---
title: "अरबी RAG: normalisation, chunking और embeddings | BroadRouter"
description: "अरबी दस्तावेज़ों पर RAG: अलिफ़, या और ता मरबूता normalise करें, समझदारी से chunk करें, बहुभाषी embeddings चुनें और keyword search जोड़ें।"
url: https://broadrouter.com/hi/blog/arabic-rag-search/
lang: hi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/blog/arabic-rag-search/) (2026-11-14 को अपडेट किया गया).

# अरबी RAG: normalisation, chunking और retrieval जो सच में काम करे

BroadNet Inference टीम · 6 मिनट में पढ़ें · प्रकाशित 2026-11-14

अरबी RAG तब काम करता है जब आप इंडेक्स करने से पहले टेक्स्ट normalise करें (अलिफ़ के रूप, या और अलिफ़ मक़सूरा, ता मरबूता एक करें, हरकात और तत्वील हटाएँ), पैराग्राफ़ के हिसाब से chunk करें, बहुभाषी embedding मॉडल को keyword search के साथ मिलाएँ, और long-context LLM को मिले हुए अंशों से हवाले के साथ जवाब देने दें। queries पर भी यही normalisation लगाएँ।

## मुख्य बातें

-   दस्तावेज़ों और queries को एक ही तरह normalise करें: أ/إ/آ को ا, ى को ي, ة को ه, हरकात नहीं, तत्वील नहीं।
-   दिखाने के लिए मूल टेक्स्ट रखें; इंडेक्स normalised कॉपी को करें।
-   अरबी analyzer वाला keyword search और बहुभाषी embeddings मिलाएँ, फिर अपनी queries पर hybrid को दोनों में से हर एक से अलग तुलना करें।
-   ऐसा बहुभाषी embedding मॉडल चुनें जिसे आपने अरबी queries पर टेस्ट किया हो। BroadNet Inference कोई embeddings endpoint नहीं देता।
-   long-context मॉडल आपको खुलकर retrieve करने देते हैं: DeepSeek V4.1 Flash और GLM 5.3 1,048,576 टोकन स्वीकार करते हैं।

**इस पेज पर**

1.  अरबी RAG पाइपलाइन कैसी दिखती है?
2.  search के लिए अरबी टेक्स्ट कैसे normalise करें?
3.  अरबी दस्तावेज़ों को कैसे chunk करें?
4.  keyword search और embeddings को साथ क्यों मिलाएँ?
5.  हवालों वाले जवाब कैसे बनाएँ?
6.  अरबी RAG का मूल्यांकन कैसे करें?

_[image: A man speaking into a microphone beside the Arabic word "حوار" (conversation), with the text "Conversations, ready to search."]_

अरबी पर [retrieval-augmented generation](https://broadrouter.com/hi/glossary/rag/) (RAG) चलाने के लिए दस्तावेज़ों और queries को एक जैसे वर्तनी नियमों से normalise करें, पैराग्राफ़ के हिसाब से chunk करें, अरबी keyword analyzer और बहुभाषी embedding मॉडल दोनों से खोजें, और LLM से सिर्फ़ मिले हुए अंशों से, हवालों के साथ जवाब दिलवाएँ।

[मूल RAG पेपर](https://arxiv.org/abs/2005.11401) का पैटर्न है: पहले retrieve, फिर generate। अरबी RAG की ज़्यादातर नाकामियाँ पहले आधे हिस्से में होती हैं। यूज़र “الفاتوره” टाइप करता है और इंडेक्स में “الفاتورة” है; पॉलिसी में “إلغاء” लिखा है और यूज़र “الغاء” लिखता है; embedding मॉडल ज़्यादातर अंग्रेज़ी पर ट्रेन हुआ था। retrieval ठीक कर दें, तो LLM वाला हिस्सा अक्सर अपने-आप संभल जाता है।

## अरबी RAG पाइपलाइन कैसी दिखती है?

1.  PDFs, वेब पेजों और हेल्प-सेंटर लेखों से टेक्स्ट **निकालें**। स्कैन किए गए अरबी PDFs के लिए [अरबी OCR बनाम vision LLMs](https://broadrouter.com/hi/blog/arabic-ocr-vision-llm/) देखें।
2.  इंडेक्स करने के लिए टेक्स्ट की एक कॉपी **normalise** करें।
3.  ढाँचे के हिसाब से **chunk** करें: headings और पैराग्राफ़।
4.  दो बार **इंडेक्स** करें: एक keyword इंडेक्स और एक vector इंडेक्स।
5.  normalised query से दोनों में **retrieve** करें, मिलाएँ और rerank करें।
6.  ऊपर के अंशों से हवालों के साथ जवाब **generate** करें।

