# الذكاء الاصطناعي على مستندات الشركة نفسها (RAG)، باللغة المجرية أيضًا

ترى Mesterséges Intelligencia Központ Kft.، شركة تطوير البرمجيات في بودابست بالمجر، أن RAG هو ما يقدّم إجابات قابلة للتحقق من مستندات الشركة: يبحث النظام أولًا عن المقاطع ذات الصلة، ثم يجيب النموذج منها مع ذكر المصدر، باللغة المجرية أيضًا.

> **الخلاصة:** لا حاجة إلى تدريب النموذج على بياناتنا الخاصة: فـRAG يقدّم له المقاطع ذات الصلة لحظة طرح السؤال، والإجابة تشير إلى المصدر. وتتوقف الجودة على تنظيم المستندات، ودقة البحث، والقياس المستمر؛ وهو يعمل باللغة المجرية أيضًا، لكن يجب قياسه على أسئلتنا المجرية الخاصة.

## ما هو RAG، ومن أين جاء المصطلح؟

RAG اختصار لـretrieval-augmented generation، ويمكن ترجمته إلى العربية تقريبًا بـ«التوليد المعزَّز بالاسترجاع». ويعود المصطلح إلى [دراسة نُشرت عام 2020](https://arxiv.org/abs/2005.11401) لـPatrick Lewis وزملائه، بعنوان «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks». وقد ربط المؤلفون ما يُسمّى الذاكرة البارامترية لنموذج لغوي مدرَّب مسبقًا بذاكرة غير بارامترية: فهرس متجهات كثيف لموسوعة ويكيبيديا، يُوصَل إليه بمسترجِع عصبي.

واليوم يعني المصطلح بمعنى أوسع الحلَّ الذي يبحث فيه النظام لكل سؤال أولًا عن المقاطع اللازمة في مجموعة من المستندات، ثم يصوغ النموذج اللغوي الإجابة منها. ولا تتغير معرفة النموذج نفسه في أثناء ذلك: فهو يتلقى مواد الشركة لحظة طرح السؤال. ومن هنا تنبع ثلاث مزايا عملية لـRAG: يمكن تحديث المعرفة فورًا، ويمكن للإجابة أن تشير إلى مصدرها، ويمكن عند البحث التصفية بحسب ما يحق للسائل رؤيته.

## كيف يعمل؟ ست خطوات

1. **الجمع:** نجمع المصادر (مستودع المستندات، والويكي، ونظام التذاكر، والجزء المختار من البريد الإلكتروني) في مكان واحد.
2. **التقسيم:** نقسّم المستندات الطويلة إلى أجزاء أصغر (chunks) بطول بضع فقرات. فـ[خدمة الاسترجاع](https://developers.openai.com/api/docs/guides/retrieval) لدى OpenAI مثلًا تُنشئ افتراضيًا مقاطع لا تتجاوز 800 token، مع تداخل قدره 400 token.
3. **التضمين (embedding):** يحوّل نموذج التضمين كل مقطع إلى سلسلة من الأرقام، أي إلى متجه. وبحسب [وصف OpenAI](https://developers.openai.com/api/docs/guides/embeddings)، تدل المسافة الصغيرة بين المتجهات على صلة كبيرة في المحتوى، والمسافة الكبيرة على صلة ضعيفة.
4. **البحث:** يحوّل النموذج نفسه السؤال إلى متجه، ويبحث النظام عن المقاطع الأقرب إليه. وتكمّل Anthropic في وصفها لـ[Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval) البحثَ بحسب المعنى ببحث حرفي بالكلمات المفتاحية (BM25)، لأنه يجد المصطلحات الدقيقة، كالمعرّفات، على نحو أفضل، ثم تمرّر خطوةُ إعادة ترتيب (reranker) المقاطعَ الأكثر صلة فقط إلى النموذج.
5. **التصفية والتجميع:** لا يبقى من المقاطع التي عُثر عليها إلا ما يحق للسائل رؤيته، وهذه تُقدَّم إلى النموذج مع السؤال.
6. **الإجابة مع الإشارة إلى المصدر:** يجيب النموذج من المقاطع التي تلقاها، ويشير إلى المكان الذي أخذ منه كل معلومة. فـ[ميزة citations](https://platform.claude.com/docs/en/build-with-claude/citations) لدى Anthropic تشير في ملفات PDF إلى رقم الصفحة، وفي النص العادي إلى موضع الحروف؛ أما [البحث في الملفات](https://developers.openai.com/api/docs/guides/tools-file-search) لدى OpenAI فيضيف إلى الإجابة إشارة تحيل إلى الملف المصدر.

