대규모 언어 모델 (LLMs) 은 정보 추출이 필요하거나 희소하게 표현된 경우에도 관계 완성 (RC) 과 검색 증강 생성 (RAG) 을 모두 수행하는 데 어려움을 겪습니다. 이를 해결하기 위해 우리는 여러 단계를 체계적으로 포함하여 관계 패러프레이즈를 통합하는 새로운 다단계 패러프레이즈 가이드 관계 완성 프레임워크인 RC-RAG 를 제안합니다. 특히 RC-RAG 는 다음과 같은 특징을 가집니다: (a) 검색에 패러프레이즈를 통합하여 관계의 어휘적 범위를 확장하고, (b) 패러프레이즈를 사용하여 관계 인식 요약문을 생성하며, (c) 생성 과정에서 패러프레이즈를 활용하여 관계 완성을 위한 추론을 안내합니다. 중요한 점은 우리의 방법이 모델 미세 조정 (fine-tuning) 이 필요 없다는 것입니다. 두 벤치마크 데이터셋에서 다섯 개의 LLM 을 사용한 실험 결과, RC-RAG 가 여러 RAG 베이스라인보다 일관되게 우수한 성능을 보였습니다. 꼬리 분포 (long-tail) 설정에서 RC-RAG 로 증강된 가장 성능이 좋은 LLM 은 단독 사용 대비 40.6 점의 Exact Match (EM) 점수 향상을 기록했으며, 두 가지 강력한 RAG 베이스라인보다 각각 16.0 점과 13.8 점의 EM 점수로 더 높은 성능을 보였습니다. 또한 낮은 계산 오버헤드를 유지했습니다.