أفضل 10 أدوات بحث بالذكاء الاصطناعي مستضافة ذاتيًا في عام 2026

لم يعد البحث بالذكاء الاصطناعي المستضاف ذاتيًا مجرد «تشغيل نسخة شبيهة بـ Perplexity على Docker». ففي عام 2026، تمتد الفئة الآن لتشمل محركات إجابات الويب، والبحث في المستندات الخاصة، ووكلاء البحث المتعمق، والبحث في معرفة المؤسسات، وواجهات البحث المحلية.

يعتمد الاختيار الصحيح على ما تريد فعليًا إبقاءه تحت سيطرتك: استعلام البحث، أو النموذج، أو ملفاتك، أو التضمينات، أو فهرس البحث، أو خط أنابيب الاسترجاع بأكمله. تغطي هذه الأدوات العشر الطرق الرئيسية لبناء هذه الحزمة بنفسك.

ماذا يعني «البحث بالذكاء الاصطناعي المستضاف ذاتيًا» فعلًا؟

قد يُقصد بأداة البحث بالذكاء الاصطناعي المستضافة ذاتيًا عدة أشياء مختلفة.

هذا التمييز مهم، لأن تشغيل واجهة الويب على خادمك لا يجعل سير عمل البحث بأكمله خاصًا تلقائيًا.

قد تستضيف الواجهة الأمامية ذاتيًا، مع استمرار إرسال الاستعلامات إلى نموذج لغوي تجاري وواجهة برمجة تطبيقات بحث مستضافة:

المتصفح
   |
واجهة مستخدم للبحث مستضافة ذاتيًا
   |
   +--- نموذج لغوي كبير سحابي
   |
   +--- واجهة برمجة تطبيقات بحث مستضافة

أو يمكنك نقل الحزمة بأكملها تقريبًا إلى بنيتك التحتية الخاصة:

المتصفح
   |
البحث بالذكاء الاصطناعي المستضاف ذاتيًا
   |
   +--- SearXNG
   +--- Ollama
   +--- التضمينات المحلية
   +--- فهرس البحث المحلي
   +--- الملفات الخاصة

وهنا تصبح البنية الثانية ذات صلة خاصة بقاعدة معرفة محلية. فلم يعد البحث يقتصر على العثور على صفحات على الإنترنت؛ بل يمكن أن يصبح أيضًا طبقة الاسترجاع للمستندات وأرشيفات الأبحاث وملفات المشاريع والبيانات التشغيلية الخاصة.

كيف صنّفنا أفضل أدوات البحث بالذكاء الاصطناعي المستضافة ذاتيًا

هذا ليس تصنيفًا بحسب عدد نجوم GitHub، كما أن هذه الأدوات لا تحل جميعها مشكلة البحث نفسها.

يركّز التصنيف على سبعة عوامل عملية: مدى إمكانية استضافة الحزمة بالكامل ذاتيًا، وجودة بنية البحث والاسترجاع فيها، ودعم النماذج المحلية، والاستشهادات وإسناد المصادر، والبحث في البيانات الخاصة، وصعوبة النشر، ومدى صلة المشروع حاليًا في عام 2026.

نميّز أيضًا بين «الاستضافة الذاتية» و«التشغيل المحلي بالكامل». فقد تُثبَّت الأداة على خادمك، مع استمرارها في استدعاء OpenAI أو Anthropic أو Tavily أو Brave أو Exa أو مزود خارجي آخر. وقد يظل ذلك مفيدًا، لكنه يختلف من حيث نموذج الخصوصية عن Ollama + التضمينات المحلية + واجهة خلفية للبحث مستضافة ذاتيًا.

لمحة سريعة عن أفضل 10 أدوات بحث بالذكاء الاصطناعي مستضافة ذاتيًا

واجهة خلفية خاصة للبحث بالذكاء الاصطناعي المحلي

معاينة

يُعد Vane، المعروف سابقًا باسم Perplexica، أحد أكثر الإجابات مباشرة عن السؤال: «ما الذي يمكنني استضافته ذاتيًا بدلًا من Perplexity؟»

يجمع بين واجهة خلفية للبحث وطبقة إجابات تعتمد على نموذج لغة كبير، ويعيد إجابات مدعومة بالمصادر مع الاستشهاد بها. ويدعم المشروع حاليًا الاستدلال المحلي عبر Ollama، بالإضافة إلى موفّرين مستضافين، منهم OpenAI وAnthropic Claude وGoogle Gemini وGroq.

تعتمد طبقة البحث فيه على SearXNG، ما يعني أن Vane لا يحتاج إلى الاعتماد على واجهة برمجة بحث تجارية واحدة. ويمكن لصورة Docker الموصى بها أن تدمج SearXNG مع التطبيق، بينما يمكن للنشر الخفيف الاتصال بمثيل SearXNG موجود مسبقًا في مكان آخر على شبكتك.

