منصات السياق للذكاء الاصطناعي: متى تتفوق طبقة سياق مدعومة بالرسوم البيانية على RAG المتجهي فقط

منحت Gartner مصطلح "AI Context Platforms" تعريفًا رسميًا في 13 أغسطس 2026: برمجيات تُمكّن فرق البيانات وهندسة الذكاء الاصطناعي من بناء المعرفة المنظمة دلاليًا الخاصة بالمؤسسة وإدارتها وتسليمها إلى الوكلاء الذكيين، وتعامل السياق كأصل من الدرجة الأولى للمنشأة بدلًا من إعدادٍ منفصل لكل وكيل. وردّ بائعان على الفئة بمنتجات فعلية خلال 48 ساعة — أطلقت Neo4j محرك Context Engine بتاريخ 20 أكتوبر، وأطلقت NVIDIA Agent Knowledge Foundation بتاريخ 21 أكتوبر. وحين تُسمّي شركة تحليلات فئةً ويأتي بائعا منصتين لملئها خلال يومين، يحصل المشترون على خيارات حقيقية — وعلى قرار جديد ينبغي اتخاذه. يرسم هذا الدليل ذلك القرار: خمسة أسئلة تتفوق فيها طبقة السياق المدعومة بالرسوم البيانية على RAG المتجهي فقط، وثلاثة يفوز فيها RAG المتجهي فقط، وثلاثة ضوابط أهم مما تشتريه — لأن بناء هذه الضوابط يظل على عاتقك مهما اشتريت.

الاستنتاجات الرئيسية

• 86% مقابل 57% — قيّس بحث GraphRAG من Microsoft (Edge وآخرون، 2024) استرجاع الرسوم البيانية مقابل RAG المتجهي بنسبة شمول 86% في الاستعلامات المعقدة متعددة الكيانات، مقابل 57% للاسترجاع المتجهي. تظهر الفجوة كلما تطلّب السؤال السير عبر العلاقات بدل مطابقة النص.
• سمّت Gartner الفئة في 13 أغسطس 2026 — AI Context Platforms، وفق تعريف المحللين، «تفصل دورة حياة معرفة المؤسسة عن دورة حياة الوكلاء الأفراد». هذا الفصل هو حجة الحوكمة، لا مجرد ميزة استرجاع.
• Business Ontology من Neo4j نموذج رسم بياني من 6 طبقات — العمليات التجارية والهيكل التنظيمي، أنطولوجيا النطاق، منتجات البيانات، الأنظمة المادية، الأدوات والتكامل، معرفة زمن التشغيل — بُنيت بحسب Neo4j من مئات عمليات النشر المؤسسية. ويُقدَّم Context Engine بمعاينة خاصة (private preview).
• يفوز RAG المتجهي فقط ما زال في كلفة البناء والإجابة عن أسئلة الوثائق — 6–8 أسابيع حتى الإنتاج مقابل 12–16 أسبوعًا لعمليات بناء الرسوم، والنماذج ذات التفاعل المتأخر تجيب أسئلة الوكلاء على 800 ملف PDF حقيقي بنسبة 92.4% (MADQA) دون OCR.
• ضوابط الناشر الثلاثة هي: تتبع المصدر، والاسترجاع الحامل للأذونات، وفصل دورات الحياة — لا يقدّمها أي منتج تجاري كاملة؛ وتقيم كل واحدة منها في وحدة MCP وطبقة التدقيق اللتين يملكهما فريقك.

الفئة التي حصلت على اسم

تستحق تعريف Gartner (كجيل كارلسون وأفراز جفري وكريستوفر لونغ ورادو ميكلاوس، 13 أغسطس 2026) قراءة مزدوجة لأنه تعريف حوكمة لا استرجاع: منصات السياق للذكاء الاصطناعي هي «برمجيات تُمكّن فرق البيانات وهندسة الذكاء الاصطناعي من بناء المعرفة المنظمة دلاليًا للمؤسسات وإدارتها وتسليمها إلى الوكلاء الذكيين»، و«بمعاملة السياق كأصل من الدرجة الأولى للمنشأة بدل إعدادٍ لكل وكيل، تفصل هذه المنصات دورة حياة معرفة المؤسسة عن دورة حياة الوكلاء الأفراد، متزايدةً قدرة المنشأة على توسيع وكلائها الذكيين وتحكُّمها فيهم عبر نطاقات مختلفة».

