قواعد المتّجهات (Vector Databases)، دليل شامل

Vector Databases عمود فقري تطبيقات AI الحديثة. من RAG إلى أنظمة التوصيات، لا يمكن الاستغناء عنها. هذا الدليل شامل، تقنياً، وعملياً.

المفهوم

ما Vectors

Vector = قائمة أرقام تمثّل شيئاً في فضاء متعدّد الأبعاد.

مثال:

• كلمة "قهوة" → [0.234, -0.678, 0.112,..., 1024 قيمة]
• كلمة "شاي" → [0.245, -0.665, 0.098,..., 1024 قيمة] (قريبة)
• كلمة "سيّارة" → [-0.789, 0.234, -0.556,..., 1024 قيمة] (بعيدة)

الفكرة: المعاني المتشابهة = Vectors قريبة.

ما Embeddings

نماذج تُحوّل نصّ/صورة إلى vector:

• OpenAI text-embedding-3-large: 3072 بُعد
• OpenAI text-embedding-3-small: 1536 بُعد
• Cohere Embed: 1024 بُعد
• BGE-M3 (مفتوح، ممتاز للعربية): 1024 بُعد

البحث بالتشابه

Similarity Metrics:

• Cosine Similarity: الأشهر، يقيس الزاوية
• Euclidean Distance: المسافة الفعلية
• Dot Product: للأداء العالي

النتيجة: تعطي vector، تحصل على أقرب N vectors في القاعدة.

لماذا Vector DBs

المشكلة

استعلام: "لديّ مليون document، أريد الأكثر شبهاً بسؤال المستخدم"

بلا Vector DB:

• Load كل الـEmbeddings في RAM
• Cosine بين السؤال وكل document
• 1M عملية = بطيء

مع Vector DB:

• بحث خوارزمي متطوّر (HNSW، IVF)
• < 100ms لملايين vectors
• مليارات ممكنة

الميّزات الإضافية

• Metadata Filtering: "أعطني أقرب documents في قسم 'التسويق'"
• Persistence: بيانات دائمة
• Scaling: إضافة nodes
• Backup & Recovery
• APIs جاهزة

Pinecone، الرائد التجاري

الخلفية

التأسيس: 2019 المؤسّس: Edo Liberty (سابقاً Amazon) التمويل: 138+ مليون$ التقييم: 750 مليون$ (2023)، تقارير عن 2+ مليار$ (2024-2025)

الميّزات

• SaaS كامل، لا إدارة خادم
• Serverless: يتوسّع تلقائياً
• سريع جدّاً: <100ms على مليارات
• Multi-region
• Enterprise-grade security
• Namespaces لتنظيم البيانات

الأسعار

• Starter: مجاني (100K vectors)
• Standard: 70$/شهر (Serverless starts ~$2/GB/شهر)
• Enterprise: مخصّص

الأنسب لـ

• Startups تريد سرعة
• Production RAG بلا قلق DevOps
• بلا فريق infra كبير

مثال كود

from pinecone import Pinecone

pc = Pinecone(api_key="...")

# إنشاء Index
pc.create_index(
    name="my-index",
    dimension=1536,
    metric="cosine"
)

index = pc.Index("my-index")

# رفع vectors
index.upsert(vectors=[
    ("id1", [0.1, 0.2,...], {"category": "tech"}),
    ("id2", [0.3, 0.4,...], {"category": "sports"}),
])

# استعلام
results = index.query(
    vector=[0.15, 0.25,...],
    top_k=5,
    filter={"category": "tech"}
)

Weaviate، مفتوح المصدر السحابي

الخلفية

التأسيس: 2019 النوع: Open Source + Managed Cloud GitHub: 10K+ نجمة

الميّزات

• Modular: تختار Embedding Model (OpenAI، Cohere، محلي)
• Hybrid Search: Vector + Keyword
• GraphQL API (بجانب REST)
• Multi-modal (نصّ + صور + صوت)
• Multi-tenancy

الأسعار

• Self-hosted: مجاني
• Weaviate Cloud: من 25$/شهر
• Enterprise: مخصّص

الأنسب لـ

• Multi-modal (نصّ + صور)
• تريد GraphQL
• مرونة السحابي والمحلي

مثال

import weaviate

client = weaviate.Client("http://localhost:8080")

# Schema
client.schema.create_class({
    "class": "Article",
    "vectorizer": "text2vec-openai",
    "properties": [
        {"name": "title", "dataType": ["string"]},
        {"name": "content", "dataType": ["text"]}
    ]
})

