지식 접근에서 출처 학습으로: 출처별 역량 개발

대규모 언어 모델(LLM) 에이전트는 지식 집약적 작업 시퀀스를 해결하기 위해 점진적으로 외부 출처에 의존하고 있습니다. 기존 방법들은 출처 콘텐츠의 접근 및 구성 방식을 개선하거나, 에이전트 메모리 시스템을 통해 이전 상호작용에서 재사용 가능한 지식을 보존하는 데 초점을 맞추고 있지만, 동일한 출처를 반복해서 사용하는 것은 여전히 단순히 반복적인 '접근'으로 간주될 뿐, 해당 출처에 대한 이해도를 점진적으로 향상시킬 기회로 다루어지지는 않습니다. 본 연구에서는 출처 학습(source learning)을 연구합니다. 이는 지속적이고 권위 있는 출처를 기반으로 재사용 가능한 출처별 역량(source-specific competence)을 개발하는 것을 의미합니다. 우리는 이러한 역량을, 해당 지식이 어떻게 구조화되고 해석되며 적용되는지에 대한 재사용 가능한 이해도를 포착하는 영구적인 출처 모델로 표현합니다. 이러한 모델을 구축하고 점진적으로 개선하기 위해, 우리는 두 가지 상호 보완적인 학습 메커니즘을 결합한 SourceLearn을 제안합니다. 자기 주도적 출처 학습(Self-Directed Source Learning)은 불완전하게 이해된 부분을 식별하여 출처를 적응적으로 재방문하며, 작업 기반 출처 학습(Task-Guided Source Learning)은 다운스트림 경험을 활용하여 출처 지식이 어떻게 구성되어야 하는지에 대한 국소적인 표현 격차와 반복되는 필요성을 드러냅니다. 두 경우 모두, 학습 신호가 무엇을 재고해야 할지 결정하는 반면, 영구적인 업데이트는 권위 있는 출처로부터 재구성됩니다. 다섯 가지 벤치마크와 세 가지 LLM 백엔드를 거쳐, SourceLearn은 15개 설정 중 13개에서 최고의 성능을 달성했으며, Hybrid RAG 대비 최대 22.6점의 향상을 보였고, 정적 출처 표현 및 경험 기반 메모리 베이스라인 대비 상당한 전반적인 개선을 이루었습니다.