[논문리뷰] Towards Retrieving Interaction Spaces for Agentic Search

링크: 논문 PDF로 바로 열기

메타데이터

저자: Shengyao Zhuang, Yuansheng Ni, Hengxin Fun, Jimmy Lin, Xueguang Ma

---

1. Key Terms & Definitions (핵심 용어 및 정의)

• Agentic Search: LLM이 능동적으로 검색 쿼리를 생성하고 도구를 사용하여 외부 환경(문서 등)과 상호작용하며 정보를 탐색하는 방식입니다.
• DCI (Direct Corpus Interaction): 에이전트가 전체 코퍼스에 대해 grep이나 파일 읽기 같은 쉘 도구를 직접 사용하여 상호작용하는 방식입니다.
• Interaction Space: retrieval을 통해 선택된, 에이전트가 도구를 사용하여 자유롭게 탐색할 수 있는 한정된 문서 집합을 의미합니다.
• RISE (Retrieving Interaction SpacE): 본 논문에서 제안하는 프레임워크로, BM25로 workspace의 경계를 설정하고 인덱싱 단계에서 문서에 TOC(Table of Contents) 구조를 추가하여 탐색 효율을 높입니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

본 논문은 기존의 Agentic Search 방식이 가진 확장성 및 효율성 문제를 해결하기 위해 제안되었습니다. 기존의 Snippet Retrieval은 컨텍스트 윈도우의 제약으로 인해 정보의 해상도를 잃고, DCI와 같은 무제한 코퍼스 상호작용 방식은 코퍼스 규모가 커짐에 따라 Latency와 비용이 급격히 증가하며 성능이 저하되는 한계가 있습니다 [Figure 1]. 저자들은 retrieval의 역할을 단순한 snippet 선택이 아닌, 에이전트가 효율적으로 상호작용할 수 있는 최적화된 Interaction Space를 구축하는 것으로 재정의해야 한다고 주장합니다.

Figure 1 — 모델별 정확도 및 비용 비교

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 RISE 프레임워크를 통해 두 가지 핵심 요소인 Bounded workspace와 Navigable objects를 구현합니다. 먼저 BM25를 사용하여 에이전트가 쉘 도구로 탐색할 수 있는 한정된 문서 집합을 생성하며, 이는 에이전트의 컨텍스트 윈도우 외부에서 유지됩니다 [Figure 2]. 다음으로, 인덱싱 타임에 문서에 TOC와 섹션 앵커를 추가하여 에이전트가 전체 문서를 스캔하지 않고도 필요한 정보에 즉시 접근할 수 있도록 구조화합니다 [Figure 3]. BrowseComp-Plus 데이터셋에서의 실험 결과, RISE는 gpt-5.4-mini 모델 기준 DCI baseline과 대등한 78%의 정확도를 달성하면서도, 비용을 약 1/4 수준으로 획기적으로 절감했습니다 [Table 1]. 또한 100만(1M) 문서 규모로 확장했을 때에도 RISE-BM25는 성능 저하 없이 견고함을 보인 반면, DCI는 성능이 60%로 급락하고 Wall-clock 실패 사례가 급증하는 등 확장성 면에서 압도적인 우위를 입증했습니다 [Table 2].

Figure 2 — RISE 워크플로우 아키텍처

Figure 3 — RISE 에이전트 상호작용 사례

4. Conclusion & Impact (결론 및 시사점)

본 연구는 Agentic Search의 핵심 성능이 단순한 retrieval 모델의 품질뿐만 아니라, retrieval이 제공하는 결과물의 형태와 구조에 의해 결정됨을 입증했습니다. RISE 프레임워크는 에이전트가 다룰 수 있는 최적화된 Interaction Space를 제공함으로써 대규모 코퍼스 환경에서의 효율성과 확장성을 성공적으로 확보했습니다. 이러한 접근 방식은 향후 정보 검색 에이전트 시스템 설계에 있어 Interface 최적화라는 새로운 설계 패러다임을 제시하며, 학계와 산업계의 에이전트 기반 시스템 효율화에 기여할 것으로 기대됩니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.