검색된 문서가 노이즈가 많거나 불완전하거나 이종(heterogeneous)일 때, 단일 LLM 생성 프로세스는 증거를 일관되게 통합하는 데 어려움을 겪는다. MASS-RAG(Multi-Agent Synthesis RAG)는 이 문제를 에이전트 역할 분화로 해결한다. ACL 2026 Findings에 채택된 연구다.

기존 RAG의 한계

표준 RAG 파이프라인에서는 검색된 문서를 하나의 LLM에 넘겨 답변을 생성한다. 이 방식은 아래 상황에서 취약하다:

• 관련 증거가 여러 문서에 분산되어 있을 때
• 검색 결과에 관련 없는 패시지가 섞여 있을 때
• 문서 간 정보가 서로 보완적이어서 교차 참조가 필요할 때

MASS-RAG 구조

MASS-RAG는 증거 처리를 세 역할 전문 에이전트로 분리하고 별도의 합성 단계를 거친다:

검색된 문서
    │
    ├─► [증거 요약 에이전트] → 핵심 내용 압축
    ├─► [증거 추출 에이전트] → 관련 사실·수치 추출
    └─► [추론 에이전트]     → 문서 기반 논리 추론
          │
          ▼
    [합성(Synthesis) 단계] → 세 에이전트 출력 통합
          │
          ▼
       최종 답변

각 에이전트가 서로 다른 관점으로 동일한 증거를 처리하여 상호 보완적인 정보를 드러낸다. 합성 단계에서 이 중간 증거 뷰를 비교·통합해 최종 답변을 생성한다.

성능

4개 벤치마크에서 강력한 RAG 베이스라인 대비 일관적인 성능 향상을 달성했으며, 특히 관련 증거가 여러 검색 결과에 분산된 경우에서 개선 폭이 크다.

누구에게 유용한가

• 엔터프라이즈 지식 검색: 사내 문서가 여러 형식과 소스에 흩어진 환경
• 리서치 에이전트: 복잡한 질문에 여러 출처 교차 확인이 필요한 경우
• 장문 컨텍스트 RAG: 검색 결과가 많고 노이즈 비율이 높은 시나리오

논문 정보

• arXiv: 2604.18509
• 저자: Xingchen Xiao, Heyan Huang, Runheng Liu, Jincheng Xie
• 발표: ACL 2026 Findings
• 제출: 2026년 4월 20일

관련 문서

• rag — RAG 기본 개념과 파이프라인 구조
• rag-tips-long-context — 장문 컨텍스트 RAG 최적화
• skill-rag — RAG 실패 상태를 진단하고 스킬 라우팅으로 교정하는 프레임워크
• lightrag — 지식 그래프 기반 RAG 시스템