대규모 언어 모델(LLM)과 AI 에이전트는 제로샷 및 퓨샷 설정에서 데이터 통합에 대한 강력한 잠재력을 보여주었다. 그러나 지속적인 지식 격차로 인해 기업 환경에서는 여전히 정확도와 비용 측면에서 상당한 과제에 직면하고 있다. 본 논문은 검색-증강 생성(RAG) 워크플로 내에서 동작하는 지식 그라운딩 LLM과 에이전트를 통해 신뢰할 수 있고, 확장 가능하며, 비용 효율적인 통합을 구상한다. 여기서 신뢰성은 증거에 기반한 검증 가능한 추론을 의미하며, 통합 결정이 검색된 지식에 의해 투명하게 뒷받침되고, 환각에 강건하며, 과제 간 일관성을 유지하는 것을 말한다. 우리는 고전적 RAG에서 GraphRAG 및 KG-RAG(지식 그래프 기반 RAG)로의 진화를 추적하며, 이러한 패러다임이 파라미터 지식과 문맥 지식을 어떻게 연결하는지 강조한다. 이 궤적을 바탕으로, 자율적 다중 에이전트 시스템이 복잡한 통합 과제를 위해 적응적으로 계획하고, 검색하고, 정제하고, 추론하는 에이전틱 RAG로의 전환을 탐구한다. 우리는 대규모 기업 환경에서의 계산 병목을 해결하는 비용 효율적 통합을 위한 최적화 전략을 검토한다. 마지막으로, 신뢰할 수 있고 설명 가능하며 확장 가능한 지식 그라운딩 통합 시스템 구축을 향한 미해결 과제와 향후 방향을 개괄한다.
에이전틱 검색-증강 생성(RAG)은 언어 모델이 반복적으로 추론하고, 검색 쿼리를 생성하며, 증거를 검색하고, 답변을 예측할 수 있도록 함으로써 정적 RAG를 확장한다. 그러나 언제 검색할지, 어휘적 매칭과 의미적 유사도 중 무엇을 사용할지, 그리고 관련 없는 토큰이 에이전트 추론을 방해하지 않도록 컨텍스트 세분성을 어떻게 제어할지를 결정하는 것은 여전히 어려운 과제로 남아 있다. 본 논문에서는 다단계 추론 과정에서 상보적인 검색 도구를 적응적으로 조율하도록 에이전트를 학습시키기 위한 강화학습(RL) 프레임워크인 GRASP를 소개한다. GRASP는 에이전트에게 의미적 검색, 키워드 검색, 단락 읽기 행동을 제공하여 문장 수준의 증거를 검색하고 필요할 때만 추가 컨텍스트를 확장할 수 있도록 한다. 우리는 답변 정확도, 근거 기반 읽기, 상보적 검색, 턴 효율성을 공동으로 고려하는 보상으로 정책을 학습한다. 멀티홉 추론 벤치마크에서의 실험은 GRASP가 단일 단계 검색, 프롬프팅 기반 에이전틱 RAG, 강화학습 기반 검색 기준선과 비교하여 검색 재현율과 다운스트림 질의응답 성능 모두를 향상시킴을 보여준다. 정성적 분석 및 절제 분석은 학습된 정책이 해석 가능한 훑어보기(skimming)와 세밀히 읽기(scanning) 행동을 발전시킴을 보여준다: 광범위한 탐험에는 의미적 검색을, 국소적 검증에는 단락 읽기를, 개체 특정 증거에는 키워드 검색을 사용한다. 이러한 결과는 검색 신호와 컨텍스트 세분성을 조율하는 방법을 학습하는 것이 에이전트의 올바른 추론에 핵심적임을 시사한다.
기존 검색-증강 생성(RAG) 벤치마크가 최종 QA 쌍만 제공해 에이전트의 중간 추론 단계별 실패 원인을 진단하기 어렵다는 문제를 해결하기 위해, 대규모 언어 모델(LLM)이 자동으로 구축하고 단계별 검증을 지원하는 최초의 Agentic RAG 벤치마크 AgenticRAGTracer(1,305개 데이터 포인트)를 제안한다. 13개 주요 모델 평가 결과 GPT-5조차 가장 어려운 구간에서 EM 정확도 22.6%에 그쳤으며, hop 단위 진단을 통해 실패 원인이 추론 체인의 조기 붕괴 또는 과도한 확장으로 인한 구조 왜곡임을 규명했다.
RAG ingestion pipelines frequently augment search corpus index with semantic enrichment indices (e.g., synthetic queries or summaries generated from corpus chunks) that are subsequently queried alongside the base index to improve retrieval via better alignment between document representations and user intent. While these supplementary representations substantially improve retrieval quality, they introduce a computational bottleneck: the configuration space of enrichment types and generator models is combinatorial, and the cost of exhaustive index-time evaluation scales linearly with corpus size. We introduce CAMI (Cost-Aware Multi-Indexing), a framework that formalizes multi-index construction as a budgeted, multi-objective portfolio selection problem. CAMI targets the upstream decision of which enrichment views to generate and materialize before the retrieval backend is applied. CAMI incorporates three primary mechanisms: (i) an agentic discovery phase that proposes corpus-specific representation templates; (ii) an atomic-unit search procedure that evaluates individual enrichment-model pairs and recombines them via fidelity-local closure to identify synergistic portfolios; and (iii) a confidence-aware promotion schedule that prunes unpromising configurations early, decoupling optimization spend from total corpus size. We evaluate CAMI across diverse retrieval corpora. Our findings reveal that the framework systematically isolates high-recall portfolios under strict budget constraints, outperforming standard content-only baselines in challenging settings by up to 9.4% recall@10. Further, CAMI is able to systematically identify these high-recall portfolios using up to 5x less budget compared to random search baselines, making our approach practical in real production scenarios.
다중모달 에이전트형 검색-증강 생성(RAG)의 텍스트·이미지 포이즈닝, 직접 쿼리, 오케스트레이터 조작 등 네 가지 공격 표면을 대상으로, MIRROR는 검색 컨텍스트 기반 후보 생성과 결정론적 Novelty Gate를 결합한 메모리 기반 몬테카를로 트리 탐색(MCTS)으로 통합 레드팀 테스팅을 수행한다. 네 표면 평가에서 이미지 포이즈닝 76% ASR(베이스라인 52%), 쿼리 비용 절반으로 오케스트레이터 공격 97% ASR, 최저 교차 표면 분산(변동계수 0.47)을 달성했으며 ART-SafeBench를 공개한다.