## search के लिए अरबी टेक्स्ट कैसे normalise करें?

अरबी में एक ही शब्द की कई वर्तनियाँ चलती हैं, और यूज़र हरकात या हम्ज़ा शायद ही कभी एक जैसा टाइप करते हैं। इंडेक्स की कॉपी और हर query को एक ही फ़ंक्शन से normalise करें:

| नियम | कैरेक्टर | क्यों |
| --- | --- | --- |
| अलिफ़ एक करें | أ إ آ ٱ → ا | टाइप करते समय हम्ज़ा अक्सर छूट जाता है |
| अलिफ़ मक़सूरा | ى → ي | मिस्री टाइपिंग और ढीली वर्तनी में आम |
| ता मरबूता | ة → ه | यूज़र शब्द के अंत में ه टाइप करते हैं |
| हरकात हटाएँ | U+064B से U+0652, U+0670 | ज़्यादातर टेक्स्ट और queries बिना हरकात के होते हैं |
| तत्वील हटाएँ | ـ (U+0640) | सजावटी खिंचाव |
| अंक | ٠–٩ → 0–9 | संख्याएँ किसी भी रूप में मिलें |

हर विकल्प को अपने टेक्स्ट पर [अरबी टेक्स्ट normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) से आज़माएँ, जो मेल खाता Python फ़ंक्शन भी लिख देता है।

```python
import re

_DIAC = re.compile(r"[ً-ْٰ]")

def normalise(text: str) -> str:
    text = _DIAC.sub("", text).replace("ـ", "")
    text = re.sub("[أإآٱ]", "ا", text)
    text = text.replace("ى", "ي").replace("ة", "ه")
    return text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789"))
```

code points [Unicode अरबी chart](https://www.unicode.org/charts/PDF/U0600.pdf) में हैं। दो सावधानियाँ:

-   **normalised टेक्स्ट कभी न दिखाएँ।** मूल टेक्स्ट उसके साथ रखें, और वही दिखाएँ, उसी का हवाला दें और वही LLM को भेजें। normalised अरबी पाठकों को ग़लत वर्तनी वाली लगती है।
-   **कुछ विलय अर्थ खो देते हैं।** ة → ه कुछ शब्द-जोड़ों को एक कर देता है, और ى → ي “على” (पर) को “علي” (अली) से मिला देता है। search recall के लिए यह सौदा आमतौर पर फ़ायदेमंद है; इसे अपनी queries पर टेस्ट करें।

यही नियम [अरबी speech recognition की सटीकता मापने](https://broadrouter.com/hi/blog/arabic-asr-wer-explained/) में भी केंद्रीय हैं, इसलिए आप पूरे stack में एक ही फ़ंक्शन दोबारा इस्तेमाल कर सकते हैं।

## अरबी दस्तावेज़ों को कैसे chunk करें?

-   **ढाँचे पर तोड़ें।** headings, कॉन्ट्रैक्ट के क्रमांकित अनुच्छेद (المادة ١، المادة ٢) और पैराग्राफ़ ब्रेक स्वाभाविक सीमाएँ हैं।
-   **हर chunk में कुछ सौ शब्द,** एक-दो वाक्यों के overlap के साथ। अरबी शब्दों में अंग्रेज़ी शब्दों से ज़्यादा morphemes होते हैं, इसलिए एक chunk अपनी लंबाई से ज़्यादा अर्थ समेटता है।
-   **वाक्य की सीमाएँ:** . ؟ ! और अरबी कॉमा ، पर सिर्फ़ आख़िरी उपाय के रूप में तोड़ें। बहुत से अरबी टेक्स्ट و से जुड़े लंबे वाक्य इस्तेमाल करते हैं, इसलिए पैराग्राफ़ के स्तर पर तोड़ना ज़्यादा सुरक्षित है।
-   **संदर्भ साथ रखें।** हर chunk के आगे दस्तावेज़ का शीर्षक और सेक्शन heading अरबी में जोड़ें, ताकि “تُطبَّق هذه الرسوم” (ये शुल्क लागू होते हैं) कहने वाला chunk यह भी बताए कि कौन-से शुल्क।