المشكلة التي تسمّها الفئة خاصة بالوكلاء. كان للبيانات مستهلكان عبر عقود: البشر، الذين يحملون العلاقات بين السجلات في رؤوسهم؛ والتطبيقات، حيث يعيش ذلك المعنى في منطق مثبَّت في الشيفرة. الوكلاء هم المستهلك الثالث، ولا يرثون شيئًا من ذلك. تضع مدونة إطلاق Neo4j نمط الفشل صورةً ملموسة: تعرف تطبيقة أن حالة الحساب "2" تعني "موقوف في انتظار المراجعة" لأن الربط يقع في الشيفرة؛ أما الوكيل فلا يعرف عن ذلك شيئًا، والربط يختلف من منظمة إلى أخرى — «العميل» يعني شيئًا في التسويق وشيئًا آخر في المالية (مدونة Neo4j).

وردّ بائعان خلال 48 ساعة. يُعبّئ Context Engine من Neo4j نموذجَ Business Ontology من 6 طبقات معرَّفًا مقدمًا، وطبقةَ بناءٍ وتشغيلٍ تبني الأنطولوجيا من مصادر مثل Databricks أو Snowflake وتكشفها لطبقات التنسيق، ولوحةَ تحكم Context Studio، وطبقةَ ذاكرة قائمة على الرسم البياني تسجل استدلال الوكلاء ومسارات قراراتهم. وقال رئيس التقنية ورئيس المنتجات في Neo4j صراحةً: «كل الخيارات الأخرى ليست أكثر من معالجة تسكِّينٍ للمشكلة تتفكك كلما ازداد تعقيد الوكلاء الذكيين ومتطلبات وصولهم إلى الأنظمة» (بيان صحفي). علامتا النزاهة اللتان ينبغي للمشترين حسبهما: Context Engine بمعاينة خاصة، وسطره «GraphRAG أكثر دقة وفعالية من حيث الكلفة من RAG المتجهي فقط» هو دعوى بائع — الأرقام المستقلة تأتي من بحث Microsoft، لا من Neo4j.

اتخذت NVIDIA بتاريخ 21 أكتوبر الموقف المعماري المضاد: ليس منصةً، بل نماذج ومكتبات CUDA-X تُجمَّع بنفسك. تقول صفحة Agent Knowledge Foundation إن المكوّنات «تعمل مع منصات البيانات، والأنطولوجيات، وقواعد البيانات المتجهية، وأطر العمل للوكلاء الموجودة؛ وهي لا تتطلب تبني منصة جديدة من الطرف إلى الطرف»، وتتضمن مُولّد Auto Ontology تقول NVIDIA إنه خفّض زمن بناء الأنطولوجيا بنسبة 90% في اختباراتها، مع بقاء خبراء الأعمال مطالبين بـ«اختبار الناتج وتنقيته واعتماده» (NVIDIA). تلك العبارة الأخيرة هي النسخة الصادقة من بناء الأنطولوجيا: البرنامج يقترح؛ والمالك يعتمد.

ما يفعله RAG المتجهي فقط بشكل جيد، ما زال

الاسترجاع المتجهي فقط ليس رجل القشّة الذي تلمّح إليه مواد إطلاق الفئة. ثلاثة أمور يُتقِنه تحدّد متى يكون الاختيار الصائَب.

أولًا، كلفة البناء. يقدّر دليل تنفيذ GraphRAG في هذا الموقع بتحقيق RAG التقليدي 85–90% من نتيجة GraphRAG مقابل 30% من الجهد، وزمن 6–8 أسابيع حتى الإنتاج مقابل 12–16 أسبوعًا لعمليات بناء الرسوم، حيث تكون المجموعة النصّية وثائقًا نصية والأسئلة بحثًا بالكيان الواحد. الفريق الخفيف الذي يحتاج إلى الإجابة عن أسئلة التقنيين من كتيّبات الخدمة في نوفمبر، يدرج بحث المتجهات أولًا.

ثانيًا، أرضية استرجاع الوثائق ترتفع باستمرار. دفعت نسخة pplx-embed-v2-late من Perplexity (7 أكتوبر، مرخصة MIT) النماذج مفتوحة الأوزان ذات التفاعل المتأخر إلى 92.4% في MADQA — أسئلة الوكلاء على 800 ملف PDF حقيقي وأكثر من 18,000 صفحة — مسترجعةً النص والصور وصفحات PDF كاملة دون OCR. في محور الوثائق غير البنيوية، يبقى الاسترجاع المتجهي هدفًا متحركًا، والفجوة التي يغلقها رسم بياني معرفي ليست فجوة أسئلة الوثائق.