كما يفصل Vane سلوك البحث إلى أوضاع للسرعة، والاستخدام المتوازن، والبحث الأعمق. ويمكنه البحث في نتائج الويب العامة، والنقاشات، والمصادر الأكاديمية، بدلًا من التعامل مع كل استعلام بالطريقة نفسها.
     |
     سؤال المستخدم
    Vane
     |
 +---+----+
 |        |
SearXNG  Ollama
 |        |
الويب      نموذج لغة كبير محلي
 +---+----+
     |
إجابة مستشهَد بها

لهذا يحتل Vane المرتبة الأولى: فهو يطابق حالة الاستخدام التقليدية للبحث بالذكاء الاصطناعي عن كثب، مع إبقاء التحكم في كلٍّ من البحث والاستدلال بيد مستخدمي الاستضافة الذاتية.

الأفضل لـ: المستخدمين الذين يريدون محرك إجابات خاصًا ومستضافًا ذاتيًا على نمط Perplexity، مع الاستشهادات ودعم Ollama.

المقابل: لا يزال بحث الويب يتطلب اتصالًا بالإنترنت الخارجي، كما أن استخدام موفّري نماذج اللغة الكبيرة السحابية يغيّر نموذج الخصوصية، حتى إذا كان تطبيق Vane نفسه يعمل محليًا.

2. Morphic — أفضل محرك بحث ذاتي الاستضافة بالذكاء الاصطناعي للواجهة التوليدية

يتداخل Morphic مع Vane ظاهريًا؛ فكلاهما يستطيع الجمع بين بحث الويب والإجابات المُنشأة بواسطة نماذج اللغة الكبيرة، والاستشهادات، والنشر عبر Docker، وOllama، وSearXNG.

الفرق يكمن في العرض والتفاعل.

يصف Morphic نفسه بأنه محرك بحث مدعوم بالذكاء الاصطناعي مع واجهة مستخدم توليدية. وبدلاً من تقييد كل إجابة بتنسيق Markdown عادي، يمكن للواجهة بث مكوّنات أكثر ثراءً، مثل الأقسام المدعومة بالصور، والشبكات، والعناوين، وغيرها من كتل النتائج المنظّمة.

تدعم طبقة البحث الحالية SearXNG وTavily وBrave وExa. ويمكن أن يستند اختيار النموذج إلى OpenAI أو Anthropic أو Google أو Ollama أو Vercel AI Gateway أو موفري خدمات متوافقين مع OpenAI.

يُعد إعداد Docker مريحًا على نحو استثنائي، إذ يمكن لـDocker Compose تشغيل Morphic وPostgreSQL وRedis وSearXNG معًا. وهذا يجعله أحد أفضل الخيارات لمن يريد تطبيق بحث محليًا متكاملًا من دون تجميع كل خدمة يدويًا.

الأفضل لـ: المستخدمين الذين يريدون تجربة بحث مصقولة على نمط Perplexity، مع واجهات مُولَّدة أكثر ثراءً وموفري بحث مرنين.

المقابل: هذه المنظومة أثقل من إعداد Vane الأدنى، لأن التجربة الكاملة تتضمن PostgreSQL وRedis والمصادقة والسجل وخدمات تطبيق إضافية.

3. Onyx — أفضل بحث مستضاف ذاتيًا بالذكاء الاصطناعي للفرق ومعرفة الشركات

ينتمي Onyx إلى فئة مختلفة عن Vane وMorphic.

سؤاله المحوري ليس «ماذا يقول الويب؟» بل:

«ما الذي تعرفه مؤسستنا بالفعل؟»

يجمع Onyx بين الاسترجاع الهجين وRAG والبحث المتعمق والوكلاء والبحث في الويب ونظام بيئي كبير من الموصلات. ويمكنه فهرسة المعلومات من التطبيقات والمستودعات الداخلية، مع البحث أيضًا في الويب المباشر عند الحاجة.

يدعم المشروع أكثر من 50 موصلًا للفهرسة، ويمكنه الاتصال بأدوات مثل Slack وGoogle Drive وGitHub وJira وConfluence وغيرها من أنظمة الفرق. وتغطي إصدارة المجتمع ميزات الدردشة الأساسية وRAG والوكلاء والإجراءات، بينما يمكن للمؤسسات الأكبر إضافة ميزات هوية وحوكمة على مستوى المؤسسات.

كما أنه يدعم بنية نماذج مستضافة ذاتيًا مثل Ollama وLiteLLM وvLLM، بدلًا من تمرير جميع نتائج البحث عبر نموذج لغوي مستضاف واحد.

Slack -------\
Drive --------\
GitHub --------> Onyx ----> البحث / RAG / البحث المتعمق
Confluence ---/
الويب ----------/

هذا أقرب بكثير إلى طبقة بحث مستضافة ذاتيًا على نمط Glean منه إلى نسخة بسيطة من Perplexity.

الأفضل لـ: الفرق التي تريد طبقة واحدة للبحث والإجابة عبر مستندات الشركة وتطبيقاتها ومستودعاتها والويب.

المقابل: يُعد Onyx منصة أكبر بكثير مما يحتاجه مستخدم واحد إذا كان الهدف يقتصر على البحث الخاص في الويب.

4. Khoj — أفضل بحث شخصي بالذكاء الاصطناعي للويب والملفات الخاصة

يشغل Khoj المساحة المخصصة للنسخة الشخصية من المجال الذي يستهدفه Onyx للمؤسسات.

فهو يجمع بين المستندات الخاصة، ومعلومات الويب، والبحث الدلالي، والوكلاء، والمعرفة الشخصية في بيئة قابلة للاستضافة الذاتية على نمط «العقل الثاني».

