본 논문은 기존 Retrieval-Augmented Generation (RAG) 기반 추천 시스템의 한계를 극복하기 위해, 다중 에이전트 협업 메커니즘을 통합한 ARAG(Agentic RAG) 프레임워크를 제안합니다. ARAG는 사용자의 장기 및 단기 행동을 이해하기 위해 사용자 이해 에이전트, 자연어 추론(NLI) 에이전트, 맥락 요약 에이전트, 아이템 순위 매기기 에이전트 등 네 가지 전문화된 LLM 기반 에이전트를 활용합니다. 실험 결과, ARAG은 기존 RAG 및 최신 기반 기준 모델보다 NDCG@5에서 최대 42.1%, Hit@5에서 최대 35.5% 향상된 성능을 보였으며, ablation study를 통해 각 에이전트의 효과를 분석했습니다.