ثالثًا، يعرف النظام البيئي المتجهي أين تكمن نقطة ضعفه ويعوّضها بنيويًا. يُبدِي مُجمّع vdf.ai من أكتوبر 2026 على عشرة محركات ذاتية الاستضافة إدارةَ تعدد المستأجرين على مستوى الفهرس — أقسام Qdrant بمفتاح مستأجر ترفع المستأجرين الكبار إلى أجزاء shard مخصصة لهم، ونموذج shard لكل مستأجر عند Weaviate — واسترجاعًا هجينًا مدمجًا داخل المحرك لأن المتجهات الكثيفة وحدها «تفتقد رموزًا دقيقة مثل أرقام العقود ورموز الأخطاء». يُحلّ ترشيح الأذونات واستدعاء الكلمات المفتاحية، بعبارة أخرى، بوصفهما مسألتين هندسيتين داخل مكدس المتجهات. ما لا يحلّه مكدس المتجهات أبدًا هو الدلالة: ليس فيه مكانٌ يُخزَّن فيه ما تعنيه «العميل» و«المورد» و«الخطر» في منظمتك، ولا إجابة عن سبب ارتباط السجلين المسترجعَين.

ما تضيفه طبقة السياق الخاضعة للحوكمة

تضيف طبقة السياق المدعومة بالرسوم البيانية أربعة أمور لا يستطيع RAG المتجهي تمثيلها على الإطلاق — والرابعة منها هو المعيار الشرائي.

علاقات صريحة. الشظايا المسترجَعة تضمر العلاقات؛ أما الرسم البياني فيُصرِّح بها. أرقام Microsoft GraphRAG — 86% مقابل 57% شمولًا في الاستعلامات متعددة الكيانات — هي النسخة المقيسة من ذلك: حين يتطلب السؤال السير من منتج إلى بدائله فإلى توفّر الأفرع، يتعيّن على بحث التشابه أن يخمّن كل قفزة.

مكان واحد لمعنى الأعمال. ينقل نموذج Business Ontology من 6 طبقات من Neo4j تعريفات المنشأة — العمليات، مصطلحات المجال، منتجات البيانات، الأنظمة المادية، الأدوات، معرفة زمن التشغيل — إلى رسم بياني واحد تقرأ منه جميع الوكلاء، بدل أن يعيد كلُّ وكيلٍ تعلمها (مدونة Neo4j). وصاغ Sanjeev Mohan، شريك Principal في SanjMo، الفارق الذي لا يعبره جسر المتجهات في البيان: «السياق ليس مجرد مزيد من البيانات، بل هو في الحقيقة مسألة علاقات: ليس فقط أن شيئين متصلين، بل لماذا وكيف. هذا تحديدًا ما تحاكيه الرسوم البيانية أصلاً».

تتبع المصدر لكل إجابة. تسجل طبقة الذاكرة في Context Engine «استدلال الوكلاء ومساراتهم التشغيلية لتشكّلا سجلًا دائمًا لتجربة الأعمال» (بيان صحفي). وتعود الإجابة مصاحَبةً بالمسار الذي أنتجها. يمنحك الاسترجاع المتجهي الشظايا الأعلى تصنيفًا.

مسار استرجاع يحمل الأذونات. يتضمن Context Build and Runtime من Neo4j حوكمةً مدمجةً «تضمن أنه لا يمكنها الوصول إلا إلى البيانات المُخوَّل بالوصول إليها» — السياسة تصحب الاسترجاع بدلًا من أن تكون مرشحًا لاحقًا. في مكدس المتجهات، بالمقارنة، يكون ترشيح المستأجرين خاصية هندسية في الفهرس لقاعدة البيانات المحددة التي اخترتها (يُوثّق مُجمّع vdf.ai كيف تتناول pgvector وQdrant وWeaviate ذلك بحلول مختلفة)، وتعيد تطبيقك كتابة القاعدة.

