AI 에이전트가 복잡한 질문에 답하기 위해 정보를 검색할 때, 여러 경로를 동시에 탐색하는 '병렬 검색(parallel search)' 방식이 주로 사용됩니다. 하지만 최근 arXiv에 발표된 논문은 이 방식의 한계를 지적하며, 에이전트가 첫 번째 질문에서 유사한 쿼리를 반복적으로 생성해 정보 중복과 비효율을 초래한다고 밝혔습니다. 이에 연구진은 'DivInit'이라는 새로운 접근 방식을 제안, 첫 질문의 다양성을 확보함으로써 검색 효율과 답변 정확도를 크게 개선했습니다.
DivInit은 기존처럼 여러 개의 독립적인 첫 질문을 생성하는 대신, 단 한 번의 호출로 다양한 후보 질문을 다수 생성한 후, 그중 가장 '다양한' k개의 질문을 선별하여 병렬 검색의 시작점으로 활용합니다. 이 방법은 추가 학습 없이 첫 단계에만 개입하는 '훈련 없는(training-free)' 방식으로 구현됩니다. 연구팀은 5개의 오픈소스 모델과 8개의 벤치마크를 통해 DivInit의 효과를 검증했으며, 특히 여러 단계를 거쳐야 하는 다중 홉 질의응답(multi-hop QA) 작업에서 컴퓨팅 자원 소모는 동일하면서도 평균 5~7%의 성능 향상을 달성했습니다.
이 연구 결과는 AI 에이전트의 '사고 과정'을 개선하여 실제 문제 해결 능력을 높일 수 있음을 시사합니다. 특히 복잡한 정보 탐색이 필요한 분야, 예를 들어 법률, 의료, 과학 연구 등에서 에이전트의 효율성과 정확성을 크게 향상시킬 잠재력을 가집니다. 첫 질문의 다양성을 확보하는 간단한 아이디어가 에이전트의 전반적인 성능을 끌어올릴 수 있다는 점은, 향후 AI 에이전트 설계 및 최적화에 중요한 방향을 제시할 것으로 보입니다.