بنية البحث أكثر تطورًا من مجرد بحث متجهي بسيط. وتصف وثائق Khoj سير استرجاع من مرحلتين، حيث يسترجع مشفّر ثنائي الوثائق المرشحة، ثم يعيد مشفّر تقاطعي أبطأ ترتيبها وفقًا للاستعلام الحالي.

وهذا مهم لأن البحث الجيد بالذكاء الاصطناعي لا يتعلق فقط بإنشاء التضمينات. فجودة الاسترجاع تعتمد على العثور على عدد كافٍ من المرشحين، ثم ترتيب الأدلة الأكثر صلة قبل أن يطّلع عليها نموذج اللغة الكبير.

يمكن لـ Khoj استخدام نماذج البحث المحلية ونقاط النهاية المتوافقة مع OpenAI، بما في ذلك الإعدادات المتوافقة مع Ollama، ما يجعله مناسبًا لنظام معرفة شخصي خاص.

الأفضل لـ: الأفراد الذين يريدون البحث في الملاحظات والملفات والمستندات والويب من مساحة عمل شخصية واحدة للذكاء الاصطناعي مستضافة ذاتيًا.

المقايضة: صُمّم بدرجة أكبر حول المعرفة الشخصية وسير عمل المساعد، بدلًا من الفهرسة المؤسسية وإدارة الأذونات على مستوى المؤسسة بأكملها.

5. SurfSense — أفضل مساحة عمل مستضافة ذاتيًا للبحث المدعوم بالذكاء الاصطناعي

SurfSense من الأفضل فهمه على أنه مساحة عمل مترابطة للبحث، وليس مربع بحث آخر.

يمكن للمنصة المستضافة ذاتيًا ربط مصادر المعلومات، وإنشاء قاعدة معرفة قابلة للبحث، ودعم سير العمل المتعلق بالبحث والملاحظات والأتمتة والوكلاء. وتتضمن وثائقها الحالية موصلات لخدمات مثل Notion وSlack وGoogle وJira ومصادر المعرفة الخارجية الأخرى.

كما توثّق المنصة الاتصالات بالنماذج المحلية عبر Ollama وLM Studio، ما يتيح إبقاء طبقة التطبيق وطبقة الاستدلال تحت تحكم المستخدم.

وهذا ما يجعل SurfSense مثيرًا للاهتمام خصوصًا عندما يكون «البحث» مجرد خطوة واحدة ضمن سير عمل أطول:

جمع المصادر
      |
فهرسة المعرفة
      |
البحث / طرح سؤال
      |
إنشاء الملاحظات
      |
تشغيل الأتمتة
      |
متابعة البحث

الأفضل لـ: الباحثين والفرق التي تعتمد على المعرفة وتريد البحث والمصادر المترابطة والملاحظات والأتمتة في مساحة عمل واحدة مستضافة ذاتيًا.

المقايضة: إذا كنت تريد فقط إجابات سريعة من الويب مع الاستشهادات، فإن Vane أو Morphic أبسط وأكثر تركيزًا.

6. Open WebUI — أفضل طريقة لإضافة البحث إلى حزمة ذكاء اصطناعي محلية موجودة

Open WebUI ليس محرك بحث بالدرجة الأولى، وينبغي توضيح هذا الفرق.

تتمثل قوته في أن العديد من مستخدمي الذكاء الاصطناعي المحلي يشغّلونه بالفعل كواجهة أمام Ollama أو خوادم نماذج أخرى. وبالنسبة إلى هؤلاء المستخدمين، قد تكون إضافة البحث داخل مساحة عمل الذكاء الاصطناعي الحالية أكثر عملية من نشر تطبيق بحث منفصل.

يدعم Open WebUI حاليًا البحث في الويب عبر مجموعة واسعة من المزودين، بما في ذلك SearXNG وBrave وDuckDuckGo وTavily وExa وKagi وPerplexity وJina وBing وعدة محركات أخرى.

يوضح دليل التكامل الرسمي مع SearXNG الخاص به كيف يمكن لحاوية SearXNG محلية منفصلة أن تصبح طبقة البحث لـ Open WebUI.

يدعم التطبيق نفسه أيضًا تقنية RAG المحلية عبر المستندات والمكتبات المستوردة، لذا يمكن للمستخدم الجمع بين استرجاع الويب واسترجاع الملفات الخاصة ضمن واجهة واحدة.

الأفضل لـ: المستخدمين الذين يشغّلون Ollama + Open WebUI بالفعل ويريدون إضافة بحث مستضاف ذاتيًا في الويب دون الانتقال إلى محرك إجابات مخصص.

المقايضة: نظرًا لأن Open WebUI مساحة عمل عامة للذكاء الاصطناعي، يعتمد سلوك البحث بدرجة كبيرة على استدعاء النموذج للأدوات، وحجم السياق، وإعدادات الاسترجاع، وكيفية تهيئة مزود البحث المحدد.

7. Local Deep Researcher — أفضل وكيل بحث عميق يعمل محليًا بالكامل

يوضح Local Deep Researcher الاتجاه الذي يتخذه بحث الذكاء الاصطناعي متجاوزًا محركات الإجابات ذات الاستعلام الواحد.

