دليل RAGLight الشامل: من RAG الأساسي إلى سير العمل الوكيل

⏱️ وقت القراءة المقدر: 15 دقيقة

مقدمة

RAGLight هو إطار عمل Python خفيف الوزن ومعياري مصمم لتبسيط تنفيذ التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG). من خلال الجمع بين استرجاع المستندات ونماذج اللغة الكبيرة (Large Language Models - LLM)، يتيح لك RAGLight بناء أنظمة ذكاء اصطناعي واعية بالسياق يمكنها الإجابة على الأسئلة بناءً على مستنداتك وقواعد معرفتك الخاصة.

في هذا الدليل الشامل، ستتعلم كيفية:

إعداد RAGLight مع مزودي LLM المختلفين (Ollama، OpenAI، Mistral)
بناء خطوط RAG الأساسية للإجابة على الأسئلة القائمة على المستندات
تنفيذ Agentic RAG لمهام الاستدلال متعددة الخطوات
استخدام RAT (Retrieval-Augmented Thinking) للاستدلال المحسّن
دمج الأدوات الخارجية باستخدام MCP (Model Context Protocol)

ما الذي يجعل RAGLight مميزاً؟

يتميز RAGLight بما يلي:

البنية المعيارية: سهولة تبديل LLMs والتضمينات ومخازن المتجهات
دعم موفرين متعددين: Ollama، OpenAI، Mistral، LMStudio، vLLM، Google AI
خطوط أنابيب متقدمة: RAG الأساسي، Agentic RAG، و RAT مع طبقات الاستدلال
تكامل MCP: ربط الأدوات ومصادر البيانات الخارجية بسلاسة
تكوين مرن: تخصيص كل جانب من جوانب خط RAG الخاص بك

المتطلبات الأساسية

قبل البدء في هذا الدليل، تأكد من توفر:

1. بيئة Python

# تحقق من إصدار Python (مطلوب 3.8 أو أعلى)
python3 --version

# إنشاء بيئة افتراضية (موصى به)
python3 -m venv raglight-env
source raglight-env/bin/activate  # على macOS/Linux
# raglight-env\Scripts\activate  # على Windows

2. تثبيت Ollama (لـ LLM المحلي)

# macOS
brew install ollama

# أو التنزيل من https://ollama.ai/download

# بدء خدمة Ollama
ollama serve

# سحب نموذج (في terminal جديد)
ollama pull llama3.2:3b

البديل: استخدم OpenAI أو Mistral API إذا كنت تفضل LLMs المستندة إلى السحابة.

3. تثبيت RAGLight

pip install raglight

التثبيت والإعداد

تكوين البيئة

أنشئ ملف .env لتخزين مفاتيح API الخاصة بك (عند استخدام موفري السحابة):

# ملف .env
OPENAI_API_KEY=your_openai_key_here
MISTRAL_API_KEY=your_mistral_key_here

هيكل المشروع

قم بإعداد دليل مشروعك:

mkdir raglight-tutorial
cd raglight-tutorial
mkdir data
mkdir knowledge_base

إنشاء بيانات تجريبية

أنشئ بعض المستندات التجريبية للاختبار:

# data/document1.txt
cat > data/document1.txt << 'EOF'
RAGLight هو إطار عمل Python معياري للتوليد المعزز بالاسترجاع.
يدعم العديد من موفري LLM بما في ذلك Ollama و OpenAI و Mistral.
تشمل الميزات الرئيسية التكامل المرن لمخزن المتجهات مع ChromaDB و FAISS.
EOF

# data/document2.txt
cat > data/document2.txt << 'EOF'
يوسع Agentic RAG RAG التقليدي من خلال دمج الوكلاء المستقلين.
يمكن لهؤلاء الوكلاء أداء الاستدلال متعدد الخطوات واسترجاع المعلومات الديناميكي.
تشمل حالات الاستخدام الإجابة على الأسئلة المعقدة ومساعدي الأبحاث.
EOF

# data/document3.txt
cat > data/document3.txt << 'EOF'
يضيف RAT (Retrieval-Augmented Thinking) طبقة استدلال متخصصة.
يستخدم LLMs الاستدلالية لتعزيز جودة الاستجابة والعمق التحليلي.
RAT مثالي للمهام التي تتطلب تفكيراً عميقاً واستدلالاً متعدد القفزات.
EOF

خط RAG الأساسي

فهم بنية RAG

يتكون خط RAG الأساسي من ثلاثة مكونات رئيسية:

