Knowledge Files, Long Context or RAG? Chunking and Citations

Choose among simple knowledge files, long context and retrieval-augmented generation; design context-preserving chunks and mechanically auditable evidence citations using local synthetic documents.

بعد از این درس می‌توانی

  • برای ۵ سناریوی دارای حجم، نرخ تغییر، کنترل دسترسی و نوع پرسش، در دست‌کم ۴ مورد بین فایل دانش، Long Context و RAG تصمیم مستدل ثبت کند (C04-I01، C04-I03).
  • یک متن ساختگی جدول‌دار را با حفظ عنوان، تاریخ و ردیف‌های جدول به قطعات دارای document_id، version و chunk_id تقسیم کند (C03-I04، C05-I02).
  • فرق «بازیابی شاهد» با «تولید پاسخ» را در یک نقشهٔ ۶ مرحله‌ای توضیح دهد، بدون اینکه وجود Embedding را برای هر مسئله ضروری بداند (C03-I03).
  • برای ۳ ادعای نمونه، شناسهٔ قطعه و نقل‌قول واقعی را با متن منبع تطبیق دهد و مورد بی‌شاهد را «اطلاعات کافی نیست» اعلام کند (C06-I02، C02-I05).
  • در یک جدول هزینه و کیفیت، فرض‌های آزمون‌نشده مانند «همیشه ۲۰ قطعه بهتر است» را شناسایی و روش آزمایش محلی طراحی کند (C02-I03، C02-I04).

چرا این درس مهم است

سناریوی ساختگی ایرانی: شرکت پخش «بهارکالا» آیین‌نامهٔ مأموریت و ۲۵۰ اطلاعیهٔ تغییر تعرفه دارد. یک دستیار با بارگذاری چند PDF شروع شده، اما اکنون کاربر می‌خواهد نسخهٔ معتبر امروز را با شمارهٔ بند ببیند. اگر سیستم فقط یک پاسخ خوش‌ظاهر بدهد، ممکن است مزایای اشتباه محاسبه شوند. پرسش درس: چه زمانی فایل دانش کافی است و چه زمانی به خط لولهٔ بازیابی، کنترل نسخه و استناد نیاز داریم؟

در این درس معماری را انتخاب و قطعه و شاهد را طراحی می‌کنی؛ ساخت موتور Embedding، تنظیم مدل فارسی، بنچمارک کمی و حافظهٔ بین‌نشستی موضوع سه درس بعدی‌اند. در پایان یک نمونهٔ کوچک با دادهٔ ساختگی و کنترل قطعی منابع خواهی داشت.

مفاهیم کلیدی

[اصل پایدار] `RAG` به معنای استفاده از دادهٔ بیرونیِ بازیابی‌شده هنگام ساخت پاسخ است؛ این روش به‌تنهایی صحت پاسخ، مجوز دیدن همه اسناد یا تازگی داده را تضمین نمی‌کند. تشخیص نیاز به RAG تابع مسئله است، نه مد روز.

