한국어 초록
최근 에이전트 기반 검색(agentic search)은 에이전트가 복잡한 질문을 해결하기 위해 다단계 추론과 필요에 따라 검색을 결합하는 강력한 패러다임으로 부상하였습니다. 그 성공에도 불구하고, 에이전트 기반 검색을 위한 검색기 설계 방법은 여전히 충분히 탐구되지 않았습니다. 기존의 검색 에이전트는 일반적으로 유사성 기반 검색기를 사용하지만, 유사한 문장이 항상 최종 답변 생성에 유용한 것은 아닙니다. 본 논문에서는 에이전트 기반 검색에 맞춘 새로운 검색기 훈련 프레임워크를 제안합니다. 단일 턴 검색 증강 생성(RAG)을 위해 설계된 검색기와 달리, 우리는 다단계 에이전트 기반 검색에서 문장의 유용성을 측정하기 위해 지역 쿼리-문장 관련성과 전역 답변 정확성을 모두 사용하는 방안을 제안합니다. 또한, 검색 에이전트와 검색기가 양방향으로 반복적으로 최적화되는 반복 훈련 전략을 도입합니다. 고정된 질문으로 한 번만 훈련되는 RAG 검색기와는 달리, 우리의 검색기는 에이전트로부터 진화하고 더 높은 품질의 쿼리를 사용하여 지속적으로 개선됩니다. 일곱 개의 단일 홉 및 다중 홉 QA 벤치마크에서의 광범위한 실험 결과, 우리의 검색기(\ours{})가 다양한 검색 에이전트에서 강력한 기준선들을 지속적으로 초월함을 보여줍니다. 우리의 코드는 다음 링크에서 확인할 수 있습니다: https://github.com/8421BCD/Agentic-R.
요약
에이전트 검색은 복잡한 질문을 해결하기 위해 다단계 추론과 필요에 따라 검색을 결합하는 강력한 패러다임으로 최근 주목받고 있다. 그러나 에이전트 검색을 위한 검색기 설계는 아직 충분히 탐구되지 않았으며, 기존의 유사성 기반 검색기는 최종 답변 생성을 위한 유용한 정보를 제공하지 못하는 경우가 많다. 본 연구에서는 에이전트 검색에 최적화된 새로운 검색기 훈련 프레임워크인 **Agentic-R**를 제안한다. 제안된 방법론은 지역 쿼리-구문 관련성과 전역 답변 정확성을 모두 고려하여 구문 유용성을 평가하는 데 중점을 둔다. 이는 다단계 에이전트 검색의 요구를 충족시키기 위해 설계되었으며, 검색 에이전트와 검색기가 양방향으로 반복적으로 최적화되는 훈련 전략을 도입하여 지속적인 성능 향상을 목표로 한다. 기존의 검색기 모델들이 고정된 질문으로 한 번만 훈련되는 것과 달리, **Agentic-R**는 에이전트로부터 진화하는 고품질 쿼리를 활용하여 지속적으로 개선된다. 본 연구는 일곱 개의 단일 홉 및 다중 홉 질문 응답(QA) 벤치마크에서 **Agentic-R**의 성능을 평가하였으며, 다양한 검색 에이전트와의 비교를 통해 우수성을 입증하였다. 실험 결과는 **Agentic-R**가 기존의 강력한 기준선을 초과하는 성능을 보여주며, 제안된 훈련 프레임워크의 효과성을 입증한다. 이 연구는 에이전트 검색 분야에서의 새로운 접근 방식을 제안하며, 검색기 설계에 대한 중요한 통찰을 제공한다. 향후 연구에서는 이 프레임워크를 더욱 발전시키고 다양한 도메인에 적용할 수 있는 가능성을 탐구할 예정이다. **Agentic-R**는 에이전트 검색의 성능을 향상시키는 데 기여할 것으로 기대되며, 다양한 응용 분야에서 활용될 수 있는 잠재력을 지니고 있다.
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.