يستخدم المشروع نموذج لغة كبيرًا محليًا عبر Ollama أو LM Studio لإنشاء استعلام بحث، وجمع نتائج الويب، وتلخيصها، وتحديد الفجوات المعرفية المتبقية، وإنشاء استعلام آخر، وتكرار الدورة قبل إنشاء تقرير نهائي موثق بالمصادر.

سؤال
   |
إنشاء بحث
   |
البحث في الويب
   |
تلخيص
   |
العثور على فجوات معرفية
   |
البحث مجددًا
   |
تكرار
   |
التقرير النهائي الموثق بالمصادر

يمكن أن يستخدم البحث DuckDuckGo افتراضيًا، مع تكاملات اختيارية مع SearXNG أو Tavily أو Perplexity.

وهذا ما يجعله مختلفًا عن Vane أو Morphic. فهذه الأدوات محسّنة للبحث التفاعلي وتجربة المستخدم الخاصة بالإجابات، بينما تم تحسين Local Deep Researcher حول الاستقصاء التكراري.

الأفضل لـ: الأسئلة البحثية التي يُرجح ألا يُظهر فيها بحث واحد أدلة كافية، وينبغي للوكيل أن يعاود البحث عمدًا بعد تحديد الفجوات.

المقايضة: دورات البحث والتلخيص المتكررة أبطأ وتستهلك موارد حوسبة أكبر من محرك الإجابات العادي، لا سيما عند تشغيل نموذج اللغة الكبير محليًا.

8. RAGFlow — الأفضل للبحث المعقد في المستندات الخاصة

لا تحاول RAGFlow التنافس مع Perplexity بالدرجة الأولى.

إنها منصة لاسترجاع البيانات تحول البيانات الخاصة المعقدة إلى سياق موثوق لنماذج اللغة الكبيرة.

يجمع المشروع الحالي بين RAG شامل من البداية إلى النهاية وتحليل المستندات وخطوط إدخال البيانات المنسقة وسير عمل الوكلاء ودعم MCP ومزامنة البيانات من مصادر مثل Confluence وS3 وNotion وDiscord وGoogle Drive.

وهذا يجعله أنسب لأسئلة مثل:

«كيف أبحث في آلاف ملفات PDF وملفات Office والمستندات الداخلية ومصادر المعرفة المتصلة مع استرجاع موثوق؟»

بدلًا من:

«ماذا حدث على الويب اليوم؟»

يواصل RAGFlow التطور أيضًا بوصفه طبقة لسياق الوكلاء. ففي عام 2026 أضاف مهارة رسمية للوصول إلى مجموعات بيانات RAGFlow عبر OpenClaw، موضحًا كيف ينتقل البحث في المستندات من دردشة RAG المعزولة إلى بنية تحتية قابلة لإعادة الاستخدام للوكلاء.

ولإلقاء نظرة أعمق على هذه الطبقة، يشرح دليل ZimaSpace حول البحث في المستندات وRAG سير العمل عبر الاستخراج والتقسيم والتضمينات والبحث المتجهي وإعادة الترتيب وتوليد الإجابات الواعية بالأدلة.

الأفضل لـ: مكتبات المستندات الكبيرة والفرق التي تحتاج إلى عمليات جادة لاستيعاب المستندات وتحليلها واسترجاعها، وإلى سير عمل معرفي متكامل.

المقابل: يُعد RAGFlow أثقل بكثير من تطبيق محلي بسيط للدردشة مع المستندات، ويمثل خيارًا مبالغًا فيه إذا كانت قاعدة معارفك لا تتجاوز بضعة مجلدات.

9. AnythingLLM — أفضل أداة بحث سهلة الاستضافة الذاتية للمستندات الخاصة

AnythingLLM يقع في الجانب الأسهل استخدامًا من البحث الخاص بالذكاء الاصطناعي.

يمكنه استيعاب المستندات وإنشاء مساحات عمل وتوليد التضمينات واسترجاع السياق ذي الصلة وعرض الاستشهادات بالمصادر والاتصال بالنماذج المحلية أو السحابية، من دون مطالبة المستخدمين بتجميع منظومة RAG من مكونات منفصلة.

يشمل دعم النماذج المحلية Ollama وLM Studio وLocalAI والنماذج المتوافقة مع llama.cpp. ويمكن أن تظل طبقة التضمين محلية أيضًا، كما يدعم المشروع قواعد بيانات متجهية متعددة، منها LanceDB وChroma وQdrant وWeaviate وMilvus وPGVector.

تتميز شروط الخصوصية في الاستضافة الذاتية لـ AnythingLLM بوضوح استثنائي: تظل المستندات والسجلات وإعدادات مساحات العمل والتضمينات على البنية التحتية التي يديرها المستخدم، ويمكن للتطبيق العمل في بيئة معزولة تمامًا عند اختيار مكونات النماذج المحلية والمتجهات المحلية.

وهذا يجعله جسرًا طبيعيًا بين «الدردشة مع مستنداتي» وسير عمل أكثر تكاملًا للذكاء الاصطناعي المحلي.

الأفضل لـ: المستخدمين الذين يريدون تطبيقًا محليًا بسيطًا للبحث في المستندات وRAG دون إدارة منصة استرجاع أكثر تعقيدًا.

