Translate blogs

Author: Milvus-doc-bot

localization/blog/ar/beyond-context-overload-how-parlant-milvus-brings-control-and-clarity-to-llm-agent-behavior.md

@@ -6,7 +6,7 @@ title: >-
   وكيل LLM
 author: Min Yin
 date: 2025-11-05T00:00:00.000Z
-cover: assets.zilliz.com/parlant_cover1_d39ad6c8b0.png
+cover: assets.zilliz.com/parlant_cover1_466dc0fe21.png
 tag: Tutorials
 recommend: false
 publishToMedium: true
@@ -61,7 +61,7 @@ origin: >-
         ></path>
       </svg>
     </button></h2><p>Parlant هو محرك محاذاة مفتوح المصدر لوكلاء LLM. يمكنك التحكم بدقة في كيفية تصرف الوكيل عبر سيناريوهات مختلفة من خلال نمذجة عملية اتخاذ القرار الخاصة به بطريقة منظمة وقائمة على القواعد.</p>
-<p>لمعالجة المشاكل الموجودة في أطر عمل الوكلاء التقليدية، يقدم Parlant نهجًا قويًا جديدًا: <strong>نمذجة المحاذاة</strong>. وتتمثل فكرته الأساسية في فصل تعريف القواعد عن تنفيذ القواعد، مما يضمن إدخال القواعد الأكثر صلة فقط في سياق الوكيل في أي وقت معين.</p>
+<p>لمعالجة المشاكل الموجودة في أطر عمل الوكلاء التقليدية، يقدم Parlant نهجًا قويًا جديدًا: <strong>نمذجة المحاذاة</strong>. وتتمثل فكرتها الأساسية في فصل تعريف القواعد عن تنفيذ القواعد، مما يضمن إدخال القواعد الأكثر صلة فقط في سياق الوكيل في أي وقت معين.</p>
 <h3 id="Granular-Guidelines-The-Core-of-Alignment-Modeling" class="common-anchor-header">الإرشادات الدقيقة: جوهر نمذجة المواءمة</h3><p>يقع مفهوم <strong>المبادئ التوجيهية الحبيبية</strong> في صميم نموذج المواءمة في بارلانت. فبدلاً من كتابة موجه نظام عملاق واحد مليء بالقواعد، يمكنك تحديد إرشادات صغيرة ومعيارية - كل منها يصف كيف يجب على الوكيل التعامل مع نوع معين من المواقف.</p>
 <p>يتكون كل مبدأ توجيهي من ثلاثة أجزاء:</p>
 <ul>
@@ -95,7 +95,7 @@ origin: >-
     tools=[get_user_account_balance]
 )
 <button class="copy-code-btn"></button></code></pre>
-<p>تعمل هذه الآلية على تحويل استدعاء الأداة إلى انتقال مشروط - تنتقل الأدوات من "غير نشط" إلى "نشط" فقط عند استيفاء شروط تشغيلها. من خلال هيكلة التنفيذ بهذه الطريقة، يضمن Parlant أن كل إجراء يحدث بشكل مدروس وفي سياقه، مما يمنع إساءة الاستخدام مع تحسين كل من الكفاءة وسلامة النظام.</p>
+<p>تعمل هذه الآلية على تحويل استدعاء الأداة إلى انتقال مشروط - تنتقل الأدوات من "غير نشط" إلى "نشط" فقط عند استيفاء شروط التفعيل الخاصة بها. من خلال هيكلة التنفيذ بهذه الطريقة، يضمن Parlant أن كل إجراء يحدث بشكل مدروس وفي سياقه، مما يمنع إساءة الاستخدام مع تحسين كل من الكفاءة وسلامة النظام.</p>
 <h2 id="How-Milvus-Powers-Parlant" class="common-anchor-header">كيف يقوم ميلفوس بتشغيل بارلانت<button data-href="#How-Milvus-Powers-Parlant" class="anchor-icon" translate="no">
       <svg translate="no"
         aria-hidden="true"
@@ -116,7 +116,7 @@ origin: >-
 <p>إليك كيفية عمل العملية خطوة بخطوة:</p>
 <p><strong>1. ترميز الاستعلام</strong> - يتم تحويل رسالة المستخدم وسجل المحادثات الأخيرة إلى متجه استعلام.</p>
