عندما تخفق استعادة RAG، يُ told للمهندسين 'إضافة مُرتب'. لكن الشرح oftentimes يبقى عند مستوى البنية—cross-encoder, آلية الانتباه, أو نموذج تدريبي على الصلة—دون الكشف عما تعلمه النموذج بالفعل. هذه الفجوة تهم: الفرق cannot justify استخدام مُرتب أو اكتشاف متى كانت عملية البحث بالكلمات المفتاحية الأرخص كافية. الإجابة الصادقة هي أن مُرتب ليس أذكى من خطوة الـ embeddings تحته. يستخدم نفس association إحصائي للـ tokens من بيانات التدريب، لكن مشروط على زوج الاستعلام-المرفق بدلاً من نصوص مستقلة. 一旦 understood، يتغير قرار استخدام مُرتب من 'لأن البرنامج التعليمي قال ذلك' إلى 'فقط عندما يكون هذا التداول المحدد يستحق الدفع'. المقال يمرر عبر الآلية: مُرتب هو transformer (cross-encoder) تدريبي على علامات الصلة، ينتج درجة بناءً على co-occurrence of tokens، لا على فهم حقيقي. يبرز ثلاث عواقب معمارية لأنظمة RAG المؤسسات. دفتر ملاحظات رفيق يسمح للمستخدمين اختبار المُرتب على PDFs، موضحًا أي الكلمات المفتاحية تدفع الترتيب. هذا المقال هو الجزء I من سلسلة Enterprise Document Intelligence، alongside the embeddings triptych (2A/2B/2C)، ويبني على إطار Prompt، Context، Loop.