ملاحظات الاستوديو
مساعد دعم فني يجيب من وثائقك أنت باستخدام .NET وSQL Server: من التقطيع إلى التقييم
ابنِ مساعد دعم RAG بلغة C# على SQL Server 2025: نوع VECTOR والبحث الدقيق، والتقطيع، وإجابات مع استشهاد، والرفض حين تخلو الوثائق من الإجابة، وتقييم بسيط.
إذا كانت بيانات منتجك موجودة أصلًا في SQL Server وفريقك يكتب بلغة C#، فالأرجح أنك لا تحتاج إلى قاعدة بيانات متجهية منفصلة لبناء مساعد يجيب من وثائق المساعدة الخاصة بك. ففي SQL Server 2025 أصبح نوع البيانات VECTOR والدالة VECTOR_DISTANCE جزءًا من المحرك ومتاحَين بشكل عام (GA). الوثائق ومتجهاتها وعزل العملاء والصلاحيات يمكن أن تبقى كلها في القاعدة نفسها التي تنسخها احتياطيًا وتراقبها كل يوم.
تناولنا مفاهيم RAG في مقال تعريفي سابق باللغة الفارسية على هذا الموقع. أما هذا المقال فعن التنفيذ: ما الجاهز فعلًا للإنتاج في SQL Server وما الذي ما زال في مرحلة المعاينة، وكيف تقطّع الوثائق دون أن تدفع الثمن لاحقًا، وأين يجب أن يرفض المساعد الإجابة، ومجموعة تقييم صغيرة تكشف بالضبط أين ينكسر النظام. الشيفرة النموذجية جُمِّعت وشُغِّلت فعلًا، والقسم الأخير يوضح بدقة ما الذي نُفِّذ وما الذي لم يُنفَّذ.
ما الذي يدعمه SQL Server اليوم فعلًا
وثائق Microsoft واضحة، لكن عليك أن تقرأ بانتباه أي ميزة متاحة بشكل عام وأين:
| الميزة | SQL Server 2025 | Azure SQL Database |
|---|---|---|
النوع VECTOR والدالة VECTOR_DISTANCE |
GA | GA |
متجهات نصف الدقة (float16) |
معاينة؛ تتطلب PREVIEW_FEATURES |
GA |
الفهرس المتجهي (DiskANN) وVECTOR_SEARCH |
معاينة؛ تتطلب PREVIEW_FEATURES |
GA بأحدث إصدار من الفهرس |
في Azure SQL Managed Instance لا تتوفر ميزات المتجهات إلا مع سياسة التحديث «SQL Server 2025» أو «Always-up-to-date»، والفهرس المتجهي متاح بشكل عام مع الثانية فقط.
الفهرس المتجهي يستحق نظرة أدق. أحدث إصدار منه، المتاح حاليًا في Azure SQL Database وSQL database في Fabric وManaged Instance بسياسة Always-up-to-date فقط، يدعم INSERT وUPDATE ويطبّق شروط WHERE أثناء البحث. أما الإصدار السابق فلا يفعل ذلك: يصبح الجدول للقراءة فقط بعد إنشاء الفهرس، إلا إذا قبلت نتائج قديمة عبر ALLOW_STALE_VECTOR_INDEX. والشروط تُطبَّق بعد الاسترجاع، فقد يعيد لك طلبُ مقاطع عميل واحد صفوفًا أقل مما طلبت. ويحتاج الجدول كذلك إلى مفتاح أساسي عنقودي على عمود من نوع int. وإنشاء الفهرس يتطلب 100 صف على الأقل بمتجهات غير فارغة.
الخلاصة العملية لمساعد دعم في منتج SaaS بسيطة: لا تحتاج إلى فهرس متجهي. Microsoft نفسها توصي بالبحث الدقيق حين يكون عدد المتجهات أقل من 50 ألفًا تقريبًا، والمقصود عددها بعد تطبيق شرط WHERE. مركز مساعدة من بضع مئات من الصفحات، مقطّع إلى أجزاء من بضع فقرات، يصل إلى الآلاف لا إلى عشرات الآلاف. البحث الدقيق بـVECTOR_DISTANCE متاح بشكل عام، ولا يحتاج إلى أي علامة معاينة، ويطبّق فلتر العميل قبل الترتيب. وإذا كان منتجك يُثبَّت على خوادم العملاء أنفسهم، فهذه النقطة الأخيرة تحسم الأمر. في رأينا، تفعيل ميزة معاينة في قاعدة بيانات عميل، من أجل شيء يعمل جيدًا من دونها، مخاطرة بلا مقابل.