استيعاب المستندات (Document Ingestion): يتم تقسيم مستنداتك إلى أجزاء وتحويلها إلى تضمينات
التخزين المتجه (Vector Storage): يتم تخزين التضمينات في قاعدة بيانات متجهات (ChromaDB، FAISS، إلخ)
الاسترجاع والتوليد (Retrieval & Generation): عند الاستعلام، يتم استرجاع المستندات ذات الصلة وتمريرها إلى LLM

التنفيذ

إليك مثال كامل لخط RAG أساسي:

#!/usr/bin/env python3
"""خط RAG أساسي باستخدام RAGLight"""

from raglight.rag.simple_rag_api import RAGPipeline
from raglight.config.rag_config import RAGConfig
from raglight.config.vector_store_config import VectorStoreConfig
from raglight.config.settings import Settings
from raglight.models.data_source_model import FolderSource
from dotenv import load_dotenv

# تحميل متغيرات البيئة
load_dotenv()

# إعداد التسجيل
Settings.setup_logging()

# تكوين مخزن المتجهات
vector_store_config = VectorStoreConfig(
    embedding_model=Settings.DEFAULT_EMBEDDINGS_MODEL,
    api_base=Settings.DEFAULT_OLLAMA_CLIENT,
    provider=Settings.HUGGINGFACE,
    database=Settings.CHROMA,
    persist_directory="./chroma_db",
    collection_name="my_knowledge_base"
)

# تكوين RAG
config = RAGConfig(
    llm="llama3.2:3b",  # نموذج Ollama
    k=5,  # عدد المستندات للاسترجاع
    provider=Settings.OLLAMA,
    system_prompt=Settings.DEFAULT_SYSTEM_PROMPT,
    knowledge_base=[FolderSource(path="./data")]
)

# تهيئة وبناء خط الأنابيب
print("تهيئة خط RAG...")
pipeline = RAGPipeline(config, vector_store_config)

print("بناء قاعدة المعرفة...")
pipeline.build()

# الاستعلام من خط الأنابيب
query = "ما هي الميزات الرئيسية لـ RAGLight؟"
print(f"\nالاستعلام: {query}")

response = pipeline.generate(query)
print(f"\nالاستجابة:\n{response}")

خيارات التكوين الرئيسية

خيارات مخزن المتجهات:

database: CHROMA أو FAISS أو QDRANT
provider: HUGGINGFACE أو OLLAMA أو OPENAI للتضمينات
persist_directory: مكان تخزين قاعدة بيانات المتجهات

خيارات RAG:

llm: اسم النموذج (مثل “llama3.2:3b”، “gpt-4”، “mistral-large-2411”)
k: عدد المستندات ذات الصلة للاسترجاع
provider: OLLAMA أو OPENAI أو MISTRAL أو LMSTUDIO أو GOOGLE

استخدام موفري LLM المختلفين

OpenAI:

config = RAGConfig(
    llm="gpt-4",
    k=5,
    provider=Settings.OPENAI,
    api_key=Settings.OPENAI_API_KEY,
    knowledge_base=[FolderSource(path="./data")]
)

Mistral:

config = RAGConfig(
    llm="mistral-large-2411",
    k=5,
    provider=Settings.MISTRAL,
    api_key=Settings.MISTRAL_API_KEY,
    knowledge_base=[FolderSource(path="./data")]
)

خط Agentic RAG

ما هو Agentic RAG؟

يوسع Agentic RAG RAG التقليدي من خلال دمج وكيل مستقل يمكنه:

أداء الاستدلال متعدد الخطوات
تحديد متى يتم استرجاع معلومات إضافية
التكرار خلال دورات استرجاع-توليد متعددة
التعامل مع الأسئلة المعقدة التي تتطلب مصادر بيانات متعددة

التنفيذ

"""خط Agentic RAG باستخدام RAGLight"""

from raglight.rag.simple_agentic_rag_api import AgenticRAGPipeline
from raglight.config.agentic_rag_config import AgenticRAGConfig
from raglight.config.vector_store_config import VectorStoreConfig
from raglight.config.settings import Settings
from raglight.models.data_source_model import FolderSource
from dotenv import load_dotenv

load_dotenv()
Settings.setup_logging()