ومن الأخطاء الشائعة في التقسيم أن يفقد المقطع سياقه، وتنبّه Anthropic إلى ذلك أيضًا في الوصف نفسه. فجملة مثل «تُحتسب المهلة من تاريخ الاستلام» لا تكشف وحدها عن أيّ عقد وأيّ مهلة يدور الحديث. ولذلك من المفيد أن يُضاف إلى كل مقطع عنوان المستند، وعنوان القسم، والتاريخ، حتى يرى البحث والنموذج كلاهما سياقه.

## RAG أم الضبط الدقيق؟

الضبط الدقيق (fine-tuning) هو مواصلة تدريب النموذج على بيانات خاصة بمهمة معيّنة. وبحسب [دليل OpenAI عن الدقة](https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy)، يقدّم RAG السياق المتخصص الذي تحتاجه المهمة، ويلزم إذا كانت معرفة النموذج متقادمة، أو كانت المهمة تتطلب معلومات الشركة الخاصة؛ أما الضبط الدقيق فيساعد إذا كانت مخرجات النموذج غير متسقة، أو كان شكلها أو نبرتها غير مناسبين. وبحسب الدليل، يكمّل الأسلوبان أحدهما الآخر، ويمكن استخدامهما معًا.

| المعيار | RAG | الضبط الدقيق |
|---|---|---|
| الغرض منه | نقل معرفة الشركة إلى النموذج لحظة طرح السؤال | توحيد سلوك النموذج وشكل مخرجاته ونبرتها |
| المعرفة المحدَّثة | تسري بعد تحديث الفهرس إثر تحديث المستند | تتطلب تدريبًا جديدًا |
| الإشارة إلى المصدر | يمكن للإجابة أن تشير إلى المقطع الذي عُثر عليه | المعرفة المدمجة في أوزان النموذج لا ترافقها أي إشارة إلى المصدر |
| الصلاحيات | يمكن تصفيتها لكل مستند على حدة | المعرفة المدرَّبة واحدة لدى جميع المستخدمين |
| سحب مستند | يُزال المستند من الفهرس | لا يزول أثره إلا بتدريب جديد |
| متى يستحق العناء | نقطة البداية دائمًا تقريبًا لمستندات الشركة | إذا كانت المشكلة في اتساق الشكل أو النبرة، إلى جانب RAG |

ولذلك فإن RAG هو نقطة البداية الطبيعية لمستندات الشركة. والسؤال «هل يجب تدريب النموذج؟» يعني في أغلب الأحيان في الواقع: كيف يحصل النموذج على معرفة الشركة؟ والإجابة عن ذلك هي RAG.

## باللغة المجرية أيضًا؟ الدعم اللغوي والمواد متعددة اللغات

### النموذج الذي يجيب

تفهم نماذج كبار المزوّدين اللغة المجرية وتكتبها جيدًا، لكن قياساتها المنشورة للأداء اللغوي لا تشمل المجرية دائمًا. وتنشر [صفحة الدعم متعدد اللغات](https://platform.claude.com/docs/en/build-with-claude/multilingual-support) لدى Anthropic نتائج قياس لـ14 لغة غير الإنجليزية، ليست المجرية بينها (تم التحقق في 17 أكتوبر 2026)؛ لكن الصفحة تؤكد في الوقت نفسه أن Claude قابل للاستخدام بلغات كثيرة غير تلك الواردة في الجدول، وتوصي بالاختبار على اللغات المهمة للتطبيق، وبتحديد لغة الإجابة في تعليمات النظام. وهذه تجربتنا أيضًا: فالمساعد الذكي القائم على Claude في صفحتنا الرئيسية يتحاور بالمجرية و13 لغة أخرى، لكننا نقيس كل استخدام جديد على أسئلة باللغة المجرية.

