Seven RAG design patterns, explained in Amharic — with Bina's own knowledge base as the example

አንድ ጠበቃ ጥያቄ ሲቀርብለት ሁሉንም ሕግ በቃሉ አያስታውስም። የሚያደርገው ነገር አለ፦ ወደ መደርደሪያው ሄዶ ትክክለኛውን አዋጅ ያወጣል፣ የሚመለከተውን አንቀጽ ያነባል፣ ከዚያ ይመልሳል። ጥሩ የሰው ሠራሽ አስተውሎት (AI) ሥርዓትም እንዲሁ ይሠራል። ይህ ዘዴ በእንግሊዝኛ RAG (Retrieval-Augmented Generation) ይባላል፤ በአማርኛ ‹‹ፈልጎ፣ አንብቦ መመለስ›› ልንለው እንችላለን።

RAG ያስፈለገበት ምክንያት ቀላል ነው። AI ሞዴሎች የሠለጠኑበትን ነገር ብቻ ያውቃሉ። የትናንቱን አዋጅ፣ የዛሬውን የባንክ ምንዛሪ ወይም የአንድ ድርጅትን የውስጥ ደንብ አያውቁም። ሲጠየቁ ደግሞ ‹‹አላውቅም›› ከማለት ይልቅ የሚመስል መልስ ፈጥረው ሊናገሩ ይችላሉ። RAG ይህን የሚያስተካክለው AI ከመናገሩ በፊት እውነተኛ ሰነድ እንዲያነብ በማድረግ ነው።

በ2026 (እ.ኤ.አ.) RAG ከአንድ ቀላል ዘዴ ወደ ሰባት የተለያዩ መንገዶች አድጓል። እያንዳንዱን በቅደም ተከተል እንየው። በየመንገዱ ቢና ራሱ የት እንዳለ በግልጽ እንናገራለን፤ ምክንያቱም የቢና የዕውቀት ማዕከል ከ13 ሺህ በላይ የአማርኛ፣ የአፋን ኦሮሞ እና የእንግሊዝኛ ሰነድ ቁራጮችን የያዘ እውነተኛ RAG ሥርዓት ነው።

1. መሠረታዊው RAG (Naive RAG)

ይህ የሁሉም መነሻ ነው። ሰነዶች በትንንሽ ቁራጮች ይከፋፈላሉ። እያንዳንዱ ቁራጭ ትርጉሙን ወደሚወክል የቁጥር ዝርዝር ይቀየራል፤ ይህ ‹‹ኢምቤዲንግ›› (embedding) ይባላል። ትርጉማቸው የሚቀራረብ ጽሑፎች የሚቀራረቡ ቁጥሮች ያገኛሉ። እነዚህ ቁጥሮች ‹‹ቬክተር ዳታቤዝ›› በሚባል ማከማቻ ውስጥ ይቀመጣሉ።

ተጠቃሚ ሲጠይቅ ጥያቄውም ወደ ቁጥር ይቀየራል፤ ከዚያ ትርጉሙ በጣም የሚቀርቡት ቁራጮች ይወጣሉ፣ ከጥያቄው ጋር አብረው ለAI ይሰጣሉ፣ AI ደግሞ እነሱን አንብቦ ይመልሳል። ቀላል፣ ፈጣን እና ርካሽ ነው። ድክመቱ ግን የሚያመጣውን ቁራጭ አይፈትሽም፤ ትርጉሙ ‹‹የሚመስል›› ግን የማይመለከት ጽሑፍ ሊያመጣ ይችላል።

2. ፈልጎ፣ እንደገና መደርደር (Retrieve-and-Rerank)

ይህ መንገድ ሁለት ደረጃ አለው። መጀመሪያ እንደ መሠረታዊው RAG ብዙ እጩ ቁራጮችን በፍጥነት ያመጣል። ከዚያ ‹‹ሪራንከር›› (reranker) የሚባል ሁለተኛ ሞዴል እያንዳንዱን እጩ ከጥያቄው ጋር አንድ ላይ አንብቦ ‹‹ይህ በእርግጥ ጥያቄውን ይመልሳል ወይ?›› ብሎ ደረጃ ያወጣል። የመጀመሪያው ፍለጋ እንደ ፈጣን ቅኝት ነው፤ ሁለተኛው እንደ ጥንቃቄ ያለበት ንባብ።

ቢና እዚህ ላይ፦ የቢና ፍለጋ ይህን ይጠቀማል። ለምሳሌ አንድ ሰው ‹‹ዱባይ ለቤት ሠራተኝነት ለመሄድ ምን ያስፈልጋል?›› ብሎ ሲጠይቅ፣ የመጀመሪያው ፍለጋ ስለ ጉዞ፣ ስለ ፓስፖርት እና ስለ ሥራ የሚያወሩ ብዙ ሰነዶችን ያመጣል። ሪራንከሩ ከነሱ መካከል የውጭ አገር ሥራ ስምሪት አዋጅን ወደ ላይ ያወጣል። ትክክለኛው መልስ ያለው እዚያ ነውና።

