[논문리뷰] A New Role for Relevance: Guiding Corpus Interaction in Agentic Search

링크: 논문 PDF로 바로 열기

저자: Jiangnan Li, Yuqing Li, Mo Yu, Jinchao Zhang, Jie Zhou

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

• DCI (Direct Corpus Interaction): 에이전트가 외부 문서를 grep 스타일의 패턴 매칭이나 로컬 파일 읽기(Read) 명령어를 통해 직접적으로 탐색하는 방식입니다.
• RARG (Relevance-Aware RipGrep Search Agent): 문서 단위의 Relevance를 rg (RipGrep) 탐색의 우선순위(execution prior)로 변환하여 에이전트의 검색 효율성을 극대화하는 제안 방법론입니다.
• Search Convergence: 에이전트가 반복적인 상호작용을 통해 검증된 증거를 얼마나 빠르고 신뢰성 있게 찾아내는지를 나타내는 지표입니다.
• Scope: embed_recall을 통해 도출된 관련성 높은 문서 경로들의 집합으로, rg 탐색 시 탐색 범위를 제한하여 효율을 높이는 역할을 합니다.

## 2. Motivation & Problem Statement (연구 배경 및 문제 정의) 본 논문은 기존의 검색 에이전트가 Relevance를 단순히 상위 k개 문서를 선택하는 필터로만 사용하여, 증거의 국소화나 검증이라는 에이전트의 핵심 작업에서 한계를 보인다는 점을 문제로 지적합니다. 기존 Retrieval-Augmented Generation (RAG) 방식은 문서 단위의 관련성과 실제 증거의 유용성을 혼동하며, 반대로 DCI 기반 모델은 관련성 정보 없이 grep을 수행하여 무분별한 탐색으로 인해 탐색 비용이 급증하고 수렴 속도가 저하되는 단점이 있습니다 [Figure 1]. 따라서 저자들은 Relevance를 정보 검색의 시작점이 아닌, 전체 탐색 과정에서 의사결정을 가이드하는 실행 우선순위로 활용하는 새로운 프레임워크를 제안하고자 합니다.

Figure 1 — 정확도-효율성 비교 그래프

## 3. Method & Key Results (제안 방법론 및 핵심 결과) 저자들이 제안한 RARG는 Global Relevance와 Local Relevance를 계층적으로 결합하여 탐색의 효율을 극대화합니다 [Figure 2]. Global Relevance를 통해 문서를 랭킹 순으로 정렬하여 rg가 가장 유망한 문서부터 순차적으로 탐색하게 만들며, Entry Point Initialization을 통해 초기 검색 효율을 높이고, Match-Level Relevance Insertion을 통해 하위 랭크 문서 내의 유용한 정보를 재랭킹(reranking)하여 관찰 범위를 최적화합니다. 실험 결과, BrowseComp-Plus 데이터셋에서 RARG++ 모델은 기존 DCI 및 RISE 대비 84%의 정확도를 달성하며, 평균 23.9회의 툴 호출만을 사용하여 경쟁 모델(각각 99.1회, 28.7회) 대비 월등한 효율성을 입증하였습니다 [Table 1]. 또한, 100만 개 문서 규모로 확장된 환경에서도 강력한 성능을 유지하며, Reasoning-Intensive Retrieval 분야인 BRIGHT에서도 평균 nDCG@10 53.36을 기록하며 SOTA 성능을 확보하였습니다 [Table 3].

Figure 2 — RARG 모델 전체 아키텍처

## 4. Conclusion & Impact (결론 및 시사점) 본 연구는 Relevance가 단순히 정보를 검색하는 도구를 넘어, 에이전트가 코퍼스를 탐색하는 과정 자체를 가이드하는 동적인 실행 신호가 될 수 있음을 입증하였습니다. RARG를 통해 에이전트는 고차원의 언어적 통찰과 저차원의 정밀한 패턴 매칭을 효과적으로 결합할 수 있게 되었습니다. 이러한 접근 방식은 향후 방대한 규모의 문서 데이터셋을 처리해야 하는 지능형 검색 시스템의 설계에 있어, 정확도와 효율성이라는 상충하는 두 지표를 동시에 최적화하는 핵심적인 프레임워크로 활용될 것으로 기대됩니다.

Figure 3 — 문서 랭크별 관련성 분포

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.