على بنية تحتية تملكها أنت، مع تشفير مستنداتك أثناء التخزين وعدم استخدامها أبدًا لتدريب نماذج ذكاء اصطناعي خارجية. ولعملاء القطاعات الخاضعة للتنظيم، ننشر المكونات كلها داخل حساب العميل السحابي، فتبقى كل وثيقة وكل استعلام داخل بيئته.
هل يستطيع نظام RAG التعامل مع مستندات بلغات متعددة؟
نعم. تغطي نماذج التضمين الحديثة متعددة اللغات، ومنها نموذج text-embedding-3-large من OpenAI (النموذج المستخدم في هذا المشروع)، نحو ١٠٠ لغة، ويمكنها مطابقة سؤال بلغة ما مع مقاطع ذات صلة بلغة أخرى. فأرشيف قرارات الأمم المتحدة مثلًا يضم وثائق بالإنجليزية والفرنسية والعربية، ويستطيع المحللون طرح الأسئلة بأي من هذه اللغات وتلقي إجابات مستندة إلى النص المصدر المناسب.
المصادر
المراجع
- Lewis وآخرون، «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks»Meta AI / arXiv، ٢٠٢٠. الورقة التأسيسية لتقنية RAG.
- الأمم المتحدة، قرار الجمعية العامة A/RES/76/300مثال على وثيقة مصدر.
- أسعار AWS SageMakerأساس تقديرات تكلفة الضبط الدقيق.
- أسعار الحوسبة السحابية بوحدات معالجة الرسومات لدى Lambda Labsأساس تقديرات تكلفة الضبط الدقيق.
- أسعار الواجهة البرمجية لدى OpenAIأساس تقديرات تكلفة الاستعلام الواحد.
- أسعار الواجهة البرمجية لدى Anthropicأساس تقديرات تكلفة الاستعلام الواحد.
- وثائق التضمينات لدى OpenAIمرجع نموذج text-embedding-3-large المستخدم في هذا المشروع.
جلسة استكشافية مجانية
حوّل أرشيف مستنداتك إلى إجابات قابلة للبحث وموثقة بالمصادر
احجز جلسة استكشافية مجانية مدتها ٣٠ دقيقة مع أحد مهندسي ديترمايندز. سنراجع حالة الاستخدام لديك ونوضح تكلفة نظام RAG مخصص، والمدة التي يستغرقها، وما إذا كان الخيار المناسب لك.