3. ብዙ ዓይነት ሚዲያ የሚያነብ RAG (Multimodal RAG)

ዕውቀት ሁሉ በጽሑፍ አይገኝም። በምስል፣ በሠንጠረዥ፣ በካርታ፣ በድምፅ እና በቪዲዮ ውስጥም አለ። መልቲሞዳል RAG እነዚህን ሁሉ ከጽሑፍ ጋር በአንድ ዓይነት የትርጉም ቁጥር ያስቀምጣቸዋል። ስለዚህ ‹‹የዚህ ማሽን የትኛው ክፍል ነው የተበላሸው?›› ተብሎ ሲጠየቅ ፎቶውንም መመሪያውንም አብሮ ማየት ይችላል።

ቢና እዚህ ላይ፦ ገና አልደረስንበትም፤ ችግሩንም በቅርብ አይተነዋል። ከግብርና ሚኒስቴር ያገኘናቸው ብዙ የአማርኛ መመሪያዎች በፎቶ የተቃኙ ፒዲኤፎች ስለሆኑ፣ ሥርዓታችን ሊያነባቸው አልቻለም። መልቲሞዳል RAG ቢኖረን ኖሮ እነዚያ ገጾች ዛሬ በዕውቀት ማዕከሉ ውስጥ ይገኙ ነበር። የአማርኛ ጽሑፍን ከምስል የማንበብ ቴክኖሎጂ እየተሻሻለ ሲሄድ ይህ ትልቅ እርምጃ ይሆናል።

4. ግንኙነትን የሚያውቅ RAG (Graph RAG)

መሠረታዊው RAG ቁራጮችን እንደ ተለያዩ ወረቀቶች ያያቸዋል። ግን ዕውቀት በግንኙነት የተሳሰረ ነው። አንድ አዋጅ በሌላ አዋጅ ይሻሻላል፤ አንድ አገልግሎት በአንድ መሥሪያ ቤት ይሰጣል፤ ያ መሥሪያ ቤት ደግሞ ለሌላ ሚኒስቴር ተጠሪ ነው። ግራፍ RAG እነዚህን ግንኙነቶች በ‹‹ዕውቀት ግራፍ›› (knowledge graph) ውስጥ ይመዘግባል፦ ነገሮችን እንደ ነጥብ፣ ግንኙነቶቻቸውን እንደ መስመር።

ጥቅሙ ግልጽ ነው። ‹‹አዋጅ 923 ተሻሽሏል ወይ? በምን?›› ተብሎ ሲጠየቅ፣ ግራፉን ተከትሎ ወደ ማሻሻያ አዋጅ 1246 ይሄዳል፤ ሁለቱ ሰነዶች በትርጉም ባይመሳሰሉም እንኳ። ቢና ይህን ገና አልገነባም፤ ነገር ግን በሕግ መመሪያችን (አስማት) ላይ የሕጎችን የማሻሻያ ሰንሰለት ለመከታተል ቀጣዩ ተፈጥሯዊ እርምጃ ነው።

5. ቅይጥ RAG (Hybrid RAG)

ቅይጥ RAG ከአንድ በላይ የፍለጋ ዘዴን ያጣምራል። በሥዕሉ ላይ እንደሚታየው፣ ብዙ ጊዜ የትርጉም ፍለጋን (ቬክተር) ከግንኙነት ፍለጋ (ግራፍ) ጋር ያዋህዳል። በሌላ የተለመደ አሠራር ደግሞ የትርጉም ፍለጋን ከቀጥታ የቃል ፍለጋ ጋር ያጣምራል።

ቢና እዚህ ላይ፦ ቢና ሁለተኛውን ዓይነት ይጠቀማል። ለአማርኛ ይህ ወሳኝ ነው። የትርጉም ፍለጋ ‹‹ሠራተኛ›› እና ‹‹ተቀጣሪ›› የሚቀራረቡ መሆናቸውን ይረዳል፤ የቃል ፍለጋ ደግሞ እንደ ‹‹1246/2013›› ያሉ የአዋጅ ቁጥሮችን፣ የሰዎችንና የቦታዎችን ስም በትክክል ያገኛል። አንዱ ብቻውን የሚያመልጠውን ሌላው ይይዘዋል። ከዚህም በላይ፣ ጥያቄው በአማርኛ ከቀረበ በእንግሊዝኛም ተተርጉሞ ሁለት ጊዜ ይፈለጋል፤ በአንዱ ቋንቋ ብቻ ያለ ሰነድ እንዳያመልጥ።