### نموذج التضمين

تتوقف جودة البحث على نموذج التضمين بقدر لا يقل عن توقفها على النموذج الذي يجيب. ولدى كبار المزوّدين (تم التحقق في 17 أكتوبر 2026):

- بحسب الوثائق، يعمل [نموذج Gemini Embedding 2](https://ai.google.dev/gemini-api/docs/embeddings) من Google بأكثر من 100 لغة؛
- أما Anthropic فـ[لا تقدّم نموذج تضمين خاصًا بها](https://platform.claude.com/docs/en/build-with-claude/embeddings)، بل تشير إلى نماذج Voyage AI، ومنها voyage-4 المحسَّن للبحث العام والبحث متعدد اللغات؛
- ويعرض دليل التضمين لدى OpenAI نماذج text-embedding-3، لكنه لا يسرد اللغات المدعومة.

ولذلك نختار نموذج التضمين بناءً على أزواج الأسئلة والمستندات المجرية الخاصة بالشركة، لا على القياسات العامة للمزوّد.

### الخصوصيات المجرية

- **التصريف:** الكلمات «szerződés» و«szerződésben» و«szerződéseinkről» (العقد، في العقد، عن عقودنا) تتحدث عن الشيء نفسه، لكن البحث الحرفي بالكلمات المفتاحية لا يعدّها متطابقة دون ردّ الكلمات إلى أصولها (stemming). والبحث بحسب المعنى يساعد هنا، أما البحث الهجين فيجمع بين الاثنين.
- **المصطلحات الفنية والأسماء الداخلية:** اختصارات الشركة ورموز منتجاتها وتسمياتها الداخلية ليست جزءًا من المعرفة العامة للنموذج؛ ومسرد قصير للمصطلحات يحسّن البحث كثيرًا.
- **المواد متعددة اللغات:** إذا كان السؤال بالمجرية والدليل بالإنجليزية، فيلزم نموذج تضمين متعدد اللغات، ويجب تحديد لغة الإجابة؛ ويبقى الاقتباس من المصدر بلغته الأصلية.
- **الصياغة اليومية:** يجب أن تُدرج بين أسئلة الاختبار أيضًا الأخطاءُ الإملائية، والأسئلة المكتوبة دون العلامات المميِّزة فوق الحروف المجرية (accents)، والتعابير العامية.

## من أيّ مستندات يمكنه العمل؟

| المصدر | ما يجب الانتباه إليه |
|---|---|
| ملف PDF نصي | تسهل معالجته؛ ويمكن أن تشير الإحالة إلى المصدر إلى رقم الصفحة أيضًا |
| ملف PDF ممسوح ضوئيًا | يلزم أولًا التعرّف الضوئي على النصوص (OCR): فبحسب وثائق Anthropic لا يمكن الإحالة إلى ملف PDF ممسوح ضوئيًا لا يتضمن نصًا قابلًا للاستخراج |
| Word وExcel | توصي Anthropic بتحويل ملفات DOCX وXLSX إلى نص، أما البحث في الملفات لدى OpenAI فيقبل DOCX مباشرة أيضًا؛ ويجب الحفاظ على بنية الجداول |
| الويكي والإنترانت | يجب أن تُعتمد النسخة السارية، وأن تُنقل الصفحات القديمة إلى الأرشيف |
| التذاكر ومكتب المساعدة | تكثر فيها البيانات الشخصية والحلول المتقادمة، ولذلك يجب تصفيتها |
| رسائل البريد الإلكتروني | في نطاق مختار ومنظَّم فقط؛ فهي أكثر المصادر حساسية من حيث البيانات الشخصية والصلاحيات |

## الصلاحيات لكل مستند

أكثر نقاط RAG حساسية أن النظام لا يجوز له أن يكشف مقطعًا لا يستطيع السائل فتحه في نظام المصدر أيضًا. ولا نترك ذلك للنموذج، بل نبنيه في البحث:

- يحمل كل مقطع معه بيانات صلاحيات المستند المصدر بوصفها بيانات وصفية (metadata)؛
- تجري التصفية قبل البحث أو في أثنائه (فخدمة الاسترجاع لدى OpenAI مثلًا تتيح التصفية بحسب سمات الملفات قبل البحث بحسب المعنى)، فلا يصل إلى النموذج أصلًا ما لا يحق للسائل رؤيته؛
- نزامن تغييرات الصلاحيات من نظام المصدر، ولا نصونها يدويًا؛
- نسجّل من سأل عن ماذا، ومن أيّ مستندات تلقى الإجابة.

