arXiv:2605.06647 cs.IR

Superintelligent Retrieval Agent: The Next Frontier of Information Retrieval

제출 2026-05-07

한국어 초록

검색-증강 에이전트는 점점 대규모 조직 지식베이스의 인터페이스가 되고 있지만, 대부분은 여전히 검색을 블랙박스로 취급합니다. 이들은 탐색적 쿼리를 발행하고, 반환된 스니펫을 검토한 뒤, 유용한 근거가 나타날 때까지 반복적으로 재구성합니다. 이러한 접근은 전문가가 용어와 가능성이 높은 근거에 대한 강한 사전지식을 바탕으로 탐색하는 방식이라기보다, 낯선 데이터베이스를 처음 접한 초보자가 검색하는 방식에 가깝고, 불필요한 검색 라운드 증가, 지연 시간 증가, 낮은 재현율로 이어집니다. 우리는 \textit{SuperIntelligent Retrieval Agent}(SIRA)를 제안하며, 여기서 검색에서의 \emph{초지능}을 다중 라운드 탐색 검색을 단일한 코퍼스 구분적 검색 동작으로 압축하는 능력으로 정의합니다. SIRA는 단순히 어떤 용어가 쿼리와 관련 있는지를 묻는 데 그치지 않고, 어떤 용어가 원하는 근거를 코퍼스 수준의 혼동 요소로부터 분리해 낼 가능성이 높은지를 묻습니다. 코퍼스 측면에서는 대규모 언어 모델(LLM)이 각 문서를 오프라인에서 부족한 검색 어휘로 보강하고, 쿼리 측면에서는 쿼리에서 빠진 근거 어휘를 예측하며, 문서 빈도 통계는 툴 호출로 사용하여 누락되었거나 지나치게 흔하거나 검색 마진을 만들 가능성이 낮은 제안 용어를 필터링합니다. 최종 검색 단계는 원래 쿼리와 검증된 확장을 결합한 단일 가중 BM25 호출입니다. 10개의 BEIR 벤치마크와 하위 질문응답 작업 전반에서, SIRA는 희소 검색기와 최신 multi-round agentic 베이스라인보다 유의미하게 우수한 성능을 달성했으며, LLM의 인지와 경량 코퍼스 통계의 지도로 형성된 하나의 잘 구성된 어휘 쿼리가, 훨씬 더 비용이 큰 다중 라운드 검색을 능가하면서도 해석 가능하고 학습이 필요 없으며 효율적일 수 있음을 보여줍니다.

요약

검색-증강 에이전트(retrieval-augmented agents)는 대규모 조직 지식베이스를 활용하는 핵심 인터페이스로 자리 잡았지만, 기존 방식은 여전히 검색을 블랙박스처럼 다루며 여러 차례의 탐색적 질의와 결과 확인, 그리고 재질의 과정을 반복하는 데 의존해 왔습니다. 이러한 절차는 사용자가 원하는 근거를 찾기 위해 불필요한 검색 라운드를 늘리고, 응답 지연을 키우며, 때로는 중요한 증거를 놓치게 만드는 한계를 드러냅니다. 이에 따라 제안된 Superintelligent Retrieval Agent(SIRA)는 검색에서의 superintelligence를 단순히 더 많은 추론 능력이 아니라, 여러 번의 탐색적 검색을 한 번의 코퍼스-판별적(corpus-discriminative) 검색 행동으로 압축하는 능력으로 재정의합니다. 핵심 방법론은 “어떤 단어가 관련 있는가”를 묻는 수준을 넘어, “어떤 단어가 원하는 증거를 코퍼스 수준의 혼동 요소(confusers)와 구별해 줄 수 있는가”를 묻는 데 있습니다. 즉, 검색을 단순한 확장(expansion) 문제가 아니라 검색 여유(retrieval margin)를 만드는 판별 문제로 전환함으로써, 전문가처럼 한 번에 더 정교한 탐색을 수행하도록 설계됩니다. SIRA의 구조는 코퍼스 측면과 쿼리 측면을 함께 다듬는 이중 보강 전략에 기반합니다. 먼저 코퍼스 측면에서는 대형 언어 모델(large language model, LLM)이 각 문서를 오프라인으로 보강하여, 문서에 원래 드러나지 않거나 부족했던 검색 어휘(search vocabulary)를 추가함으로써 표현상의 공백을 줄입니다. 이어서 쿼리 측면에서는 LLM이 사용자의 질문에 명시되지 않았지만 실제 정답 근거를 찾는 데 필요한 증거 어휘(evidence vocabulary)를 예측하여, 질의와 문서 사이의 표현 불일치를 메웁니다. 이후 document-frequency 통계는 도구 호출(tool call)로 작동하여, 제안된 확장어 가운데 문서에 존재하지 않거나 지나치게 흔하거나 실제 검색 여유를 만들 가능성이 낮은 항목을 제거합니다. 이 필터링 단계는 LLM이 생성한 후보를 코퍼스 분포에 맞게 정제하는 장치로서, 과도한 확장으로 인한 노이즈를 줄이고 검색의 해석 가능성을 유지합니다. 최종적으로 SIRA는 원래 쿼리와 검증된 확장어를 결합한 단일 weighted BM25 호출을 수행하며, 반복적인 재질의 없이 한 번의 구조화된 lexical retrieval로 검색을 마무리합니다. 이러한 설계는 검색 에이전트가 더 많이 시도하는 방향이 아니라, 처음부터 더 적절하게 찾는 방향으로 진화할 수 있음을 보여준다는 점에서 중요합니다. 특히 SIRA는 학습 없이(training-free) 작동하면서도 해석 가능하고 효율적이며, 복잡한 에이전틱(agentic) 루프를 거치지 않고도 고성능을 달성한다는 점에서 실용적 가치가 큽니다. 실험적으로는 10개의 BEIR 벤치마크와 후속 질문응답(question answering) 과제에서 강력한 성능을 보였고, dense retriever와 최신 다중 라운드 에이전트 기반 방법들을 앞서는 결과를 보였습니다. 더 나아가 10개 데이터셋 중 8개에서 최고 Recall@10을 기록했으며, 특히 쿼리와 문서의 어휘 분포가 크게 어긋나는 환경에서 두드러진 개선을 나타냈습니다. 후속 질의응답 실험에서도 retrieval-only answer coverage가 NQ와 HotpotQA에서 강화학습(reinforcement learning, RL) 기반 에이전틱 시스템보다 높게 나타나, 정답 생성 이전에 올바른 증거를 노출하는 능력이 얼마나 중요한지 시사합니다. 결국 SIRA는 LLM을 반복적 검색 제어기로 쓰는 대신 검색 행동 자체를 더 전문가적이고 코퍼스 인지적으로 재구성함으로써, 정보 검색의 다음 단계가 무엇인지 분명하게 제시하는 방법론이라고 볼 수 있습니다.

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.