본 논문은 대규모 언어 모델(LLM)의 추론 능력을 향상시키기 위해 검색 증강 생성(RAG), 지식 그래프(KG), 그리고 증분 학습(IL)을 통합한 새로운 다중 에이전트 하이브리드 프레임워크인 RAG-KG-IL을 제시합니다. 기존 LLM의 구조화된 데이터 추론, 동적 지식 변화 처리, 환각 감소의 어려움을 해결하기 위해, RAG-KG-IL은 지속적인 지식 업데이트, 구조화된 지식 통합, 그리고 향상된 설명력 및 추론을 위한 자율 에이전트를 사용하는 다중 에이전트 아키텍처를 활용합니다. RAG는 생성된 응답이 검증 가능한 정보에 근거하도록 하고, KG는 일관성과 이해의 깊이를 향상시키기 위해 구조화된 도메인 지식을 제공합니다. IL 접근 방식은 전체 재훈련 없이 지식 베이스를 동적으로 업데이트하여 계산 오버헤드를 줄이고 모델의 적응성을 향상시킵니다. 건강 관련 질문을 포함한 실제 사례 연구를 통해 GPT-4o 및 RAG 전용 기준 모델과 비교 평가한 결과, 환각률을 크게 줄이고 답변의 완성도와 추론 정확도를 향상시키는 것으로 나타났습니다. 이 결과는 복잡한 도메인에서 실시간 지식 통합 및 추론이 가능한 지능적이고 적응력 있는 시스템을 생성하기 위해 RAG, KG 및 다중 에이전트 시스템을 결합하는 잠재력을 강조합니다.
