본 논문은 Retrieval-augmented generation (RAG) 시스템에서 문서 재순위 지정(reranking)의 중요성을 강조하며, 특히 최적의 문서 개수(k) 선택 문제를 해결하기 위해 새로운 프레임워크인 DynamicRAG를 제안합니다. DynamicRAG는 강화 학습(RL) 기반의 에이전트를 이용하여 질문에 따라 동적으로 문서의 순서와 개수를 조정하는 재순위 지정기를 구현합니다. LLM 출력 품질을 보상으로 사용하여 에이전트를 학습시키며, 7개의 지식 집약적 데이터셋에서 기존 최고 성능을 뛰어넘는 결과를 달성했습니다. 모델, 데이터, 코드는 공개적으로 제공됩니다.
