경험 기반 검색 전략 오케스트레이션용 에이전트 지향 플러그인 경험 RAG 스킬
요약
본 기술 기사는 기존 RAG 시스템의 한계점을 극복하기 위해 '경험 RAG 스킬(Experience-RAG Skill)'이라는 새로운 검색 오케스트레이션 레이어를 제안합니다. 이 스킬은 질문 유형과 현재 상황을 분석하고, 경험 기억을 바탕으로 최적의 검색 전략을 선택하여 에이전트에게 구조화된 증거를 제공합니다. 실험 결과, 이는 고정된 단일 검색기 기준선을 능가하며 적응형 RAG 스타일의 라우팅과 경쟁할 수 있음을 입증했습니다.
핵심 포인트
- 기존 RAG 시스템은 이질적인 작업에 대해 단일 검색 파이프라인을 가정하는 한계가 있습니다.
- '경험 RAG 스킬'은 에이전트와 검색어 풀 사이에 위치하여, 상황 분석 및 경험 기억 기반의 최적 검색 전략 선택을 수행합니다.
- 제안된 스킬은 BeIR/nq, BeIR/hotpotqa 등 여러 벤치마크에서 높은 성능(nDCG@10 = 0.8924)을 달성했습니다.
- 검색 전략 선택 과정을 재사용 가능한 에이전트 스킬로 캡슐화하여 상위 워크플로우에 통합할 수 있습니다.
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.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기