CoT-RAG은 대규모 언어 모델(LLM)의 복잡한 작업 성능을 향상시키는 새로운 추론 프레임워크입니다. 기존 Chain-of-thought (CoT) 추론의 신뢰성 부족 및 자연어 프롬프트보다 코드 프롬프트에서 낮은 추론 성능이라는 한계를 해결하기 위해 세 가지 핵심 설계를 제시합니다. 첫째, 지식 그래프를 활용하여 LLM의 추론 체인 생성을 조절함으로써 추론 신뢰성을 높이는 지식 그래프 기반 CoT 생성입니다. 둘째, 관련 하위 사례 및 하위 설명을 검색하여 LLM에 학습 가능한 정보를 제공하는 학습 가능한 지식 사례 인식 RAG를 지식 그래프에 통합합니다. 셋째, LLM이 추론 작업을 의사 프로그램으로 실행하도록 유도하여 더 큰 논리적 엄격성을 높이는 의사 프로그램 프롬프팅 실행입니다. 세 가지 추론 작업에 걸쳐 9개의 공개 데이터 세트에 대한 평가 결과, 최첨단 방법보다 4.0%~44.3%의 상당한 정확도 향상을 보였으며, 네 개의 도메인별 데이터 세트에 대한 테스트에서도 탁월한 정확도와 효율적인 실행을 보여 실용성과 확장성을 강조했습니다.
