[논문리뷰] Multi-Turn Agentic Scientific Literature Search via Workflow Induction

링크: 논문 PDF로 바로 열기

메타데이터

저자: Jisen Li, Bingxuan Li, Nanyi Jiang, et al.

---

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

• Workflow Induction: 고정된 검색 파이프라인 대신, 사용자의 질의와 의도를 반영하여 실행 가능한 DAG 구조의 검색 워크플로우를 실시간으로 생성하는 방식입니다.
• PaperPilot-Toolset: 검색, 인용 확장, 필터링, 스코어링, 리랭킹(Reranking), 증거 추출 등을 수행하는 타입화된 연산자(Operator)들의 라이브러리입니다.
• DAG (Directed Acyclic Graph): PaperPilot이 생성하는 검색 워크플로우의 기본 구조로, 각 노드는 연산자를 나타내고 엣지는 중간 데이터의 흐름(중간 결과물, 스코어 등)을 의미합니다.
• Workflow Execution Error: 워크플로우 생성 시 발생하는 연산자 간의 타입 불일치, 누락된 파라미터, 논리적 오류 등을 지칭하며, 본 논문은 이를 성공적으로 감소시키는 데 중점을 둡니다.

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

본 논문은 과학 문헌 검색 과정에서 발생하는 사용자의 불명확한 의도와 진화하는 요구사항을 기존의 정적인 검색 시스템이 효과적으로 해결하지 못한다는 문제에서 출발합니다. 기존의 검색 에이전트들은 주로 고정된 파이프라인이나 암시적인 언어 모델의 추론에 의존하므로, 사용자의 세밀한 피드백(예: "더 최근 연구 위주로", "방법론적 유사성 강조" 등)을 실시간으로 검색 전략에 반영하기 어렵습니다. 저자들은 이러한 제약을 해결하기 위해 사용자의 피드백을 직접적인 워크플로우 편집 명령으로 변환하는 새로운 접근 방식이 필요함을 강조합니다 [Figure 1].

Figure 1 — PaperPilot 개요

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

저자들은 PaperPilot이라 명명된 다중 턴 문헌 검색 에이전트를 제안하며, 검색 작업을 Workflow Induction 문제로 공식화합니다. 이 시스템은 각 턴마다 사용자의 질의와 피드백을 바탕으로 PaperPilot-Toolset 내 연산자들을 조합하여 DAG 구조의 워크플로우를 생성합니다 [Figure 2]. 학습 과정에서는 고품질 워크플로우 궤적을 통한 지도 학습(Supervised Fine-tuning)과, 의도적인 구조적 오류를 포함한 워크플로우 쌍을 활용한 선호도 최적화(Preference Optimization)를 병행하여 안정성을 확보했습니다. 실험 결과, PaperPilot-9B 모델은 다중 턴 상호작용 환경에서 기존 Qwen3.5-9B 기반의 에이전트 대비 Hit@5를 58.0에서 77.0으로, MRR을 47.5에서 59.4로 대폭 향상시켰습니다 [Table 2]. 특히, 워크플로우 실행 오류율을 9.5%에서 0%로 완전히 제거함으로써 구조적 안정성을 입증했습니다 [Figure 5].

Figure 2 — 워크플로우 유도 과정

Figure 5 — PaperPilot-9B 성능 비교

4. Conclusion & Impact (결론 및 시사점)

본 논문은 과학 문헌 검색을 명시적이고 편집 가능한 워크플로우 생성 문제로 재정의함으로써, 검색의 가시성과 제어 가능성을 획기적으로 개선했습니다. PaperPilot은 대규모 모델 없이도 9B 규모의 모델에서 높은 성능과 비용 효율성을 동시에 달성하며, 복잡한 사용자 의도를 반영한 맞춤형 검색 전략을 구현했습니다. 이 연구는 학계 및 산업계에서 인공지능 에이전트의 검색 과정을 보다 투명하고 정교하게 제어하고자 하는 연구들에 중요한 프레임워크를 제공합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.