 <p><strong>2. البحث عن التشابه</strong> - يُجري النظام بحثًا عن التشابه داخل مخزن متجه المبادئ التوجيهية للعثور على أقرب التطابقات.</p>
-<p><strong>3. استرداد أفضل النتائج</strong> - يتم إرجاع أفضل ثلاثة إلى خمسة إرشادات ذات صلة دلالية.</p>
+<p><strong>3. استرجاع أفضل النتائج</strong> - يتم إرجاع أفضل ثلاثة إلى خمسة إرشادات ذات صلة دلالية.</p>
 <p><strong>4. الحقن في السياق</strong> - يتم بعد ذلك إدراج هذه الإرشادات المتطابقة ديناميكيًا في سياق LLM حتى يتمكن النموذج من العمل وفقًا للقواعد الصحيحة.</p>
 <p>
   <span class="img-wrapper">
@@ -473,7 +473,7 @@ python main.py
 <ul>
 <li><p>استخدم LangChain لإنشاء خطوط أنابيب معقدة لمعالجة البيانات أو تدفقات عمل الاسترجاع.</p></li>
 <li><p>استخدم Parlant لإدارة طبقة التفاعل النهائية، مما يضمن أن المخرجات تتبع قواعد العمل وتظل قابلة للتفسير.</p></li>
-<li><p>استخدم Milvus كأساس لقاعدة بيانات المتجهات لتقديم بحث دلالي في الوقت الحقيقي، والذاكرة، واسترجاع المعرفة عبر النظام.</p></li>
+<li><p>استخدم Milvus كأساس لقاعدة بيانات المتجهات لتقديم بحث دلالي في الوقت الفعلي وذاكرة واسترجاع المعرفة عبر النظام.</p></li>
 </ul>
 <h2 id="Conclusion" class="common-anchor-header">الخاتمة<button data-href="#Conclusion" class="anchor-icon" translate="no">
       <svg translate="no"
@@ -493,4 +493,4 @@ python main.py
     </button></h2><p>مع انتقال وكلاء LLM من مرحلة التجريب إلى مرحلة الإنتاج، لم يعد السؤال الرئيسي هو ما يمكنهم القيام به - بل كيف يمكنهم القيام بذلك بشكل موثوق وآمن. توفر Parlant الهيكلية والتحكم لهذه الموثوقية، بينما توفر Milvus البنية التحتية القابلة للتطوير التي تحافظ على سرعة كل شيء وتراعي السياق.</p>
 <p>ويسمحان معًا للمطورين ببناء وكلاء ذكاء اصطناعي ليسوا فقط قادرين على القيام بذلك، بل جديرين بالثقة وقابلين للتفسير وجاهزين للإنتاج.</p>
 <p>🚀 تحقق من<a href="https://github.com/emcie-co/parlant?utm_source=chatgpt.com"> Parlant على GitHub</a> وقم بدمجه مع<a href="https://milvus.io"> Milvus</a> لبناء نظام الوكيل الذكي الخاص بك القائم على القواعد.</p>
-<p>هل لديك أسئلة أو تريد التعمق في أي ميزة؟ انضم إلى<a href="https://discord.com/invite/8uyFbECzPX"> قناة Discord</a> الخاصة بنا أو قم بتسجيل المشكلات على<a href="https://github.com/milvus-io/milvus"> GitHub</a>. يمكنك أيضًا حجز جلسة فردية مدتها 20 دقيقة للحصول على رؤى وإرشادات وإجابات على أسئلتك من خلال<a href="https://milvus.io/blog/join-milvus-office-hours-to-get-support-from-vectordb-experts.md"> ساعات عمل Milvus المكتبية</a>.</p>
+<p>هل لديك أسئلة أو تريد التعمق في أي ميزة؟ انضم إلى<a href="https://discord.com/invite/8uyFbECzPX"> قناة Discord</a> الخاصة بنا أو قم بتسجيل المشكلات على<a href="https://github.com/milvus-io/milvus"> GitHub</a>. يمكنك أيضًا حجز جلسة فردية مدتها 20 دقيقة للحصول على رؤى وإرشادات وإجابات عن أسئلتك من خلال<a href="https://milvus.io/blog/join-milvus-office-hours-to-get-support-from-vectordb-experts.md"> ساعات عمل Milvus المكتبية</a>.</p>

