في عالم التمويل، يتطلب الرد على الأسئلة المتعلقة بالوثائق المالية (Financial Document Question Answering) قدرة عالية على الاستدلال العددي المتعدد المراحل، حيث تتنوع مصادر المعلومات بين جداول هيكلية ونصوص سردية وملاحظات. الاعتماد التقليدي على أساليب الاسترجاع المعززة (Retrieval-Augmented Generation) كان يعتمد بشكل كبير على نماذج أحادية، مما جعل معالجة السلاسل المعقدة من الاستدلالات في التحليلات المالية أمراً صعباً.

لكن ماذا لو كان هناك حل يتجاوز تلك القيود؟ هنا يأتي دور FinAgent-RAG، الذي يمثل إطاراً جديداً يدمج بين تقنيات الاسترجاع المتكرر والاستدلال الذاتي، مصمم خصيصاً لتلبية دقة الاحتياجات الخاصة بالتحليل العددي المالي.

الإطار يدمج ثلاثة ابتكارات محددة في مجاله: أولاً، جهاز استرجاع مالي متباين (Contrastive Financial Retriever) تم تدريبه باستخدام تقنيات استخراج الأمثلة الصعبة (Hard Negative Mining) لتمييز المقاطع المالية المتشابهة عوضاً عن أنها متميزة رقمياً. ثانياً، وحدة استدلال تعتمد على 'برنامج تفكير' (Program-of-Thought) تنتج شفرات تنفيذية بلغة بايثون لتحسين الدقة في العمليات الحسابية، بدلاً من الاعتماد على النموذج اللغوي الكبير (LLM) الذي قد يتسبب في أخطاء حسابية. وثالثاً، مُوَجِّه استراتيجي ديناميكي (Adaptive Strategy Router) يقوم بتخصيص الموارد الحسابية بناءً على تعقيد السؤال، مما يخفض من تكلفة واجهة برمجة التطبيقات بنسبة 41.3% على FinQA مع الحفاظ على الدقة.

أظهرت التجارب الواسعة على ثلاثة مجموعات بيانات مرجعية - FinQA، ConvFinQA، وTAT-QA - أن FinAgent-RAG يحقق دقة تنفيذ تبلغ 76.81%، 78.46%، و74.96% على التوالي، متجاوزاً أقوى المعايير السابقة بنسبة تتراوح بين 5.62 إلى 9.32 نقطة مئوية. تم تأكيد متانة الإطار وصلاحيته العملية للمؤسسات المالية من خلال دراسات تفحص تأثير إلغاء العناصر، وتقييمات متقاطعة مع أربعة نماذج لغوية كبيرة، وتحليل تكاليف النشر.