تشهد مجالات الذكاء الاصطناعي تطوراً سريعاً، ولا سيما في مجال استرجاع المعلومات. تأتي الدراسة الجديدة لتلقي الضوء على "التوليد المعزز بالاسترجاع (RAG)" كمعيار قياسي لدمج نماذج اللغات الضخمة (LLMs) مع معرفة خارجية. رغم ذلك، لا تزال الخيارات المتاحة لتصميم خطوط استرجاع المعلومات واسعة، والتجارة بين البدائل ليست مفهومة جيداً، خصوصاً على مجموعات بيانات متخصصة بحجم حقيقي.

تقدم هذه الدراسة مقارنة محكمة بين ست استراتيجيات استرجاع مختلفة تهدف إلى الإجابة على الأسئلة العلمية، وهي:
1. **استرجاع كثيف تقليدي (top-k dense retrieval)**.
2. **إعادة صياغة الاستعلام باستخدام نماذج اللغات الضخمة (LLM-based query rephrasing)**.
3. **إعادة صياغة الاستعلام يليها إعادة ترتيب نتائج باستخدام نماذج اللغات الضخمة (query rephrasing followed by LLM-based reranking)**.
4. **دمج متعدد للاستعلامات عبر استراتيجية دمج التصنيف العكسي (Multi-query fusion via Reciprocal Rank Fusion - RRF)**.
5. **سير عمل عن طريق أدوات مدفوعة، حيث يقرر المولد بنفسه ما إذا كان عليه الاسترجاع (agentic tool-call pipeline)**.
6. **استرجاع تفاعلي متأخر باستخدام ColBERTv2**.

تشترك جميع الخطوط الستة في استخدام نفس المولد (Meta-Llama/Llama-3.1-8B-Instruct)، والنموذج الخاص بالتقييم، حيث تمت معالجة جميع الاستراتيجيات بنفس مجموعة البيانات المكونة من 463,971 ورقة بحثية من arXiv.

لتعزيز إمكانية التكرار والتقييم واسع النطاق، توفر الدراسة مجموعة من 19,484 سؤالاً تم توليدها بواسطة Llama-3.1-8B-Instruct، وكل استراتيجية تم تقييمها على نفس مجموعة الاستعلامات. تقدم الدراسة وصفاً مفصلاً لهندسة وتنفيذ كل خط استرجاع، كما توفر الكود ومجموعة الأسئلة الاصطناعية.

تشير النتائج إلى أهمية فهم تكلفة وجودة الخيارات التصميمية لـ RAG، مما يمهد الطريق لأبحاث مستقبلية تتعلق بنزاهة الاسترجاع وموثوقيته. إن هذا العمل بمثابة منصة مفتوحة لدراسة الخيارات المختلفة وكيف تؤثر على المعلومات الأدبية البحثية.