Toward Agentic Retrieval-Augmented Generation for Enterprise Retail Workflows over Heterogeneous Data Sources

이 논문은 소매 기업의 여러 데이터 원천을 넘나드는 질의를 평가하는 RetailBridge 벤치마크와 RetailRAG 프레임워크를 만들었다.

이 논문은 한마디로 이질적인 소매 데이터 원천 사이에서 증거를 잇는 에이전트 RAG를 평가하는 RetailBridge 벤치마크와 RetailRAG 프레임워크를 소개한다. 페르소나 시뮬레이션으로 만든 소매 데이터베이스 위에서 1,680개의 다중 원천 질의를 합성했고, 사람 검수를 거쳤다. RetailRAG는 스키마 브리핑, 원천별 계획 연쇄, 계획 수정으로 기존 여섯 베이스라인을 모든 축에서 앞섰다. 열 개 LLM 백본을 시험한 결과 다중 원천 연쇄가 주요 병목으로 드러났다.

핵심 요약

• 가상 판매자-구매자 상호작용으로 만든 소매 데이터베이스 위에서 재귀 합성 파이프라인이 난이도 세 단계의 1,680개 다중 원천 질의를 만들었다.
• 10년 경력 도메인 전문가가 검수한 결과 90%의 질의를 실제 판매 분석가가 실무에서 물을 만한 질의로 판정했고, Level-1 97.5%, Level-2 90.0%, Level-3 82.5%였다.
• RetailRAG는 평균 LLM-judge 0.429로 가장 강한 베이스라인 HetaRAG의 0.293를 넘었고, API 호출은 질의당 7.45회로 HetaRAG의 25.21회보다 적었다.
• 열 개 LLM 백본 가운데 가장 강한 Qwen3.6-Plus와 GPT-5.4도 평균 LLM-judge 0.511과 0.508에 그쳐 RetailBridge를 풀지 못했다.
• 모든 백본이 Level-1 성능의 절반 이상을 Level-3까지 잃었고, 텍스트 검색 질의에서 성능이 가장 크게 무너져 텍스트 검색이 주요 병목이었다.

논문 링크

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