A-RAG: 연구 논문 분석 에이전트 (Research Paper Analysis Agent)

🇰🇷 한국어 (Korean) | 🇺🇸 English

이 프로젝트는 A-RAG: Scaling Agentic Retrieval-Augmented Generation via Hierarchical Retrieval Interfaces 논문 및 원본 레포지토리에서 영감을 받아 구현된 연구 논문 분석 에이전트다.

langchain-deepagents (v0.4.1) 프레임워크를 기반으로 구축되었으며, 복잡한 도메인(학술 논문)의 정보를 정확하게 분석하고 요약하기 위해 **계층적 검색(Hierarchical Retrieval)**과 **에이전트의 추론(Reasoning)**을 결합했다.

🧠 핵심 철학: A-RAG (Agentic RAG)

"모델이 스스로 판단하는 검색: 힌트(신호)에서 사실(확정)로."

graph TD
    User([사용자 질문]) --> Agent{A-RAG Agent}
    Agent -->|1. Strategy| Plan[검색 전략 수립]
    Plan -->|2. Search| Tools{Retrieval Tools}

    subgraph "Hierarchical Retrieval"
        Tools -->|Broad| Semantic[Semantic Hybrid Search]
        Tools -->|Precise| Keyword[Keyword Search]
        Tools -->|Contextual| Context[Contextual Search]
    end

    Semantic & Keyword & Context -->|3. Filtering| Filter[결과 필터링 & 랭킹]
    Filter -->|4. Selective Read| Read[Chunk Read: 정밀 읽기]
    Read -->|5. Verify| Think[Think Tool: 자체 논리 검증]

    Think -->|Insufficient Info| Plan
    Think -->|Complete| Response([최종 답변 생성])

Loading

이 프로젝트는 고정된 워크플로우를 따르는 대신, 에이전트가 **스스로 검색 전략을 수립하고 실행하는 자율성(Autonomous Strategy)**을 지향한다.

1. Hierarchical & Iterative: Keyword ↔ Semantic ↔ Chunk Read 등 다양한 입도의 도구들을 상황에 맞춰 **교차 사용(Interleaved Tool Use)**하며 정답에 다가간다.
2. Progressive Acquisition (점진적 습득): 검색된 모든 내용을 읽지 않는다. Search로 힌트를 얻고, 모델이 "읽을 가치가 있다"고 판단한 부분만 Read하여 문맥 부하(Overhead)를 최소화한다.
3. Agentic Loop: 단순히 검색 결과를 요약하는 기계적인 RAG가 아니다. Action(검색) → Observation(결과) → Reasoning(판단)의 루프를 통해, 정보가 불충분하면 스스로 쿼리를 수정하거나 다른 경로를 탐색한다.

⚠️ 필수 요구사항 (Prerequisites)

Important

이 프로젝트는 Azure 클라우드 자원에 강하게 의존한다. 로컬 단독 실행은 불가능하며, 아래 리소스가 반드시 필요하다.

1. Azure OpenAI:
   • gpt-5-mini 또는 동급의 Chat 모델 (메인 에이전트용)
   • text-embedding-3-* (임베딩 모델)
2. Azure AI Search:
   • 논문 데이터가 인덱싱된 검색 서비스가 필요하다.
   • 필수 인덱스 스키마: id, content, title, source_file, page_number, embedding 등
   • 이 프로젝트는 semantic_hybrid_search와 contextual_search(페이지 맥락 재정렬) 기능을 사용하므로, 인덱스가 이에 맞춰 구성되어 있어야 한다.

✨ 주요 기능 (Features)

• 🔍 계층적 & 하이브리드 검색:
  • semantic_hybrid_search: 임베딩(의미) + 키워드 검색으로 넓은 범위의 주제를 탐색한다.
  • contextual_search: 페이지 단위로 흩어진 텍스트, 그림, 표의 맥락을 재구성하여 검색한다.
  • keyword_search: 고유명사나 특정 용어를 정밀하게 타격한다.
• 🔬 심층 분석 (Deep Analysis):
  • chunk_read: 단순 텍스트뿐만 아니라 인접한 청크를 함께 읽어 문맥을 파악한다.
  • research_paper_think: 답변 작성 전, 논리적 비약은 없는지, 근거는 충분한지 스스로 비평한다.

🚀 시작하기 (Quickstart)

1. 환경 설정

Python 3.11 이상과 uv 패키지 매니저가 필요하다.

# 환경변수 템플릿 복사
cp default.env .env

.env 파일을 열어 Azure 설정을 입력한다:

• OPENAI_ENDPOINT, OPENAI_API_KEY (Azure OpenAI)
• AZURE_SEARCH_ENDPOINT, AZURE_SEARCH_API_KEY
• AZURE_SEARCH_API_RESEARCH_PAPER_INDEX: 사용할 인덱스 이름

2. 서버 실행

./start_server.sh
# 또는
uv run uvicorn paper_analysis_deepagents.api:app --host 0.0.0.0 --port 8000 --reload

• API 문서: http://localhost:8000/docs
• 에이전트 엔드포인트: POST /agents/research-paper-summary/invoke
• 스트리밍 엔드포인트: POST /agents/research-paper-summary/invoke/stream (SSE)

3. 스트리밍 실행 (Streaming)

응답을 실시간으로(SSE) 받으려면 /invoke/stream을 사용한다. 프론트엔드 연동 시 필수다.

curl -N -X POST 'http://localhost:8000/agents/research-paper-summary/invoke/stream' \
  -H 'accept: text/event-stream' \
  -H 'Content-Type: application/json' \
  -d '{
    "query": "Transformer 논문 요약해줘",
    "conversationId": "test-stream-001"
  }'

이벤트 타입:

• event: message: 토큰 스트림 (data: "...")
• event: reference: 중간에 참고한 문서 목록
• event: update: 도구 호출 정보 (tool_start 등)
• event: done: 최종 완료 (content, citations 포함)

📝 Citation

이 프로젝트에서 사용된 A-RAG 알고리즘 연구를 인용하시려면 아래의 BibTeX를 사용해 주세요:

@misc{du2026aragscalingagenticretrievalaugmented,
      title={A-RAG: Scaling Agentic Retrieval-Augmented Generation via Hierarchical Retrieval Interfaces},
      author={Mingxuan Du and Benfeng Xu and Chiwei Zhu and Shaohan Wang and Pengyu Wang and Xiaorui Wang and Zhendong Mao},
      year={2026},
      eprint={2602.03442},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2602.03442},
}

프로젝트 구조

paper_analysis_deepagents/       # 메인 패키지
├── research_paper_summary_agent.py  # 에이전트 정의 (시스템 프롬프트, 도구 조립)
├── tools/
│   ├── azure_search.py          # Azure Search 클라이언트
│   ├── research_paper_search.py # 검색/읽기 도구 구현체
│   └── research_paper_think.py  # A-RAG 추론(Think) 도구
├── history/                     # 대화 기록 저장소 (로컬 JSON)
└── api.py                       # FastAPI 애플리케이션
skills/                          # DeepAgents Skills (마크다운 기반 업무 지침)
tests/                           # 단위 및 통합 테스트

사용 예시 (Python)

import requests

response = requests.post(
    "http://localhost:8000/agents/research-paper-summary/invoke",
    json={
        "query": "Transformer 논문의 핵심 기여가 무엇인가요?",
        "conversationId": "test-conv-kr-001"
    }
)
print(response.json()["content"])