RAG مقابل الضبط الدقيق: إطار قرار وتكلفة

RAG هو الافتراض الأكثر أماناً للمعرفة المتغيرة لأن مجموعة المصادر تبقى خارج أوزان النموذج ويمكن فحصها أو استبدالها.

عرضت نسخة سابقة مثالاً للالتزام بالتنسيق بأرقام عينة ودقة وتكلفة تدريب غير منشورة. ولأن مجموعة البيانات والبروتوكول وإعدادات المزود والمخرجات الخام لم تُنشر، فقد سُحبت تلك الأرقام. الاختبار القابل للدفاع يقارن التوجيه والضبط الدقيق على المخططات المحجوبة نفسها، ثم يضم التحقق وإعادة التدريب إلى نموذج التكلفة.

غالباً يملك RAG أفضلية تشغيلية للحقائق المتغيرة وقابلية التدقيق، بينما قد يملك الضبط الدقيق أفضلية في السلوك المتعلم لمهمة ضيقة ثابتة. تحوّل الأقسام التالية هذه الميول إلى عملية قرار لا إلى فائز عام. للصورة الأوسع، راجع جدول السعر حسب حالة الاستخدام.

محفزات الضبط الدقيق الثلاثة أدناه نقاط قرار شائعة وليست تصنيفاً مكتملاً. قد تبرر مهام متخصصة أخرى تصميماً مختلفاً؛ والدليل المناسب هو مقارنة قابلة للتكرار على نمط الإخفاق الفعلي.

ما الذي يفعله كل نهج

في صورته الأساسية، يسترجع RAG المعلومات ذات الصلة وقت الاستعلام ويضعها داخل الأمر. تبقى الأوزان ثابتة؛ التغيير سياقي بالكامل، ويمنح النموذج حقائق جديدة يعمل بها في كل استعلام.

يضبط الضبط الدقيق أوزان النموذج بناءً على مجموعة تدريب من أزواج إدخال ومخرجات. يتعلم النموذج بشكل دائم إنتاج مخرجات بشكل أو أسلوب أو قيود محددة. أي حقائق تعلمه إياها أثناء التدريب تُخبز داخله، لكن أي شيء يظهر بعد ذلك يبقى غير مرئي للضبط الدقيق.

غالباً ما يُقدَّم النهجان كبديلين، لكنهما لا يتنافسان إلا في حالات محددة. في معظم أعباء العمل يحلان مشكلات مختلفة، وما يتقنه أحدهما هو ما لا يستطيع الآخر لمسه.

لماذا يفوز RAG في معظم الوقت

ثلاثة أسباب، حسب الأهمية.

يتعامل RAG مع التحديثات من دون تغيير أوزان النموذج: أعد تضمين المستندات المتغيرة وحدّث الفهرس وتحقق من الاسترجاع. أما تغيير سلوك نموذج مضبوط فيحتاج جولة تدريب وتقييم جديدة. يعتمد الأسرع والأرخص على حجم المجموعة والمزود والعتاد ومتطلبات التحقق، لذلك قِس سيرَي العمل بدلاً من استخدام تقدير زمني عام.

RAG قابل للتدقيق. تستطيع فحص المقاطع المسترجعة لكل استعلام، وعندما ينتج النموذج إجابة خاطئة يمكن تتبع السبب إلى خطوة الاسترجاع أو خطوة التوليد، فتعرِف أين تصلح. النموذج المضبوط دقيقاً لا يعطيك شيئاً من ذلك. عندما يخطئ فأنت تخمن السبب، والرافعة الوحيدة لديك هي مزيد من التدريب، وقد يصلح المشكلة الأساسية وقد لا يصلحها.

تعتمد مقارنة التكلفة على حجم الرموز وبنية الاسترجاع وتحديثات التضمين وجولات التدريب والخدمة والتقييم البشري. استخدم الأسعار الحالية من صفحة أسعار Anthropic وأسعار OpenAI API، ثم أدخل أحجام الأوامر وحركة المرور المقاسة. لبديل السياق الطويل، راجع مقارنة سعات السياق.

حدود الدليل: التصنيف الثلاثي أدناه تحريري وغير شامل عمداً. يحدد محفزات مفيدة لمقارنة محلية؛ ولا يدعي أن benchr قاس كل معمارية أو أن الضبط الدقيق يفوز في كل حالة من هذه الأعباء.