المقايضة: يسهل نشره أكثر من RAGFlow أو Onyx، لكن هذه البساطة تعني أيضًا أنه ليس الخيار الأقوى للفهرسة على مستوى المؤسسة أو لتنسيق عمليات البحث المتقدمة.

10. SearXNG — أفضل واجهة خلفية خاصة للبحث بالذكاء الاصطناعي المحلي

SearXNG هو الاستثناء هنا لأنه ليس محرك إجابات بالذكاء الاصطناعي.

إنه محرك بحث فوقي مستضاف ذاتيًا يجمع النتائج من ما يصل إلى 272 خدمة بحث، مع تجنب تتبع المستخدمين وإنشاء ملفات تعريف لهم.

وهذا يجعله أحد أهم مكونات البنية التحتية في منظومة البحث بالذكاء الاصطناعي المستضاف ذاتيًا.

يمكن لـ Vane استخدام SearXNG. ويمكن لـ Morphic استخدام SearXNG. ويمكن لـ Open WebUI استخدام SearXNG. ويمكن لـ Local Deep Researcher استخدام SearXNG.

دوره بسيط:

استعلام المستخدم
    |
SearXNG
    |
نتائج البحث الخام
    |
نموذج لغة كبير محلي
    |
إجابة بالذكاء الاصطناعي موثقة بالاقتباسات

يؤدي استضافة واجهة البحث الخلفية ذاتيًا إلى فصل طبقة الاسترجاع عن طبقة الإجابات. ويمكنك تغيير نماذج اللغة الكبيرة دون تغيير محرك البحث، أو تغيير تطبيقات الإجابة مع الإبقاء على بنية البحث نفسها.

الأفضل لـ: المستخدمين الذين يريدون واجهة خلفية خاصة للبحث الفوقي شبيهة بـ Google، يمكنها تزويد Vane أو Open WebUI أو Morphic أو وكلاء البحث أو تطبيقات الذكاء الاصطناعي المحلية المخصصة بالبيانات.

المقايضة: لا يلخص SearXNG أو يستدل أو ينشئ إجابات موثقة بالاقتباسات بمفرده. وهو يحتاج إلى طبقة ذكاء اصطناعي فوقه إذا كنت تريد تجربة شبيهة بـ Perplexity.

أي أداة بحث بالذكاء الاصطناعي مستضافة ذاتيًا ينبغي أن تختار؟

Vane أم Morphic: ما البديل الأفضل لـ Perplexity المستضاف ذاتيًا؟

يُعدّ Vane وMorphic الخيارين الأكثر مباشرة إذا كان تصورك هو: «أريد Perplexity، ولكن على خادمي الخاص».

اختر Vane عندما تكون الأولوية لمحرك إجابات خاص ومركّز ببنية SearXNG + Ollama مباشرة.

اختر Morphic عندما تكون واجهة البحث نفسها مهمة وتريد مكونات نتائج توليدية أغنى، وسجلًا، ومصادقة، وتجربة أشبه بالتطبيقات.

Onyx مقابل Khoj مقابل AnythingLLM للبحث في المعرفة الخاصة

يمكن للثلاثة جميعًا البحث في المعلومات الخاصة، لكنهم يستهدفون عمليات نشر مختلفة جدًا.

اختر Onyx عندما تكون المعلومات موزعة على العديد من تطبيقات الفريق وتكون الصلاحيات مهمة.

اختر Khoj عندما تكون المعرفة مملوكة أساسًا لشخص واحد ويكون الهدف إنشاء ذاكرة خاصة قابلة للبحث وبيئة للبحث.

اختر AnythingLLM عندما تكون الأولوية هي تشغيل سير عمل البحث في المستندات المحلية بسرعة مع الحد الأدنى من العمل على البنية التحتية.

بحث الويب مقابل البحث في المعرفة الخاصة

من أكثر الأخطاء شيوعًا في هذه الفئة التعامل مع بحث الويب وRAG الخاص كأنهما قابلان للتبادل.

إنها تحل مشكلات استرجاع مختلفة.

تجمع حزمة البحث بالذكاء الاصطناعي الناضجة بشكل متزايد بين الأمرين:

               الويب
                \
الملفات الخاصة ----> طبقة الاسترجاع ----> نموذج اللغة الكبير ----> إجابة موثقة بالاستشهادات
                /
التطبيقات المتصلة

لهذا السبب أصبحت منتجات مثل Onyx وKhoj وSurfSense وOpen WebUI أوسع نطاقًا من تطبيقات RAG التقليدية.

ما أدوات البحث بالذكاء الاصطناعي المستضافة ذاتيًا التي يمكنها العمل مع Ollama؟

يمكن لعدة أدوات في هذه القائمة نقل طبقة استدلال نموذج اللغة الكبير إلى Ollama أو خادم نماذج محلي آخر.

المهم هنا أن الاستدلال المحلي لا يجعل بحث الويب المباشر غير متصل بالإنترنت.

منظومة مثل:

Vane
 |
SearXNG
 |
Ollama

يمكنه إبقاء نموذج اللغة الكبير وتنسيق البحث والسجل وبيانات التطبيق على أجهزتك، لكن لا يزال يتعين على SearXNG الوصول إلى خدمات البحث الخارجية عندما تسأل عن الإنترنت المباشر.