localization/blog/ar/drag-drop-and-deploy-how-to-build-rag-workflows-with-langflow-and-milvus.json

@@ -1 +1 @@
-{"codeList":["wget <https://github.com/Milvus-io/Milvus/releases/download/v2.5.12/Milvus-standalone-docker-compose.yml> -O docker-compose.yml\n","docker-compose up -d\n","docker-compose ps -a\n","conda create -n langflow\n# activate langflow and launch it\nconda activate langflow\n","pip install langflow -U\n","uv run langflow run\n","<http://127.0.0.1:7860>\n","https://github.com/milvus-io/milvus-docs/blob/v2.6.x/site/en/faq/product_faq.md\n"],"headingContent":"","anchorList":[{"label":"ما هو Langflow؟","href":"What-is-Langflow","type":2,"isActive":false},{"label":"عرض توضيحي عملي: كيفية بناء سير عمل RAG مع لانغفلو وميلفوس","href":"Hands-on-Demo-How-to-Build-a-RAG-Workflow-with-Langflow-and-Milvus","type":2,"isActive":false},{"label":"الخاتمة","href":"Conclusion","type":2,"isActive":false}]}
+{"codeList":["wget <https://github.com/Milvus-io/Milvus/releases/download/v2.5.12/Milvus-standalone-docker-compose.yml> -O docker-compose.yml\n","docker-compose up -d\n","docker-compose ps -a\n","conda create -n langflow\n# activate langflow and launch it\nconda activate langflow\n","pip install langflow -U\n","uv run langflow run\n","<http://127.0.0.1:7860>\n","https://github.com/milvus-io/milvus-docs/blob/v2.6.x/site/en/faq/product_faq.md\n"],"headingContent":"","anchorList":[{"label":"ما هو لانج فلو؟","href":"What-is-Langflow","type":2,"isActive":false},{"label":"عرض توضيحي عملي: كيفية بناء سير عمل RAG مع لانغفلو وميلفوس","href":"Hands-on-Demo-How-to-Build-a-RAG-Workflow-with-Langflow-and-Milvus","type":2,"isActive":false},{"label":"الخاتمة","href":"Conclusion","type":2,"isActive":false}]}

localization/blog/ar/drag-drop-and-deploy-how-to-build-rag-workflows-with-langflow-and-milvus.md