  • [اصل پایدار] فایل دانش محدود: چند مرجع ثابت و کم‌حجم در یک دستیار؛ برای شروع خوب است، ولی کنترل نسخه/مجوز دقیق آن به قابلیت محصول وابسته است.
  • [اصل پایدار] `Long Context`: قرار دادن مقدار زیادی متن در ورودی همان درخواست؛ برای تحلیل سراسری سند مشخص مفید است، اما کیفیت با طول و محل شاهد ممکن است تغییر کندsrc-lost-middle.
  • [اصل پایدار] `RAG`: بازیابی زیرمجموعهٔ اسناد قبل از پاسخ؛ برای مجموعه‌های بزرگ یا متغیر، با هزینهٔ نگهداری شاخص و نیاز به آزمون بازیابی.
  • [اصل پایدار] `Chunk`: قطعهٔ قابل‌بازیابی با نشانی سند، نسخه، عنوان بخش و مرز منطقی؛ اندازهٔ جهانیِ بهینه ندارد.
  • [ابزار] (2024-09-19) `Contextual Retrieval`: افزودن توضیح مختصر به قطعه *پیش از نمایه‌سازی*؛ آزمایش‌های Anthropic شکست بازیابی را از ۵٫۷٪ به ۲٫۹٪ و همراه Rerank به ۱٫۹٪ رساندند، روی تنظیمات و داده‌های همان گزارش، نه دادهٔ فارسیsrc-anthropic-contextual.
  • [اصل پایدار] استناد مهندسی‌شده: هر ادعای قابل بررسی باید به chunk_id معتبر، نسخهٔ سند و متنی از همان سند وصل باشد؛ تولید شناسهٔ ظاهراً معتبر با مدل کافی نیست.
  • [استاندارد] (مرجع امنیتی 2026) OWASP: خواندن و بازیابی از دادهٔ غیرقابل‌اعتماد می‌تواند خطر افشا و تزریق ایجاد کند؛ کنترل مجوز را بیرون از پرامپت اعمال کنsrc-owasp-2026.

مدل ذهنی

سه راه دسترسی به قفسه: فایل دانش مانند بردن چند پوشهٔ ثابت کنار میز است؛ Long Context مثل خواندن کل یک پروندهٔ مشخص در نشست است؛ RAG مثل فهرست راهنما و متصدی بایگانی است که فقط برگ‌های مناسب سؤال را بیرون می‌آورد.

سه پرسش تصمیم‌ساز: «منابع چند بار عوض می‌شوند؟»، «سؤال به کل سند نیاز دارد یا چند بند؟» و «چه کسی مجوز دیدن کدام بخش را دارد؟». هزینه را با تعداد درخواست، طول ورودی، ساخت شاخص و بازبینی انسانی بسنج؛ عدد فرضی را از قیمت واقعی جدا نگه دار.

مرز تشبیه: متصدی ممکن است برگ نامربوط یا نسخهٔ قدیمی بیاورد؛ بنابراین بازیابی با پاسخ یکسان نیست. خطاهای بازیابی و معیارهایشان در rag-failures-evals بررسی می‌شوند؛ فیلتر مجوز و فراموشی در agent-memory-privacy-project.

گام‌به‌گام

گام ۱: بین سه معماری انتخاب کن

ویژگیفایل دانش سادهLong ContextRAG
دامنهچند سند کوچک و نسبتاً ثابتسند یا مجموعهٔ مشخص که در ورودی جا می‌شودمجموعهٔ پرتعداد یا متغیر
سؤال غالبپرسش تکراری از چند مرجعتحلیل سراسری و مقایسهٔ همه بخش‌هایافتن بند یا ترکیب شواهد منتخب
کنترل نسخهوابسته به امکان بازبارگذاری و ابزاربا انتخاب دستی نسخه در هر درخواستبا متادیتا، شاخص و حذف نسخهٔ منسوخ
هزینه/پیچیدگیراه‌اندازی کمهزینهٔ ورودی/تأخیر می‌تواند زیاد شودهزینهٔ نمایه‌سازی و ارزیابی؛ خروجی کوتاه‌تر به مدل
مجوز دسترسیوابسته به ارائه‌دهندهنیاز به آماده‌کردن متن مجاز برای هر کاربرفیلتر هویت و دسترسی در بازیاب و منبع اصلی

قانون تصمیم: آستانهٔ مشخصی مثل «۲۰۰ هزار توکن همیشه کافی» یا «بیش از ۵ فایل حتماً RAG» قانون علمی نیست. Anthropic در مطلب ۲۰۲۴ برای پروندهٔ کوچک‌تر از ۲۰۰هزار توکن، واردکردن کل متن را به‌عنوان یک گزینه در همان زمان و شرایط مطرح کرد؛ اکنون باید کیفیت و هزینهٔ مدل مورد استفاده را روی دادهٔ خودت بسنجیsrc-anthropic-contextual.

