본 논문은 복잡한 문제 해결을 위해 대규모 언어 모델(LLM)의 자율적 의사결정 능력을 활용하는 새로운 RAG(Retrieval-Augmented Generation) 방식인 AirRAG를 제안합니다. AirRAG는 Monte Carlo Tree Search (MCTS)를 이용하여 전략적 계획과 효율적인 추론 행위를 통합함으로써, 기존 RAG의 단일 해결 공간 제약을 극복하고, 다양한 해결책을 탐색합니다. 5가지 기본 추론 행위를 설계하고 MCTS를 통해 이를 확장하여 트리 기반 추론 공간을 생성하며, 자기 일관성 검증과 추론 스케일링 법칙을 통합하여 잠재적인 추론 경로를 탐색하고 계산적으로 최적의 전략을 사용하여 주요 행위에 더 많은 추론 자원을 할당합니다. 실험 결과, AirRAG는 복잡한 질의응답 데이터셋에서 성능 향상을 보였으며, 다른 고급 기술 및 모델과의 통합도 용이합니다.