لا يعمل الإعداد المعزول تمامًا عن الشبكة إلا مع المعرفة المخزنة محليًا بالفعل، وهنا تصبح AnythingLLM وRAGFlow وKhoj وغيرها من أنظمة المستندات الخاصة أكثر صلة.

كيفية إنشاء منظومة بحث بالذكاء الاصطناعي مستضافة ذاتيًا باستخدام SearXNG وOllama

بالنسبة إلى المختبر المنزلي، تتمثل إحدى أنظف البنى في فصل البحث والاستدلال والتخزين:

المتصفح
   |
تطبيق البحث بالذكاء الاصطناعي
Vane / Morphic / Open WebUI
   |
+--+-------------------+
|                      |
SearXNG              Ollama
|                      |
الويب المباشر             نموذج اللغة الكبير المحلي
|
الإنترنت

التخزين الخاص
ملفات PDF / الملاحظات / المستندات / ذاكرة التخزين المؤقت / الفهارس

يمنحك هذا الفصل مرونة. يمكنك استبدال Vane بـMorphic من دون استبدال SearXNG. ويمكنك ترقية النموذج الذي يعمل في Ollama من دون إعادة بناء تطبيق البحث. كما يمكنك الاحتفاظ بأرشيف مستنداتك وفهارسك على وحدة تخزين دائمة حتى مع تغيّر حاويات التطبيق.

تتوافق هذه البنية طبيعيًا مع مختبر منزلي محلي للذكاء الاصطناعي، حيث يمكن أن توجد وحدات التخزين وخدمات Docker وفهارس البحث وقواعد بيانات المتجهات وبيئات تشغيل النماذج على الخادم نفسه، أو يمكن فصلها عبر الشبكة المحلية.

يمكن لخادم خفيف استضافة البحث والاسترجاع باستمرار، بينما يشغّل جهاز أكثر قوة مزوّد بمعالج رسومات نموذج اللغة الكبير:

خادم يعمل دائمًا            محطة عمل بمعالج رسومات
      |                           |
 تطبيق البحث بالذكاء الاصطناعي                  Ollama
 SearXNG                         vLLM
 قاعدة بيانات متجهية                        |
 المستندات <------ الشبكة المحلية ---------+

قد يكون هذا عمليًا أكثر من إجبار كل خدمة على العمل على جهاز واحد ضخم.

ما مقدار العتاد الذي يحتاجه البحث بالذكاء الاصطناعي المستضاف ذاتيًا؟

عادةً لا يكون تطبيق البحث نفسه الجزء الأكثر تطلبًا في المنظومة.

يأتي استهلاك الموارد من عدة طبقات مختلفة:

يمكن لتكوين بسيط من Vane وSearXNG العمل على عتاد أقل بكثير من نشر كبير لـRAGFlow يفهرس ملايين مقاطع المستندات.

عادةً ما يكون النموذج هو العامل الأكثر تأثيرًا. إذا استخدمت نموذجًا مستضافًا، فيمكن أن يظل خادم البحث خفيفًا نسبيًا. أما إذا شغّل Ollama نموذج استدلال محليًا أكبر، فستزداد متطلبات الذاكرة العشوائية ومسرّع الذكاء الاصطناعي بسرعة.

توضح إرشادات AnythingLLM الحالية هذا الانقسام جيدًا: قد يكون التطبيق نفسه خفيفًا، بينما تستفيد تجربة استخدام النماذج المحلية الأفضل من قدر أكبر من الذاكرة وسعة GPU. وينطبق المبدأ نفسه على معظم العناصر في هذه القائمة.

الاستضافة الذاتية لا تعني الخصوصية تلقائيًا

وهذا هو أهم فحص للخصوصية في هذه الفئة بأكملها.

إن تشغيل التطبيق في Docker ليس سوى طبقة واحدة.

في البحث داخل المستندات الخاصة، من السهل جدًا إغفال طبقة التضمين.

يمكن لسير العمل استخدام نموذج لغوي كبير محلي، مع الاستمرار في إرسال كل جزء من ملف PDF خاص إلى واجهة برمجة تطبيقات سحابية للتضمين. وهذا لا يعادل حزمة RAG محلية بالكامل.

إذا كانت الخصوصية هي الهدف، فتحقق من المسار الكامل:

مستند
   |
محلّل
   |
نموذج التضمين
   |
قاعدة بيانات متجهية
   |
مسترجِع
   |
نموذج لغوي كبير
   |
إجابة

يتعمق دليل ZimaSpace حول قواعد المعرفة المحلية في شرح سبب أهمية التخزين والتضمينات والبحث المتجهي وقواعد الأدلة، عندما يكون الهدف بحثًا خاصًا طويل الأمد بدلًا من محادثة عابرة حول ملف.

البحث بالذكاء الاصطناعي يتحول إلى بحث متعمق

أكبر تغيير في عام 2026 هو أن البحث أصبح تكراريًا.