[RAG chunking कैलकुलेटर](https://broadrouter.com/tools/rag-chunking-calculator/) chunk size, overlap और top-k को chunks की संख्या, प्रति query टोकन और मासिक लागत में बदलता है।

## keyword search और embeddings को साथ क्यों मिलाएँ?

### Keyword search

अरबी morphology सीधे-सादे keyword matching को हरा देती है: كتاب, الكتاب, بالكتاب, وكتابه और كتب सब “किताब” से जुड़े हैं। ऐसा analyzer इस्तेमाल करें जो अरबी संभाले। Elasticsearch एक [अरबी language analyzer](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html) देता है जो अरबी stop words, अंकों का normalisation, अरबी normalisation और एक अरबी stemmer जोड़ता है, ताकि الكتاب और وكتاب जैसे prefix वाले रूप ज़्यादा बार मेल खाएँ। उस पर निर्भर होने से पहले जाँचें कि यह आपकी शब्दावली में क्या-क्या मिला देता है।

### Embeddings

[Embedding मॉडल](https://broadrouter.com/hi/glossary/embeddings/) टेक्स्ट को vectors में बदलते हैं, ताकि मिलते-जुलते अर्थ वाले अंश पास-पास रहें, भले ही उनमें कोई शब्द साझा न हो। अरबी के लिए बहुभाषी मॉडल चुनें और उसे टेस्ट करें:

-   **कई भाषाओं पर ट्रेन हुए मॉडल चुनें,** जैसे [BGE M3](https://arxiv.org/abs/2402.03216), जिसे इसके लेखक 100 से ज़्यादा working languages का समर्थन करने वाला बताते हैं। सिर्फ़-अंग्रेज़ी मॉडल कमज़ोर अरबी vectors देते हैं।
-   **cross-language retrieval टेस्ट करें** अगर यूज़र अरबी दस्तावेज़ों के बारे में अंग्रेज़ी में पूछते हैं, या उल्टा।
-   **मूल या normalised टेक्स्ट embed करें, लेकिन दस्तावेज़ों और queries के बीच एक जैसा रखें।** दोनों टेस्ट करें; नतीजे मॉडल के हिसाब से बदलते हैं।

BroadNet Inference कोई embeddings endpoint नहीं देता: इसके दस्तावेज़ित endpoints chat completions और ऑडियो ट्रांसक्रिप्शन हैं। जिस embedding प्रोवाइडर पर आपको भरोसा हो उसे इस्तेमाल करें, या किसी ओपन बहुभाषी embedding मॉडल को [vector database](https://broadrouter.com/hi/glossary/vector-database/) के साथ ख़ुद होस्ट करें, और जवाब बनाने के लिए BroadNet इस्तेमाल करें। [embedding लागत कैलकुलेटर](https://broadrouter.com/tools/embedding-cost-calculator/) अलग-अलग प्रोवाइडरों पर इंडेक्सिंग और queries की कीमत निकालता है।

### मिलाएँ और rerank करें

दोनों searches चलाएँ, नतीजों को reciprocal rank fusion से मिलाएँ (हर दस्तावेज़ को सभी सूचियों में 1 / (k + rank) के योग से स्कोर करें), और ऊपर के 10 से 30 अंश रखें। कोई reranker या LLM से जल्दी की गई relevance जाँच इन्हें और छाँट सकती है, लेकिन long-context मॉडलों के साथ आप अक्सर इसे छोड़ सकते हैं।

