RAG로 복잡한 질문 풀기, 하위 질문으로 단계별 분해
원제 DeFT-RAG: Decomposing Multi-Hop Questions into Self-Contained Sub-Questions with Reusable Answers
추천 10댓글 3
Key Point
복잡한 다단계 질문에서 RAG의 약점을 구조적으로 개선한 방법이며, 실제 LLM 호출을 줄이면서도 정확도를 높인 실용적 성과를 보여준다.
핵심 요약
- 기존 RAG는 여러 문서에 흩어진 사실을 연결해야 하는 다단계(multi-hop) 질문에서 약했다.
- DeFT-RAG는 원래 질문과 지금까지 답한 QA 쌍으로부터 한 번에 하나씩 자립형 하위 질문을 생성한다.
- 각 하위 질문은 묻는 엔티티를 모두 명시하기 때문에, LLM이 계획·추적·재작성 같은 복잡한 작업 대신 단일 작업에만 집중할 수 있다.
- QA 테이블 업데이트는 규칙 기반으로 처리하고, 중단 판정은 가벼운 파인튜닝 모델이 담당해 LLM 부담을 줄인다.
- MuSiQue·2WikiMultiHopQA·HotpotQA에서 13개 기준선을 이기며 gpt-4o-mini와 Qwen3.6 모두에서 최고 정확도를 달성했다.
- 다른 반복형 방법보다 LLM에 입력하는 토큰 수도 더 적다.
- 1,000개 MuSiQue 질문 목록에서 QA 캐시를 공유하면 하위 질문의 23.1%이 캐시에서 답변되어 정확도를 낮추지 않으면서 LLM 호출을 12.9% 줄인다.