# تكوين مخزن المتجهات
vector_store_config = VectorStoreConfig(
    embedding_model=Settings.DEFAULT_EMBEDDINGS_MODEL,
    api_base=Settings.DEFAULT_OLLAMA_CLIENT,
    provider=Settings.HUGGINGFACE,
    database=Settings.CHROMA,
    persist_directory="./agentic_chroma_db",
    collection_name="agentic_knowledge_base"
)

# تكوين Agentic RAG
config = AgenticRAGConfig(
    provider=Settings.MISTRAL,
    model="mistral-large-2411",
    k=10,
    system_prompt=Settings.DEFAULT_AGENT_PROMPT,
    max_steps=4,  # الحد الأقصى لخطوات الاستدلال
    api_key=Settings.MISTRAL_API_KEY,
    knowledge_base=[FolderSource(path="./data")]
)

# التهيئة والبناء
print("تهيئة خط Agentic RAG...")
agentic_rag = AgenticRAGPipeline(config, vector_store_config)

print("بناء قاعدة المعرفة...")
agentic_rag.build()

# استعلام معقد يتطلب خطوات متعددة
query = """
قارن قدرات RAG الأساسي و Agentic RAG.
ما هي حالات الاستخدام المحددة التي سيكون فيها Agentic RAG أكثر فائدة؟
"""

print(f"\nالاستعلام: {query}")
response = agentic_rag.generate(query)
print(f"\nالاستجابة:\n{response}")

الميزات الرئيسية لـ Agentic RAG

max_steps: يتحكم في عدد تكرارات الاستدلال التي يمكن للوكيل تنفيذها

# استعلام بسيط: خطوات أقل مطلوبة
config = AgenticRAGConfig(max_steps=2, ...)

# تحليل معقد: خطوات أكثر مسموح بها
config = AgenticRAGConfig(max_steps=10, ...)

موجه وكيل مخصص: تخصيص سلوك الوكيل

custom_agent_prompt = """
أنت مساعد بحث. عند الإجابة على الأسئلة:
1. قسّم الاستعلامات المعقدة إلى أسئلة فرعية
2. استرجع المعلومات ذات الصلة لكل سؤال فرعي
3. اجمع النتائج في إجابة شاملة
4. اذكر المصادر عند الإمكان
"""

config = AgenticRAGConfig(
    system_prompt=custom_agent_prompt,
    ...
)

RAT (التفكير المعزز بالاسترجاع)

فهم RAT

يضيف RAT طبقة استدلال متخصصة إلى خط RAG:

الاسترجاع (Retrieval): جلب المستندات ذات الصلة
الاستدلال (Reasoning): استخدام LLM استدلالي لتحليل المحتوى المسترجع
التفكير (Thinking): توليد خطوات استدلال وسيطة
التوليد (Generation): إنتاج الإجابة النهائية مع سياق محسّن

التنفيذ

"""خط RAT باستخدام RAGLight"""

from raglight.rat.simple_rat_api import RATPipeline
from raglight.config.rat_config import RATConfig
from raglight.config.vector_store_config import VectorStoreConfig
from raglight.config.settings import Settings
from raglight.models.data_source_model import FolderSource

Settings.setup_logging()

# تكوين مخزن المتجهات
vector_store_config = VectorStoreConfig(
    embedding_model=Settings.DEFAULT_EMBEDDINGS_MODEL,
    api_base=Settings.DEFAULT_OLLAMA_CLIENT,
    provider=Settings.HUGGINGFACE,
    database=Settings.CHROMA,
    persist_directory="./rat_chroma_db",
    collection_name="rat_knowledge_base"
)

# تكوين RAT
config = RATConfig(
    cross_encoder_model=Settings.DEFAULT_CROSS_ENCODER_MODEL,
    llm="llama3.2:3b",
    k=Settings.DEFAULT_K,
    provider=Settings.OLLAMA,
    system_prompt=Settings.DEFAULT_SYSTEM_PROMPT,
    reasoning_llm=Settings.DEFAULT_REASONING_LLM,
    reflection=3,  # عدد تكرارات الاستدلال
    knowledge_base=[FolderSource(path="./data")]
)

# التهيئة والبناء
print("تهيئة خط RAT...")
pipeline = RATPipeline(config, vector_store_config)

print("بناء قاعدة المعرفة...")
pipeline.build()

# استعلام يتطلب استدلالاً عميقاً
query = """
حلل الاختلافات المعمارية بين RAG و Agentic RAG و RAT.
ما هي المقايضات من حيث التعقيد والأداء وجودة الإخراج؟
"""

print(f"\nالاستعلام: {query}")
response = pipeline.generate(query)
print(f"\nالاستجابة:\n{response}")