ثلاث حالات يستحق فيها الضبط الدقيق الاختبار

تسمي كل حالة نمط إخفاق قد لا يحله الاسترجاع وحده. أنشئ خط أساس بالتوجيه أولاً، ثم قارن على أمثلة محجوبة وعلى التكلفة التشغيلية الكلية.

الحالة الأولى: الالتزام الصارم بتنسيق المخرجات. يحتاج تطبيقك إلى مخرجات منظمة بدقة، مثل مخطط JSON أو جدول بأعمدة ثابتة. قِس المخرجات المطابقة للمخطط على مجموعة محجوبة بعد التوجيه والتوليد المقيد والتحقق. لا تضبط النموذج إلا إذا برر معدل الإخفاق المتبقي وتكلفة إصلاحه التدريب والتقييم المستمر.

في مسار سجل تغييرات، انشر مجموعة طلبات السحب المحجوبة ومدقق المخطط وإصدارات النماذج وإعدادات التشغيل وأعداد الإخفاق قبل وبعد، قبل ادعاء تحسن من الضبط الدقيق. من دون ذلك لا تكون نسبة التزام أو تكلفة تدريب دقيقة قابلة للتحقق المستقل.

الحالة الثانية: صوت أو أسلوب مقيد بالمجال. يحتاج تطبيقك إلى أن يكتب النموذج بصوت محدد لا تستطيع أي كمية من التوجيه فرضه بثبات: صوت علامة تجارية لنصوص التسويق، أو أعراف كتابة فريق قانوني، أو أسلوب تعليقات كود يجب أن يبقى متسقاً عبر قاعدة كود كبيرة. الضبط الدقيق على مجموعة منتقاة من أمثلة الصوت المطلوب ينتج مخرجات أقل انزياحاً وتحتاج إلى تحرير أقل من التوجيه وحده.

الكلمة المفتاحية هي بثبات. قيّم أمثلة حقيقية تعميةً وفق الصوت والالتزام بالسياسة ووقت التحرير. إذا خفّض الضبط الدقيق المراجعات المكلفة باستمرار عبر المجموعة المحجوبة، فأدخل الوفر المقاس في قرار العمل.

الحالة الثالثة: مسارات حرجة لزمن الاستجابة. لدى تطبيقك ميزانية زمن مقاسة وتستهلك خطوة الاسترجاع أكثر مما تسمح به. قد يزيل نموذج مضبوط تلك الجولة، لكن قارن أحجام نماذج ومناطق وتزامن وذاكرة مخبأة وجودة متكافئة. قد تبرر تطبيقات الوقت الحقيقي المقايضة، لكن لا توجد عتبة مللي ثانية عامة.

المقايضة حقيقية: النموذج المضبوط دقيقاً يصبح لقطة زمنية، وأي تحديث معرفة يعني إعادة تدريب. هذا مقبول عندما تتغير المعرفة الأساسية ببطء، وكارثي عندما تتغير كل أسبوع.

خطأ الفرق هو تمديد هذه الحالات الثلاث لتغطي مشكلة تبدو فقط كواحدة منها.

الحالة التي يكرر الناس السؤال عنها

السؤال الأكثر تكراراً يأتي بصيغة قريبة من: لدي مجموعة من مستندات الشركة الداخلية. هل أضبط نموذجاً عليها أم أبني RAG؟ الإجابة غالباً RAG. ما يحسم الأمر هو حالة الاستخدام، لا مجموعة المستندات نفسها.

إذا كانت حالة الاستخدام هي تمكين الموظفين من طرح أسئلة عن المستندات، فاختر RAG. المعرفة تستمر في التغير، وتريد أن تكون التحديثات سهلة، وتريد القدرة على تدقيق مصدر كل إجابة.

إذا كانت حالة الاستخدام هي توليد مستندات بأسلوب كتابة الشركة، فاضبط النموذج دقيقاً. هنا الأسلوب هو المتطلب المركزي، بينما يمكن تزويد المعرفة الأساسية عبر السياق.

إذا كانت حالة الاستخدام تجمع الاثنين، فالإجابة هي RAG مع ضبط دقيق خفيف للأسلوب: يحمل النموذج المضبوط الصوت، وتزوّد طبقة الاسترجاع الحقائق.