وقبل اختيار نموذج embedding راجع رقمًا آخر: كل عنصر float32 يشغل أربعة بايتات، والحد الأقصى 1998 بُعدًا. النموذج text-embedding-3-large من OpenAI يعيد افتراضيًا 3072 بُعدًا، وهذا لا يتسع. يمكنك أن تطلب من الواجهة متجهًا أقصر عبر المعامل dimensions، وهو ما توصي به OpenAI، أو أن تنتقل إلى float16 الذي ما زال في المعاينة على SQL Server 2025. الخيار الأول هو الأفضل في أغلب الحالات. وإذا قصّرت المتجهات بنفسك فأعد تطبيعها، وإلا فقدت مسافات dot معناها.
الجدول والاستعلام
CREATE TABLE dbo.DocChunks
(
Id int IDENTITY(1,1) NOT NULL PRIMARY KEY,
TenantId varchar(64) NOT NULL,
ChunkId varchar(200) NOT NULL,
DocId varchar(200) NOT NULL,
HeadingPath nvarchar(400) NOT NULL,
Content nvarchar(max) NOT NULL,
Embedding vector(1536) NOT NULL,
EmbeddingModel varchar(100) NOT NULL,
UpdatedAt datetime2(0) NOT NULL DEFAULT SYSUTCDATETIME(),
CONSTRAINT UQ_DocChunks_Tenant_Chunk UNIQUE (TenantId, ChunkId)
);
GO
DECLARE @q vector(1536); -- query embedding, sent from the app as SqlVector<float>
DECLARE @TenantId varchar(64) = 'acme';
SELECT TOP (4) ChunkId, HeadingPath, Content,
VECTOR_DISTANCE('cosine', Embedding, @q) AS Distance
FROM dbo.DocChunks
WHERE TenantId = @TenantId
ORDER BY Distance;
في هذا التصميم ثلاثة اختيارات مقصودة. العمود TenantId حقيقي منذ اليوم الأول، لأن مساعد الدعم الذي يعرض دليلًا خاصًا بالعميل «أ» على العميل «ب» لم تعد مشكلته مشكلة جودة، بل تسرّب بيانات. والعمود EmbeddingModel محفوظ لأن متجهات نموذجين مختلفين لا تُقارَن ببعضها، ويوم تغيّر النموذج تحتاج أن تعرف أي الصفوف صار قديمًا. أما HeadingPath فمحفوظ منفصلًا لأنه يُستخدم في موضعين: في الـembedding وعند عرض المصدر للمستخدم.
لأعمدة المتجهات قواعدها الخاصة. لا يمكن وضع أي قيد عليها سوى NULL وNOT NULL، ولا حتى DEFAULT، ولا تقبل فهرس B-tree. يمكنك فقط إضافتها كعمود INCLUDE في فهرس عادي.
في جهة C#، توفر Microsoft.Data.SqlClient بدءًا من الإصدار 6.1 النوع SqlVector<float> وترسل المتجهات بصيغة ثنائية. المشغّلات الأقدم تعمل أيضًا، لكن المتجه ينتقل كنص JSON:
await using var cmd = new SqlCommand(sql, conn);
cmd.Parameters.AddWithValue("@k", k);
cmd.Parameters.AddWithValue("@TenantId", tenantId);
cmd.Parameters.Add(new SqlParameter("@q", SqlDbTypeExtensions.Vector)
{ Value = new SqlVector<float>(queryEmbedding) });
التقطيع: عمل لا يلفت الأنظار، لكنه صاحب الأثر الأكبر
حين لا يجد مساعد الدعم المقطع الصحيح، فأول ما يجب فحصه ليس نموذج الـembedding، بل المكان الذي قُطِع فيه النص. التقطيع بطول ثابت، كل 500 حرف مثلًا، هو الأسهل وغالبًا الأسوأ: يشطر الجداول نصفين، ويفصل الخطوة الثالثة من الدليل عن الأولى والثانية، ويترك جملة مثل «لا يمكن تعديلها بعد إصدارها» يتيمة. ما الذي لا يمكن تعديله؟
الطريقة في البرنامج النموذجي بسيطة: نقسم على عناوين الوثيقة نفسها، ونُبقي كل قسم كاملًا إذا كان أصغر من الحد الأقصى، ولا نكسر الأقسام الطويلة إلا عند حدود الفقرات. والأهم أن مسار العناوين يدخل في الـembedding مع النص:
public sealed record Chunk(string Id, string DocId, string HeadingPath, string Text)
{
// What we embed: the heading path travels with the text, so a chunk that
// only says "cannot be edited after it is issued" still knows it is about invoices.
