في عصر يتسم بتطورات سريعة في مجالات الذكاء الاصطناعي، تبرز نماذج اللغات الكبيرة (Large Language Models) بفضل قدرتها العالية على التفكير والرد على الأسئلة الطبية. ومع ذلك، تبقى هناك تحديات ملحوظة نتيجة لإنتاج هذه النماذج لمعلومات غير دقيقة أو قديمة، مما يحمل مخاطر جسيمة في مجالات الرعاية الصحية. تعتبر تقنية استرجاع المعلومات المعززة (Retrieval-Augmented Generation) وسيلة فعالة لتقليل هذه المشكلات، لكن الأساليب الحالية تعتمد غالباً على إشارات غير موثوقة وتفتقر إلى التكرار اللازم للتفكير المعقد.

في هذه الورقة البحثية، نقدم تقنية MA-RAG (Multi-Round Agentic RAG) كإطار عمل يتيح زيادة القدرة على التفكير الطبي المعقد من خلال تحسين العملية بشكل تكراري. تركز هذه التقنية على تطوير الأدلة الخارجية وكذلك تاريخ التفكير الداخلي ضمن حلقة من التحسين القائم على الأداء. خلال كل جولة، يقوم النظام بتحويل النزاعات الدلالية بين الإجابات المحتملة إلى استفسارات قابلة للتنفيذ لاسترجاع الأدلة الخارجية، بينما يتم تحسين آثار التفكير السابقة لتخفيف تدهور المعلومات على المدى الطويل.

تقوم MA-RAG بتوسيع مبدأ التناسق الذاتي من خلال الاستفادة من عدم التناسق كإشارة استباقية لتعزيز التفكير المتكرر واسترجاع المعلومات، حيث تعكس آلية تعزيز تقلل من الخطأ المتبقي نحو تحقيق توافق طبي عالي الدقة. من خلال تقييمات شاملة عبر 7 معايير لاستجابة الأسئلة الطبية، أظهرت MA-RAG تفوقاً متواصلاً على معايير مقياس التفكير التنافسي وRAG، حيث حققت زيادة قدرها +6.8 نقاط في متوسط الدقة مقارنة بالنموذج الأساسي. يمكن للمطورين الاطلاع على الشيفرة المصدرية من خلال الرابط المتوفر.