본 논문은 Retrieval-Augmented Generation (RAG)의 효과적인 배포를 위한 세 가지 핵심적인 의사결정(RAG 배포 여부, 정보 검색량, 검색된 지식의 통합 방식)에 대한 첫 번째 종합적인 연구를 제시합니다. 세 가지 LLM과 여섯 가지 데이터셋을 이용한 체계적인 실험을 통해, RAG 배포는 선택적으로 이루어져야 하며, 최적의 검색량은 작업에 따라 다르고(QA는 5-10개 문서, 코드 생성은 시나리오별 최적화 필요), 지식 통합 효과는 작업과 모델 특성에 따라 다르다는 것을 밝힙니다(코드 생성은 프롬프팅 방식에서 큰 이점을 보이는 반면, 질문 응답은 개선 효과가 미미함). 따라서 범용적인 RAG 전략은 부적절하며, 작업 특성과 모델 기능을 고려한 상황 인식 설계 결정이 필요함을 강조합니다.