گام ۲: قرارداد اسناد و نسخه‌ها را تعریف کن

فیلدنمونهٔ ساختگیدلیل
document_idPOL-TRAVELشناسهٔ ثابت سند
version1405-02تشخیص نسخهٔ معتبر
effective_from1405-06-01پاسخ زمانی
sectionماده ۱۲ / جدول ۲حفظ زمینهٔ حقوقی/جدولی
chunk_idPOL-TRAVEL:1405-02:12-02ارجاع منحصربه‌فرد
statusactiveحذف نسخهٔ منسوخ از نتایج معتبر

[اصل پایدار] جدول را از عنوانش جدا نکن؛ عنوان فصل، ماده، واحد پول، استثنا و تاریخ اجرا باید همراه ردیف مربوط بمانند. شکست خط و نیم‌فاصله در PDF فارسی را پیش از ساخت شاخص کنترل کن.

گام ۳: تکه‌بندی و توضیح زمینه‌ای

روشچه زمانی مناسب است؟خطر و کنترل
بند/عنوان‌محورآیین‌نامه و FAQ بخش‌بندی‌شدهعنوان و بند مادر را در متادیتا نگه دار
ساختار جدولتعرفه، حقوق و اعدادعنوان، واحد و ردیف را کنار هم حفظ کن
همپوشانی محدودجمله‌ای که مرز دو قطعه را قطع می‌کندتکرار و هزینه را بسنج؛ تکرار، خودِ زمینه نیست
توضیح زمینه‌ایقطعهٔ بی‌مرجع در سند بزرگمنبع توضیح را جدا نگه دار؛ متن افزوده را شاهد اصلی جا نزن

[ابزار] (۲۰۲۴) در آزمایش Anthropic، توضیح معمولاً ۵۰ تا ۱۰۰ توکن بود. این عدد دستورالعمل جهان‌شمول فارسی نیست. متن تولیدی برای کمک به جست‌وجو را از متن اصیل سند جدا ذخیره کنsrc-anthropic-contextual.

گام ۴: بازیابی، مجوز و استناد را جدا طراحی کن

ورود سند معتبر و دارای مجوز → ثبت نسخه/بخش → Chunking
            ↓
نمایه واژگانی/برداری (در صورت نیاز) → دریافت پرسش + هویتِ احراز‌شده
            ↓
فیلتر مجوز و نسخه فعال در لایه بازیاب → Retrieval → بازچینی و انتخاب شاهد
            ↓
تولید پیش‌نویسِ وابسته به شاهد → بررسی قطعی chunk_id و quote
            ↓
ANSWERED / PARTIAL / INSUFFICIENT_EVIDENCE / FORBIDDEN

جملهٔ «طبق سند X» بدون شناسه، نسخه و شاهد، اعتبارسنجی نیست. در متن بازیابی‌شده هرگونه فرمانی مانند «سیاست‌های قبلی را نادیده بگیر» دادهٔ نامطمئن است و اختیار اجرایی نمی‌آورد.

گام ۵: استناد ظاهری را با تطبیق واقعی اشتباه نگیر

CHUNKS = {
  "POL-12": "در نسخه ۱۴۰۵، مدت مأموریت با تأیید مدیر ثبت می‌شود.",
  "POL-13": "در نسخه ۱۴۰۳، درخواست کاغذی بود."
}

def citation_exists(chunk_id, quote):
    return chunk_id in CHUNKS and bool(quote) and quote in CHUNKS[chunk_id]

assert citation_exists("POL-12", "با تأیید مدیر")
assert not citation_exists("POL-12", "بدون تأیید")
assert not citation_exists("POL-99", "مدت مأموریت")
print("citation checks: OK")

این تابع فقط وجود نقل‌قول را می‌سنجد؛ تضمین نمی‌کند ادعای مدل از نظر منطقی درست است. بررسی رابطهٔ «ادعا ↔ شاهد» باید جدا انجام شود و در امور پرریسک انسان تأیید کند.