public string EmbeddingText => $"{HeadingPath}\n{Text}";
}
لن نعطيك حجم مقطع سحريًا. ما يناسب قسم أسئلة شائعة قصيرًا خاطئ لوثائق مرجع API. اضبطه بمجموعة التقييم التي سنصفها لاحقًا، لا بالتخمين.
ومن يكتب وثائقه أو أسئلته بالعربية والفارسية معًا عليه أن يوحّد الحروف من البداية. فالياء والكاف العربيتان «ي» و«ك» نقطتا ترميز مختلفتان عن الفارسيتين «ی» و«ک»، فالوثيقة المكتوبة بلوحة مفاتيح فارسية والسؤال المكتوب بلوحة عربية يحتويان، في نظر الآلة، كلمات مختلفة. في البرنامج النموذجي، الجملة الفارسية نفسها مكتوبة بالطريقتين تعطي نصين غير متساويين، ويتساويان بعد التوحيد. طبّق ذلك على الوثائق والأسئلة معًا قبل الـembedding، وعلى البحث بالكلمات المفتاحية إن وُجد.
الـembedding والنموذج خلف عقد واحد
مكتبة Microsoft.Extensions.AI فيها واجهتان تكفيان لهذا العمل: IEmbeddingGenerator<string, Embedding<float>> وIChatClient. قيمتهما الحقيقية ليست في تقصير الشيفرة، بل في فصل مزوّد النموذج عن منطق المساعد. يمكنك العمل مع OpenAI اليوم، ومع Azure OpenAI أو نموذج محلي غدًا، ومع تنفيذ وهمي حتمي في الاختبارات. البرنامج النموذجي يفعل الأخير تحديدًا، وقد جُمِّع مع الإصدار 11.0.1 من هذه الحزم.
إجابة مع استشهاد، وثلاثة مواضع لقول «لا أعرف»
المساعد الذي لا يقول «لا أعرف» أبدًا سيصف عاجلًا أو آجلًا ميزة لا يملكها منتجك. وضعنا الرفض في ثلاثة مواضع، وكل منها يلتقط خطأ مختلفًا. هذا المقتطف من الصنف SupportAnswerer في البرنامج النموذجي (التعليقات داخل الشيفرة أُبقيت بالإنجليزية كما في الأصل):
var hits = (await store.SearchAsync(q, topK, ct)).Where(h => h.Distance <= maxDistance).ToList();
// Refuse and Ok are two small local helpers that return the answer with a reason or its sources.
// Gate 1: nothing close enough -> refuse without calling the model.
if (hits.Count == 0) return Refuse("no-retrieval");
// ... build messages: system instructions + numbered sources [S1], [S2], ... + question
var response = await chat.GetResponseAsync(messages, new ChatOptions { Temperature = 0 }, ct);
var text = response.Text.Trim();
// Gate 2: the model itself says the sources don't contain the answer.
if (text.Contains("NOT_FOUND", StringComparison.Ordinal)) return Refuse("model-not-found");
// Gate 3: the answer must cite, and only sources we actually sent.
var problem = CitationCheck(text, hits.Count);
return problem is null ? Ok(text, hits) : Refuse(problem);
البوابة الأولى رخيصة، وتوقف الأسئلة غير المتعلقة قبل أن تدفع كلفة استدعاء النموذج، لكنها كما سيظهر في التقييم لا تكفي وحدها. الثانية تعتمد على تعليمات النظام: أجب من المصادر المرقّمة فقط، واذكر رقم المصدر بعد كل جملة، وأعد NOT_FOUND حرفيًا إذا لم تكن الإجابة في المصادر. والثالثة تتحقق من أن الإجابة فيها استشهاد واحد على الأقل، وأنها لا تشير إلى شيء مثل [S5] بينما أرسلنا أربعة مصادر فقط. في تشغيلنا، رفضت هذه البوابة بشكل صحيح إجابة بلا استشهاد وأخرى تستشهد بمصدر غير موجود.