## हवालों वाले जवाब कैसे बनाएँ?

मॉडल को ids के साथ अंश दें और उससे सिर्फ़ उन्हीं से जवाब देने को कहें:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def answer(question: str, passages: list[dict]) -> str:
    context = "\n\n".join(f"[{p['id']}] {p['title']}\n{p['text']}" for p in passages)
    system = ("أجب عن سؤال المستخدم بالعربية الفصحى المبسطة، اعتماداً فقط على المقاطع المرفقة. "
              "اذكر رقم المقطع بين قوسين مربعين بعد كل معلومة. "
              "إذا لم تجد الإجابة في المقاطع فقل ذلك بوضوح.")
    r = client.chat.completions.create(
        model="broadnet/deepseek-v4.1-flash",
        max_tokens=4000,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": f"المقاطع:\n{context}\n\nالسؤال: {question}"}],
    )
    return r.choices[0].message.content
```

अरबी system प्रॉम्प्ट कहता है: “यूज़र के सवाल का जवाब सरल मानक आधुनिक अरबी में दें, सिर्फ़ संलग्न अंशों के आधार पर। हर तथ्य के बाद अंश का नंबर वर्गाकार कोष्ठक में दें। अगर अंशों में जवाब न मिले तो साफ़-साफ़ कहें।” अंग्रेज़ी निर्देश भी उतने ही अच्छे चलते हैं; मायने रखता है सिर्फ़ अंशों से जवाब देने और हवाला देने का नियम।

अंश सवाल से पहले रखें। अगर वही दस्तावेज़ कई अनुरोधों में आते हैं, तो उन्हें प्रॉम्प्ट की शुरुआत में एक ही क्रम में रखें ताकि cached इनपुट की कीमत लागू हो; देखें [cached इनपुट टोकन](https://broadrouter.com/hi/blog/cached-input-tokens-explained/)।

### कौन-सा मॉडल?

| मॉडल | कॉन्टेक्स्ट | क्यों |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/hi/models/deepseek-v4.1-flash/) | 1,048,576 | BroadNet पर इन तीनों में सबसे कम cached-इनपुट दर ($0.0055 प्रति 1M टोकन), कई अंशों के लिए जगह, flat प्लान उपलब्ध |
| [GLM 5.3](https://broadrouter.com/hi/models/glm-5.3/) | 1,048,576 | agentic retrieval के लिए tools और structured output |
| [Qwen3.8 27B](https://broadrouter.com/hi/models/qwen3.8-27b/) | 262,144 | BroadNet ने इसे अरबी में टेस्ट किया: धाराप्रवाह लेखन, खाड़ी और मिस्री बोलियाँ समझी गईं |

दस लाख टोकन के कॉन्टेक्स्ट के साथ आप खुलकर retrieve कर सकते हैं, मान लीजिए 5 की जगह 50 अंश, और मॉडल को चुनने दें। इससे तब नुक़सान घटता है जब retrieval सही अंश को 12वें नंबर पर रखता है। छोटे दस्तावेज़ सेटों के लिए शायद retrieval की ज़रूरत ही न हो; देखें [long context बनाम RAG](https://broadrouter.com/hi/blog/long-context-vs-rag/), और [कॉन्टेक्स्ट विंडो कैलकुलेटर](https://broadrouter.com/tools/context-window-calculator/) से जाँचें कि आपका corpus समाता है या नहीं। सभी मॉडलों की कीमतें [कीमतों के पेज](https://broadrouter.com/hi/pricing/) पर हैं।

## अरबी RAG का मूल्यांकन कैसे करें?

1.  50 से 100 असली सवाल लिखें, MSA, बोली और अंग्रेज़ी के उसी मिश्रण में जो आपके यूज़र असल में टाइप करते हैं।
2.  हर सवाल का जवाब देने वाला अंश चिह्नित करें।
3.  पहले retrieval मापें: क्या सही अंश ऊपर के 10 में है? सिर्फ़ keyword, सिर्फ़ embeddings और hybrid की तुलना करें, normalisation के साथ और बिना।
4.  फिर जवाब मापें: सही, हवाले के साथ, और जवाब न होने पर “नहीं मिला”।
5.  जानबूझकर ग़लत वर्तनी और बोली वाली queries शामिल करें। यूज़र “وين الفاتوره” (खाड़ी/लेवेंटाइन: बिल कहाँ है) लिखते हैं, “أين الفاتورة” नहीं।

जवाब बनाने वाला मॉडल बदलने से पहले retrieval ठीक करें: अगर सही अंश कभी प्रॉम्प्ट तक पहुँचता ही नहीं, तो कोई भी मॉडल उसका हवाला नहीं दे सकता।