خيارات تكوين RAT

reflection: عدد تكرارات الاستدلال

# استدلال سريع
config = RATConfig(reflection=1, ...)

# تفكير تحليلي عميق
config = RATConfig(reflection=5, ...)

cross_encoder_model: نموذج إعادة الترتيب لاسترجاع أفضل

config = RATConfig(
    cross_encoder_model="cross-encoder/ms-marco-MiniLM-L-12-v2",
    ...
)

تكامل MCP

ما هو MCP؟

يسمح Model Context Protocol (MCP) لخط RAG الخاص بك بالتفاعل مع الأدوات والخدمات الخارجية. هذا يتيح:

تكامل البحث على الويب
استعلامات قاعدة البيانات
استدعاءات API للخدمات الخارجية
بيئات تنفيذ الكود
تكامل الأدوات المخصصة

إعداد خادم MCP

أولاً، قم بتكوين خادم MCP الخاص بك (مثال باستخدام MCPClient):

"""تكوين خادم MCP"""

from raglight.rag.simple_agentic_rag_api import AgenticRAGPipeline
from raglight.config.agentic_rag_config import AgenticRAGConfig
from raglight.config.settings import Settings

# تكوين عنوان URL لخادم MCP
config = AgenticRAGConfig(
    provider=Settings.OPENAI,
    model="gpt-4o",
    k=10,
    mcp_config=[
        {"url": "http://127.0.0.1:8001/sse"}  # عنوان URL لخادم MCP الخاص بك
    ],
    system_prompt=Settings.DEFAULT_AGENT_PROMPT,
    max_steps=4,
    api_key=Settings.OPENAI_API_KEY
)

# التهيئة مع MCP
pipeline = AgenticRAGPipeline(config, vector_store_config)
pipeline.build()

# يمكن للوكيل الآن استخدام الأدوات الخارجية
query = "ابحث في الويب عن التحديثات الأخيرة على أطر RAG ولخص النتائج"
response = pipeline.generate(query)

حالات استخدام MCP

تكامل البحث على الويب:

# يمكن للوكيل البحث ودمج نتائج الويب
query = "ما هي آخر التطورات في تقنية RAG في عام 2024؟"

استعلامات قاعدة البيانات:

# يمكن للوكيل الاستعلام عن قواعد البيانات للحصول على بيانات في الوقت الفعلي
query = "استرجع إحصائيات المستخدم من قاعدة بياناتنا وحلل الاتجاهات"

تكامل API:

# يمكن للوكيل استدعاء APIs الخارجية
query = "تحقق من API الطقس وأوصِ بالأنشطة بناءً على التوقعات"

مقارنة الأداء

خصائص خطوط الأنابيب

نوع خط الأنابيب	التعقيد	وقت الاستجابة	حالة الاستخدام
RAG الأساسي	منخفض	سريع (< 5 ثواني)	Q&A بسيط، البحث عن المستندات
Agentic RAG	متوسط	معتدل (5-15 ثانية)	استدلال متعدد الخطوات، بحث
RAT	عالي	بطيء (15-30 ثانية)	تحليل عميق، استدلال معقد
RAG + MCP	متغير	يعتمد على الأدوات	تكامل الأدوات الخارجية

اختيار خط الأنابيب المناسب

استخدم RAG الأساسي عندما:

تحتاج إلى استجابات سريعة
الأسئلة مباشرة
البحث عن مستند واحد كافٍ

استخدم Agentic RAG عندما:

الأسئلة تتطلب خطوات متعددة
تحتاج إلى استرجاع ديناميكي
المهمة تتضمن بحثاً أو استكشافاً

استخدم RAT عندما:

مطلوب تفكير تحليلي عميق
الجودة أكثر أهمية من السرعة
مطلوب استدلال معقد متعدد القفزات

استخدم تكامل MCP عندما:

تحتاج إلى بيانات خارجية في الوقت الفعلي
المهمة تتطلب استخدام أدوات
المعلومات الديناميكية ضرورية

أفضل الممارسات

1. إعداد المستندات

تحسين حجم الجزء:

# للمستندات التقنية
chunk_size = 512

# للمحتوى السردي
chunk_size = 1024

تنظيم المجلدات:

knowledge_base/
├── technical_docs/
├── user_manuals/
├── api_reference/
└── faq/

2. إدارة مخزن المتجهات

الاستمرارية:

# استخدم دائماً التخزين الدائم في الإنتاج
vector_store_config = VectorStoreConfig(
    persist_directory="./prod_vectordb",
    collection_name="production_kb"
)

تنظيم المجموعات:

# مجموعات منفصلة للمجالات المختلفة
collections = {
    "technical": "tech_docs_collection",
    "business": "business_docs_collection",
    "general": "general_knowledge_collection"
}

3. اختيار LLM

التطوير:

# استخدم النماذج المحلية للتطوير
config = RAGConfig(
    llm="llama3.2:3b",
    provider=Settings.OLLAMA
)

الإنتاج:

# استخدم نماذج أقوى للإنتاج
config = RAGConfig(
    llm="gpt-4",
    provider=Settings.OPENAI
)

4. معالجة الأخطاء

"""خط RAG قوي مع معالجة الأخطاء"""

try:
    pipeline = RAGPipeline(config, vector_store_config)
    pipeline.build()
    response = pipeline.generate(query)
except Exception as e:
    print(f"خطأ في خط الأنابيب: {e}")
    # الرجوع إلى LLM الأساسي بدون RAG
    response = fallback_generate(query)

5. تكوين المجلدات المتجاهلة

عند فهرسة مستودعات الكود، استبعد الدلائل غير الضرورية:

# مجلدات مخصصة للتجاهل
custom_ignore_folders = [
    ".venv",
    "venv",
    "node_modules",
    "__pycache__",
    ".git",
    "build",
    "dist",
    "my_custom_folder_to_ignore"
]

config = AgenticRAGConfig(
    ignore_folders=custom_ignore_folders,
    ...
)

6. المراقبة والتسجيل

"""تمكين التسجيل التفصيلي"""

import logging

# تكوين مستوى التسجيل
logging.basicConfig(level=logging.INFO)

# أو استخدم إعداد RAGLight
Settings.setup_logging()

# مراقبة الأداء
import time

start_time = time.time()
response = pipeline.generate(query)
elapsed_time = time.time() - start_time

print(f"تمت معالجة الاستعلام في {elapsed_time:.2f}ث")

التخصيص المتقدم

منشئ خط أنابيب مخصص

"""خط RAG مخصص بنمط المنشئ"""

from raglight.rag.builder import Builder
from raglight.config.settings import Settings

# بناء خط أنابيب مخصص
rag = Builder() \
    .with_embeddings(
        Settings.HUGGINGFACE,
        model_name=Settings.DEFAULT_EMBEDDINGS_MODEL
    ) \
    .with_vector_store(
        Settings.CHROMA,
        persist_directory="./custom_db",
        collection_name="custom_collection"
    ) \
    .with_llm(
        Settings.OLLAMA,
        model_name="llama3.2:3b",
        system_prompt_file="./custom_prompt.txt",
        provider=Settings.OLLAMA
    ) \
    .build_rag(k=5)

# استيعاب المستندات
rag.vector_store.ingest(data_path='./data')

# الاستعلام
response = rag.generate("سؤالك هنا")

فهرسة مستودع الكود

"""فهرسة مستودعات الكود"""

# فهرسة الكود مع استخراج التوقيعات
rag.vector_store.ingest(repos_path=['./repo1', './repo2'])

# البحث عن الكود
code_results = rag.vector_store.similarity_search("منطق المصادقة")

# البحث عن توقيعات الصف
class_results = rag.vector_store.similarity_search_class("تعريف صف User")

تكامل مستودع GitHub

"""فهرسة مستودعات GitHub مباشرة"""

from raglight.models.data_source_model import GitHubSource

knowledge_base = [
    GitHubSource(url="https://github.com/Bessouat40/RAGLight"),
    GitHubSource(url="https://github.com/your-org/your-repo")
]

config = RAGConfig(
    knowledge_base=knowledge_base,
    ...
)

نشر Docker

مثال Dockerfile

FROM python:3.10-slim

WORKDIR /app

# تثبيت التبعيات
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

# نسخ التطبيق
COPY . .

# إضافة تعيين المضيف لـ Ollama/LMStudio
# التشغيل: docker run --add-host=host.docker.internal:host-gateway your-image

CMD ["python", "app.py"]

البناء والتشغيل

# بناء الصورة
docker build -t raglight-app .

# التشغيل مع الوصول إلى شبكة المضيف (لـ Ollama)
docker run --add-host=host.docker.internal:host-gateway raglight-app

استكشاف الأخطاء وإصلاحها

المشاكل الشائعة

1. خطأ اتصال Ollama:

