MASS-RAG: Multi-Agent Synthesis Retrieval-Augmented Generation

검색 증강 생성을 위한 다중 에이전트 종합 프레임워크인 MASS-RAG는 특화된 에이전트를 사용해 검색된 맥락을 상보적 관점에서 처리함으로써 사실 정확도와 견고성을 향상시킨다.

검색 증강 생성을 위한 다중 에이전트 종합 프레임워크인 MASS-RAG는 특화된 에이전트를 사용해 검색된 맥락을 상보적 관점에서 처리함으로써 사실 정확도와 견고성을 향상시킨다. 요약기, 추출기, 추론기 에이전트를 포함하는 이 학습 불필요 접근법은 RAG 베이스라인을 일관되게 능가하여, Llama3 8B 백본으로 ARC-Challenge에서 최대 27.1%, ASQA에서 20.7% 더 높은 정확도를 달성한다.

핵심 요약

• 대규모 언어 모델(LLM)은 정적인 파라미터 지식에 의존하기 때문에, 사실적으로 신뢰할 수 없거나 환각적인 출력을 자주 생성한다.
• 전통적인 검색 증강 생성(RAG)은 잡음이 많거나 불완전하거나 무관한 검색 맥락에서 어려움을 겪어, 생성 품질을 저하시킨다.
• 기존 다중 에이전트 RAG 프레임워크는 흔히 단일 판정 에이전트를 필터링에 사용하여, 문서 전반에 분산된 다양하고 상보적인 증거를 식별하고 활용하는 능력이 제한된다.
• 증거 정제, 선택적 후보 답변 생성, 최종 답변 종합을 위한 특화된 LLM 에이전트를 갖춘 학습 불필요 다중 에이전트 종합 프레임워크인 MASS-RAG를 도입한다.
• 각각 고유하고 상보적인 관점에서 검색된 문서를 처리하여 질의 관련 증거를 정제하는 세 가지 별개의 필터 에이전트(Summarizer, Extractor, Reasoner)를 사용한다.
• 각 필터링된 응답으로부터 후보 답변을 독립적으로 생성하는 선택적 Answer Agent와, 이러한 후보들 또는 필터링된 증거를 통합된 최종 답변으로 종합하는 Synthesis Agent를 활용한다.

논문 링크

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