इस विषय के मुफ़्त टूल (अंग्रेज़ी में)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[मुफ़्त टूल (अंग्रेज़ी में)](https://broadrouter.com/tools/)

## इस लेख के शब्द

[एम्बेडिंग (embeddings)](https://broadrouter.com/hi/glossary/embeddings/)

एम्बेडिंग, फ़्लोटिंग-पॉइंट संख्याओं की सूचियाँ (वेक्टर) हैं जो कोई मॉडल टेक्स्ट, इमेज या दूसरे इनपुट को दर्शाने के लिए बनाता है। मिलते-जुलते अर्थ वाले इनपुट के वेक्टर पास-पास होते हैं, इसलिए वेक्टर के बीच की दूरी से सर्च नतीजों की रैंकिंग, दस्तावेज़ों का समूह बनाना या जुड़ी चीज़ें ढूँढना संभव होता है।

[RAG (retrieval-augmented generation)](https://broadrouter.com/hi/glossary/rag/)

RAG (retrieval-augmented generation) एक पैटर्न है जिसमें ऐप्लिकेशन पहले किसी बाहरी स्टोर, जैसे सर्च या वेक्टर इंडेक्स, से सवाल से जुड़े हिस्से निकालता है, और फिर उन्हें प्रॉम्प्ट में जोड़ता है, ताकि लैंग्वेज मॉडल सिर्फ़ अपनी याददाश्त के बजाय उस टेक्स्ट से जवाब दे सके।

[टूल कॉलिंग (tool calling)](https://broadrouter.com/hi/glossary/tool-calling/)

टूल कॉलिंग, जिसे function calling भी कहते हैं, LLM API की वह सुविधा है जिसमें मॉडल डेवलपर के तय किए किसी फ़ंक्शन को चलाने का एक स्ट्रक्चर्ड अनुरोध, JSON आर्ग्युमेंट के साथ, लौटाता है। ऐप्लिकेशन फ़ंक्शन चलाकर नतीजा वापस भेजता है; मॉडल ख़ुद कभी कोड नहीं चलाता।

[टोकन (token)](https://broadrouter.com/hi/glossary/token/)

टोकन टेक्स्ट की वह इकाई है जिसे लैंग्वेज मॉडल पढ़ता और लिखता है: कोई शब्द, शब्द का हिस्सा, विराम चिह्न या बाइट का क्रम, जो मॉडल का टोकनाइज़र बनाता है। LLM API इस्तेमाल को टोकन में गिनते हैं, उसी में लिमिट लगाते हैं और आम तौर पर बिल भी बनाते हैं।

[अरबी डायक्रिटिक्स (tashkeel)](https://broadrouter.com/hi/glossary/arabic-diacritics/)

अरबी डायक्रिटिक्स, या tashkeel, अक्षरों के ऊपर या नीचे लगने वाले छोटे चिह्न हैं जो छोटे स्वर, दोहरे व्यंजन और स्वर के न होने को दिखाते हैं। ये वैकल्पिक हैं: ख़बरों समेत ज़्यादातर अरबी टेक्स्ट इन्हें छोड़ देता है, इसलिए पाठक और सॉफ़्टवेयर संदर्भ से स्वर का अंदाज़ा लगाते हैं।

[रीरैंकिंग (reranking)](https://broadrouter.com/hi/glossary/reranking/)

Reranking retrieval का दूसरा चरण है जिसमें एक ज़्यादा सटीक पर धीमा मॉडल, आम तौर पर cross-encoder, पहली सर्च से आए हर query और दस्तावेज़ जोड़े को स्कोर करके उनका क्रम बदलता है, ताकि सिर्फ़ सबसे प्रासंगिक कुछ ही लैंग्वेज मॉडल तक पहुँचें।

[वेक्टर डेटाबेस (vector database)](https://broadrouter.com/hi/glossary/vector-database/)

वेक्टर डेटाबेस एक डेटा स्टोर है जो embedding वेक्टर, अक्सर उनके सोर्स टेक्स्ट और मेटाडेटा के साथ, रखता है और nearest-neighbour क्वेरी का जवाब देता है: क्वेरी वेक्टर मिलने पर यह सबसे मिलते-जुलते सेव वेक्टर लौटाता है, आम तौर पर cosine दूरी, Euclidean दूरी या inner product से।

[स्ट्रक्चर्ड आउटपुट (structured output)](https://broadrouter.com/hi/glossary/structured-output/)

स्ट्रक्चर्ड आउटपुट LLM API का एक फ़ीचर है जो मॉडल के जवाब को डेवलपर के तय फ़ॉर्मैट, आम तौर पर JSON Schema, तक सीमित करता है, ताकि कोड उसे भरोसे से पार्स कर सके। यह JSON mode से सख़्त है, जो मान्य JSON की गारंटी देता है, लेकिन किसी ख़ास ढाँचे की नहीं।

## अक्सर पूछे जाने वाले सवाल

### क्या BroadNet Inference embeddings देता है?

नहीं। इसके दस्तावेज़ित endpoints chat completions और ऑडियो ट्रांसक्रिप्शन हैं। किसी दूसरे प्रोवाइडर का embedding मॉडल इस्तेमाल करें या कोई ओपन बहुभाषी embedding मॉडल ख़ुद चलाएँ, और जवाब बनाने वाले चरण के लिए BroadNet इस्तेमाल करें।

