멀티 에이전트 시스템을 위한 지식 기반 반복 검색: 새로운 AI 프레임워크 등장

송세영 연구원팀이 개발한 새로운 LLM 기반 다중 에이전트 시스템은 지식 기반 반복 검색을 통해 질의 개선 및 증거 필터링을 수행, 다단계 작업에서 뛰어난 성능과 확장성을 보여줍니다. 외부 소스와 내부 지식 캐시 분리를 통해 편향을 완화하고, 다중 에이전트 구성을 지원하여 복잡한 문제 해결에 효과적입니다.

송세영 연구원이 이끄는 연구팀이 대규모 언어 모델(LLM) 을 기반으로 한 혁신적인 다중 에이전트 시스템 프레임워크를 개발했습니다. 이 시스템은 단순히 정보를 검색하는 것을 넘어, 지식을 활용하여 질의를 지속적으로 개선하고, 관련 정보만을 선별하는 능력을 갖추고 있습니다.

핵심은 외부 소스와 내부 지식 캐시의 분리입니다. 외부에서 수집된 정보는 내부 지식 캐시에 체계적으로 저장 및 업데이트되고, 이를 기반으로 질의 생성 및 증거 선택 과정이 진행됩니다. 이러한 설계는 잘못된 정보의 반복적인 사용으로 인한 편향을 방지하고, 검색 경로를 투명하게 추적할 수 있도록 합니다. 에이전트는 자율적으로 의사결정을 내리면서 다양한 정보 탐색과 정확성 유지 사이의 최적의 균형점을 찾아갑니다.

연구팀은 다양한 오픈 도메인 질의 응답 벤치마크를 통해 이 시스템의 성능을 검증했습니다. 특히, 여러 소스의 정보 통합이 필수적인 다단계 작업에서 그 효과가 두드러졌습니다. 이는 명시적인 추론이나 계획 능력이 부족한 LLM의 취약점을 보완하는 중요한 성과입니다. 실험 결과, 이 시스템은 작업 난이도에 관계없이 단일 단계 기준 모델들을 능가하는 성능을 보였으며, 기존의 반복 검색 방법에 비해 복잡한 작업에서 정확한 증거 기반 추론 및 향상된 효율성을 입증했습니다.

더 나아가, 이 시스템은 경쟁적 또는 협력적인 방식으로 업데이트된 문맥을 공유하여 다중 에이전트 확장을 지원합니다. 작업 난이도가 증가할수록 다중 에이전트 구성의 이점이 더욱 두드러지며, 수렴 단계 수는 작업 난이도에 따라 비례적으로 증가하여 비용 효율적인 확장성을 시사합니다. 이는 향후 복잡한 문제 해결을 위한 AI 시스템 개발에 중요한 전환점이 될 것으로 기대됩니다.

주요 특징 요약:

• LLM 기반 다중 에이전트 시스템: 외부 소스와 내부 지식 캐시 분리, 질의 개선 및 증거 필터링
• 편향 완화: 동적이고 추적 가능한 검색 경로를 통해 편향 강화 루프 방지
• 다단계 작업 우수성: 복잡한 작업에서 정확한 증거 기반 추론 및 효율성 향상
• 다중 에이전트 확장성: 경쟁적/협력적 문맥 공유 지원, 작업 난이도 증가에 따른 이점 증대
• 비용 효율적인 확장성: 수렴 단계 수는 작업 난이도에 따라 비례적으로 증가