# رفع
client.data_object.create(
    {"title": "...", "content": "..."},
    "Article"
)

# استعلام
result = client.query.get("Article", ["title"]).with_near_text({
    "concepts": ["AI"]
}).with_limit(5).do()

Chroma، للتطوير السريع

الخلفية

التأسيس: 2022 النوع: Open Source التمويل: 18+ مليون$ الرؤية: "SQLite للـVectors"

الميّزات

• خفيف جدّاً
• In-process (لا خادم)
• مثالي للـPrototypes
• يعمل محلياً

الأسعار

• Local: مجاني
• Chroma Cloud (قادم): مدفوع

الأنسب لـ

• التطوير
• الاختبار
• Notebooks Jupyter
• Prototypes سريعة

مثال

import chromadb

client = chromadb.Client()

collection = client.create_collection("my_collection")

collection.add(
    documents=["مقالة 1", "مقالة 2"],
    metadatas=[{"source": "a"}, {"source": "b"}],
    ids=["id1", "id2"]
)

results = collection.query(
    query_texts=["استعلام"],
    n_results=2
)

بسيط جدّاً، لا Embedding model يدوي (يستخدم default).

Qdrant، الأداء العالي

الخلفية

التأسيس: 2021 (برلين) النوع: Open Source اللغة: Rust (سريع جدّاً)

الميّزات

• أداء ممتاز (أسرع من Pinecone في بعض الاختبارات)
• مفتوح المصدر
• Payload filtering متقدّم
• Distributed (multi-node)

الأسعار

• Self-hosted: مجاني
• Qdrant Cloud: مجاني للتجربة (1GB)، مدفوع للـProduction

الأنسب لـ

• الأداء المتطرّف
• مطوّرو Rust
• بيئات محدودة الموارد

Milvus، للمؤسّسات الكبيرة

الخلفية

التأسيس: 2019 (Zilliz) النوع: Open Source (Apache 2.0) التمويل: Zilliz (الشركة الأمّ) 100+ مليون$

الميّزات

• الأشمل، كل الميّزات
• مصمّم للمليارات vectors
• Distributed كامل
• Cloud-native (Kubernetes)
• GPU support للـEmbeddings الكبيرة

الأنسب لـ

• مؤسّسات كبرى
• بيانات ضخمة (100M+ vectors)
• فرق DevOps متمرّسة

pgvector، Postgres Extension

المفهوم

pgvector = extension لـPostgreSQL يُتيح تخزين واستعلام vectors.

المزايا

• مدمج مع DB موجود، لا خادم إضافي
• ACID transactions
• SQL familiar
• مجاني

القيود

• الأداء أقلّ من Vector DBs المتخصّصة على المليارات
• مثالي لـ: <10M vectors

مثال

CREATE EXTENSION vector;

CREATE TABLE items (
    id bigserial PRIMARY KEY,
    content text,
    embedding vector(1536)
);

INSERT INTO items (content, embedding)
VALUES ('نصّ', '[0.1, 0.2,...]');

SELECT content
FROM items
ORDER BY embedding <-> '[0.1, 0.2,...]'
LIMIT 5;

بسيط + قوي.

المقارنة السريعة

اختيار Vector DB

قرار سريع

استخدم Pinecone إذا:

• لا وقت لإدارة infrastructure
• ميزانية 70$+/شهر
• تريد Production فوراً

استخدم Weaviate إذا:

• Multi-modal (نصّ + صور)
• GraphQL
• مزيج سحابي/محلي

استخدم Chroma إذا:

• Prototype
• اختبار محلي
• Notebook Jupyter

استخدم Qdrant إذا:

• الأداء أولوية
• Self-hosted جادّ
• Filtering معقّد

استخدم Milvus إذا:

• مليارات vectors
• فريق DevOps متمرّس
• Enterprise scale

استخدم pgvector إذا:

• Postgres موجود أصلاً
• <10M vectors
• لا تريد خادم إضافي

Embeddings، الاختيار

للإنجليزية

OpenAI text-embedding-3-large:

• الأدقّ (لكن مكلف)
• 3072 بُعد

OpenAI text-embedding-3-small:

• توازن ممتاز
• 1536 بُعد
• الأشهر

Cohere Embed English v3:

• منافس ممتاز
• API سهل

للعربية

Cohere Embed Multilingual v3:

• جيّد جدّاً للعربية
• 100+ لغة

BGE-M3 (BAAI):

• مفتوح، ممتاز للعربية
• 100+ لغة
• مجاناً

text-embedding-3-large:

• جيّد للعربية
• لكن ليس الأمثل

مفتوحة المصدر

• BGE-M3، الأفضل عالمياً للمفتوح
• Nomic Embed، منافس
• sentence-transformers، عائلة شاملة

التسعير

OpenAI:

• text-embedding-3-large: $0.13/M توكن
• text-embedding-3-small: $0.02/M توكن

Cohere:

