검색 엔진에 모호한 키워드를 입력하면 원치 않는 결과가 나오기 일쑤입니다. LLM을 활용한 기존 쿼리 확장 기법은 단순히 유의어를 나열하거나 단조로운 답변을 생성하는 데 그쳤습니다. 최근 이를 해결하는 새로운 대안이 나왔습니다.

세 가지 에이전트가 나누는 소크라테스식 토론

AMD 프레임워크는 사용자의 최초 쿼리를 다각도로 쪼개 분석하는 세 가지 전문 에이전트로 구성됩니다. 첫 에이전트인 Socratic Questioning Agent 가 질문의 전제와 함의를 파악해 세 가지 질문을 던집니다. 이 질문들은 구체적입니다. 이어지는 Dialogic Answering Agent 가 각 질문에 맞춤형 가상 답변을 생성해 맥락을 풍부하게 채웁니다.

마지막 단계에서는 Reflective Feedback Agent 가 생성된 답변을 냉정하게 평가하고 다듬습니다. 쓸모없거나 중복된 정보는 거르고 핵심 맥락만 남겨 쿼리를 최종 재작성합니다. 이 검증 과정이 핵심입니다. 단순한 프롬프트 변경으로는 얻기 힘든 다채롭고 정밀한 쿼리 확장 데이터가 이 단계에서 생성됩니다.

벤치마크 데이터셋에서 증명한 검색 품질 향상

학계 표준 벤치마크인 BEIR 데이터셋 6종과 TREC 2종을 대상으로 테스트를 진행했습니다. AMD 프레임워크로 확장한 쿼리는 기존 기법 대비 정밀도와 재현율에서 우수한 성적을 냈습니다. 상세 수치가 이를 증명합니다. 희소 검색과 밀집 검색을 가리지 않고 고른 성능 향상을 기록했습니다.

과거의 의사 문서 생성 기법은 검색 인덱스 크기를 늘리거나 불필요한 노이즈를 유입시키는 부작용이 잦았습니다. AMD는 에이전트 간 상호 검증으로 정보 밀도를 극대화해 노이즈를 줄였습니다. 이로써 검색 효율성을 높입니다. 다양한 도메인의 비정형 텍스트 검색에서 특히 강점을 발휘합니다.

복잡한 사용자 의도를 명확한 검색어로 풀어내는 징검다리가 마련됐습니다. 에이전트 협업으로 진화하는 정보 검색 시스템의 미래가 기대됩니다.

요약

  • 소크라테스식 질문법을 기반으로 질문의 의도와 전제를 파악하여 쿼리를 입체적인 하위 질문으로 확장합니다.
  • 다중 에이전트(질문, 답변, 피드백) 간의 대화와 검증 루프로 검색 노이즈를 걸러내고 정보 밀도를 높입니다.
  • BEIR와 TREC 등 글로벌 벤치마크에서 기존 LLM 기반 쿼리 확장 방식을 뛰어넘는 검색 정밀도를 증명했습니다.

참고: Enhans 뉴스룸 - A new query expansion approach via agent-mediated dialogic inquiry