쉬운 설명
LLM-Wiki를 쉽게 설명해 드릴게요! AI가 필요한 정보를 찾을 때 그냥 도서관에서 아무 페이지나 무작작 뽑아오는 게 아니라, 스스로 위키백과처럼 잘 정리된 문서를 만들고 그 안의 링크를 타며 필요한 정보를 찾아가는 방식이에요.
기존 방식이 문서를 잘게 쪼갠 뒤 비슷한 내용을 찾아 전달하는 식이었다면, LLM-Wiki는 문서들을 서로 연결된 위키 페이지처럼 만들어 두고 AI가 직접 검색하고, 읽고, 링크를 따라가며 스스로 판단하게 만드는 것이 핵심입니다. 게다가 틀린 내용을 기록해 두는 '오답노트' 같은 장치도 있어서, 쓰면 쓸수록 점점 더 똑똑해지는 구조라고 이해하시면 돼요.
요약
이번에 소개할 논문은 'LLM-Wiki'라는 새로운 검색 시스템을 제안하며, 기존 RAG(검색증강생성, Retrieval-Augmented Generation) 방식의 한계를 짚어냅니다. 지금까지의 RAG는 문서를 잘게 쪼갠 조각들을 유사도 기반으로 찾아오는 방식이라 한 번에 정보를 줄 때는 유용했지만, 여러 단계를 거쳐 추론해야 하는 에이전트형 AI에는 잘 맞지 않았어요. LLM-Wiki는 이 문제를 해결하기 위해 외부 지식을 고정된 색인이 아니라, 직접 조합하고 스스로 진화하는 위키 구조로 재구성했습니다.
실제로 문서를 서로 링크로 연결된 위키 페이지 형태로 만들어 두고, AI가 검색·읽기·링크 이동 같은 기능을 도구처럼 활용할 수 있게 했습니다. 여기에 오류를 기록하는 '에러북(Error Book)'이라는 오답노트 장치를 두어 구조적·의미적 실수를 계속 스스로 고쳐나가도록 했어요. 그 결과 HotpotQA, MuSiQue, 2WikiMultiHopQA 같은 대표적인 멀티홉(여러 단계를 거쳐 답을 찾는) 질의응답 벤치마크에서 기존 방식보다 F1 점수 기준 2.0~8.1점 더 높은 성능을 기록했습니다. 단순한 정보 검색을 넘어 '검색 또한 하나의 추론 과정'으로 다뤄야 한다는 방향성을 제시했다는 점에서 의미가 큽니다.
강의용 팁
강의를 진행할 때는 먼저 '기존 RAG vs LLM-Wiki'를 표로 비교해서 보여주는 것이 효과적이에요. "기존 RAG가 도서관에서 관련 있어 보이는 책 페이지 몇 장을 복사해 오는 방식이라면, LLM-Wiki는 사서(AI)가 직접 위키를 정리하고 필요할 때마다 다른 항목 링크를 눌러가며 찾아보는 방식"이라는 비유를 들면 학생들이 훨씬 쉽게 이해합니다. 이후 HotpotQA처럼 여러 단계를 거쳐야 답을 찾을 수 있는 멀티홉 질문 예시를 함께 보여주시면 좋습니다.
주의 사항
LLM-Wiki는 단순 단일 검색이 아닌 지속적인 문서 연결과 오류 기록(에러북)을 바탕으로 작동하므로, 기존 RAG 방식과의 단순 일대일 비교보다는 에이전트의 연속 추론 관점에서 접근하는 것이 좋습니다.
자체 검증
-
핵심 수치(F1 점수 2.0~8.1점 향상) 및 벤치마크 명칭(HotpotQA, MuSiQue, 2WikiMultiHopQA)이 정확히 반영되었는지 확인했습니다.
-
기존 RAG와 LLM-Wiki의 구조적 차이 및 '에러북'의 역할을 쉬운 개념으로 자연스럽게 풀어서 작성했습니다.
태그
#LLM_Wiki #RAG #검색증강생성 #멀티홉 #에이전트AI #ErrorBook