• Embed 3: $0.10/M توكن

Self-hosted (BGE-M3):

• مجاني (تحتاج GPU للسرعة)

الأنماط الشائعة

1) RAG بسيط

مستندات → chunks → embeddings → Vector DB
سؤال → embedding → بحث → أعلى 5 chunks → LLM → إجابة

2) Hybrid Search

سؤال → embedding + keyword search
دمج النتائج (RRF - Reciprocal Rank Fusion)

3) Multi-vector

• كل document = عدّة vectors (عنوان، محتوى، summary)
• بحث في كل، دمج

4) Re-ranking

Vector Search → 100 نتيجة
Re-ranker (Cohere Rerank، Cross-encoder) → 10 نتيجة نهائية

5) Semantic Cache

• استعلام جديد
• ابحث في cache
• إذا مشابه لسابق (>0.95 similarity)، أعِد الجواب المحفوظ

الأثر: توفير تكاليف LLM API.

أفضل الممارسات

1) Chunk size

• 512-1024 توكن موصى
• Overlap 10-20%
• تجربة أهمّ من قاعدة

2) Metadata

• ضع كل ما تحتاج للـFiltering
• مثال: source، date، category، language

3) Indexing Strategy

• HNSW: الأشهر، توازن سرعة/دقّة
• IVF: للبيانات الضخمة
• Flat: للدقّة القصوى (بطيء)

4) الاختبار

• Recall@K: كم النتائج الصحيحة في أعلى K
• Precision@K: كم من أعلى K صحيحة
• MRR (Mean Reciprocal Rank)

5) المراقبة

• Latency
• Recall
• Cost
• Storage

6) التحديث

• Batch updates: أفضل من single
• Deletion strategies: soft vs hard

Vector DB للعربية

التحدّيات

• Embeddings العربية أقلّ نضجاً
• Tokenization يختلف

الحلول

1) استخدم BGE-M3 أو Cohere Multilingual:

• الأفضل حالياً للعربية

2) اختبر بلغتك:

• قسِم بيانات اختبار
• قِس Recall

3) Consider tokenization:

• بعض الأدوات تُقسم العربية سيئاً
• استخدم مكتبات عربية (CAMeL Tools)

في السحابة

Managed Vector DBs

• Pinecone
• Weaviate Cloud
• Qdrant Cloud
• Zilliz (Milvus Cloud)
• Vespa Cloud

السحابات الكبرى

• AWS: OpenSearch Vector Engine، Amazon Aurora + pgvector
• Google Cloud: Vertex AI Vector Search
• Azure: Cosmos DB Vector، AI Search
• Oracle: Autonomous Database with AI Vector Search

السعودية: HUMAIN Cloud (متوقّع) سيوفّر Vector DBs محلياً.

استخدامات ما وراء RAG

1) أنظمة التوصيات

• Spotify: يقترح موسيقى مشابهة
• Netflix: أفلام
• Amazon: منتجات
• كل هذا Vector-based

2) البحث بالصور

• Pinterest: صور مشابهة
• Google Lens: تعرّف بصريّ
• Reverse Image Search

3) كشف الاحتيال

• سلوك مشبوه = vector قريب من احتيال سابق

4) الأمن السيبراني

• Malware detection
• Anomaly detection

5) الطبّ

• صور طبّية مشابهة
• أنماط أمراض

المستقبل

الاتّجاهات

1) Multi-modal Native:

• Vectors تجمع نصّ + صور + صوت
• كلها في vector واحد

2) Learned Indexing:

• ML يُحسّن هيكل الفهرس
• أسرع بكثير

3) Serverless:

• كل شيء Serverless
• بلا إدارة

4) Vector Databases in the LLM:

• LLMs تحوي memory داخلي مبنيّ على Vector concepts

5) Standards:

• توحيد APIs
• Portability بين مزوّدين

للسعودي، من أين تبدأ

1) للتعلّم

• ابدأ بـChroma محلياً
• 15 دقيقة = تشغيل RAG بسيط

2) للـPrototype

• Chroma أو Qdrant Free

3) للـProduction الصغير

• pgvector (إذا Postgres موجود)
• أو Pinecone Starter

4) للـProduction الجادّ

• Pinecone أو Qdrant Cloud
• Weaviate إذا Multi-modal

5) للـEnterprise

• Milvus أو Vespa
• بفريق DevOps

المصادر الرسمية

• Pinecone
• Weaviate
• Chroma
• Qdrant
• Milvus
• pgvector
• LangChain Vector Stores
• Cohere Embed
• BGE Models

---

اقرأ أيضاً: RAG، التعزيز بالاسترجاع · LangChain، بناء تطبيقات AI · Fine-tuning و LoRA · OpenAI API، دليل البدء