본 논문은 지식 그래프(KG) 기반 추론에서 대규모 언어 모델(LLM)의 한계를 극복하기 위해, 역할 분담 기반의 플러그 앤 플레이 추론 프레임워크인 R2-KG를 제안합니다. R2-KG는 증거 수집을 담당하는 Operator(저용량 LLM)와 최종 판단을 내리는 Supervisor(고용량 LLM)의 두 에이전트로 구성되어, 고용량 LLM에 대한 의존성을 줄이고 비용 효율성을 높입니다. 또한, 충분한 증거가 확보될 때만 답변을 생성하는 Abstention 메커니즘을 통해 신뢰성을 향상시킵니다. 다양한 KG 기반 추론 작업에 대한 실험 결과, R2-KG는 기존 방식보다 정확도와 신뢰성이 모두 우수하며, Operator로 사용되는 LLM의 성능에 덜 의존적인 것으로 나타났습니다. 단일 에이전트 버전의 R2-KG는 높은 신뢰성을 달성하지만, 복잡한 KG에서는 높은 기권율을 보이는 한계를 가지고 있습니다.
