사람들은 일반적으로 구조화된 콘텐츠를 활용하여 지식 습득과 연구 문제 해결을 가속화합니다. 이러한 콘텐츠 중에서도 로드맵은 연구자들이 복잡한 연구 문제를 단계별로 해결하도록 계층적 하위 작업들을 안내합니다. 구조화된 콘텐츠 생성 분야에서 진전이 있었음에도 불구하고, 로드맵 생성 작업은 아직 탐구되지 않았습니다. 이 격차를 해소하기 위해 우리는 복잡한 연구 문제 해결을 위한 고품질 로드맵을 구축하는 대형 언어 모델 (LLM) 의 능력을 평가하도록 설계된 새로운 벤치마크인 RoadMap 을 소개합니다. 이를 바탕으로 우리는 LLM 의 세 가지 한계를 확인했습니다: (1) 전문 지식 부족, (2) 부합하지 않는 작업 분해, 그리고 (3) 무질서한 논리적 관계입니다. 이러한 과제를 해결하기 위해 우리는 연구 로드맵 생성 작업을 초기 생성, 지식 보강, 반복적인 "비판-수정-평가" 세 가지 주요 단계로 분해하는 LLM 기반 다중 에이전트 시스템인 RoadMapper 를 제안합니다. 광범위한 실험 결과, RoadMapper 가 로드맵 생성 능력을 향상시킬 뿐만 아니라 평균 성능을 8% 이상 개선하고 인간 전문가가 소요하는 시간의 84% 를 절감하여 그 효과성과 적용 가능성을 입증했습니다.