@@ -1,9 +1,9 @@
 ---
 id: drag-drop-and-deploy-how-to-build-rag-workflows-with-langflow-and-milvus.md
-title: 'السحب والإفلات والنشر: كيفية إنشاء مهام سير عمل RAG باستخدام لانجفلو وميلفوس'
+title: 'السحب والإسقاط والنشر: كيفية إنشاء مهام سير عمل RAG باستخدام لانجفلو وميلفوس'
 author: Min Yin
 date: 2025-10-30T00:00:00.000Z
-cover: assets.zilliz.com/langflow_milvus_cover_9f75a11f90.png
+cover: assets.zilliz.com/drag_drop_deploy_859c4369e8.png
 tag: Tutorials
 recommend: false
 publishToMedium: true
@@ -21,7 +21,7 @@ origin: >-
 <p>يوفر<strong>لانغفلو</strong> واجهة سحب وإفلات نظيفة وواضحة تشبه رسم الأفكار على السبورة البيضاء أكثر من البرمجة. يمكنك ربط نماذج اللغة ومصادر البيانات والأدوات الخارجية بصريًا لتحديد منطق سير عملك - كل ذلك دون لمس سطر من التعليمات البرمجية.</p>
 <p>وبالاقتران مع <strong>Milvus،</strong> قاعدة البيانات المتجهة مفتوحة المصدر التي تمنح نماذج اللغة الإنجليزية طويلة المدى والفهم السياقي، يشكل الاثنان بيئة كاملة لـ RAG على مستوى الإنتاج. يقوم Milvus بتخزين واسترجاع التضمينات بكفاءة من بيانات مؤسستك أو البيانات الخاصة بالمجال، مما يسمح لآلات إدارة التعلم الآلي بتوليد إجابات مستندة ودقيقة ومدركة للسياق.</p>
 <p>في هذا الدليل، سنتعرف في هذا الدليل على كيفية الجمع بين Langflow وMilvus لبناء سير عمل متقدم في RAG - كل ذلك من خلال بضع عمليات سحب وإسقاط ونقرات.</p>
-<h2 id="What-is-Langflow" class="common-anchor-header">ما هو Langflow؟<button data-href="#What-is-Langflow" class="anchor-icon" translate="no">
+<h2 id="What-is-Langflow" class="common-anchor-header">ما هو لانج فلو؟<button data-href="#What-is-Langflow" class="anchor-icon" translate="no">
       <svg translate="no"
         aria-hidden="true"
         focusable="false"
@@ -46,7 +46,7 @@ origin: >-
   </span>
 </p>
 <p>خلف الكواليس، يقوم محرك وقت تشغيل قائم على Python بتنفيذ التدفق. يقوم بتنسيق LLMs والأدوات ووحدات الاسترجاع ومنطق التوجيه - إدارة تدفق البيانات والحالة ومعالجة الأخطاء لضمان التنفيذ السلس من البداية إلى النهاية.</p>
-<p>يتضمن Langflow أيضًا مكتبة مكوِّنات غنية مع محولات مبنية مسبقًا لمكيفات LLM وقواعد بيانات متجهة شائعة - بما في ذلك <a href="https://milvus.io/">Milvus</a>. يمكنك توسيع ذلك أكثر من خلال إنشاء مكونات بايثون مخصصة لحالات الاستخدام المتخصصة. للاختبار والتحسين، يوفر Langflow التنفيذ خطوة بخطوة، وملعب للاختبار السريع، والتكامل مع LangSmith وLangfuse لمراقبة سير العمل وتصحيحه وإعادة تشغيله من البداية إلى النهاية.</p>
+<p>يتضمن Langflow أيضًا مكتبة مكوِّنات غنية مع محولات مبنية مسبقًا لمكيفات LLM وقواعد بيانات متجهة شائعة - بما في ذلك <a href="https://milvus.io/">Milvus</a>. يمكنك توسيع ذلك أكثر من خلال إنشاء مكونات بايثون مخصصة لحالات الاستخدام المتخصصة. للاختبار والتحسين، يوفر Langflow التنفيذ خطوة بخطوة، وساحة لعب للاختبار السريع، والتكامل مع LangSmith وLangfuse لمراقبة سير العمل وتصحيح الأخطاء وإعادة تشغيله من البداية إلى النهاية.</p>
 <h2 id="Hands-on-Demo-How-to-Build-a-RAG-Workflow-with-Langflow-and-Milvus" class="common-anchor-header">عرض توضيحي عملي: كيفية بناء سير عمل RAG مع لانغفلو وميلفوس<button data-href="#Hands-on-Demo-How-to-Build-a-RAG-Workflow-with-Langflow-and-Milvus" class="anchor-icon" translate="no">
       <svg translate="no"
         aria-hidden="true"

localization/blog/ar/how-opussearch-built-exact-matching-for-enterprise-rag-with-milvus-bm25.md

