RAG فارسی چیست و چرا بدون آن مدل حدس می‌زند

مسئله‌ای که RAG حل می‌کند

یک مدل زبانی عمومی هرچقدر هم بزرگ باشد، بخشنامه‌ی داخلی سازمان شما را ندیده است. اگر از او درباره‌ی همان بخشنامه بپرسید، دو حالت دارد: یا می‌گوید نمی‌دانم، یا چیزی می‌سازد که شبیه جواب است. حالت دوم خطرناک‌تر است چون قابل تشخیص نیست.

راه‌حل بدیهی — «مدل را روی اسناد ما آموزش بدهید» — در عمل معمولاً جواب نمی‌دهد: گران است، هر بار که سندی عوض شود باید تکرار شود، و باز هم تضمینی نیست که مدل دقیقاً همان جمله را برگرداند.

RAG مسیر دیگری می‌رود. مدل را دست نمی‌زند؛ به‌جایش در لحظه‌ی پرسش، مرتبط‌ترین تکه‌های اسناد را پیدا می‌کند و کنار پرسش به مدل می‌دهد. مدل از روی همان متن جواب می‌سازد، نه از حافظه.

چرا فارسی سخت‌تر از انگلیسی است

• نیم‌فاصله و اتصال کلمات: «می‌رود» و «میرود» و «می رود» سه رشته‌ی متفاوت‌اند ولی یک کلمه‌اند.
• تنوع املایی «ی» و «ک» عربی و فارسی، که در اسناد قدیمی سازمانی قاطی است.
• اسناد اسکن‌شده که باید اول از OCR رد شوند و خطای OCR مستقیم وارد پایگاه دانش می‌شود.
• اصطلاحات اداری که در داده‌ی عمومی مدل کم دیده شده‌اند: عطف، پیرو، ارجاع، کارتابل.
• جدول‌های فارسی راست‌به‌چپ که در استخراج متن معمولاً به‌هم می‌ریزند.

مهم‌ترین نکته: کیفیت پاسخ RAG سقفش کیفیت بازیابی است، نه هوش مدل. اگر قطعه‌ی درست پیدا نشود، بهترین مدل دنیا هم نمی‌تواند جواب درست بدهد — فقط جواب غلط را روان‌تر می‌نویسد.

RAG و داده‌ی زنده، دو چیز متفاوت

RAG برای اسناد است — چیزی که نوشته شده و ثابت است. ولی بخشی از پرسش‌های سازمانی جوابشان در سند نیست، در دیتابیس است: «فروش این ماه چقدر بود» را هیچ سندی جواب نمی‌دهد.

برای این دسته، مسیر درست تبدیل پرسش فارسی به کوئری و اجرای فقط‌خواندنی روی دیتابیس است، نه RAG. دانابات هر دو مسیر را دارد و انتخاب بین آن‌ها بر اساس نوع پرسش انجام می‌شود، نه سلیقه.