온톨로지 매칭 (Ontology Matching, OM)은 전통적으로 동치 발견 (equivalence discovery) 또는 하위 포함 매칭 (subsumption matching) 중 하나로 정식화되어 왔습니다. 기존의 OM 시스템은 한 가지 유형의 의미론적 대응 관계만을 식별하며, 동치 매핑과 하위 포함 매핑을 동시에 발견할 수 없습니다. 본 논문에서는 동치 및 하위 포함 발견을 통합하는 새로운 OM 작업인 하이브리드 온톨로지 매칭 (Hybrid Ontology Matching, HOM)을 소개하며, 이에 따라 일련의 상호 의존적인 의미론적 결정에 의해 구현되는 대규모 언어 모델 (Large Language Model, LLM) 기반의 멀티 에이전트 OM 프레임워크인 AgentMap을 제안합니다. 소스 온톨로지의 개념이 주어지면, AgentMap은 의미론적 검색 (semantic retrieval), 계층적 탐색 (hierarchical search), 그리고 협업적 멀티 에이전트 LLM 추론을 통합하여 타겟 온톨로지를 점진적으로 탐색함으로써, 존재할 경우 동치 개념을 식별하거나 가장 세밀한 하위 포함 관계 (subsumer)를 식별합니다. 나아가 우리는 HOM 벤치마크를 위해 4개의 OM 데이터셋을 확장하였으며, 하이브리드, 동치 전용, 그리고 하위 포함 전용 설정 하에서 AgentMap을 평가합니다. 실험 결과, AgentMap은 하이브리드 설정에서 유망한 성능을 달성하였으며, 동시에 동치 전용 및 하위 포함 전용 설정에서 각각 동치 매칭 및 하위 포함 매칭 베이스라인을 능가함을 보여주었습니다.