연구자들은 산업 규모 지식 그래프의 신뢰할 수 있는 사실 검증을 위해 설계된 에이전트형 LLM-RAG 프레임워크인 AgentKGV를 제안합니다. 이 시스템은 문서 수준 검색에서의 표면 형태 불일치를 해결하기 위해 동적 라우팅과 반복 쿼리 재작성을 통합합니다.

  • 이 프레임워크는 안정적인 추론을 위한 턴 레벨 증류 기반 SFT와 검색 정책 최적화를 위한 트래젝토리 레벨 GRPO라는 두 단계 학습 전략을 사용합니다.
  • T-REx 벤치마크의 롱테일 술어 분할에서 AgentKGV는 단일 턴 RAG 대비 macro-F1을 5.5% 향상시켰습니다.
  • 두 단계 학습은 macro-F1에 추가로 9.4%의 개선을 제공합니다.
  • GRPO는 정확도를 낮추지 않으면서 평균 검색 호출 수를 3.24에서 1.63으로 줄였습니다.

이 접근 방식은 불필요한 검색을 줄이면서 노이즈가 많은 지식 그래프에서 높은 성능을 유지함으로써 더 정확하고 비용 효율적인 검증을 가능하게 합니다.