본 논문은 현대 소프트웨어 팀이 겪는 문제 해결 지연을 해결하기 위해 제안된 Retrieval-Augmented Generation (RAG) 프레임워크에 대해 설명합니다. 이 프레임워크는 Sentence-Transformers를 사용한 의미론적 임베딩과 FAISS 기반 벡터 검색을 통합하여 맥락을 이해하는 티켓 해결 권장 사항을 제공합니다. JIRA 티켓, 사용자 댓글, 연결된 PR 메타데이터를 임베딩하여 의미적으로 유사한 과거 사례를 검색하고, 이를 대규모 언어 모델 (LLM)을 통해 해결 제안으로 종합합니다. 이 프레임워크는 JIRA와 GitHub 데이터를 연결하는 통합 파이프라인, 이기종 소프트웨어 아티팩트를 위한 임베딩 및 FAISS 인덱싱 전략, 검색된 증거를 기반으로 하는 해결 생성 모듈을 제공합니다. 실험 결과는 해결 정확도, 수정 품질, 지식 재사용을 유의미하게 향상시켰습니다.
