본 논문은 기존 Retrieval-Augmented Generation (RAG) 모델들의 다양한 하위 작업(쿼리 이해, 검색 개선 등) 최적화를 통합하는 어려움을 해결하기 위해 RoleRAG 프레임워크를 제안합니다. RoleRAG는 역할 특정 토큰 최적화를 통해 효율적인 다중 작업 처리를 달성하며, RAG 프로세스 내 각 하위 작업을 담당하는 6개의 모듈로 구성됩니다. 또한, 동적으로 해석 가능한 쿼리 그래프를 도입하여 쿼리 분해를 나타냅니다. 모든 모듈은 작업별 역할 토큰으로 구분되는 동일한 기저 LLM에 의해 구동되며, 단일 LLM 인스턴스 내에서 동적으로 다른 모듈을 활성화하여 배포 간소화 및 자원 소비 감소를 가능하게 합니다. 5개의 오픈 도메인 질의응답 데이터셋에 대한 실험 결과는 RoleRAG의 효과, 일반화 가능성 및 유연성을 보여줍니다.