كان تدفق البحث بالذكاء الاصطناعي القديم كما يلي:

سؤال
   |
البحث مرة واحدة
   |
تلخيص
   |
إجابة

يبدو تدفق البحث الجديد على نحو متزايد كما يلي:

سؤال
   |
بحث
   |
قراءة
   |
تحديد الأدلة المفقودة
   |
البحث مجددًا
   |
مقارنة المصادر
   |
تحسين السؤال
   |
البحث مجددًا
   |
توليف
   |
تقرير موثّق

يجعل Local Deep Researcher هذا النمط واضحًا، لكن الاتجاه نفسه يظهر في البحث المتعمق لدى Onyx، ومساحات العمل الموجهة للبحث مثل SurfSense، وأوضاع «الجودة» أو الأوضاع التكيفية التي تظهر في محركات الإجابة الحديثة.

يكتسب هذا التحول أهمية في الاستضافة الذاتية لأن البحث المتعمق يتطلب موارد أكبر من البحث العادي. فهو ينشئ طلبات بحث أكثر، ونصوصًا مسترجعة أكثر، وسياقات أطول، واستدعاءات أكثر للنماذج، وحالة بحث أكبر.

الفائدة هي أن خادم بحث محليًا بالذكاء الاصطناعي يمكن أن يصبح أكثر من مجرد بديل خاص لـ Google. إذ يمكنه أن يصبح طبقة بحث متاحة دائمًا فوق الويب العام وبياناتك الخاصة معًا.

أدوات بحث أخرى بالذكاء الاصطناعي مستضافة ذاتيًا تستحق المتابعة

يبقى Farfalle مشروع بحث بالذكاء الاصطناعي مفتوح المصدر يستحق المتابعة، مع دعمه لـ SearXNG وOllama وLiteLLM والبحث الموجّه للوكلاء. ويتداخل بدرجة كبيرة مع Vane وMorphic، ولذلك لم يحجز مكانًا أساسيًا ضمن أفضل 10 مشاريع.

توجد أيضًا أدوات متخصصة على نحو متزايد للبحث الأكاديمي، والبحث في الشيفرة، وموصلات المؤسسات، والبحث المتجهي، ومساحات العمل الشبيهة بـ NotebookLM. وتتوسع هذه الفئة بسرعة كافية لدرجة أن سؤال «ما أفضل محرك بحث للذكاء الاصطناعي؟» أصبح أقل فائدة من السؤال عن مشكلة الاسترجاع التي تحتاج فعليًا إلى حلها.

الحكم النهائي

اختر Vane إذا كنت تريد تجربة البحث الأكثر مباشرة، الشبيهة بـ Perplexity والمستضافة ذاتيًا، مع SearXNG وOllama.

اختر Morphic إذا كنت تهتم بواجهة بحث توليدية أكثر ثراءً ونشر يشبه التطبيقات بدرجة أكبر.

اختر Onyx إذا كان هدف البحث الفعلي هو معرفة الشركة الموزعة عبر العديد من الأدوات والمستودعات.

اختر Khoj إذا كنت تريد طبقة بحث شخصية فوق الملفات الخاصة والويب.

اختر SurfSense عندما يكون البحث جزءًا من سير عمل أوسع يشمل البحث المتعمق والملاحظات والموصلات والأتمتة.

اختر Open WebUI إذا كان لديك بالفعل نظام ذكاء اصطناعي محلي قائم على Ollama، وتريد ببساطة إضافة البحث على الويب وRAG المحلي إلى الواجهة التي تستخدمها حاليًا.

اختر Local Deep Researcher عندما تتطلب المهمة البحث المتكرر والتأمل وجمع الأدلة بدلًا من إجابة سريعة واحدة.

اختر RAGFlow عندما يكون تحليل المستندات الخاصة واستيعابها وجودة الاسترجاع وتوسّع RAG أهم من تجربة استخدام البحث على الويب.

اختر AnythingLLM للوصول بأيسر طريقة إلى البحث الخاص في المستندات باستخدام النماذج المحلية والتضمينات المحلية وRAG المدمج.

اختر SearXNG عندما تريد امتلاك الواجهة الخلفية للبحث على الويب نفسها، وتمرير طبقة البحث هذه إلى تطبيقات متعددة للذكاء الاصطناعي المحلي.

لذلك، لا تتكوّن أفضل حزمة بحث للذكاء الاصطناعي مستضافة ذاتيًا بالضرورة من تطبيق واحد. بل غالبًا ما تكون نظامًا معياريًا يمكن فيه تطوير البحث والاسترجاع والاستدلال والتخزين الخاص والاستشهادات بشكل مستقل.

الأسئلة الشائعة

ما أفضل محرك بحث للذكاء الاصطناعي مستضاف ذاتيًا في عام 2026؟

يُعد Vane أحد أقوى الخيارات الشاملة لمحرك إجابات شبيه بـ Perplexity والمستضاف ذاتيًا، لأنه يجمع بين إجابات الويب المزوّدة بالاستشهادات وSearXNG والنشر عبر Docker والاستدلال المحلي من خلال Ollama. ويُعد Morphic بديلًا قويًا عندما تكون واجهة البحث وواجهة المستخدم التوليدية أكثر أهمية.

ما أفضل بديل مفتوح المصدر لـ Perplexity؟

يُعد Vane وMorphic من أقرب البدائل مفتوحة المصدر والمستضافة ذاتيًا. يركّز Vane على تقديم إجابات تراعي الخصوصية باستخدام SearXNG والنماذج المحلية، بينما يركّز Morphic على واجهة المستخدم التوليدية وموفّري البحث المرنين.