النمط قابل للبناء دون انتظار برمجيات المعاينة الخاصة. في التنفيذ المرجعي وراء مقالات RFQ في هذا الموقع، تكشف وحدة MCP الخاصة بمكتب التسعير أداة واحدة inquire_catalog توجه أسئلة اللغة الطبيعية إلى محرك رسم بياني معرفي وتعيد نتائج مرتبة — استرجاعًا ومعنى في نداء خاضع للحوكمة واحد — بينما تتولى مجموعة أدوات حجز التوفر المنفصلة الجانب التعاقدي. الحدود على مستوى الأداة — لا المُسترجِع — هي ما يجعله خاضعًا للحوكمة: يمرّ كل نداء عبر مُغلِّف تنفيذ يسجل الحالة والزمن والأحمال المنقّاة إلى نموذج تدقيق في DynamoDB، ويُفرَض تحديد نطاق المستأجر عبر مفتاح التقسيم في طبقة التخزين. توثّق مقالة معيار كود الوحدات النمط من بدايته إلى نهايته.

مصفوفة القرار

خمسة أسئلة تفصل بين المعماريتين في الممارسَة. قدّر عبء عملك صدقًا في كل منها؛ سطران أو أكثر في عمود الرسم البياني يعني أن طبقة السياق تُبرِّر بناء 12–16 أسبوعًا.

سؤال المشتري	اختر سياقًا مدعومًا بالرسم البياني	يكفي RAG المتجهي فقط
ما شكل السؤال؟	متعدد الكيانات، والسير عبر العلاقات («ما البدائل المعتمدَة لهذه القطعة التي يتوفر لها مخزون في مستودع بوسطن بحلول الجمعة؟») — هنا تعيش فجوة 86/57	بحث بالكيان الواحد على نص الوثائق («ماذا يقول الكتيّب عن الخطأ E-204؟»)
أين يقيم المعنى؟	مشتت عبر الأنظمة والفرق — «العميل» و«المورد» و«الخطر» بحاجة إلى تعريف واحد يَقرأه الوكلاء	محمول في الوثائق — النص هو المعنى
ما ينبغي للحوكمة إظهاره؟	تتبع مصدر لكل إجابة: مسار القرار، السياسة التي أذنت له — فصل دورات الحياة عند Gartner	ضبط وصول على مستوى المحتوى: مرشحات مستأجر وأذونات حمل عند الفهرس
أسرع ما يجب الإنجاز؟	12–16 أسبوعًا زائد صيانة الأنطولوجيا — مقبول حين يتصرف الوكلاء بناءً على بيانات الأعمال	6–8 أسابيع حتى الإنتاج — الخطوة الأولى الصائبة حين يكون الاستخدام أسئلة الوثائق
ما الذي يتبدل كل ربع سنة؟	الدلالة تتغير (خطوط منتج جديدة، تصنيفات معاد تسميتها، قواعد امتثال جديدة) — عدّل الرسم، لا الوكلاء	المجموعة تتغير — إعادة تضمين ليلية تعيدها محدَّثة

سطران يستحقان علامات نزاهة. بشأن الكلفة لكل استعلام، استرجاع GraphRAG أثقل من التشابه المتجهي — البائع الذي يبيع الرسم يقول ذلك بنفسه، وحساب الاستعلام في الدليل التنفيذي (O(N) لكل تذكرة لتحديثات الرسم مقابل O(1) لكل مستند) يفسِّر لماذا ينبغي أن يبقى عبء العمل عالي الحجم والأسئلة السطحية على الجانب المتجهي. وبشأن إطار «المستهلك الثالث»، إنه سردية إطلاق Neo4j، لكن الملاحظة المستندة إليها تسبقها — مشكلة حالة الحساب «2» حقيقية في كل شركة B2B من السوق المتوسطة، مهما اشتريت لمعالجتها.

جنبًا إلى جنب: كيف تجيب المعماريتان أسئلة المشتري الخمسة، مع الأدلة المقيسة وراء كل توكيد.

ضوابط الناشر التي أهم مما تشتريه

تُدرج تعريف Gartner ثلاث قدرات تجعل السياق «أصلًا»: يُبنى، يُحكم، يُسلَّم. اقرأ صفحات البائعين بتدقيق وسترى كلًّا منها يقدّم جزئيًا — Context Studio لوحة تحكم، وبيئة البناء تفرض التفويض، والذاكرة تسجل القرارات. لا أحد يسلّم الثلاثة كلها من طرف إلى طرف، واثنتان منها هيكليًا من نصيبك.