مثال‌ها

نمونهٔ مسیر با سه سند ساختگی و یک پرسش مبهم:

سؤال: «حق مأموریت چقدر است؟»
retrieval: [POL-2023(active=false), POL-2025(active=true), NOTE-FAQ]
filter: POL-2023 حذف شد؛ NOTE-FAQ فقط توضیح است، مرجع عدد نیست
result: CLARIFICATION_REQUIRED (شهر و تاریخ مشخص نیست)
رفتار ممنوع: ساختن رقم از حافظهٔ مدل

پیاده‌سازی عملی

دو مسیر معادل برای یادگیری وجود دارد؛ مسیر اول برای کاربر غیربرنامه‌نویس و مسیر دوم برای علاقه‌مند به کنترل خودکار. هر دو با دادهٔ ساختگی و بدون حساب خارجی اجرا می‌شوند.

مسیر بدون کد

سه متن ساختگی برای «آیین‌نامهٔ مأموریت» بساز؛ هرکدام عنوان، نسخه، بند و تاریخ متفاوت داشته باشد.

  1. برای ۵ پرسش (یک مورد کلی، یک کد مشخص، یک تاریخ مبهم، یک سؤال چندسندی و یک سؤال بیرون از منابع) ماتریس تصمیم بساز.
  2. هر متن را از مرز بندها به قطعات دارای chunk_id و version بشکن و is_active را مشخص کن.
  3. برای هر سؤال قطعات مجاز و دقیق و پاسخ مجاز را دستی ثبت کن؛ پاسخ بی‌شاهد را «اطلاعات کافی نیست» بزن.

معیار پذیرش: در ۴ مورد از ۵ پرسش، معماری و شاهد مستدل است؛ هیچ استناد ساختگی پذیرفته نمی‌شود.

مسیر Python آفلاین

فقط بخش citation_exists بالا را در Python 3 اجرا کن. نیازی به نصب پکیج یا مدل نیست.

  1. سه شناسه با نقل‌قول درست، نقل‌قول نادرست و شناسهٔ ناموجود بساز.
  2. خروجی هر سه حالت را ببین و نتیجه را با متن CHUNKS دستی تطبیق بده.
  3. یک ادعای نادرست ولی دارای نقل‌قول واقعی طراحی کن تا نشان بدهی «وجود quote» برای صدق ادعا کافی نیست.

معیار پذیرش: سه آزمون ساختاری درست اجرا می‌شوند و تفاوت اعتبارسنجی رشته با استنتاج معنایی روشن است.

برنامهٔ پیاده‌سازی واقعی پس از این درس باید شامل سنجش هزینهٔ شاخص، سرعت پاسخ، بازسازی شاخص، مجوز، نگهداری نسخه و رگرسیون باشد؛ در این کارگاه ادعای استقرار سازمانی نداریم.

اشتباه‌های رایج

اشتباهچرا خطاست؟اصلاح سنجش‌پذیر
«هر سندی را برداری کن»پیچیدگی بی‌دلیل برای دادهٔ کم و ایستاسه گزینه را با حجم، تغییر و پرسش مقایسه کن
تکه‌بندی در وسط جدولردیف عددی عنوان/واحد را از دست می‌دهدعنوان و واحد هر جدول را در قطعه بیاور
اعتماد به chunk_id تولیدی مدلشناسه ممکن است جعل شودبا فهرست قطعاتِ همین درخواست تطبیق قطعی کن
پذیرش نسخهٔ منسوخنتیجهٔ جدید با دستور قدیم مخلوط می‌شودنسخه/تاریخ اجرا را در فیلتر واقعی اعمال کن
تعمیم آمار ۶۷٪ Anthropicآزمایش داخلی روی فارسی تضمین نیستعدد را با دامنهٔ مطالعه ذکر کن و آزمایش محلی بساز
«متن بلند همیشه کامل خوانده می‌شود»اثر جایگاه و حواس‌پرتی گزارش شدهبا پرسش‌های هدفمند در بخش‌های مختلف آزمون کن

عیب‌یابی

مادهٔ درست پیدا می‌شود ولی ردیف رقم غلط است.

