검색 증강 생성(RAG)은 검색된 증거의 품질과 세분성에 결정적으로 의존합니다. 대형 검색 단위는 문맥을 보존하지만, 종종 관련 없는 내용을 포함하여 답변에 필요한 증거를 희석시키고 긴 컨텍스트 활용도를 저하시킬 수 있습니다. 미세한(Fine-grained) 단위는 더 간결하지만, 짧은 청크가 쿼리와 일치하는 데 필요한 의미적, 어휘적 또는 연결 고리 단서가 부족하여 신뢰성 있게 검색하기 어려울 수 있습니다. 우리는 청크 세분성을 쿼리별 신뢰도 추정으로 다루는 학습이 필요 없는 하이브리드 검색 프레임워크인 Uncertainty-aware Multi-Granularity RAG (UMG-RAG)를 제안합니다. UMG-RAG는 새로운 리트리버(retriever)를 훈련하거나 생성기(generator)를 수정하는 대신, 기존의 밀집형(dense) 및 희소형(sparse) 리트리버를 여러 청크 세분성에 걸쳐 상호 보완적인 전문가로 사용합니다. 각 쿼리에 대해, 이는 각 전문가-세분성 점수 목록을 증거 분포로 변환하고, 분포 엔트로피로부터 신뢰도를 추정하며, 쿼리별 의미적, 어휘적 및 세분성 확신도에 따라 후보들을 융합(fuse)합니다. 나아가 우리는 미세한 검색 결과를 사용하여 관련 증거를 찾고 로컬 일관성을 위해 더 넓은 중복되지 않은 부모 청크를 반환하는 부모 승격 변형인 UMGP-RAG를 도입합니다. 질문 답변 벤치마크 실험 결과, 불확실성 인식 융합과 부모 승격이 생성 품질을 향상시키면서도 가볍고 플러그 앤 플레이(plug-and-play) 검색 파이프라인을 유지함을 보여줍니다.