@@ -5,7 +5,7 @@ title: >-
   Milvus BM25
 author: Chronos Kou
 date: 2025-10-17T00:00:00.000Z
-cover: assets.zilliz.com/Chat_GPT_Image_2025_10_18_10_43_29_93fe542daf.png
+cover: assets.zilliz.com/opus_cover_new_1505263938.png
 tag: Tutorials
 recommend: false
 publishToMedium: true
@@ -14,7 +14,7 @@ meta_keywords: 'Milvus, enterprise RAG, vector database, semantic search'
 meta_title: How OpusSearch Built Exact Matching for Enterprise RAG with Milvus
 desc: >-
   تعرّف على كيفية استخدام OpusSearch لـ Milvus BM25 لتشغيل المطابقة التامة في
-  أنظمة RAG للمؤسسات - الجمع بين البحث الدلالي واسترجاع الكلمات الرئيسية
+  أنظمة RAG للمؤسسة - الجمع بين البحث الدلالي واسترجاع الكلمات المفتاحية
   الدقيقة.
 origin: >-
   https://medium.com/opus-engineering/how-opussearch-built-exact-matching-for-enterprise-rag-with-milvus-bm25-aa1098a9888b
@@ -125,10 +125,10 @@ origin: >-
 <p>ثم قمنا بعد ذلك <strong>بدمج قوة BM25 مع تصفية TEXT_MATCH في ميلفوس</strong>. إليك كيفية عملها:</p>
 <ol>
 <li><p>التصفية<strong>أولاً</strong>: TEXT_MATCH يعثر على المستندات التي تحتوي على كلماتك المفتاحية بالضبط</p></li>
-<li><p><strong>الترتيب ثانياً</strong>: يقوم BM25 بفرز تلك المطابقات الدقيقة حسب الصلة</p></li>
+<li><p><strong>الترتيب ثانياً</strong>: يقوم BM25 بفرز تلك المطابقات التامة حسب الصلة</p></li>
 <li><p><strong>الفوز</strong>: تحصل على التطابقات التامة، مرتبة بذكاء</p></li>
 </ol>
-<p>فكِّر في الأمر على أنه "أعطني كل شيء يحتوي على "الحلقة 281"، ثم اعرض لي أفضلها أولاً."</p>
+<p>فكّر في الأمر على أنه "أعطني كل شيء يحتوي على "الحلقة 281"، ثم اعرض لي أفضلها أولاً."</p>
 <h2 id="The-Code-That-Made-It-Work" class="common-anchor-header">الرمز الذي جعل الأمر ينجح<button data-href="#The-Code-That-Made-It-Work" class="anchor-icon" translate="no">
       <svg translate="no"
         aria-hidden="true"
@@ -144,7 +144,7 @@ origin: >-
           d="M4 9h1v1H4c-1.5 0-3-1.69-3-3.5S2.55 3 4 3h4c1.45 0 3 1.69 3 3.5 0 1.41-.91 2.72-2 3.25V8.59c.58-.45 1-1.27 1-2.09C10 5.22 8.98 4 8 4H4c-.98 0-2 1.22-2 2.5S3 9 4 9zm9-3h-1v1h1c1 0 2 1.22 2 2.5S13.98 12 13 12H9c-.98 0-2-1.22-2-2.5 0-.83.42-1.64 1-2.09V6.25c-1.09.53-2 1.84-2 3.25C6 11.31 7.55 13 9 13h4c1.45 0 3-1.69 3-3.5S14.5 6 13 6z"
         ></path>
       </svg>
-    </button></h2><h3 id="Schema-Design" class="common-anchor-header">تصميم المخطط</h3><p><strong>هام</strong>: لقد عطلنا كلمات التوقف تمامًا، حيث تمثل مصطلحات مثل "المكتب" و"المكتب" كيانات مميزة في مجال المحتوى الخاص بنا.</p>
+    </button></h2><h3 id="Schema-Design" class="common-anchor-header">تصميم المخطط</h3><p><strong>هام</strong>: لقد عطلنا كلمات التوقف تمامًا، حيث أن مصطلحات مثل "المكتب" و"المكتب" تمثل كيانات مميزة في مجال المحتوى الخاص بنا.</p>
 <pre><code translate="no"><span class="hljs-built_in">export</span> <span class="hljs-keyword">function</span> getExactMatchFields(): FieldType[] {
  <span class="hljs-built_in">return</span> [
    {
@@ -279,5 +279,5 @@ origin: >-
           d="M4 9h1v1H4c-1.5 0-3-1.69-3-3.5S2.55 3 4 3h4c1.45 0 3 1.69 3 3.5 0 1.41-.91 2.72-2 3.25V8.59c.58-.45 1-1.27 1-2.09C10 5.22 8.98 4 8 4H4c-.98 0-2 1.22-2 2.5S3 9 4 9zm9-3h-1v1h1c1 0 2 1.22 2 2.5S13.98 12 13 12H9c-.98 0-2-1.22-2-2.5 0-.83.42-1.64 1-2.09V6.25c-1.09.53-2 1.84-2 3.25C6 11.31 7.55 13 9 13h4c1.45 0 3-1.69 3-3.5S14.5 6 13 6z"
         ></path>
       </svg>
-    </button></h2><p>نحن نجرب <strong>استعلامات</strong> <strong>هجينة</strong> <strong>تجمع بين المطابقة الدلالية والمطابقة التامة في بحث واحد</strong>. تخيل: "ابحث عن مقاطع مضحكة من الحلقة 281" حيث تستخدم كلمة "مضحك" البحث الدلالي وكلمة "الحلقة 281" المطابقة التامة.</p>
+    </button></h2><p>نحن نجرب <strong>الاستعلامات</strong> <strong>الهجينة</strong> <strong>التي تجمع بين المطابقة الدلالية والمطابقة التامة في بحث واحد</strong>. تخيل: "ابحث عن مقاطع مضحكة من الحلقة 281" حيث تستخدم كلمة "مضحك" البحث الدلالي وكلمة "الحلقة 281" المطابقة التامة.</p>
 <p>لا يكمن مستقبل البحث في الاختيار بين الذكاء الاصطناعي الدلالي والمطابقة التامة. إنه استخدام <strong>كليهما</strong> بذكاء في نفس النظام.</p>