ورقة تكلفة، لا إجماليات جاهزة

عناصر التكلفة التي ينبغي قياسها لـ RAG والضبط الدقيق والسياق الطويل

النهج	الإعداد	الخدمة	التحديثات
RAG	الإدخال والتقسيم والتضمين والفهرس والتقييم	الاسترجاع + رموز الإدخال والإخراج + البنية	إعادة تضمين المستندات المتغيرة وإعادة اختبارات الاسترجاع
ضبط دقيق مستضاف	إعداد البيانات وجولات التدريب والتقييم المحجوب	أسعار الاستدلال الحالية للنموذج المضبوط لدى المزود	إعادة التدريب والتقييم وإدارة الإصدارات
ضبط دقيق مستضاف ذاتياً	عتاد التدريب والهندسة والنشر	العتاد والطاقة والسعة والعمليات	إعادة التدريب والنشر والمراقبة وخطة الرجوع
سياق طويل	مسار إعداد الأمر والمستندات	كل رموز الإدخال والإخراج وزمن الاستجابة	استبدال المجموعة أو الأمر وإعادة التقييم

لا تجعل الاستضافة الذاتية الاستدلال مجانياً؛ فالعتاد والطاقة والسعة والمراقبة والهندسة تكاليف حقيقية. قارن التكلفة الشهرية الكلية: إهلاك الإعداد + الخدمة + تحديثات الاسترجاع أو التدريب + المراجعة البشرية. يغطي مقال تشغيل النماذج على جهازك الخاص العبء التشغيلي.

ليس جميلاً، لكنه يعمل.

التسلسل الافتراضي

لفريق صغير نموذجي يبني ميزة ذكاء اصطناعي متخصصة بمجال، التسلسل الموصى به هو:

1. ابدأ بـ RAG على نموذج أساسي مثل Claude Sonnet 4.6 أو GPT-5 Mini. قِس أنماط الفشل.
2. إذا كانت الإخفاقات تخص الحقائق أو قِدم المعلومات، حسّن الاسترجاع.
3. إذا كانت الإخفاقات تخص الالتزام بالتنسيق، جرّب few-shot prompting أولاً. إذا لم يغلق الفجوة، اضبط النموذج دقيقاً.
4. إذا كانت الإخفاقات تخص الأسلوب، مارس هندسة أوامر قوية أولاً. إذا فشلت، اضبط النموذج على مجموعة أسلوب منتقاة.
5. إذا كانت الإخفاقات تخص زمن الاستجابة، قِس خطوة الاسترجاع قبل افتراض أن الضبط الدقيق هو الحل.

هذا التسلسل يشحن أسرع، ويكلف أقل، وينتج نظاماً يمكنك تصحيحه. الخطأ هو البدء بالضبط الدقيق لأنه يبدو أكثر تقدماً، بينما ما تريده هو الشيء الذي يعمل.

بقيت فجوتان خارج نطاق هذه المقارنة. الأولى ميزة التقطير في توثيق منصة OpenAI، التي تهدف إلى خفض تكلفة ضبط نموذج صغير على مخرجات نموذج أكبر. والثانية مقارنة مضبوطة بين LoRA والضبط الكامل وprompt tuning والتقطير. غالباً يكفي LoRA ويكون أرخص، لكن إثبات ذلك يحتاج إلى اختبار مستقل.

في ميزة مثبتة على معرفة، يكون RAG غالباً أول معمارية تستحق بناء نموذج أولي لها لأن مصادرها ومسار تحديثها قابلان للفحص. هذه توصية سير عمل لا نتيجة تكلفة عامة؛ قارنها بالبدائل بقياسات الجودة والزمن والتكلفة الكلية لديك.

يستحق الضبط الدقيق الاختبار حين يبقى التنسيق أو السلوك والأسلوب الخاصان بالمجال أو ميزانية زمن مقاسة مشكلة بعد خط أساس قوي. هذه محفزات شائعة وليست قواعد حصرية. وقد تكون الإجابة نهجاً هجيناً يزوّد فيه الاسترجاع الحقائق الحالية ويشكل الضبط الدقيق السلوك.

إذا كان فريقك يضبط نموذجاً دقيقاً لأن أحدهم قال إن عليه فعل ذلك، فتوقف. دقق أنماط الفشل الفعلية للنموذج الأساسي في المهمة، واختر الأداة المناسبة لما هو معطوب. في معظم الوقت يتضح أن الجاني هو الاسترجاع أو الأمر، وأحياناً التقييم نفسه. الضبط الدقيق خيار حقيقي، لكنه شريحة أصغر بكثير من عمل الذكاء الاصطناعي في الإنتاج مما يوحي به النقاش.