## فهرس محدَّث باستمرار

لا يكون RAG جيدًا إلا بقدر حداثة فهرسه. وما ننتبه إليه:

- **رصد التغييرات:** يعالج النظام المستندات الجديدة والمعدَّلة تلقائيًا.
- **الحذف:** المستند المحذوف من المصدر يُزال من الفهرس أيضًا؛ وبحسب وثائق OpenAI يسري الحذف تدريجيًا، فقد يظهر ملف محذوف بين النتائج لفترة قصيرة بعد.
- **النسخ:** التمييز بين النسخة السارية والنسخة الملغاة، مع التاريخ في البيانات الوصفية.
- **مالك المصدر:** لكل مصدر مسؤول ينبّه إذا تقادم شيء ما.
- **انتهاء الصلاحية:** قاعدة لانتهاء صلاحية المواد المؤقتة؛ فمخازن المتجهات (vector stores) لدى OpenAI مثلًا يمكن تحديد مدة لانتهاء صلاحيتها.

## إجابات خاطئة أقل: المصدر، و«لا أعرف»، والقياس

قد يخطئ النموذج اللغوي حتى مع المواد المقدَّمة له. ويوصي [دليل Anthropic عن الحدّ من الإجابات الخاطئة](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations) بأن يُمنح النموذج صراحةً الإذن بالإجابة «لا أعرف»، وأن يستند إلى اقتباسات حرفية، وأن يبحث عن اقتباس داعم لكل ادعاء من ادعاءاته (وأن يسحب الادعاء إن لم يجده)، وأن يعمل من المستندات المقدَّمة فقط. ويضيف الدليل أن هذه الأساليب تقلّل الإجابات الخاطئة لكنها لا تقضي عليها تمامًا، ولذلك يجب التحقق من المعلومات المهمة. ونحن نبني على ما يلي:

- **الإشارة إلى المصدر:** يظهر بجانب كل إجابة من أيّ جزء من أيّ مستند جاءت.
- **«لا أعرف» والإحالة:** إن لم تكن الإجابة موجودة في المواد، يقول النظام ذلك صراحة، ويحيل السؤال إلى أحد الموظفين.
- **من المواد المقدَّمة فقط:** لا يستخدم النموذج معرفته العامة عن الشركة.
- **مجموعة التقييم:** أسئلة حقيقية مع الإجابة المتوقعة والمصدر الصحيح. ونقيس على حدة ما إذا كان البحث قد وجد المقطع الصحيح، وما إذا كانت الإجابة وفيّة له؛ وبحسب [دليل التقييم لدى OpenAI](https://developers.openai.com/api/docs/guides/evaluation-best-practices)، يجب أن تتضمن بيانات الاختبار حالات نموذجية وحدّية ومضلِّلة عمدًا، ويجب إعادة تشغيل التقييم عند كل تغيير.
- **الملاحظات:** يمكن للمستخدمين الإبلاغ عن الإجابة الخاطئة، ويتحول السجل إلى حالات اختبار جديدة.

## حماية البيانات: أين تُخزَّن المستندات؟

تمرّ مواد الشركة في نظام RAG بثلاثة أماكن:

- **نظام المصدر:** تبقى المستندات حيث كانت، أي في مستودع المستندات، والويكي، وبرنامج البريد الإلكتروني.
- **الفهرس:** المقاطع والمتجهات في قاعدة بيانات للبحث. ويمكن أن يعمل في بيئة الشركة الخاصة أو لدى مزوّد خدمة؛ ففي البحث في الملفات لدى OpenAI مثلًا، وبحسب [وثائق التحكم في البيانات](https://developers.openai.com/api/docs/guides/your-data) ودليل الاسترجاع، تبقى الملفات المرفوعة مخزّنة إلى أن تُحذف أو تنتهي صلاحية مخزن المتجهات.
- **استدعاء النموذج:** لا يصل إلى النموذج إلا المقاطع المختارة للسؤال. وتسري حينئذٍ شروط معالجة البيانات لدى المزوّد. أما ما تقوله هذه الشروط عن التدريب، ومدة التخزين، ومكان المعالجة، فيلخّصه مقال [كيف نربط أنظمة الشركة بالذكاء الاصطناعي؟](https://www.mestersegesintelligenciakozpont.hu/ar/knowledge-base/connecting-business-systems-with-ai).

