هندسة الأنظمة 3 ساعات9 مهام تسليم

ابنِ إجابات لها دليلهندسة النماذج اللغوية وتطبيقات RAG

ابنِ مساعدًا يسترجع معرفة المعسكر ويجيب بمصادر واضحة، ويتعامل بصدق مع الأسئلة التي لا تملك الوثائق إجابتها.

LLMsRAGEmbeddingsPydantic
06
ماذا ستبني؟

AI Camp Knowledge Assistant

مساعد معرفة موثّق، وبداية مشروع التخرج.

ماذا ستتعلم في هذه الجلسة؟

استدعاء نموذج لغوي عبر API أو استخدام واجهة متوافقة مع نموذج محلي مجهّز مسبقًا.
كتابة تعليمات واضحة وضبط حدود السياق وشكل الإجابة.
فهم Structured Outputs والتحقق من المخرجات باستخدام Pydantic.
شرح مفهوم Function/Tool Calling ودور التطبيق في تنفيذ الأداة والتحقق من مدخلاتها.
بناء خط تجهيز مستندات يتضمن Chunking وEmbeddings وVector Store.
بناء Retrieval Pipeline يختار المقاطع المناسبة لسؤال المستخدم.
دمج السياق المسترجع في Prompt للإجابة مع إحالات إلى المصادر.
إنشاء واجهة محادثة بسيطة باستخدام Streamlit.
اختبار الإجابات القابلة للتحقق والأسئلة غير المدعومة بالمستندات.
توثيق ملاحظات عن زمن الاستجابة والتكلفة والمخاطر الأمنية الأساسية.

تعمّق قبل الجلسة وبعدها

3 فيديو مختار
3 كورس

كيف تتقدم في التطبيق؟

  1. 01

    تجهيز الوثائق

  2. 02

    الاسترجاع الدلالي

  3. 03

    إجابة مع مصادر

  4. 04

    التقييم ومقترح Capstone

أسئلة الجلسة وإجاباتها

هل RAG يعني تدريب النموذج على الوثائق؟+

لا. يسترجع التطبيق مقاطع مناسبة من مصدر معرفة ويزود النموذج بها أثناء الإجابة، دون أن يعني ذلك تعديل أوزان النموذج.

ما الذي يبنيه الطالب في جلسة LLM Engineering؟+

مساعد معرفة لوثائق المعسكر باستخدام Chunking وEmbeddings وVector Store وRetrieval، مع واجهة Streamlit وإجابات تظهر مصادرها.

ماذا يفعل المساعد إذا لم يجد دليلًا كافيًا؟+

يصرح بعدم كفاية المستندات بدل اختلاق الإجابة. يشمل التقييم أسئلة مدعومة وأخرى خارج نطاق الوثائق وفحص صحة الإحالات.

فيديوهات مختارة

شاهدها قبل الجلسة أو بعدها لتثبيت المفاهيم.

Andrej Karpathy

Deep Dive into LLMs like ChatGPT

فهم شامل لكيفية تدريب النماذج اللغوية وحدودها كالهلوسة واستخدام الأدوات.

مبتدئ

كورسات للتعمّق

مسارات أطول لمن يريد بناء الأساس بعد الجلسة.

Anthropic Academy

Building with the Claude API

دورة Anthropic المجانية: استدعاء الـ API والمخرجات المنظمة والأدوات وRAG والتقييم.

مجانيEnglish
DeepLearning.AI

Building and Evaluating Advanced RAG

دورة قصيرة عن تقنيات استرجاع متقدمة ومقاييس تقييم جودة إجابات RAG.

مجانيEnglish
DeepLearning.AI / Coursera

Retrieval Augmented Generation (RAG)

دورة متكاملة عن البحث الهجين وقواعد المتجهات وRAG في الإنتاج؛ الوحدة الأولى مجانية.

مدفوع / تجربةEnglish

روابط خارجية تفتح على YouTube ومنصات التعلّم وتخضع لسياساتها. تحقّقنا من عملها في نوفمبر 2026؛ اختر ما يناسب مستواك ولا يلزمك مشاهدتها كلها.

المنهج الكامل · دون اختصارتنزيل المصدر
فهرس محتوى الجلسة

نظرة عامة#

تمثل هذه الجلسة انتقالًا مهمًا من تدريب النماذج وفهم بنيتها إلى هندسة تطبيقات تعتمد على النماذج اللغوية الكبيرة (LLMs).