عنوان جدول و واحد در قطعات دیگر افتاده است.

مرز جدول و متادیتای قطعه را با اصل سند مقایسه کن.

جدول را ساختارمحور قطعه‌بندی و نسخه را ثبت کن.

پاسخ به قانون قدیمی استناد می‌کند.

نسخهٔ ۱۴۰۳ هنوز در شاخص فعال است.

document_id, version, effective_from, status را ببین.

پیش از بازیابی نسخهٔ نامعتبر را حذف کن؛ در بازسازی شاخص، حذف را هم آزمون کن.

پاسخ خوش‌ظاهر است ولی chunk_id هیچ جا نیست.

مدل شناسه را حدس زده است.

تطبیق شناسه با خروجی واقعی بازیاب را اجرا کن.

استناد را رد کن و INSUFFICIENT_EVIDENCE برگردان.

سیستم از سند نامربوط اطلاعات شخصی نشان می‌دهد.

فیلتر مجوز پس از تولید یا فقط در پرامپت بوده است.

هویت تأییدشده و مجموعهٔ اسناد مجازِ قبل از بازیابی را بررسی کن.

در مرز ذخیره/بازیابی فیلتر قطعی و دفاع عمقی قرار بده.

ایمنی و حریم خصوصی

تمرین کوتاه

تمرین · 10 دقیقه

تمرین سریع: ۵ درخواست فرضی داری: (۱) خلاصهٔ یک قرارداد ثابت ۱۰صفحه‌ای؛ (۲) پرسش روزانه دربارهٔ ۲هزار اطلاعیهٔ متغیر؛ (۳) سه FAQ ثابت؛ (۴) ۷ سند چندنسخه‌ای با مجوز بخش‌ها؛ (۵) مقایسهٔ کل متن یک آیین‌نامهٔ واحد.

  1. برای هر درخواست گزینهٔ اولیه و یک خطر یا شرط تغییر گزینه بنویس.
  2. برای مورد ۴ یک chunk_id و دو متادیتای ضروری بساز.
  3. یک پاسخ بی‌شاهد و نحوهٔ رد آن را توصیف کن.

معیار پذیرش: دست‌کم ۴ انتخاب معقول با دلیل، قطعهٔ دارای نسخه/مجوز و رد استناد جعلی ثبت شود.

راه‌حل نمونه
  • ۱ Long Context یا فایل ساده؛ ۲ RAG؛ ۳ فایل دانش ساده؛ ۴ RAG مجوزدار؛ ۵ Long Context در صورت جا شدن متن و آزمون کیفیت.
  • ساخت نمونه: POL:1405-v2:sec12 با version=1405-v2 و acl=hr.
  • شناسهٔ ناپیدا یا نقل‌قول ناموجود → INSUFFICIENT_EVIDENCE یا بازبینی؛ هرگز استناد جعلی.

چالش

تمرین · 30 دقیقه

چالش طراحی: برای شرکت ساختگی بهارکالا، ۸ سند با نسخه‌های متفاوت و ۵ سؤال دربارهٔ مزایا و زمان اجرا فرض کن؛ همهٔ داده‌ها ساختگی‌اند.

  1. ماتریس سه‌معماری را برای ۵ سؤال کامل کن و دو معماری نامناسب را با دلیل رد کن.
  2. برای ۳ قطعهٔ نمونه، شناسهٔ ثابت، نسخه، عنوان، تاریخ مؤثر، وضعیت فعال و فهرست نقش‌های مجاز ثبت کن.
  3. دو پاسخ با استناد واقعی و یک پاسخ فاقد شاهد بنویس و تطبیق ماشینی/دستی استناد را ثبت کن.
  4. یک تست نسخهٔ منسوخ، یک تست استناد جعلی و یک تست سؤال مبهم طراحی کن.
  5. طرح را به معیارهای C04-I01، C05-I02، C06-I02 ربط بده؛ بدون بازتعریف شاخص‌ها.