وإذا تضمنت المستندات بيانات شخصية، فإن معالجتها تخضع لـGDPR، ويلزم مع مزوّد الخدمة الذي يعمل معالِجًا للبيانات عقدٌ وفق المادة 28 من [اللائحة العامة لحماية البيانات](https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32016R0679). ونكتب عن المسائل القانونية، كالشفافية ونقل البيانات وتقييم الأثر، في مقال [AI Act وGDPR: إلامَ ننتبه في روبوت محادثة الشركة؟](https://www.mestersegesintelligenciakozpont.hu/ar/knowledge-base/ai-act-and-gdpr-for-business-chatbots). هذه معلومات إرشادية وليست استشارة قانونية.

## خطوات مشروع RAG

1. **الهدف ونطاق الأسئلة:** مَن يسأل، وعن ماذا، وما الذي يُعدّ إجابة جيدة.
2. **حصر المصادر وترتيبها:** استبعاد النسخ المكرّرة والمتناقضة والمتقادمة.
3. **نموذج الصلاحيات:** مَن يجوز له تلقي الإجابات من أيّ مستند.
4. **مجموعة التقييم:** أسئلة حقيقية باللغة المجرية مع الإجابة والمصدر المتوقعين.
5. **النموذج الأولي:** ضبط التقسيم ونموذج التضمين والبحث بناءً على القياس.
6. **الربط:** الواجهة، والإشارة إلى المصدر، والإحالة إلى أحد الموظفين، وتسجيل الأحداث.
7. **الإطلاق التجريبي:** في دائرة ضيقة من المستخدمين، مع جمع الملاحظات.
8. **التشغيل:** تحديث الفهرس، والقياس المستمر، واختبار تبديل النماذج.

## الأخطاء المعتادة

- **مستودع المستندات «كما هو»:** إذا وُجدت ثلاث نسخ متداولة من اللائحة نفسها، فقد يقتبس النظام من أيٍّ منها.
- **الصلاحيات لاحقًا:** في العرض التوضيحي الأول يظهر كل شيء، وفي التشغيل الفعلي قد يكون ذلك خرقًا لحماية البيانات.
- **إجابة بلا مصدر:** لا يستطيع المستخدم التحقق منها، ولا يثق بها أيضًا.
- **الاختبار بأسئلة مختلَقة:** أسئلة العرض التوضيحي تعمل جيدًا، أما الأسئلة الحقيقية المكتوبة بالمجرية بأخطاء إملائية فلا.
- **التحميل لمرة واحدة:** تتقادم قاعدة المعرفة سريعًا إن لم تُحدَّث.
- **ملفات PDF ممسوحة ضوئيًا دون تعرّف ضوئي على النصوص:** النظام ببساطة لا يرى محتواها.

## الأسئلة الشائعة

### ما هو RAG؟

RAG (retrieval-augmented generation، أي التوليد المعزَّز بالاسترجاع) حلٌّ يبحث فيه النظام لكل سؤال أولًا عن المقاطع ذات الصلة في مستندات الشركة، ثم يجيب النموذج اللغوي منها مع الإشارة إلى المصدر. ويعود المصطلح إلى دراسة بحثية نُشرت عام 2020.

### هل يجيب باللغة المجرية من مستنداتنا الخاصة؟

نعم. تفهم النماذج اللغوية الكبيرة اليوم اللغة المجرية وتكتبها جيدًا، وتعمل أيضًا من المستندات المكتوبة بالمجرية؛ والمساعد الذكي في صفحتنا الرئيسية يتحاور بالمجرية أيضًا. ولأن القياسات المنشورة للمزوّدين لا تشمل المجرية دائمًا، فإننا نقيس النموذج الذي يجيب ونموذج التضمين كليهما على أسئلة الشركة المجرية الخاصة قبل الإطلاق الفعلي.

### هل يجب تدريب النموذج على بياناتنا الخاصة؟

في العادة لا. فـRAG يقدّم للنموذج المقاطع اللازمة لحظة طرح السؤال، ولذلك يمكن تحديث المعرفة، والإشارة إلى المصدر، وتصفية الصلاحيات لكل مستند. وقد يُطرح الضبط الدقيق إذا لم يكن شكل الإجابات أو نبرتها متسقًا بما يكفي؛ وحتى حينئذٍ إلى جانب RAG، لا بدلًا منه.

