بعد ظهور نماذج لغة كبيرة مثل ChatGPT، أصبحت تقنية الاسترجاع المُعزّز بالتوليد (RAG) الحل الشائع لتجاوز حدود نافذة السياق في النماذج، حيث تم استخدامها لاسترجاع معلومات من قواعد بيانات نصية عند طلب الاستجابة. لكن مع تطور الذكاء الاصطناعي نحو الوكلاء المستقلة (Agentic AI)، تبين أن RAG التقليدي – الذي يعتمد على استرجاع قطع نصية باستخدام البحث المتجهي – لم يعد كافيًا. فقد أظهرت التجارب أن إدخال معلومات غير دقيقة أو مفرطة أو غير ذات صلة يؤدي إلى تدهور الأداء، ما يُعرف بـ"تلوث السياق" أو "الارتباك السياقي". في المقابل، بدأ يظهر تطور جوهري: هندسة السياق (Context Engineering)، وهي مفهوم يتجاوز الاسترجاع الفوري ليصبح جزءًا من دورة تفكير متكررة تشمل كتابة السياق، وتقليله، وعزله، واختياره بدقة. أصبحت هذه العملية جزءًا من أدوات الوكيل الذكي، الذي لا يعتمد على استرجاع واحد، بل يستخدم مجموعة من الأساليب: البحث المتجهي، والاسترجاع عبر قواعد بيانات علاقاتية، واستدعاء أدوات، واسترجاع من الذاكرة القصيرة أو الطويلة. في هذا السياق، أصبحت الطبقات المعنى (Semantic Layers) ضرورية. فهي تربط البيانات – سواء كانت منظمة أو غير منظمة – ببيانات وصفية (ميتاداتا) قابلة للقراءة من قبل البشر والآلات، مما يضمن فهمًا دقيقًا للمحتوى، ويُسهل الاسترجاع القائم على المعنى. الشركات الكبرى بدأت تستثمر بقوة في هذه التقنيات: مثل اندماج Ontotext وSemantic Web Company لتكوين Graphwise، وشراء Samsung لشركة Oxford Semantic Technologies، وشراء Salesforce لشركة Informatica، مما يعكس تحولًا استراتيجيًا نحو بناء بنية تحتية معنى للبيانات. كما أن الرسوم المعرفية (Knowledge Graphs) أصبحت حجر الأساس في هذا التحول، فهي لا تُنظم البيانات فقط، بل تربط الكيانات والعلاقات بينها، مما يعزز الدقة والشفافية في الاستجابات، ويسمح للوكيل بتحليل السياق بشكل متعمق. مثال ذلك هو إطار GraphRAG الذي أطلقته مايكروسوفت، والذي يدمج الرسوم المعرفية مع نماذج لغة كبيرة لتحسين التوليد. الاسترجاع في المستقبل لن يكون مجرد "العثور على وثيقة"، بل عملية متكاملة تُقيَّم بمعايير متعددة: الدقة، الصلة، الأصالة (provenance)، التغطية، والحداثة. أدوات مثل Ragas وLangSmith وDatabricks Mosaic AI تقدم معايير تقييم متقدمة تتجاوز دقة الإجابة لتشمل جودة السياق المسترجَع. كما أن الحماية والامتثال أصبحا جزءًا لا يتجزأ من هذه الأنظمة. تُدمج قواعد سياسة (Policy-as-Code) مثل Open Policy Agent وOso لضمان احترام سياسات الخصوصية، والوصول المحدود، والامتثال التنظيمي – خصوصًا في قطاعات مثل الرعاية الصحية والمالية. باختصار، RAG لم تُعدم، بل تطوّرت. ما يُسمى بـ"RAG 2.0" أو "هندسة السياق" هو تجسيد لتحول أعمق: من أداة استرجاع إلى جزء من منظومة ذكية تُدير السياق بذكاء، وتعتمد على بنى معنى قوية تُمكّن الوكلاء من التفكير، والاستدلال، والعمل بمسؤولية. المستقبل لا يكمن في استرجاع البيانات فقط، بل في استرجاع السياق الصحيح، في الوقت المناسب، مع الحفاظ على الشفافية والثقة.