Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 일반 RAG부터 GraphRAG, Agentic RAG까지 다양한 RAG 변형 모델을 비교 평가하는 프레임워크를 제안합니다. 새로운 컨텍스트 엔지니어링 기법을 통해 토큰 사용량을 최대 53% 절감하고, 검색-생성 간극(retrieval-generation gap) 문제를 분석합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기GraphRAG 및 Agentic RAG와 같은 고급 RAG 변형 모델들이 등장함에 따라, 이들을 언제 어떻게 사용해야 하는가에 대한 핵심적인 질문이 제기되고 있습니다. 본 논문에서는 일반적인 RAG, GraphRAG, Modular RAG, 그리고 Agentic RAG를 포함하여, 반구조화된 지식 베이스(semi-structured knowledge bases) 상에서 다양한 RAG 시나리오를 평가하고 비교하기 위한 프레임워크를 소개합니다. 우리는 9가지 표준화된 RAG 시나리오에 대한 구현을 제공하며, 종합적인 비교를 위한 실험을 수행합니다. 이러한 시나리오들은 단순한 문서 기반 검색(document-based retrieval)부터 하이브리드 텍스트-그래프 검색(hybrid text-graph retrieval), 계산되었거나 사전 정의된 도메인 지식 그래프(domain knowledge graphs)와의 통합, 에이전틱 다단계 계획(agentic multi-step planning), 그리고 에이전트-그래프 통합(agent-graph integration)과 같은 고급 기능에 이르기까지, 데이터 및 도메인 제한 사항을 고려한 실제 사용 사례를 위해 설계되었습니다. 또한, 우리는 GraphRAG 및 Agentic RAG를 위한 새로운 컨텍스트 엔지니어링(context engineering) 방법을 제시하여 컨텍스트/메모리 오버플로(context/memory overflow) 문제를 해결합니다. 새로운 표현 방식과 에이전틱 루프(agentic loop) 설계를 통해 텍스트 및 그래프 검색을 효율적으로 관리함으로써 토큰 사용량을 19%~53% 감소시켰습니다. 나아가, 추가 분석을 통해 확장된 검색이 생성 품질을 비례적으로 향상시키지 못하는 검색-생성 간극(retrieval-generation gap)을 식별하였으며, 이는 검색 중심의 지표(retrieval-oriented metrics)가 고급 검색의 이점을 과장할 수 있음을 시사합니다. 본 연구는 프로덕션 수준의 지능형 RAG 시스템을 구축할 때 이들을 언제 어떻게 사용해야 하는지에 대한 데이터 기반의 통찰력을 제공합니다.