معیار پذیرش: ۳ قطعهٔ دارای شناسنامه، ۵ تصمیم مستدل، ۳ وضعیت پاسخ قابل ردیابی و هر سه تست دارای انتظار روشن؛ دادهٔ واقعی استفاده نشده است.

راه‌حل نمونه
  • نمونهٔ مرجع برای ۲/۴/۵: RAG با فیلتر؛ ۱ و ۳ به دلیل محدودیت منابع ممکن است فایل ساده یا کانتکست کامل کافی باشند.
  • قاعدهٔ پذیرش استناد: شناسه در قطعات مجاز همان اجرا وجود دارد، نقل‌قول جزء متن اصلی و نسخه برای تاریخ پرسش معتبر است.
  • بدون زمان کافی: CLARIFICATION_REQUIRED؛ با منبع ناکافی: INSUFFICIENT_EVIDENCE؛ سند ممنوع: FORBIDDEN.

پرسش‌های سنجش

جمع‌بندی

  • RAG همیشه لازم نیست؛ طول/تازگی/نوع پرسش/مجوز تعیین می‌کند.
  • مرز قطعه و متادیتا بخشی از کیفیت پاسخ‌اند.
  • درستی ادعای نهایی از وجود ظاهری استناد نتیجه نمی‌شود.
  • آمار محصولی را فقط با شرایط آزمایش و تاریخ نقل کن.

خروجی قابل تحویل

یک برگهٔ تصمیم معماری، سه قطعهٔ شماره‌دارِ ساختگی، مسیر انتخاب شواهد و گزارش تست سه حالت «شاهد معتبر / شاهد جعلی / سؤال مبهم»؛ آمادهٔ ورود به persian-hybrid-search.

منابع پشتیبان این درس: Long-Context LLMs Meet RAG: Overcoming Challenges for Long Inputs in RAGsrc-longcontext-rag.

پرسش‌های سنجش

برای تحلیل سراسری یک قرارداد ثابت و کوتاه که کامل در ورودی جا می‌شود، انتخاب اولیهٔ معقول کدام است؟

  • همیشه پایگاه برداری و RAG
  • Long Context/فایل ساده با آزمون کیفیت
  • ساخت چند ایجنت خودمختار
  • پاسخ از حافظهٔ مدل بدون سند
پاسخ نمونه و معیار ارزیابی
  • a ← هزینهٔ شاخص در همه وضعیت‌ها توجیه ندارد.
  • c ← تعدد ایجنت ربطی به نیاز داده ندارد.
  • d ← منبع سازمانی را نباید حدس زد.

قطعهٔ جدول «فوق‌العادهٔ گرمسیری» بازیابی نشده؛ اعداد در قطعهٔ جدا و عنوان در قطعهٔ قبلی است. علت و اصلاح؟

chunk 1: «جدول مناطق گرمسیری»
chunk 2: «بندرعباس | ۲ واحد»
پاسخ نمونه و معیار ارزیابی

مرز قطعه عنوان، واحد و داده را جدا کرده است؛ جدول باید با عنوان/واحد و نسخه در یک قطعه یا با زمینهٔ معتبر نمایه شود؛ پس از اصلاح با همان پرسش تست شود.

  • علت قطع مرز جدول را تشخیص می‌دهد (1 امتیاز)
  • متادیتا و عنوان/واحد را حفظ می‌کند (1 امتیاز)
  • تست پس از اصلاح را نام می‌برد (1 امتیاز)

    مدل گفته «طبق POL-99 مزایای سال ۱۴۰۵ دو برابر شده» ولی `POL-99` در قطعات بازیابی‌شده نیست. چه کن؟

    پاسخ نمونه و معیار ارزیابی

    ادعا و استناد را رد کن؛ به کاربر «در اسناد بازیابی‌شده شاهد کافی ندارم» بگو، در صورت مجوز دوباره بازیابی کن؛ بدون تأیید عدد نساز.