وهناك شيء لا تضمنه البوابات الثلاث، وقد كشفه تقييمنا نفسه: الاستشهاد يثبت من أين جاءت الإجابة، لا أنها صحيحة.
التقييم: صغير وثابت وصارم
لست بحاجة إلى إطار تقييم من اليوم الأول. عشرة أو خمسة عشر سؤالًا حقيقيًا من المستخدمين تكفي. اكتب بجانب كل سؤال أمرين: أي قسم من الوثائق يحمل الإجابة (أو أنه لا يوجد قسم ويجب أن يرفض المساعد)، و«حقيقة أساسية» واحدة يجب أن تتضمنها الإجابة الصحيحة، مثل «14 يومًا» أو «429». ثم قِس ثلاثة أرقام كلًّا على حدة:
- الاسترجاع: هل القسم الصحيح ضمن النتائج الأربع الأولى؟
- الرفض: هل تُرفض فعلًا الأسئلة التي لا تجيب عنها الوثائق؟
- الإجابة: هل تحتوي الإجابة على الحقيقة الأساسية وتستشهد بالقسم الصحيح؟
الفصل بين هذه الأرقام مهم. حين ينخفض المجموع، عليك أن تعرف هل المشكلة في التقطيع والـembedding، أم في عتبة المسافة، أم في النموذج.
شغّلنا البرنامج النموذجي على أربع وثائق مساعدة قصيرة لمنتج فوترة وهمي (ثمانية مقاطع) وأحد عشر سؤالًا: ثمانية لها إجابة، وثلاثة لا تغطيها الوثائق. تنبيه قبل النتائج: لم يكن لدينا مفتاح API، فكان الـembedding بديلًا حتميًا يقيس تداخل الكلمات لا المعنى، وكان «النموذج اللغوي» صنفًا وهميًا يعيد جملة المصدر التي تشترك مع السؤال في أكبر عدد من الكلمات ويستشهد بها. هذه الأرقام لا تقول شيئًا عن جودة نظام RAG حقيقي. ما تظهره هو كم نوعًا من الأخطاء يستطيع أحد عشر سؤالًا أن يكشف.
الاسترجاع: سبعة من الأسئلة الثمانية التي لها إجابة وجدت القسم الصحيح ضمن الأربعة الأولى. الإخفاق الوحيد كان «Can I get my money back on a yearly subscription?»، بينما تتحدث الوثيقة عن «annual plans» و«refund». هذا هو الإخفاق المتوقع من embedding قائم على الكلمات. النموذج الحقيقي سيلتقط هذا السؤال على الأرجح ويتعثر في موضع آخر، ومجموعة التقييم هي طريقتك لمعرفة أين.
العتبة: هذا أكثر الأجزاء إفادة. السؤال الذي لا إجابة له «Can I export invoices to Excel?» وصل إلى قسم تعديل الفواتير بمسافة 0.599، أقرب من عدة أسئلة لها إجابة، مثل «How long is a team invitation valid?» بمسافة 0.843. لم تكن هناك عتبة تفصل بينهما:
| عتبة المسافة | الأسئلة ذات الإجابة التي تبقى | الأسئلة بلا إجابة التي تمرّ |
|---|---|---|
| 0.60 | 4 من 8 | 1 من 3 |
| 0.70 | 6 من 8 | 1 من 3 |
| 0.80 | 6 من 8 | 2 من 3 |
| 0.85 | 7 من 8 | 3 من 3 |
درسان من هذا الجدول. الأول: اختر العتبة من جدول كهذا، لا من رقم رأيته في مقال. المسافات تعتمد على نموذج الـembedding، فكلما تغيّر النموذج وجب ضبط العتبة من جديد. الثاني: عتبة المسافة وحدها لا تكفي للرفض. السؤال الذي يشترك في كلماته مع الوثائق لكن موضوعه غير مغطى سيعبر. ولهذا وُجدت البوابة الثانية.
من البداية إلى النهاية: بعتبة 0.80 أجيب عن خمسة أسئلة من أحد عشر إجابة صحيحة. والإخفاقات الستة كانت من أربعة أنواع، لكل منها علاج مختلف:
- رفض في غير محله: سؤال الدعوة قطعته العتبة عند 0.843، وسؤال «yearly» لم يُسترجع أصلًا. العلاج في الـembedding والعتبة.
