المدونة
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
Contextual Retrieval للمحترف: قلّل فشل الاسترجاع 67% قبل Reranker
لو شغّلت Reranker على RAG عربي عندك ولسه precision@5 واقفة عند 71%، المشكلة مش في الـ reranker. المشكلة إن الـ chunk اللي صح أصلاً مش بين الـ top-20 اللي وصلت للـ reranker. Contextual Retrieval من Anthropic بيحقن سياق كل chunk قبل الـ embedding، فينزّل failed retrievals 35% بـ embeddings لوحدها، و49% بإضافة BM25، و67% لما تضيفلهم reranker. مقال للمحترف بمثال موظف الأرشيف، شرح علمي من Anthropic Research (Sept 2024) و Lewis 2020، كود Python في 34 سطر شغّال على anthropic SDK 0.49+ مع prompt caching، أرقام مقاسة على corpus عربي 11,400 chunk من تذاكر دعم fintech، 4 trade-offs خفية في التكلفة والـ latency والـ index size، ومتى الـ Contextual Retrieval overhead بدون فايدة.
Trie Data Structure للمحترف: ابحث بالبادئة في 10 مليون كلمة بـ 38 ميكروثانية
لو خدمة autocomplete عندك بتلف على المليون كلمة في كل keystroke، انت بتدفع تكلفة هيكل بيانات غلط. Trie بـ 62 ميجا RAM بيرد في 38 ميكروثانية على نفس الحجم بفرق 6,315 ضعف. مقال للمحترف بمثال دفتر التليفونات للمبتدئ، تعريف علمي من ورقة Fredkin 1960، كود Python 3.12 شغّال، أرقام مقاسة على 10M كلمة من Kaggle، 4 trade-offs خفية، ومتى Trie يبقى اختيار غلط.
PagedAttention للمحترف: ازاي vLLM بيخدم 2.7× طلب أكتر بنفس H100
لو بتشغّل Llama 3.1 70B على H100 وبتخدم 23 request متزامن بس قبل ما تقع في OOM، المشكلة مش في الـ GPU. 60-80% من ذاكرة KV cache بتضيع في fragmentation. PagedAttention بيستلف فكرة Virtual Memory من نظام التشغيل ويرفع الـ throughput لـ 2.7×. مقال للمحترف بمثال رفوف المكتبة للمبتدئ، شرح علمي من ورقة Kwon 2023 (UC Berkeley)، configuration vLLM شغّال، أرقام مقاسة (memory utilization من 20.4% لـ 96.3%)، 4 trade-offs خفية، ومتى PagedAttention يبقى overhead بدون فايدة.
AWQ Quantization للمحترف: Llama 70B على H100 واحدة بـ 35GB
سيرفر Llama 3.3 70B على 4×A100 بيكلّفك $11,820 شهرياً. AWQ INT4 quantization بينزّل الذاكرة من 140GB لـ 35GB، يخلّيك تشغّله على H100 واحدة بتكلفة 75% أقل. مقال للمحترف بمثال ضغط JPEG للمبتدئ، شرح علمي من ورقة Lin 2023 (MIT Han Lab)، configuration vLLM 0.6.4 شغّال، مقارنة AWQ vs GPTQ بأرقام Marlin kernel (10.9× speedup)، أرقام مقاسة على H100 (741 token/ثانية، MMLU-Pro retention 98.1%)، 4 trade-offs خفية بتظهر في الإنتاج، ومتى Quantization كارثة على الموديل.
Istio Traffic Splitting للمحترف: Canary Deployment بـ 14 سطر YAML بدون CI/CD معقّد
لو فريقك بيـ deploy نسخة جديدة على 100% من المستخدمين دفعة واحدة، أول bug في query بيكلّفك 100% من الترافيك. Istio VirtualService بـ 14 سطر YAML بيوزّع 5% من الطلبات على الإصدار الجديد ويتركك تشوف P95 ومعدل الأخطاء قبل ما تتقدّم. مقال للمحترف بمثال مطعم البرجر الجديد للمبتدئ، شرح علمي للـ weighted routing من توثيق Istio 1.24، VirtualService و DestinationRule كاملين شغّالين على EKS 1.30، أرقام مقاسة على cluster فيه 14 microservice (نسبة الـ rollback اتنزّلت من 18% لـ 1.4%)، 4 trade-offs خفية في الـ session affinity والـ retries والـ metrics، ومتى Argo Rollouts يبقى الاختيار الأذكى من Istio خام.
Long Context vs RAG للمحترف: متى تشيل Qdrant وتعتمد على 1M Token
لو فاتورة Qdrant + reranker + embeddings بقت $1,124 شهرياً على corpus 7.7M token، الـ 1M token context في Claude Sonnet 4.6 ممكن يوفّر 56% من التكلفة ويرفع الدقة 12 نقطة. مقال للمحترف بمثال المكتبة الشخصية للمبتدئ، تعريف علمي من ورقة Lewis 2020 (RAG)، أرقام مقاسة على workload Fintech عربي بـ 3,200 سؤال شهرياً، كود Python يقارن النسختين على anthropic SDK 0.49 مع prompt caching، 4 trade-offs خفية في latency و cost predictability و debugging و vendor lock-in، ومتى Long Context كارثة compliance.
Python Generators للمحترف: عالج 18 جيجا CSV بـ 80 ميجا RAM بدل Out of Memory
لو السكربت بتاعك بيموت بـ MemoryError على ملف 18GB، المشكلة مش في حجم الـ RAM — هي إنك بتحمّل الملف كله قبل ما تشتغل عليه. Python Generators بـ yield بتخلّيك تعالج نفس الـ 18GB بـ 80 ميجا RAM ثابتة، بدون لمس البنية التحتية. مقال للمحترف بمثال خرطوم المياه للمبتدئ، شرح علمي من PEP 255 و PEP 380، كود Python 3.12 شغّال على CSV من Kaggle، أرقام مقاسة (الذاكرة من 14.8GB لـ 78MB، الزمن من Crash لـ 6.4 دقيقة)، 4 trade-offs خفية، ومتى الـ Generator يبقى اختيار غلط.
Speculative Decoding للمحترف: تسريع vLLM 2.4× بنموذج draft صغير
لو throughput الـ Llama 3.1 70B واقف عند 38 token/ثانية على H100، المشكلة مش في الـ GPU. Speculative Decoding بيحل decoding bottleneck بنموذج draft 1B بيقترح والنموذج الكبير بيتحقق بالتوازي. مقال للمحترف بمثال المحرر والمساعد للمبتدئ، شرح علمي من ورقة Leviathan 2023، configuration vLLM شغّال، أرقام مقاسة (38 → 91 token/ثانية، acceptance rate 73.4%)، 4 trade-offs خفية، ومتى الـ technique دي بتكون قرار غلط.
Connection Pooling في PostgreSQL للمحترف: ليه pool=100 بيبطّأ خدمتك أكتر من pool=20
لو رفعت max_pool_size من 20 لـ 100 وفوجئت إن الـ P99 طلع من 18ms لـ 84ms، المشكلة مش في الـ DB. مقال محترف يشرح ليه PostgreSQL بيكره الـ connections الكتيرة، معادلة الـ pool sizing من PgBouncer FAQ، أرقام مقاسة من pgbench على db.m6i.2xlarge، تكوين Go صحيح، PgBouncer transaction mode، و 4 trade-offs خفية.