본 논문은 대규모 언어 모델(LLM)을 활용한 연구 논문 자동 생성의 문제점을 해결하고자 한다. 기존의 접근 방식은 관련 논문들을 요약하는 데 초점을 맞추어 구조적인 관계를 간과하여, 일관된 분류 체계와 심층적인 맥락적 이해가 부족한 결과를 초래했다. 이를 해결하기 위해 본 논문은 계층적 인용 그래프를 통합한 LLM 기반 에이전트 프레임워크인 SurveyG를 제안한다. 이 그래프는 연구 논문을 노드로 하고, 인용 관계 및 내용의 의미적 관련성을 엣지로 하며, 기초, 발전, 최전선 3개의 계층으로 구성되어 연구의 발전을 포착한다. SurveyG는 계층 내 수평 검색과 계층 간 수직 탐색을 통해 다단계 요약을 생성하고, 이를 구조화된 개요로 통합한다. 또한, 다중 에이전트 검증 단계를 통해 최종 논문의 일관성, 포괄성, 사실적 정확성을 보장한다. 실험 결과는 SurveyG가 기존 프레임워크보다 더 포괄적이고, 해당 분야의 지식 분류 체계에 더 잘 부합하는 구조를 가진 연구 논문을 생성함을 보여준다.