# تحقق من تشغيل Ollama
# macOS/Linux:
ollama serve

# تحديث قاعدة API إذا لزم الأمر
vector_store_config = VectorStoreConfig(
    api_base="http://localhost:11434",  # عنوان URL الافتراضي لـ Ollama
    ...
)

2. مشاكل الذاكرة:

# تقليل حجم الجزء وقيمة k
config = RAGConfig(
    k=3,  # استرجاع عدد أقل من المستندات
    ...
)

3. الأداء البطيء:

# استخدام نماذج تضمين أصغر
vector_store_config = VectorStoreConfig(
    embedding_model="all-MiniLM-L6-v2",  # نموذج أصغر وأسرع
    ...
)

4. أخطاء مخزن المتجهات:

# المسح وإعادة البناء
rm -rf ./chroma_db
python rebuild_kb.py

الخلاصة

يوفر RAGLight إطار عمل قوي ومرن لبناء أنظمة التوليد المعززة بالاسترجاع. سواء كنت بحاجة إلى Q&A بسيط للمستندات أو سير عمل وكيل معقدة مع تكامل الأدوات الخارجية، فإن البنية المعيارية لـ RAGLight تجعل من السهل البناء والتوسع.

النقاط الرئيسية

ابدأ ببساطة: ابدأ بـ RAG الأساسي وقم بالترقية إلى Agentic RAG أو RAT حسب الحاجة
اختر بحكمة: اختر خط الأنابيب المناسب بناءً على حالة الاستخدام ومتطلبات الأداء
خصص بشكل واسع: يتيح تصميم RAGLight المعياري التخصيص الكامل
قم بالتوسع تدريجياً: ابدأ محلياً مع Ollama، ثم انتقل إلى موفري السحابة للإنتاج

الخطوات التالية

تجربة: جرب موفري LLM ومخازن المتجهات المختلفة
تحسين: ضبط قيم k وأحجام الأجزاء واختيار النماذج
دمج: أضف خوادم MCP للوصول إلى الأدوات الخارجية
نشر: احتوي مع Docker للنشر في الإنتاج

الموارد

RAGLight GitHub: https://github.com/Bessouat40/RAGLight
حزمة PyPI: https://pypi.org/project/raglight/
Ollama: https://ollama.ai
ChromaDB: https://www.trychroma.com
بروتوكول MCP: ابحث عن “Model Context Protocol” للوثائق

بناءً سعيداً مع RAGLight! 🚀

مقدمة

ما الذي يجعل RAGLight مميزاً؟

المتطلبات الأساسية

1. بيئة Python

2. تثبيت Ollama (لـ LLM المحلي)

3. تثبيت RAGLight

التثبيت والإعداد

تكوين البيئة

هيكل المشروع

إنشاء بيانات تجريبية

خط RAG الأساسي

فهم بنية RAG

التنفيذ

خيارات التكوين الرئيسية

استخدام موفري LLM المختلفين

خط Agentic RAG

ما هو Agentic RAG؟

التنفيذ

الميزات الرئيسية لـ Agentic RAG

RAT (التفكير المعزز بالاسترجاع)

فهم RAT

التنفيذ

خيارات تكوين RAT

تكامل MCP

ما هو MCP؟

إعداد خادم MCP

حالات استخدام MCP

مقارنة الأداء

خصائص خطوط الأنابيب

اختيار خط الأنابيب المناسب

أفضل الممارسات

1. إعداد المستندات

2. إدارة مخزن المتجهات

3. اختيار LLM

4. معالجة الأخطاء

5. تكوين المجلدات المتجاهلة

6. المراقبة والتسجيل

التخصيص المتقدم

منشئ خط أنابيب مخصص

فهرسة مستودع الكود

تكامل مستودع GitHub

نشر Docker

مثال Dockerfile

البناء والتشغيل

استكشاف الأخطاء وإصلاحها

المشاكل الشائعة

الخلاصة

النقاط الرئيسية

الخطوات التالية

الموارد

참고

Goclone: 웹사이트를 몇 초 만에 컴퓨터로 복제하기

Goclone: Clone Any Website to Your Computer in Seconds

Goclone: استنساخ أي موقع ويب إلى جهازك في ثوانٍ

RAGLight 완벽 가이드: 기본 RAG부터 에이전트 워크플로우까지