من المستندات إلى مُدخَلات جاهزة للنموذج
البيانات الحقيقية فوضوية — ملفات PDF، وصفحات ويب، وصور، وأوراق ممسوحة ضوئيًا. تحويل ذلك كله إلى نص نظيف يستطيع النموذج استخدامه فعلًا هو نصف العمل في الترسيخ.
خط التحضير
يمرّ كل مستند بالمسار نفسه قبل أن يستطيع ترسيخ إجابة:
- الاستخراج — سحب النص من ملفات PDF وHTML والصور
- التنظيف — إزالة الحشو والقوالب المكرَّرة، وإصلاح الترميز التالف
- التقطيع — تقسيمه إلى أجزاء قابلة للاسترجاع
- الوسم — الاحتفاظ بالمصدر والبيانات الوصفية مع كل جزء
لماذا يهمّ التقطيع
حجم الجزء موازنة. فالجزء الكبير جدًا يهدر نافذة السياق ويطمس ما هو ذو صلة؛ والصغير جدًا يفقد المعنى المحيط بكل جزء.
احتفظ بالمصدر
أرفِق بكل جزء المكان الذي جاء منه بالضبط — الملف والصفحة والقسم. هذا ما يتيح للإجابة أن تستشهد بدليلها لاحقًا.
- القابلية للتتبّع — كل ادّعاء يمكن أن يُشير إلى مقطع حقيقي
- الأمانة — هذا ما تعتمد عليه الوحدة الثامنة لتُظهر عملها
- التنقيح — عندما تكون الإجابة خاطئة، يمكنك إيجاد الجزء الذي تسبّب فيها
مدخلات رديئة، مخرجات رديئة
الاستخراج السيّئ يفسد كل ما يليه — نص PDF مشوَّش، وقوائم تنقّل متبقّية، وقوالب مكرَّرة، تُسترجَع جميعها كأنها محتوى حقيقي.
طبّقها
كيفية التطبيق: خذ مستندًا فوضويًا واحدًا، واستخرج نصه، وقسّمه إلى بضعة أجزاء منطقية — واضعًا وسم مصدر على كل جزء.
- متتبّع مهام الذكاء الاصطناعي الأسبوعية — الرسائل الواردة قصيرة ونظيفة، لكن لحظة إدخالك للملاحظات أو المرفقات ستحتاج إلى هذا الخط.
- موقع علامتك الشخصية — استخرج حقائق نظيفة من السيرة الذاتية والمستودعات، ووسِم كل حقيقة بمصدرها ليتمكّن الموقع من الاستشهاد بها.
ما الذي تعلّمته
تصبح المستندات جاهزة للنموذج في أربع خطوات — الاستخراج والتنظيف والتقطيع والوسم. قطّع عند الحدود الطبيعية، واحتفظ بالمصدر مع كل جزء، وتذكّر: مدخلات رديئة، مخرجات رديئة.