بدلًا من استخدام النموذج كصندوق محادثة عام، يتعلم الطالب كيف يدمجه في تطبيق يمتلك بيانات محددة، ويتعامل مع المدخلات والمخرجات بصورة منظمة، ويسترجع الأدلة المناسبة قبل توليد الإجابة، ويعرض المصادر للمستخدم.

مخرجات التعلّم#

بنهاية الجلسة، يُتوقع أن يستطيع الطالب:

  • استدعاء نموذج لغوي عبر API أو استخدام واجهة متوافقة مع نموذج محلي مجهّز مسبقًا.
  • كتابة تعليمات واضحة وضبط حدود السياق وشكل الإجابة.
  • فهم Structured Outputs والتحقق من المخرجات باستخدام Pydantic.
  • شرح مفهوم Function/Tool Calling ودور التطبيق في تنفيذ الأداة والتحقق من مدخلاتها.
  • بناء خط تجهيز مستندات يتضمن Chunking وEmbeddings وVector Store.
  • بناء Retrieval Pipeline يختار المقاطع المناسبة لسؤال المستخدم.
  • دمج السياق المسترجع في Prompt للإجابة مع إحالات إلى المصادر.
  • إنشاء واجهة محادثة بسيطة باستخدام Streamlit.
  • اختبار الإجابات القابلة للتحقق والأسئلة غير المدعومة بالمستندات.
  • توثيق ملاحظات عن زمن الاستجابة والتكلفة والمخاطر الأمنية الأساسية.

المحاور النظرية#

1. Working with LLMs — التعامل مع النماذج الجاهزة#

المسارالفكرةأمثلة
Hosted APIsاستدعاء نموذج مستضاف عن بعد باستخدام API.OpenAI أو Anthropic
Local Inferenceتشغيل نموذج مفتوح الأوزان على الجهاز عند توفر الموارد المناسبة.Ollama
Model Servingتقديم نموذج على هيئة خدمة يمكن للتطبيقات استدعاؤها.vLLM

المفاهيم التي يجب فهمها:

  • طلب API: المدخلات، الإعدادات، المخرجات، والتعامل مع الأخطاء.
  • الفرق بين Model Provider وتطبيق العميل الذي يستخدم النموذج.
  • زمن الاستجابة (Latency) والتكلفة والاستهلاك التقريبي للـTokens.
  • حماية مفاتيح API وعدم تضمينها في الشيفرة أو Pull Requests.

2. Prompt Engineering & Context Engineering#

  • كتابة تعليمات دقيقة تحدد المهمة والسياق والحدود.
  • فصل تعليمات التطبيق عن محتوى المستندات المسترجعة.
  • تحديد صيغة الإجابة والتعامل مع نقص المعلومات.
  • تقديم أمثلة قصيرة (Few-shot Examples) عندما تكون مفيدة.
  • تقليل السياق غير الضروري وتجنب تعليمات متضاربة.

3. Structured Outputs & Pydantic#

Structured Output يعني أن التطبيق يتوقع بنية محددة للمخرجات، مثل JSON يحوي حقولًا معروفة، ثم يتحقق من شكلها.

مثال تعليمي لبنية متوقعة:

json
{
  "answer": "The session covers Git and GitHub workflows.",
  "source_ids": ["session-01"],
  "supported_by_sources": true
}
  • تعريف Schema للحقول المطلوبة.
  • التحقق من الأنواع والحقول باستخدام Pydantic.
  • التعامل مع أخطاء التحقق أو غياب الحقول.
  • التمييز بين صحة شكل JSON وصحة المعلومة نفسها.

4. Function Calling — مقدمة إلى استخدام الأدوات#

يسمح Tool Calling للنموذج بأن يطلب من التطبيق تنفيذ دالة محددة مع معاملات منظمة، بدل الاقتصار على إخراج إجابة نصية.

مثال مبسط: يطلب المستخدم معرفة عدد جلسات المعسكر؛ فيستطيع التطبيق تنفيذ دالة للقراءة فقط من بيانات الجلسات، ثم إعادة النتيجة إلى النموذج.

