A-RAG: Scaling Agentic Retrieval-Augmented Generation via Hierarchical Retrieval Interfaces

A-RAG는 지식 집약적 과제를 위한 정보 수집을 자율적으로 관리하도록 대규모 언어 모델에 계층적 검색 인터페이스를 부여하는 프레임워크인 Agentic RAG를 도입한다.

A-RAG는 지식 집약적 과제를 위한 정보 수집을 자율적으로 관리하도록 대규모 언어 모델에 계층적 검색 인터페이스를 부여하는 프레임워크인 Agentic RAG를 도입한다. 이 접근법은 동적 전략 수립과 반복적 증거 수집을 가능하게 하여, 기존 RAG 방법 대비 다중 홉 QA 벤치마크에서 일관되게 우수한 성능을 달성하면서도 검색 토큰 수는 비슷하거나 더 적게 유지한다.

핵심 요약

• 단일 검색이나 사전 정의된 워크플로에 의존하는 기존 RAG 패러다임은 현대 에이전트형 대규모 언어 모델(LLM)의 고급 추론 및 다단계 도구 사용 능력을 충분히 활용하지 못한다.
• 현재 RAG 시스템은 정적이고 경직되어 있어, LLM이 쿼리의 미묘함이나 정보 수집의 진행 상태에 따라 검색 전략을 동적으로 조정하지 못하게 한다.
• 전통적 RAG의 에이전트적 자율성 부재는 LLM이 지능적인 검색 결정을 내릴 권한을 갖지 못하므로, LLM 능력 발전에 맞춰 효율적으로 확장되는 능력을 저해한다.
• A-RAG는 광범위한 오프라인 그래프 구축 없이, 코퍼스를 의미적으로 일관된 청크로 분할하고 개별 문장을 임베딩하여 세밀한 매칭을 수행하는 경량의 2단계 계층적 인덱스를 구축한다.
• 이 프레임워크는 LLM 에이전트에 세 가지 계층적 검색 인터페이스를 제공한다. 정확한 어휘 매칭을 위한 키워드 검색, 밀집 의미 유사도를 위한 의미 검색, 그리고 전체 청크 내용 접근과 인접 컨텍스트 탐색을 위한 청크 읽기다.
• 단순한 ReAct 유사 에이전트 루프를 통해 LLM이 반복적으로 추론하고 검색 도구를 호출하여, 정보를 언제 어떻게 검색하고 언제 종료할지 자율적으로 결정하며, 중복 읽기를 피하는 컨텍스트 추적기로 이를 보완한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.