본 논문은 LLM 기반 질의응답 시스템에 에이전트 기반 아키텍처를 활용하여 추론 능력을 강화하는 방법을 제시합니다. LLM 에이전트를 이용해 질문의 불완전성이나 모호성을 자동으로 해결하는 전사기를 구현하고, GPT-3.5-Turbo와 Llama-4-Scout를 사용하여 불완전성 및 모호성을 감지하고 해결하는 전문가 역할을 하는 에이전트를 제로샷 ReAct 에이전트로 구현했습니다. 모델은 질문 분류(불완전, 모호, 정상), 결함 해결, 답변 생성 세 가지 행동 중 하나를 선택하며, 에이전트를 사용한 LLM과 사용하지 않은 LLM을 비교 분석했습니다. 실험 결과, 에이전트 기반 접근 방식은 상호 작용 길이 단축, 답변 품질 향상, 질문 결함에 대한 설명 가능한 해결 등의 이점을 보였으나, 추가적인 LLM 호출과 지연 시간 증가라는 단점도 존재합니다. 하지만 테스트 데이터셋에서는 질문에 충분한 맥락이 이미 있는 경우를 제외하고는 이점이 비용을 상쇄하여, 에이전트 기반 접근 방식이 더 강력한 질의응답 시스템을 개발하는 데 유용한 메커니즘이 될 수 있음을 시사합니다.