النقاط الأساسية:

  1. يحدد المطور الأدوات المتاحة وصيغ مدخلاتها.
  2. يختار النموذج طلب استخدام أداة عند الحاجة.
  3. يتحقق التطبيق من الطلب ويقرر إن كان التنفيذ مسموحًا.
  4. ينفذ التطبيق الأداة ثم يعيد نتيجتها.
  5. يستخدم النموذج النتيجة لإعداد رد للمستخدم.

5. Retrieval-Augmented Generation (RAG)#

RAG أسلوب لبناء تطبيقات تسترجع معلومات ذات صلة من مصدر معرفة خارجي ثم تقدمها للنموذج لتوليد إجابة أكثر ارتباطًا بالمصدر.

A. تجهيز المعرفة — Offline / Indexing#
  1. تحميل المستندات المسموح باستخدامها.
  2. استخراج النص وتنظيفه.
  3. تقسيم المحتوى إلى مقاطع (Chunking) مع حفظ بيانات المصدر.
  4. تحويل المقاطع إلى Embeddings.
  5. تخزين المتجهات والنصوص والبيانات الوصفية في Vector Store.
B. الإجابة عن سؤال — Online / Retrieval#
  1. استقبال سؤال المستخدم.
  2. تمثيل السؤال باستخدام نموذج Embeddings متوافق.
  3. استرجاع المقاطع الأكثر صلة.
  4. إعادة ترتيبها اختياريًا (Reranking) عندما يتطلب الأمر.
  5. بناء سياق يتضمن المقاطع ومعرفات المصادر.
  6. طلب إجابة من LLM بالاعتماد على السياق.
  7. عرض الإجابة وإحالاتها، أو التصريح بعدم كفاية الأدلة.

6. LLM System Quality — الجودة والأداء والأمان#

  • Retrieval Quality: هل وصلنا إلى المقطع الذي يتضمن الإجابة؟
  • Groundedness: هل تستند الإجابة فعلًا إلى الأدلة المسترجعة؟
  • Citations: هل تشير الإحالات إلى المصادر الصحيحة؟
  • Abstention: هل يمتنع النظام عن اختلاق إجابة عندما لا يجد معلومة كافية؟
  • Latency & Cost: الزمن وعدد الطلبات والـTokens والتخزين المؤقت.
  • Security: عدم الثقة بالتعليمات الموجودة داخل المستندات المسترجعة، وحماية الأسرار والبيانات الخاصة.

المشروع الرئيسي: AI Camp Knowledge Assistant#

فكرة المشروع#

بناء مساعد أسئلة وأجوبة يستطيع الإجابة عن استفسارات الطلاب حول وثائق المعسكر، والجلسات، والمتطلبات، والتكليفات، مع إظهار المستندات أو المقاطع التي استندت إليها الإجابة.

مثال: «ما المطلوب تسليمه بعد جلسة Computer Vision؟»

يبحث النظام في ملفات المعسكر، ويسترجع القسم المناسب، ثم يقدم إجابة موجزة مع مصدرها. وإذا سُئل عن معلومة غير موجودة، يوضح عدم كفاية المستندات المتاحة.

معمارية التطبيق#

flowchart TD
    A["Camp Documents"] --> B["Chunking + Metadata"]
    B --> C["Embeddings + Vector Store"]
    D["Student Question"] --> E["Relevant Chunk Retrieval"]
    C --> E
    E --> F["Prompt + LLM"]
    F --> G["Answer + Source Citations"]
    G --> H["Streamlit Chat UI"]
تدفق النظام كما ورد في منهج الجلسة

المرحلة 1 — Preparing the Knowledge Base#

  • اختيار مجموعة صغيرة من ملفات Markdown أو PDF الخاصة بالمعسكر.
  • استخراج المحتوى وتقسيمه إلى مقاطع مناسبة.
  • حفظ اسم المصدر ومعرف المقطع مع كل جزء.
  • إنشاء Embeddings وحفظها في Vector Store محلي بسيط.
  • اختبار البحث باستخدام سؤالين معروفَي الإجابة.

المرحلة 2 — Retrieval Pipeline#

  • تحويل سؤال المستخدم إلى تمثيل مناسب للبحث.
  • استرجاع عدد محدود من المقاطع الأكثر صلة.
  • عرض المقاطع المسترجعة وبياناتها الوصفية أثناء التطوير.
  • تعديل حجم المقاطع أو عدد النتائج عند ظهور مشكلة استرجاع واضحة.

