다중 문서 요약 (Multi-Document Summarization, MDS)은 텍스트 데이터 모음에서 핵심 정보를 추출하는 데 중요한 역할을 합니다. 기존 방식들은 문서 간의 복잡한 관계를 포착하는 데 어려움을 겪거나, 지도 학습 (Supervised Training)을 위해 방대한 양의 라벨링된 데이터에 크게 의존하며, 도메인 및 언어 전반에 걸친 일반화 능력이 제한적인 경우가 많습니다. 이러한 한계를 해결하기 위해, 본 논문에서는 대규모 언어 모델 (Large Language Models, LLMs)과 지식 그래프 (Knowledge Graphs)의 상호 보완적인 강점을 활용하는 MDS를 위한 학습이 필요 없는 Mixture-of-Agents 프레임워크를 제안합니다. 우리의 접근 방식은 요약 과정을 추출적 선택 (Extractive Selection), 지식 인지적 추상화 (Knowledge-aware Abstraction), 그리고 반복적 정제 (Iterative Refinement)라는 전문화된 에이전트 작업으로 분해하며, 각 작업은 작업별 미세 조정 (Fine-tuning) 없이 수행됩니다. 우리는 LLM에 의해 가이드되는 다각적 일관성 메커니즘 (Multi-perspective Consistency Mechanism)을 사용하여 이들의 출력을 통합합니다. 영어와 베트남어의 4개 데이터셋에 대한 실험 결과, 최첨단 (State-of-the-art) 또는 경쟁력 있는 성능을 입증하였으며, 이는 우리의 모듈형 설계의 효과성과 적응성을 검증합니다.