Štúdia predstavuje nový rámec TOSRR (stromovo organizované sebareflexívne získavanie), ktorý zlepšuje odpovede veľkých jazykových modelov (LLM) na otázky z tradičnej čínskej medicíny (TCM). Tradičné metódy nedokážu zachytiť hierarchickú povahu znalostí TCM, preto TOSRR používa jednotky predmet-predikát-objekt-text (SPO-T) v stromovej architektúre a iteračný mechanizmus sebareflexie na dynamické získavanie a overovanie znalostí. Výkon sa testoval na otázkach z TCM Medical Licensing Examination (MLE) a Classics Course Exam (CCE). Po integrácii s GPT-4 TOSRR zvýšil absolútnu presnosť v MLE o 19,85 % a presnosť vybavovania v CCE z 27 % na 38 %. Expertné hodnotenie ukázalo zlepšenie o 18,64 bodu v bezpečnosti, konzistentnosti, vysvetliteľnosti, súlade a súdržnosti. Metriky RAGA potvrdili lepšie využitie znalostí, presnosť vyhľadávania a odolnosť voči šumu oproti štandardným RAG metódam. Rámec má potenciál na uplatnenie vo výučbe TCM.