    • شناسهٔ ناموجود را قطعی رد می‌کند (1 امتیاز)
    • پاسخ بی‌شاهد را قطعی نمی‌گوید (1 امتیاز)
    • فرق بازبازیابی با جعل را توضیح می‌دهد (1 امتیاز)

      چه زمانی `RAG` را به `Long Context` ترجیح می‌دهی و چه هزینه‌ای می‌پردازی؟

      پاسخ نمونه و معیار ارزیابی

      وقتی اسناد پرتعداد، پرتغییر یا نیازمند فیلتر مجوز باشند، RAG محتمل‌تر است. هزینهٔ نمایه‌سازی، به‌روزرسانی، آزمون کیفیت و تأخیر بازیابی دارد؛ Long Context برای تحلیل سراسری سند معلوم گاهی بهتر است.

      • دو معیار انتخاب ذکر می‌کند (1 امتیاز)
      • هزینه یا ریسک RAG را شرح می‌دهد (1 امتیاز)
      • عدم قطعیت و آزمون محلی را لحاظ می‌کند (1 امتیاز)

        سه کنترل مستقل برای ادعای «ماده ۱۲ رقم X را تعیین کرده» بنویس.

        پاسخ نمونه و معیار ارزیابی

        وجود شناسه در خروجی بازیاب، مطابقت نسخه/مجوز و نقل‌قولِ متن اصلی، و کنترل معنایی اینکه متن واقعاً مقدار X را پشتیبانی کند؛ در مسئلهٔ حساس تأیید انسان.

        • وجود واقعی شناسه را کنترل می‌کند (1 امتیاز)
        • نسخه/دسترسی و نقل‌قول را بررسی می‌کند (1 امتیاز)
        • استنتاج معنایی را از تطبیق رشته جدا می‌کند (1 امتیاز)

          ابزارها و جایگزین‌ها

          • ویرایشگر متن و جدول محلی — تهیه ماتریس تصمیم، پاسخ تمرین و آزمون بدون اشتراک — LibreOffice — Notepad — Excel آفلاین — مداد و کاغذ
          • Python 3 محلی (اختیاری) — اجرای اعتبارسنجی شناسه و نقل‌قول با کتابخانهٔ استاندارد — انجام همان تطبیق با جدول و نگاه انسانی

          منابع

          Introducing Contextual Retrieval Anthropic Engineering 2024-09-19؛ وضعیت: یادداشت فنیِ منتشرشده توسط ارائه‌دهنده؛ بدون داوری علمی مستقل؛ بررسی منبع در 2026-11-07

          Lost in the Middle: How Language Models Use Long Contexts Liu et al. / TACL 2024-02؛ جلد ۱۲، ص ۱۵۷–۱۷۳؛ وضعیت: مقالهٔ داوری‌شده؛ بررسی منبع در 2026-11-07

          Long-Context LLMs Meet RAG: Overcoming Challenges for Long Inputs in RAG Jin et al. / arXiv 2024-10-08؛ وضعیت: پیش‌چاپ (preprint) در نسخهٔ مورد استناد؛ نتایج وابسته به آزمون‌ها؛ بررسی منبع در 2026-11-07

          OWASP GenAI LLM Top 10 2026 OWASP GenAI Security Project 2026-08-03 (صفحهٔ انتشار)؛ وضعیت: راهنمای امنیتی جامعه OWASP؛ استاندارد گواهی یا مطالعهٔ داوری‌شده نیست؛ بررسی منبع در 2026-11-07

          OWASP LLM08:2025 Vector and Embedding Weaknesses (historical edition) OWASP GenAI Security Project 2025؛ وضعیت: راهنمای امنیتی نسخهٔ ۲۰۲۵؛ جایگزین فهرست به‌روز ۲۰۲۶ نیست؛ بررسی منبع در 2026-11-07

          Course

          Connecting Models to Knowledge: RAG, Persian Search and Memory