본 논문은 대규모 언어 모델(LLM)의 단계적 추론 능력 향상을 위한 새로운 프레임워크인 목표 지향 그래프(GoGs)를 제안한다. 기존의 GraphRAG와 같은 검색 증강 방법은 단편적인 엔티티-관계 그래프와 과도한 지역 연결성으로 인해 일관된 추론 구성에 어려움을 겪는 반면, GoGs는 각 노드가 목표와 관련 속성을, 각 에지는 목표 간의 논리적 의존성을 나타내는 구조를 통해 상위 목표를 식별하고 하위 목표를 재귀적으로 검색하여 일관된 추론 체인을 형성함으로써 LLM 프롬프팅을 안내한다. Minecraft 게임 환경에서의 실험 결과, GoGs는 GraphRAG 및 기타 기준 모델보다 우수한 추론 성능을 보였다.
