نظام RAG متقدم لتحليل المستندات البحثية

هذا النظام هو تطبيق ذكي يعتمد على تقنية Retrieval-Augmented Generation (RAG)، يهدف إلى تحويل الملفات الجامدة (مثل الـ PDFs والأوراق البحثية) إلى نصوص تفاعلية يمكن التحدث معها. بدلاً من البحث التقليدي عن الكلمات، يقوم النظام "بفهم" محتوى الملف والإجابة على أسئلة المستخدم بدقة عالية باستخدام نماذج الذكاء الاصطناعي.

أهم المميزات التقنية (Key Features):

1. معالجة البيانات بتقنية "التقسيم الهرمي" (Hierarchical Chunking) ? بدلاً من تقطيع النص بشكل عشوائي، يستخدم المشروع استراتيجية Parent-Child Chunking:

يقوم بتقسيم النص إلى Parent Chunks كبيرة (2000 حرف) للحفاظ على السياق الكامل (Context).

ثم يقسمها إلى Child Chunks صغيرة (500 حرف) لضمان دقة البحث (Precision).

عند البحث، يجد النظام "الابن" (Child) بدقة، لكنه يرسل "الأب" (Parent) للذكاء الاصطناعي ليقرأ الفقرة كاملة ويفهم السياق.

2. نظام بحث هجين ذكي (Hybrid Ensemble Retriever) ? لضمان عدم تفويت أي معلومة، يستخدم النظام طريقتين للبحث في وقت واحد:

Semantic Search (Vector): باستخدام خوارزمية MMR للبحث عن "المعنى" والمفاهيم، حتى لو اختلفت الكلمات المستخدمة.

Keyword Search (BM25): للبحث عن الكلمات الدقيقة والمصطلحات التقنية (Exact Match).

يتم دمج النتيجتين (50/50) للحصول على أفضل النتائج الممكنة.

3. الفلترة وإعادة الترتيب (Reranking & Compression) ? النتائج التي تخرج من البحث لا تذهب مباشرة للمستخدم، بل تمر بمرحلة "تنقية" باستخدام نموذج Flashrank. يقوم هذا النموذج بإعادة ترتيب النتائج حسب جودتها واستبعاد المعلومات غير المفيدة (Noise)، مما يضمن أن الـ LLM يحصل فقط على المعلومات الأكثر صلة.

4. الذاكرة والسياق (Conversational Memory & Contextualization) ?

النظام يتذكر سياق المحادثة (Chat History).

يستخدم تقنية Query Rewriting: إذا سأل المستخدم سؤالاً غامضاً مثل "ما هي مميزاته؟"، يقوم النظام بإعادة صياغة السؤال بناءً على ما سبق ليصبح "ما هي مميزات خوارزمية RAG؟" قبل البدء في البحث.

5. العقل المدبر (Generative AI Integration) ? يستخدم النظام نموذج Gemini-2.5-flash للإجابة النهائية، حيث يقوم بقراءة المعلومات المسترجعة وصياغتها في إجابة مفهومة، مع ذكر المصادر (Citations) لضمان المصداقية وتجنب الـ Hallucinations.