최근의 검색 증강 생성 (RAG) 방식들은 복잡한 질의를 처리하는 데 강력한 능력을 보여주었으나, 현재의 연구들은 중요한 과제를 간과하고 있습니다. 즉, 서로 다른 검색기 (retriever)들은 최적의 성능을 내기 위해 근본적으로 다른 질의 구성 (query formulation) 전략을 필요로 한다는 점입니다. 본 연구에서는 LLM이 강화학습 (RL)을 통해 서로 다른 검색기에 맞춰 질의 구성 전략을 적응하는 방법을 학습할 수 있는지에 대한 최초의 체계적인 분석을 제시합니다. 우리의 실증적 연구는 RL이 LLM으로 하여금 특정 검색기 특성에 맞춰 질의를 맞춤화하도록 효과적으로 가르친다는 것을 보여줍니다. 우리는 서로 다른 검색기들이 놀라울 정도로 뚜렷하게 구분되는 최적의 질의 스타일 (예: 서술형 vs 질문형)을 보인다는 것을 발견했으며, 이는 한 검색기를 위해 학습된 전략이 다른 검색기에는 효과적이지 않을 수 있음을 시사합니다. 나아가 우리는 검색기별 인간 가이드 (human guidance)를 통합하고 모델 크기를 확장함으로써 성능을 향상할 수 있음을 보여줍니다. 다단계 검색 궤적 (multi-retrieval-step trajectories)에 대한 학습을 용이하게 하기 위해, 우리는 훈련 안정성을 개선하는 분기 기반 롤아웃 (branching-based rollout) 기술을 도입합니다. 우리의 연구는 진정으로 검색기를 인식하는 (retriever-aware) RAG 시스템을 구축하기 위한 최초의 실증적 증거와 실행 가능한 통찰력을 제공합니다. 코드와 리소스는 https://github.com/LCO-Embedding/Envs-aware-Information-Retrieval 에서 확인할 수 있습니다.