Iterative Retrieval

상위: Advanced RAG Techniques

단일 검색에 의존하지 않고, LLM이 '연구원'처럼 첫 검색 결과를 분석하여 부족한 점을 파악하고, 필요한 추가 정보를 얻기 위한 후속 질문을 스스로 생성하여 검색을 여러 번 반복하는 동적 RAG 기법

• 작동방식
  1. 1차 검색: 사용자의 원본 질문으로 첫 번째 문서 검색을 수행
  2. 결과 분석 및 쿼리 재구성: LLM이 검색된 문서와 원본 질문을 검토하여, 아직 답변되지 않은 부분이나 더 깊이 파고들어야 할 주제를 식별하고, 이를 해결하기 위한 새로운, 더 구체적인 검색 쿼리를 생성
  3. 반복 검색: 새로 생성된 쿼리로 추가적인 문서 검색을 수행. 이 '분석 → 쿼리 재구성 → 검색' 사이클을 정해진 횟수만큼 또는 충분한 정보가 수집되었다고 판단될 때까지 반복.
  4. 정보 종합: 모든 검색 단계에서 수집된 문서들을 모두 합쳐, 최종 답변 생성을 위한 풍부하고 다각적인 컨텍스트를 구성
• 장점
  • 복잡한 질문 처리 능력: 여러 측면을 고려해야 하는 복잡하고 광범위한 질문을 효과적으로 분해하고 탐색
  • 정보의 완전성: 점진적으로 정보를 쌓아가므로, 단일 검색으로는 놓치기 쉬운 중요한 세부사항이나 맥락까지 포착
  • 높은 관련성: 검색이 진행될수록 쿼리가 점점 더 구체화되므로, 최종적으로 수집되는 정보의 관련성이 매우 높음
• 구현
  • 루프 내에서, 에이전트 LLM은 "원본 질문: [X], 현재까지 수집된 정보: [Y]. 이 정보를 바탕으로 질문 X에 완전히 답하기 위해 추가로 알아내야 할 가장 중요한 것은 무엇이며, 이를 찾기 위한 최적의 검색 쿼리는 무엇인가?"와 같은 프롬프트를 받음.
  • 에이전트 LLM이 새로운 쿼리를 생성하면, 이를 이용해 검색을 실행하고 얻어진 문서를 누적된 컨텍스트에 추가합니다. 이 과정을 정해진 횟수만큼 반복.