### ماذا يحدث إن لم يعرف الإجابة؟

نبنيه بحيث يقول ذلك صراحة ويحيل السؤال إلى أحد الموظفين، بدلًا من أن يختلق شيئًا. ويُمنح النموذج إذنًا صريحًا بالإجابة «لا أعرف»، ولا يجوز له العمل إلا من المواد المقدَّمة، وتعود الأسئلة التي بقيت بلا إجابة من السجل لتُستخدم في توسيع قاعدة المعرفة.

### أين تُخزَّن مستنداتنا؟

في نظام المصدر، كما كانت من قبل؛ وإلى جانبها في فهرس البحث، الذي يمكن أن يعمل في بيئة الشركة الخاصة أو لدى مزوّد خدمة؛ ولا يصل إلى النموذج مع كل سؤال إلا المقاطع المختارة، وفق شروط معالجة البيانات لدى المزوّد. أما أيّ حل يناسب شركة بعينها، فيتوقف على حساسية المستندات ومتطلبات حماية البيانات.

## كيف نساعدكم؟

تطوّر Mesterséges Intelligencia Központ Kft. روبوتات محادثة بالذكاء الاصطناعي تجيب من مستندات الشركة نفسها، باللغة المجرية أيضًا، بطريقة RAG ومع الإشارة إلى المصدر، بالاعتماد على النماذج اللغوية من OpenAI (ChatGPT) وAnthropic (Claude) وGoogle (Gemini). الاستشارة الأولى مجانية؛ ونقيس حجم التطوير بنقاط COSMIC الوظيفية، ومنه يُعَدّ العرض والجدول الزمني. ونوقّع عند الطلب اتفاقية عدم إفصاح (NDA)، وبعد التسليم نتولى أيضًا تحديث قاعدة المعرفة ومراقبة عمل النظام. وتخضع الشيفرة المصدرية وحقوق الاستخدام لأحكام العقد.

التفاصيل في صفحتي [روبوتات المحادثة ووكلاء الذكاء الاصطناعي](https://www.mestersegesintelligenciakozpont.hu/ar/services/ai-chatbots-and-agents) و[دمج الذكاء الاصطناعي](https://www.mestersegesintelligenciakozpont.hu/ar/services/ai-integration)؛ ويساعدكم مقال [روبوت محادثة أم وكيل ذكاء اصطناعي؟](https://www.mestersegesintelligenciakozpont.hu/ar/knowledge-base/chatbot-vs-ai-agent) على تحديد ما تحتاجون إليه منهما. وإن كنتم تخطّطون لنظام يجيب من مستندات شركتكم، فاكتبوا لنا عبر بيانات التواصل الواردة في صفحة [التواصل](https://www.mestersegesintelligenciakozpont.hu/ar/contact).

## المصادر

- [arXiv: Lewis وآخرون، Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
- [OpenAI: Vector embeddings](https://developers.openai.com/api/docs/guides/embeddings)
- [OpenAI: Retrieval](https://developers.openai.com/api/docs/guides/retrieval)
- [OpenAI: File search](https://developers.openai.com/api/docs/guides/tools-file-search)
- [OpenAI: Data controls in the OpenAI platform](https://developers.openai.com/api/docs/guides/your-data)
- [OpenAI: Optimizing LLM Accuracy](https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy)
- [OpenAI: Evaluation best practices](https://developers.openai.com/api/docs/guides/evaluation-best-practices)
- [Anthropic: Embeddings](https://platform.claude.com/docs/en/build-with-claude/embeddings)
- [Anthropic: Multilingual support](https://platform.claude.com/docs/en/build-with-claude/multilingual-support)
- [Anthropic: Citations](https://platform.claude.com/docs/en/build-with-claude/citations)
- [Anthropic: Reduce hallucinations](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
- [Anthropic: Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval)
- [Google Gemini API: Embeddings](https://ai.google.dev/gemini-api/docs/embeddings)
- [EUR-Lex: اللائحة العامة لحماية البيانات، اللائحة (EU) 2016/679 (GDPR)](https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32016R0679)