Retrieval-Augmented Generation (RAG) 시스템은 대규모 언어 모델(LLM)에 외부 지식을 활용하게 하지만, 대규모 지식 그래프로 확장할 때 효율성과 정확성 간의 절충 문제에 어려움을 겪습니다. 기존 접근 방식은 종종 단일 그래프 검색에 의존하여 간단한 질의에는 불필요한 지연 시간이 발생하고, 복잡한 다단계 질문에는 추론이 단편화되는 문제가 있습니다. 본 논문에서는 질문 기반 의미 그래프 분할 및 협업 하위 그래프 검색을 통해 이러한 한계를 해결하는 다 에이전트 RAG 프레임워크인 SPLIT-RAG를 제안합니다. SPLIT-RAG는 먼저 Linked Information의 의미적 분할을 생성한 후, 유형별 지식 기반을 사용하여 다 에이전트 RAG를 수행합니다. 속성 인식 그래프 분할은 지식 그래프를 의미적으로 일관된 하위 그래프로 나누어 하위 그래프가 다양한 질의 유형과 일치하도록 관리하며, 경량 LLM 에이전트가 분할된 하위 그래프에 할당되고 검색 중에는 관련 분할만 활성화되어 검색 공간을 줄이고 효율성을 높입니다. 마지막으로, 계층적 병합 모듈은 논리적 검증을 통해 하위 그래프에서 파생된 답변 간의 불일치를 해결합니다. 광범위한 실험적 검증을 통해 기존 접근 방식과 비교하여 상당한 개선을 보여줍니다.
