[논문리뷰] HierSearch: A Hierarchical Enterprise Deep Search Framework Integrating Local and Web Searches

링크: 논문 PDF로 바로 열기

저자: Jiejun Tan, Zhicheng Dou, Yan Yu, Jiehan Cheng, Qiang Ju, Jian Xie, Ji-Rong Wen

핵심 연구 목표

이 논문은 기업 환경에서 로컬(사내 문서/지식 그래프) 및 웹 지식 소스 를 동시에 활용하는 딥 서치 시스템의 필요성에 주목합니다. 기존 단일 소스 딥 서치나 평면(flat) 강화 학습(RL) 기반의 다중 도구 통합 방식이 낮은 학습 효율성과 복잡한 도구 활용 능력 부족이라는 한계를 가짐에 따라, 이를 극복할 수 있는 계층적 에이전트 기반 딥 서치 프레임워크 를 제안하여 사용자 질문에 대한 정확하고 포괄적인 답변을 제공하는 것을 목표로 합니다.

핵심 방법론

제안하는 HierSearch 는 계층적 강화 학습(HRL) 을 기반으로 하며, 로컬 딥 서치 에이전트 , 웹 딥 서치 에이전트 (하위 레벨) 및 이들을 조율하는 플래너 에이전트 (상위 레벨)로 구성됩니다. 각 하위 에이전트는 해당 지식 소스 내의 검색 도구(예: <chunk_search> , <graph_search> , <web_search> , <browse_url> )를 전문적으로 숙달하며, 플래너 에이전트는 검색 계획을 수립하고 하위 에이전트의 결과를 통합합니다. 특히, 추론 인식 지식 리파이너 를 도입하여 하위 에이전트가 반환하는 환각 및 비관련 증거 를 필터링합니다.

주요 결과

HierSearch는 MuSiQue, OmniEval, BioASQ 등 6개 벤치마크에서 기존 평면 RL 및 다양한 딥 서치/다중 소스 RAG 기준선 대비 일관되게 우수한 성능 을 보였습니다. MuSiQue에서 53.00 EM 및 62.83 F1 점수를 달성하여 평면 RL 방식(HierSearchw/o HRL: 50.75 EM, 60.76 F1)을 능가했습니다. 또한, 병렬 검색 방식 대비 적은 검색 도구 호출 로 높은 효율성을 보이며, 특히 웹 검색 도구 호출 빈도를 줄여 비용 효율성을 입증했습니다.

AI 실무자를 위한 시사점

이 연구는 복잡한 다중 도메인 지식 통합 이 필요한 엔터프라이즈 AI 시스템 개발에 대한 실용적인 솔루션을 제공합니다. HRL 의 적용은 대규모 도구 공간에서 AI 에이전트의 학습 효율성 및 안정성을 개선 할 수 있음을 보여주므로, 복잡한 의사 결정 및 도구 활용을 요구하는 AI 시스템 설계에 중요한 통찰을 줍니다. 또한 지식 리파이너 의 개념은 RAG 시스템의 신뢰성과 정확성 을 높이는 데 기여하여, 실제 환경에서의 환각 문제 해결에 활용될 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.