지식 그래프(KG)는 대규모 코퍼스로부터 자동 구축되는 경우가 많지만, 노이즈가 많은 소스와 추출 실패로 인해 불가피하게 사실 오류를 포함하며, 산업 규모에서 이를 신뢰성 있게 검증하는 것은 여전히 중요한 과제로 남아 있다. 이를 해결하기 위해 우리는 AgentKGV, 즉 KG 사실 검증을 위한 에이전틱 LLM-RAG 프레임워크를 제안한다. 이 프레임워크는 동적 라우팅과 반복적 쿼리 재작성을 통합하여 문서 수준 검색에서 발생하는 표면 형태 불일치 문제를 처리한다. 산업 배포 환경에서 이 프레임워크의 정확도와 비용 효율성을 높이기 위해, 우리는 2단계 학습 전략을 추가로 도입한다: 안정적인 쿼리 재작성 및 추론을 위해 대형 교사 모델(teacher model)의 추론 능력을 소형 모델(model)로 전달하는 턴 수준 증류 기반 SFT, 그리고 대규모 환경에서 불필요한 검색을 줄이기 위해 검색 정책을 최적화하는 궤적 수준 GRPO이다. 오픈 도메인 T-REx 벤치마크의 롱테일 술어 분할에서, 우리의 프레임워크는 단일 턴 RAG 대비 매크로-F1을 5.5%p 향상시키며, 2단계 학습(training)을 적용하면 추가로 9.4%p 향상된다. 또한 GRPO는 정확도를 저수준화(lowering)하지 않으면서 평균 검색 호출 횟수를 3.24회에서 1.63회로 줄인다.
장기 대화 에이전트의 메모리 검색에서 쿼리 유사도 위주의 고정된 랭킹 방식이 사용자별 맥락을 반영하지 못하는 문제를 해결하기 위해, PPRO(Profile-guided Personalized Retrieval Optimization)는 대화 이력에서 에피소드·시맨틱 메모리 뱅크와 사용자 프로필을 구축하고, 프로필 임베딩을 검색 스코어링에 직접 주입하는 개인화 사전(prior)으로 활용한다. 또한 Group Relative Policy Optimization 기반 쿼리 리라이터를 학습시켜 증거 검색 품질과 최종 답변 품질을 모두 보상으로 활용하며, LoCoMo와 LongMemEval-S 벤치마크에서 학습 불필요 및 학습 기반 베이스라인 대비 일관된 성능 향상을 달성했다.
멀티턴 검색-증강 생성(RAG)은 변화하는 사용자 의도, 대화 노이즈, 엄격한 컨텍스트 제한으로 인해 도전적인 과제이다. 우리는 SemEval-2026 Task 8을 위해 밀집(dense) 검색과 희소(sparse) 검색을 제어된 쿼리 재작성 및 크로스인코더 재랭킹과 결합한 학습이 필요 없는(training-free) 하이브리드 검색 파이프라인을 제안한다. Task A의 공식 테스트 세트에서 우리 시스템은 nDCG@5 0.5453을 달성하여 38개 팀 중 3위를 기록하였으며, 가장 강력한 기준선(baseline) 점수인 0.4795를 상회하였다. Task C의 경우, Task A에서 검색된 문서를 재사용하고 공식 프롬프트(prompt)에 따라 안내되는 경량 생성 파이프라인을 적용하여 관련성과 충실도의 조화 평균으로 0.5312를 달성하고 29개 팀 중 15위를 기록하였다. 모든 검색 구성 요소는 오픈소스이며, 쿼리 재작성 및 답변 생성은 대규모 언어 모델(LLM) API에 의존한다.
법률 사례 검색은 법률 언어의 복잡성과 쿼리 및 관련 사례 간의 정확한 어휘적 정렬 필요성으로 인해 여전히 어려운 과제로 남아 있습니다. 밀집 검색 모델이 상당한 진전을 이루었지만, 실증 연구에 따르면 BM25가 이 영역에서 여전히 강력한 기준선으로 작용함을 보여줍니다. 이는 우리가 매개변수 학습 없이 BM25를 향상시키는 규칙 기반 쿼리 재작성을 위한 자가 진화 프레임워크를 제안하게 동기가 되었습니다. 이 프레임워크는 LLM 기반 에이전트에 자동 평가 환경을 갖추어, 재작성 규칙을 반복적으로 생성하고, 규칙 조합에 대한 검증 실험을 계획하며, 과거 피드백을 기반으로 비효율적인 규칙을 제거할 수 있게 합니다. 우리는 중국 법률 사례 검색 벤치마크인 LeCaRD-v2에서 우리의 방법을 평가했습니다. 실험 결과, 제안된 프레임워크는 인간이 설계한 규칙과 탐욕적 규칙 선택을 포함한 비진화 기준선을 능가하며, 특히 고용량 핵심 LLM을 사용할 때 그 성능이 두드러집니다. 또한 우리는 자가 진화의 작동 메커니즘을 조사하기 위해 상세한 분석을 수행했습니다. 우리의 발견은 이전 실험 결과를 활용하는 LLM의 능력과 규칙 제거에 대한 내재된 지식이 자가 진화를 통해 규칙 세트를 개선하는 데 중요한 역할을 한다는 것을 보여줍니다.