경험 기반 검색 전략 오케스트레이션용 에이전트 지향 플러그인 경험 RAG 스킬

검색 증강 생성 (RAG) 시스템은 일반적으로 이질적인 작업에 걸쳐 하나의 고정된 검색 파이프라인이 충분하다고 가정하지만, 사실적 질문 답변, 다단계 추론, 그리고 과학적 검증은 서로 다른 검색 선호도를 보입니다. 우리는 에이전트와 검색어 풀 (retriever pool) 사이의 위치를 가진 에이전트 지향 플러그인 검색 오케스트레이션 레이어인 '경험 RAG 스킬 (Experience-RAG Skill)'을 제시합니다. 제안된 스킬은 현재 상황을 분석하고, 경험 기억 (experience memory) 을 상담하며, 적절한 검색 전략을 선택한 후 에이전트에 구조화된 증거를 반환합니다. 고정된 후보 풀 (candidate pool) 하에서, 경험 RAG 스킬 은 BeIR/nq, BeIR/hotpotqa, 그리고 BeIR/scifact 에서 전체 nDCG@10 을 0.8924 로 달성하여 고정된 단일 검색기 기준선 (fixed single-retriever baselines) 을 능가하고, 적응형 RAG 스타일의 라우팅 (Adaptive-RAG-style routing) 과 경쟁력을 유지합니다. 결과는 검색 전략 선택이 상위 워크플로우에 하드코딩되는 것이 아니라 재사용 가능한 에이전트 스킬로 캡슐화될 수 있음을 시사합니다.