한국어 초록
대규모 언어 모델(LLM)의 출현은 주로 웹 코퍼스 기반의 검색-증강 생성(RAG)을 활용하여 검색 엔진을 대화형 AI 검색 제품으로 변화시키고 있습니다. 그러나 이러한 패러다임은 산업적 측면에서 중요한 한계를 지니고 있습니다. 전통적인 RAG 접근법은 실시간 요구사항과 티켓 가용성 또는 재고와 같이 동적으로 생성되는 콘텐츠에 접근해야 하는 구조화된 쿼리에 대응하는 데 어려움을 겪습니다. 정적인 페이지 인덱싱에 한정된 검색 엔진은 이러한 시의성 있는 데이터에 필요한 상호작용 쿼리를 수행할 수 없습니다. 학계 연구는 정적 콘텐츠에 최적화된 RAG에 집중해 왔으며, 복잡한 의도와 데이터베이스 및 실시간 API와 같은 동적 소스의 필요성은 간과되어 왔습니다. 이러한 격차를 해소하기 위해, 본 논문에서는 정적 콘텐츠와 동적 실시간 정보를 모두 활용할 수 있도록 RAG와 에이전트 기반 도구 사용을 결합한 새로운 3단계 프레임워크인 TURA(도구 증강 통합 검색 에이전트)를 제안합니다. TURA는 세 가지 핵심 구성 요소로 이루어져 있습니다: 쿼리를 분해하고 Model Context Protocol(MCP) 서버로 캡슐화된 정보 소스를 검색하는 의도 인식 검색 모듈, 작업 의존성을 방향성 비순환 그래프(DAG)로 모델링하여 최적의 병렬 실행을 지원하는 DAG 기반 작업 계획자, 그리고 효율적인 도구 호출을 위한 경량화된 증류 에이전트 실행기입니다. TURA는 정적 RAG와 동적 정보 소스 간의 격차를 체계적으로 연결한 최초의 아키텍처로서, 세계적 수준의 AI 검색 제품을 구현합니다. 수천만 명의 사용자에게 서비스를 제공하며, 에이전트 기반 프레임워크를 활용해 대규모 산업 시스템의 저지연 요구를 충족하면서도 견고하고 실시간 응답을 제공합니다.
요약
대형 언어 모델(LLM)을 활용한 기존의 검색 엔진은 주로 정적인 웹 문서 기반의 Retrieval-Augmented Generation(RAG) 방식을 사용하지만, 실시간 정보나 동적 데이터 처리에는 한계가 있습니다. TURA는 이러한 한계를 극복하기 위해 RAG와 에이전트 기반 도구 활용을 결합한 3단계 프레임워크로, 쿼리 분해 및 정보원 검색, DAG(유향 비순환 그래프) 기반 작업 계획, 경량화된 에이전트 실행기를 포함합니다. 이를 통해 정적 콘텐츠와 실시간 API, 데이터베이스 등 동적 정보원을 통합하여 대규모 산업 환경에서 저지연으로 실시간 응답을 제공합니다. TURA는 수천만 사용자에게 안정적이고 신속한 AI 검색 서비스를 제공하는 최초의 통합 아키텍처입니다.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
공통 태그로 연결된 공개 논문이 아직 없습니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.