- استشهاد صحيح وإجابة خاطئة: سؤال «Do downgrades take effect immediately?» حصل على الجملة الخاصة بالترقية، مع استشهاد سليم تمامًا بالقسم الصحيح. البوابة الثالثة لا تلتقط هذا؛ وحده فحص الحقيقة الأساسية التقطه.
- إجابة صحيحة لكنها ناقصة: عن تعديل الفاتورة قال إنها لا تُعدَّل بعد الإصدار، لكنه أغفل الحل، أي إصدار إشعار دائن (credit note). معيارنا عدّها إخفاقًا، وأبقينا هذه الصرامة عمدًا، فالمستخدم الذي يتلقى هذه الإجابة سيفتح تذكرة دعم على الأرجح.
- الإجابة عن سؤال لا إجابة له: تصدير الفواتير إلى Excel وسعر الخطة المؤسسية، كلاهما حصل على جملة غير متعلقة لكن مع استشهاد. نموذجنا الوهمي لا يعيد
NOT_FOUNDإلا إذا لم يجد أي كلمة مشتركة. أما هل يرفض نموذج حقيقي يتبع تعليمات النظام أعلاه هذين السؤالين، فهذا بالضبط ما يجب أن تقيسه بهذه المجموعة على نموذجك. نحن لم نقسه.
مع نموذج حقيقي احتفظ بهذا الإطار وأضف إليه بعض العادات. أضف باستمرار الأسئلة التي بقيت بلا إجابة في الإنتاج أو لم يرضَ المستخدمون عن إجاباتها. واجعل شخصًا من فريق الدعم يقرأ عددًا من الإجابات كل أسبوع. وإذا استخدمت نموذجًا لغويًا لتحكيم الإجابات، فقارن أحكامه أولًا بهذه المراجعة البشرية.
ما الذي شُغِّل وما الذي لم يُشغَّل
- جُمِّع وشُغِّل: تطبيق Console على .NET SDK 10.0.404، مع Microsoft.Extensions.AI.Abstractions وMicrosoft.Extensions.AI.OpenAI بالإصدار 11.0.1 وMicrosoft.Data.SqlClient بالإصدار 7.1.2. نفّذ التقطيع، والـembedding الوهمي، والتخزين في الذاكرة مع بحث جيب التمام الدقيق (بتعريف المسافة نفسه في
VECTOR_DISTANCE('cosine'))، والبوابات الثلاث، وفحص الاستشهاد، والتقييم، وتوحيد الحروف الفارسية. كل الأرقام أعلاه من هذا التشغيل. - جُمِّع ولم يُشغَّل: صنف التخزين في SQL Server باستخدام
SqlVector<float>، والربط الحقيقي بـOpenAI عبرAsIEmbeddingGenerator()وAsIChatClient(). لم يكن لدينا SQL Server ولا مفتاح API. - فُحص نحويًا فقط: سكربت T-SQL أعلاه حُلِّل دون أخطاء بالمحلل الرسمي
TSql170Parserمن حزمة ScriptDom. لم يُنفَّذ فعليًا على SQL Server 2025 أو Azure SQL.
الخلاصة
لمساعد دعم في منتج SaaS، يملك SQL Server اليوم ما تحتاجه: النوع VECTOR والبحث الدقيق، وكلاهما متاح بشكل عام. اترك الفهرس المتجهي جانبًا حتى يفرضه حجم البيانات فعلًا، خصوصًا على SQL Server 2025 حيث ما زال في المعاينة. واصرف الوقت على تقطيع يحترم بنية الوثيقة، وعزل العملاء، والرفض في ثلاثة مواضع، ومجموعة تقييم صغيرة تفصل أنواع الأخطاء. وتشغيلنا نفسه تذكير جيد: الإجابة التي لها مصدر ليست بالضرورة إجابة صحيحة.
إذا أردت بناء مساعد كهذا على وثائق منتجك وبنيتك الحالية من .NET وSQL Server، أو تقييم المساعد الذي لديك، فتواصل معنا عبر صفحة الطلب في موقع بهوندي.
التعليقات
لا توجد تعليقات بعد. كن أول من يكتب.