المرحلة 3 — Grounded Answer Generation#

  • بناء Prompt يحدد دور المساعد ونطاق معرفته.
  • تمرير المقاطع المسترجعة مع معرفات المصادر.
  • توجيه النموذج إلى استخدام الأدلة وعدم اختلاق معلومات غير موجودة.
  • عرض الإجابة مع المصدر/المصادر المرتبطة بها.
  • التعامل مع حالة عدم وجود دليل كافٍ.

المرحلة 4 — Streamlit Interface#

  • إنشاء واجهة محادثة باستخدام عناصر Streamlit.
  • استقبال سؤال الطالب وعرض الإجابة.
  • إظهار المصادر الداعمة للإجابة بصورة واضحة.
  • تقديم رسالة مفهومة عند فشل خدمة النموذج أو الاسترجاع.

المرحلة 5 — Evaluation & Debugging#

يُحضَّر Mini Evaluation Set يتضمن أسئلة يمكن الإجابة عنها من الوثائق وأخرى لا تتوفر لها إجابات.

حالة الاختبارالسلوك المتوقع
سؤال موجود جوابه في مستندإجابة صحيحة مع مصدر مناسب
سؤال موجود في مقطع بعيداسترجاع المقطع الصحيح أو كشف قصور Retrieval
سؤال خارج نطاق المستنداتإقرار بعدم وجود دليل كافٍ
معلومة متشابهة بين مستندينتحديد المصدر الصحيح وتجنب الخلط
نص مسترجع يتضمن تعليمات غير موثوقةالتعامل معه بوصفه محتوى بيانات وليس تعليمات للتطبيق

مخرجات التقييم: عدد الأسئلة التي استرجعت مصادر مناسبة، وعدد الإجابات المدعومة، والأخطاء المرصودة، وزمن الاستجابة التقريبي.


التسليم المطلوب (Deliverables)#

  • تطبيق Streamlit RAG يستطيع الإجابة عن أسئلة متعلقة بوثائق المعسكر.
  • شيفرة واضحة لتجهيز المستندات وفهرستها.
  • مسار Retrieval يعرض مصادر المقاطع المسترجعة.
  • إجابات تتضمن إشارات للمصادر، مع التعامل مع الأسئلة غير المدعومة.
  • ملف تقييم مختصر يتضمن حالات نجاح وفشل وملاحظات التحسين.
  • README.md يشرح المتطلبات وطريقة التشغيل والإعدادات.
  • .env.example يوضح أسماء المتغيرات المطلوبة دون أسرار.
  • Pull Request لتسليم التطبيق.
  • فريق Capstone ومقترح أولي من فقرة واحدة.

Capstone Proposal — المطلوب بنهاية الجلسة#

يقدم كل فريق فقرة قصيرة تجيب عن:

  1. ما المشكلة الواقعية التي نريد حلّها؟
  2. من المستخدم المستهدف؟
  3. ما المدخلات والمخرجات المتوقعة؟
  4. ما المكونات الذكية المطلوبة، ولماذا؟
  5. كيف سنقيس نجاح الحل؟

  • لا تضع مفاتيح API أو بيانات شخصية حقيقية داخل وثائق المختبر.
  • تحقق من مدخلات الأدوات ومخرجات JSON قبل استخدامها.
  • لا تعتبر وجود Citation دليلًا كافيًا على صحة الإجابة؛ راجع مدى دعم المصدر لها.
  • راقب تكلفة الاستدعاءات وزمن الاستجابة وحدود الاستخدام.

المراجع الرسمية#


خلاصة الجلسة#

يتعلم الطالب في الجلسة السادسة أن LLM Engineering لا تعني مجرد كتابة Prompt جيد، بل تعني تصميم تطبيق يدير النماذج والبيانات والسياق والمخرجات والمراجع والتقييم والتكلفة بطريقة متكاملة.

حوّل التعلّم إلى إنجاز.

مهام التسليم مستخرجة من المنهج. أضف خطواتك الخاصة هنا.

0 / 9

مهامي الخاصة 0

أفكارك تستحق أن تُحفظ.

دوّن ما تعلمته، أسئلتك، وروابط العمل التي تريد العودة إليها.

ما الذي تريد تعلّمه؟

بحث في محتوى الجلسات العشر. استخدم Esc للإغلاق.