6. ወኪል የሚመራው RAG (Agentic RAG)

እስካሁን ያየናቸው መንገዶች በሙሉ ቋሚ ናቸው፤ ጥያቄው ምንም ቢሆን ሁልጊዜ አንድ ዓይነት ፍለጋ ይካሄዳል። በወኪል የሚመራ RAG ውስጥ ግን አንድ የAI ወኪል መጀመሪያ ያስባል፦ ‹‹ይህ ጥያቄ ፍለጋ ያስፈልገዋል ወይ? ከሆነ የት ልፈልግ፣ በሕግ ሰነዶች ውስጥ ወይስ በዜና? ያገኘሁት በቂ ነው ወይ፣ ወይስ እንደገና ልፈልግ?›› ልክ እንደ ልምድ ያለው ተመራማሪ፣ እንደ ሁኔታው መንገዱን ይለውጣል።

ይህን ርዕስ በቢና የAI ወኪሎች ተከታታይ ጽሑፍ ሁለተኛ ክፍል በዝርዝር አቅርበነዋል።

7. ብዙ ወኪሎች የሚተባበሩበት RAG (Multi-Agent RAG)

ይህ የመጨረሻው እና በጣም ውስብስቡ ነው። አንድ ዋና ወኪል ጥያቄውን ተቀብሎ ሥራውን ይከፋፍላል፤ እያንዳንዱን ክፍል ለተለየ ልዩ ወኪል ይሰጣል። አንዱ በሰነድ ማከማቻ ውስጥ ይፈልጋል፣ ሌላው በኢንተርኔት ይፈልጋል፣ ሦስተኛው ደግሞ እንደ ኢሜይል ወይም የሥራ ቡድን መልእክቶች ያሉ መሣሪያዎችን ይጠቀማል። ከዚያ ዋናው ወኪል ውጤቶቹን ሰብስቦ አንድ መልስ ያዘጋጃል።

ኃይለኛ ነው፤ ነገር ግን ዋጋውም ከፍተኛ ነው። ብዙ ወኪል ማለት ብዙ ወጪ፣ ብዙ ጊዜ እና ብዙ የስሕተት ዕድል ማለት ነው። ለዚህ ነው ባለሙያዎች ‹‹በቀላሉ ጀምር፤ ቀላሉ በማይበቃበት ቦታ ብቻ ውስብስቡን ጨምር›› የሚሉት።

የትኛውን መምረጥ ይገባል?

ሰባቱ መንገዶች እንደ መሰላል ናቸው እንጂ እንደ ውድድር አይደሉም። አብዛኛው ድርጅት በመሠረታዊው RAG ይጀምራል፣ መልሶቹ ትክክል ካልሆኑ ሪራንከር ይጨምራል፣ ሰነዶቹ ቁጥርና ስም የበዙባቸው ከሆኑ ወደ ቅይጥ ፍለጋ ይሄዳል። ግራፍ፣ ወኪል እና ብዙ ወኪሎች የሚያስፈልጉት ጥያቄዎቹ በእውነት ውስብስብ ሲሆኑ ብቻ ነው።

በመጨረሻም አንድ እውነት አለ። የትኛውም የRAG መንገድ ከሰነዶቹ ጥራት አይበልጥም። ቢና ትልቁን ጊዜ ያጠፋው ውስብስብ ቴክኖሎጂ በመገንባት ሳይሆን፣ ትክክለኛ የኢትዮጵያ ሰነዶችን፣ አዋጆችን፣ የጤና መመሪያዎችን እና የመንግሥት አገልግሎት መረጃዎችን በአማርኛና በአፋን ኦሮሞ በመሰብሰብ ነው። ጥሩ ቤተ መጻሕፍት ከሌለ፣ ምርጡ ቤተ መጻሕፍት ሠራተኛም ምንም ሊያመጣ አይችልም።

---

In brief (English): RAG (Retrieval-Augmented Generation) lets an AI read real documents before answering instead of relying on memory. This piece explains seven patterns in Amharic: Naive RAG, Retrieve-and-Rerank, Multimodal, Graph, Hybrid, Agentic and Multi-Agent RAG. Bina's own knowledge base (13,000+ chunks in Amharic, Afaan Oromo and English) serves as the example: it already uses hybrid retrieval (semantic plus keyword search), a reranker and bilingual query expansion; it does not yet have multimodal or graph retrieval, which is why scanned Amharic PDFs from the Ministry of Agriculture could not be ingested. The closing lesson: no RAG pattern outperforms the quality of the documents behind it.

ምንጭ፦ ‹‹RAG Design Patterns 2026›› ንድፍ (በማኅበራዊ ሚዲያ የተጋራ)፤ የቢና የዕውቀት ማዕከል የአሠራር ሰነዶች (መስከረም 2026)።