PageIndex: استرجاع المعلومات بدون متجهات

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ٢٦ أبريل ٢٠٢٦

في عالم أنظمة استرجاع المعلومات، تمثل عملية الاسترجاع نقطة ضعف رئيسية للعديد من أنظمة RAG التقليدية. تعتمد هذه الأنظمة على تشابه المتجهات، حيث يتم تضمين الاستفسارات وأجزاء الوثائق في نفس الفضاء ثم استرجاع "أقرب" التطابقات. ولكن، يعتبر التشابه مؤشراً ضعيفاً لما نحتاجه بالفعل: الصلة المستندة إلى التفكير. في الوثائق الطويلة مثل التقارير المالية أو الأوراق البحثية أو النصوص القانونية، غالباً ما تكمن الإجابة الصحيحة في سياق معقد يتطلب تنقلاً دقيقاً وفهماً عميقاً.

تتجلى مشكلة أنظمة RAG المعتمدة على المتجهات عندما يتعلق الأمر باسترجاع المعلومات من مستندات معقدة، لذلك تم تصميم PageIndex لمعالجة هذه الفجوة من خلال إعادة التفكير في عملية الاسترجاع من الأسس. بدلاً من تقسيم الوثائق والبحث من خلال التضمينات، يقوم PageIndex ببناء فهرس شجري على نمط جدول المحتويات، ويستخدم نماذج اللغة الكبيرة (LLMs) للتفكير في هذا الهيكل، تماماً مثلما يفعل خبير بشري يستعرض الأقسام ويربط الأفكار.

آلية عمل PageIndex

يسمح هذا النهج المستند إلى التفكير بعملية استرجاع خالية من المتجهات، والتي تكون أكثر قابلية للتفسير والتتبع، وتتوافق بشكل أكبر مع كيفية استخراج المعرفة من الوثائق المعقدة. من خلال استبدال البحث القائم على التشابه بالاستكشاف الهيكلي والتفكير القائم على الشجرة، يوفر PageIndex دقة استرجاع أعلى بكثير، كما يتضح من أدائه القوي على مقاييس مثل FinanceBench، مما يجعله فعالاً بشكل خاص في المجالات التي تتطلب دقة وفهماً عميقاً.

تطبيق PageIndex على ورقة Transformer

في هذه المقالة، سنستخدم PageIndex لفهرسة ورقة Transformer الشهيرة "Attention Is All You Need"، وسنجري استفسارين يتطلبان استرجاع معلومات من أقسام متعددة دون استخدام أي متجه أو تضمين. بدلاً من تقسيم مستند PDF واسترجاعه بناءً على التشابه، يبني PageIndex شجرة هرمية لأقسام المستند، ثم يستخدم نموذج GPT-5.4 للتفكير في ملخصات العقد وتحديد الأقسام التي تحتوي على الإجابة بدقة.

إعداد الاعتماديات

للبدء، تحتاج إلى مفاتيح صفحات PageIndex و OpenAI API. يمكنك الحصول عليها من صفحة PageIndex API ومنصة OpenAI API على التوالي. بعد إعداد الاعتماديات، نقوم بتنزيل ورقة Transformer مباشرة من arXiv وتقديمها إلى PageIndex، الذي يقوم بمعالجة PDF وبناء شجرة هرمية لأقسامه، حيث يتم تخزين كل عقدة مع عنوان وملخص ونص القسم الكامل.

التفكير القائم على الاسترجاع

بعد بناء الشجرة، نقوم بتشغيل استفسار يتطلب التجول عبر عدة أقسام—هذا الاستفسار لا يمكن الإجابة عليه من قسم واحد فقط، مما يشير إلى تفوق أسلوب البحث الشجري على طرق البحث التقليدية. يتم إزالة النص الكامل من كل عقدة، ويُترك فقط العناوين والملخصات، ثم يتم تمرير هيكل الشجرة بالكامل إلى نموذج GPT-5.4. بعد ذلك، يقوم النموذج بالتفكير في هذه الملخصات لتحديد كل عقدة من المرجح أن تحتوي على إجابة ذات صلة، مما يعود بكل من تفكيره خطوة بخطوة وقائمة بمعرفات العقد المتطابقة.

توليد الإجابات

بمجرد تحديد العقد ذات الصلة، نقوم بسحب نصوصها الكاملة ودمجها معًا في كتلة سياق واحدة—كل قسم معين بوضوح حتى يعرف النموذج من أين أتى كل جزء من المعلومات. يتم تسليم هذا السياق المدمج إلى GPT-5.4 مع استفسار منظم يطلب الدافع الأساسي والأرقام المحددة للقدرة، وأي تحذيرات اعترف بها المؤلفون.

بفضل هذا الأسلوب، يقدم PageIndex طريقة جديدة لاسترجاع المعلومات تستند إلى التفكير، مما يعزز الدقة في معالجة البيانات المعقدة.