تتبع المصدر ضابط، لا ميزة. الإجابة المصاحبة لمسار قرار مسجل هي أثر تدقيق فقط إذا كان المسار append-only ويعيش أطول من الوكيل الذي أنتجه. في التنفيذ المرجعي، يكتب كل نداء أداة MCP الحالة والزمن والأحمال المنقّاة إلى نموذج تدقيق لكل مستأجر — نمط معمارية حوكمة الوكلاء. سواء كانت طبقتك هي Context Engine من Neo4j أم رسمًا بيانيًا تملكه، فسجل ما استرجعه الوكيل وما عمل عليه يقع عند حدودك.

حمل الأذونات ينبغي أن يجتاز القفزة الأخيرة. منصة سياق ترشّح ضمن الرسم تصل الوكلاء عبر حدود الأدوات في كل الأحوال. إن لم تحمل هذه الحدود هويةً — رئيس موثق لكل نداء مُحدَّد النطاق بمستأجر ودور — فتفويض المنصة لا يكون إلا توصية. يضع نمط الوحدات الخاضعة للحوكمة التحقق في وسيط يعترض كل طلب (مقالة أمان MCP)، فلا يمكن الالتفاف على السياسة التي تفرضها Neo4j داخل الرسم بواسطة نداء أداة غير محدَّد النطاق.

فصل دورات الحياة قرارك المعماري. الرسالة المركزية للفئة — معرفة المؤسسة تعيش أطول من الوكلاء الأفراد — لا تصمد إلا إذا كان الوكلاء مستهلكين لخدمة سياق لا مضمّنين لسياقهم بأنفسهم. عمليًا: يشير الوكلاء إلى السياق عبر استعلام، لا عبر صورة ثابتة؛ وإخراج وكيل من الخدمة يزيل حالة الوكيل لا حالة الرسم؛ ويقابل التقسيم قصير المدى/طويل المدى في مقالة أنماط ذاكرة الوكلاء طبقة الذاكرة القائمة على الرسوم البيانية التي يبيعها البائعون الآن.

الخطوات العملية لفريق متوسط السوق: انشر RAG المتجهي فقط أولًا على أسئلة الوثائق التي يكون قويًا فيها؛ ابنِ أنطولوجيا أعمال ضيقة (نطاق واحد — المنتجات أو الموردين أو الحسابات) بخطوة الاعتماد التي تصفها NVIDIA؛ كشفها للوكلاء عبر أداة أو أداتين MCP خاضعتين للحوكمة حيث يهم تتبع المصدر؛ وسَّع الأنطولوجيا فقط حين يطرح حالة استخدام سؤال علاقةٍ أجاب عنه بحث المتجهات خطئًا وبكلفة عالية.

قراءات ذات صلة

• دليل تنفيذ GraphRAG: من وثائق نصية إلى استرجاع إنتاجي برسم بياني معرفي — مسار البناء ذو الخمس المراحل وفخاخ الكلفة حين تختار جانب الرسم
• منظومة إنتاج الوكلاء أصبحت منتجًا: داخل المعمارية المرجعية لـ NVIDIA من مؤتمر GTC برلين — موضع نماذج ومكتبات Agent Knowledge Foundation في منظومة إنتاج كاملة
• تصميم ذاكرة الوكلاء: ثلاثة أنماط فشل وأرضية الإنفاذ — التقسيم قصير/طويل المدى للذاكرة الذي تنفّذه طبقة الذاكرة القائمة على الرسم البياني

طلب بناء محدّد النطاق

خذ بعين الاعتبار بناءً تمثيليًا: موزّع صناعي يُدير مكتب التسعير بواسطة NetSuite، مع تسعير متعدد الترتيبات في Postgres ومعرفة البدائل في عقول أربعة محدّدي أسعار كبار. نبني رسمًا بيانيًا معرفيًا فوق المنتجات والبدائل وترتيبات الأسعار وتوفر الأفرع؛ ونلفّه كوحدة MCP مع تسجيل تدقيق لكل نداء، وحجز توفر، وأدوات لقاطعات الإلغاء مملوكة للفريق؛ ونترك إطار الوكيل قابلًا للتبديل. تعود ردود التسعير مصاحَبةً بالمسار الذي أنتجها — أي بديل، أي ترتيب، أي مخزون فرع — في ساعات بدل أيام.

اطلب بناءً محدد النطاق: استكشاف مدته أسبوع. تستلم جردًا للأنظمة وخريطة تدفقات العمل ونطاقًا ثابتًا — سواء بنايتَ معنا أم لا.