### क्या ता मरबूता को हा में normalise करना चाहिए?

search के लिए आमतौर पर हाँ, क्योंकि यूज़र दोनों टाइप करते हैं। इससे कुछ अलग शब्द एक हो जाते हैं, लेकिन ज़्यादातर corpus में recall का फ़ायदा उससे बड़ा होता है। दिखाने और हवालों के लिए मूल टेक्स्ट रखें।

### अरबी chunks कितने बड़े होने चाहिए?

एक से तीन पैराग्राफ़, यानी कुछ सौ शब्दों से शुरू करें, थोड़े overlap के साथ। headings और पैराग्राफ़ पर तोड़ें, वाक्य के बीच नहीं, और हर chunk के साथ दस्तावेज़ का शीर्षक रखें।

### अरबी के लिए कौन-सा embedding मॉडल काम करता है?

बहुभाषी मॉडल इस्तेमाल करें और उसे अपनी अरबी queries पर टेस्ट करें। उदाहरण के लिए, BGE M3 के लेखक इसे 100 से ज़्यादा working languages में retrieval का समर्थन करने वाला बताते हैं। सिर्फ़-अंग्रेज़ी embedding मॉडल कमज़ोर अरबी vectors देते हैं।

### क्या यूज़र अंग्रेज़ी में खोजकर अरबी दस्तावेज़ पा सकते हैं?

हाँ, ऐसे बहुभाषी embedding मॉडल से जो दोनों भाषाओं को एक ही space में रखता है, या keyword search से पहले LLM से query का अनुवाद करवाकर। cross-language queries को अलग से टेस्ट करें।

## आगे पढ़ें

-   [लॉन्ग कॉन्टेक्स्ट बनाम RAG: कब 1M टोकन वेक्टर DB की जगह लेते हैं](https://broadrouter.com/hi/blog/long-context-vs-rag/)
-   [अरबी ASR में word error rate (WER) क्या है, आसान भाषा में](https://broadrouter.com/hi/blog/arabic-asr-wer-explained/)
-   [अरबी प्रॉम्प्ट इंजीनियरिंग: register, RTL, अंक और मिला-जुला टेक्स्ट](https://broadrouter.com/hi/blog/arabic-prompt-engineering/)
-   [अरबी के लिए LLM API कैसे चुनें: क्या-क्या टेस्ट करें](https://broadrouter.com/hi/blog/choosing-an-llm-for-arabic/)
-   [LLM से अरबी टेक्स्ट में हरकतें (तश्कील) लगाना: प्रॉम्प्ट, जाँच, DER](https://broadrouter.com/hi/blog/arabic-diacritization-llm/)
-   [LLM से अरबी व्याकरण और वर्तनी सुधार: एक how-to](https://broadrouter.com/hi/blog/arabic-grammar-spelling-correction-llm/)
-   [गाइड: BroadNet Inference के साथ LangChain इस्तेमाल करें](https://broadrouter.com/hi/guides/langchain-openai-base-url/)
-   [गाइड: BroadNet Inference के साथ OpenAI Python SDK इस्तेमाल करें](https://broadrouter.com/hi/guides/openai-python-sdk/)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

[शुरू करें](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-arabic-rag-search&utm_content=page-cta) ·

**स्रोत**

-   [Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv 2005.11401; 2026-11-14 को जाँचा गया)](https://arxiv.org/abs/2005.11401)
-   [Chen et al., M3-Embedding: 100 से ज़्यादा working languages (arXiv 2402.03216; 2026-11-14 को जाँचा गया)](https://arxiv.org/abs/2402.03216)
-   [Elasticsearch language analyzers, arabic analyzer के filters (2026-11-14 को जाँचा गया)](https://www.elastic.co/guide/en/elasticsearch/reference/current/analysis-lang-analyzer.html)
-   [Unicode अरबी code chart, U+0600 से U+06FF (2026-11-14 को जाँचा गया)](https://www.unicode.org/charts/PDF/U0600.pdf)
-   [BroadNet Inference API रेफ़रंस, उपलब्ध endpoints (2026-11-14 को जाँचा गया) (अंग्रेज़ी में)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-arabic-rag-search&utm_content=sources)
