في عالم الذكاء الاصطناعي، قدمت تقنية استرجاع المعلومات المعززة (Retrieval-Augmented Generation - RAG) نموذجًا واعدًا لتحسين دقة المحتوى المسترد وتحديث المعلومات بشكلٍ سريع. ولكن، تبرز تحديات تتعلق بزيادة حجم المدخلات وتكاليف المعالجة، مما يجعل البحث عن حلول ضغط فعالة ضرورة ملحة.

الحل الجديد الذي تم بناءه تحت اسم CORE-RAG يمثل قفزة نوعية في هذا الاتجاه. تأتي هذه التقنية لتتخطى القيود المفروضة على الأساليب التقليدية التي تعتمد على استراتيجيات محددة مسبقًا، والتي تفشل غالبًا في تحقيق توافق بين السياق المضغوط ومتطلبات مهام التوليد.

تقوم CORE-RAG بتحويل طريقة ضغط السياق من خلال توظيف إطار عمل مدفوع بالأداء. حيث يتم استخدام أداء المهام كإشارة راجعة لتحسين سياسة الضغط بشكل متكرر. وهذا يعني أن النظام يتعلم ويقوم بتحسين ذاته استنادًا إلى نتائج فعلياته الحقيقية.

قبل الشروع في هذه العملية، يتم اعتماد مرحلة تكرير المعرفة، مما يضفي قوة وقدرة على تحقيق سياسة ضغط قوية تساهم في تحسين النتائج. أظهرت التجارب التي تم إجراؤها تفوق هذا النهج، حيث تم تحقيق نسبة ضغط تصل إلى 3% مع رفع متوسّط درجات التطابق الدقيق (Exact Match - EM) بمقدار 3.3 نقطة عند مقارنتها بالوثائق الكاملة.

يمكن للمطورين والمهتمين في المجال الوصول إلى الكود المصدري لهذه التقنية على GitHub، مما يوفر لهم الفرصة لتطوير وتعزيز مهاراتهم في عمل أنظمة RAG المتقدمة.