هل لا يزال Perplexica نشطًا؟

انتقل المشروع المعروف سابقًا باسم Perplexica إلى الأمام تحت اسم Vane. ينبغي للمستخدمين الباحثين عن الإصدار الحالي تقييم Vane بدلًا من الاعتماد على أدلة تثبيت Perplexica القديمة.

هل يمكنني تشغيل البحث على الويب بالذكاء الاصطناعي دون اتصال بالإنترنت تمامًا؟

لا، ليس إذا كنت تحتاج إلى معلومات حديثة من الويب المباشر. يمكنك إبقاء نموذج الذكاء الاصطناعي والتطبيق والسجل وتنسيق البحث محليًا، لكن تظل واجهة البحث الخلفية بحاجة إلى الوصول إلى الإنترنت لاسترجاع الصفحات الحالية أو نتائج محركات البحث. ولا يصبح البحث غير المتصل بالكامل ممكنًا إلا في البيانات المخزنة محليًا مسبقًا.

هل يمكنني استخدام SearXNG مع Ollama؟

نعم. يوفر SearXNG نتائج البحث، بينما يوفر Ollama استدلالًا محليًا للنماذج اللغوية الكبيرة. ويمكن لتطبيقات مثل Vane وMorphic وOpen WebUI وLocal Deep Researcher أن تعمل كحلقة وصل بينهما وتحول نتائج البحث إلى إجابات مولدة بالذكاء الاصطناعي.

ما أفضل أداة بحث بالذكاء الاصطناعي مستضافة ذاتيًا للمستندات الخاصة؟

يُعد AnythingLLM أحد أسهل الخيارات لإجراء الأسئلة والأجوبة محليًا حول المستندات. أما RAGFlow فهو أنسب لعمليات استيعاب معقدة وأنظمة RAG أكبر، بينما يكون Onyx أقوى عندما تكون المستندات موزعة عبر العديد من تطبيقات المؤسسة.

ما أفضل أداة بحث بالذكاء الاصطناعي مستضافة ذاتيًا لفريق؟

يُعد Onyx الخيار الأنسب في هذه القائمة للبحث على مستوى الشركة، لأنه يجمع بين الموصلات والاسترجاع الهجين وتقنية RAG والبحث على الويب والوكلاء والحوكمة الموجهة للفرق. ويُعد SurfSense خيارًا جيدًا آخر عندما يكون سير العمل متمحورًا بدرجة أكبر حول البحث.

ما الفرق بين البحث بالذكاء الاصطناعي وتقنية RAG؟

البحث بالذكاء الاصطناعي هو تجربة المستخدم الأوسع لاسترجاع المعلومات وتوليد إجابة. أما RAG فهو إحدى معماريات الاسترجاع المستخدمة لربط نموذج لغوي كبير بسياق خارجي ذي صلة. وقد تستخدم أداة بحث بالذكاء الاصطناعي مستضافة ذاتيًا تقنية RAG للمستندات الخاصة، أو البحث المباشر على الويب للحصول على معلومات حديثة، أو كليهما.

هل أحتاج إلى قاعدة بيانات متجهية للبحث المدعوم بالذكاء الاصطناعي والمستضاف ذاتيًا؟

ليس للبحث العادي المباشر على الويب. تصبح قواعد البيانات المتجهية مفيدة عندما تحتاج إلى بحث دلالي في المستندات الخاصة أو الملاحظات أو المستودعات أو غيرها من المعارف المستمرة. تستخدم أدوات مثل AnythingLLM وRAGFlow وOnyx وKhoj طبقات استرجاع تتجاوز البحث التقليدي على الويب.

ما الفرق بين Vane وSearXNG؟

SearXNG هو نظام خلفي للبحث الفوقي يعرض نتائج البحث. أما Vane فهو محرك للإجابة بالذكاء الاصطناعي، ويمكنه استخدام SearXNG لجلب النتائج، ثم يستخدم نموذجًا لغويًا كبيرًا لتجميع تلك النتائج في إجابة موثقة بالمراجع.

هل يمكن للبحث المدعوم بالذكاء الاصطناعي والمستضاف ذاتيًا استخدام نماذج محلية وسحابية معًا؟

نعم. تدعم العديد من الأدوات في هذه القائمة كليهما. يتيح ذلك بنية هجينة تستخدم فيها عمليات البحث الروتينية Ollama محليًا، بينما يمكن توجيه مهام البحث الصعبة إلى نموذج مستضاف عند الحاجة.

ما الذي ينبغي أن أستضيفه ذاتيًا أولًا: نموذج الذكاء الاصطناعي أم محرك البحث؟

إذا كان القلق الرئيسي هو الخصوصية المتعلقة بالمستندات الخاصة، فابدأ بالنموذج والتضمينات وفهرس المستندات. وإذا كان القلق الرئيسي هو الخصوصية المتعلقة باستعلامات الويب، فابدأ بواجهة خلفية للبحث مستضافة ذاتيًا مثل SearXNG. ولأقوى تحكم، استضف الطبقتين ذاتيًا.