기술 요약: Table-as-Search (TaS)

1. 문제 정의

LLM(대규모 언어 모델)에 의존하는 현재의 에이전트 기반 정보 탐색(InfoSeeking) 시스템은 장기적 탐색(long-horizon exploration) 측면에서 상당한 어려움에 직면해 있습니다. ReAct와 같은 전통적인 패러다임은 단일한 비구조화된 평문 컨텍스트 내에서 검색 상태(계획 절차 및 방대한 검색 결과)를 관리합니다. 이러한 접근 방식은 복잡한 작업에서 본질적으로 취약하며, 다음과 같은 문제를 야기합니다:

• "중간 소실(Lost in the Middle)" 현상: 상호작용 범위가 확장됨에 따라 관련 정보의 밀도가 희석되어, 에이전트가 계획 절차와 검색 이력을 놓치게 됩니다.
• 상태 충실도 손실(State Fidelity Loss): 수천 개의 검색 결과와 그에 따른 계획 단계를 단일 텍text 트래젝토리(trajectory) 내에서 추적하면 심각한 환각(hallucination)과 오류 전파가 발생합니다.
• 복잡한 시나리오에서의 비효율성: 에이전트는 특히 광범위한 집계와 심층 검증을 모두 요구하는 작업에서, 단일 포워드 패스(forward pass) 내에 정보 추출과 상태 추적을 동시에 수행하는 데 어려움을 겪습니다.

본 논문은 세 가지 뚜렷한 정보 탐색 패러다임을 동시에 처리하는 데 발생하는 격차를 식별합니다: 심층 검색(Deep Search) (정밀한 타겟 필터링), 광폭 검색(Wide Search) (광범위한 정보 집계), 그리고 도전적인 심층-광폭 검색(DeepWide Search) (광범위한 탐색과 심층 검증의 동시 수행).

2. 방법론: Table-as-Search (TaS)

이러한 한계를 해결하기 위해, 저자들은 정보 탐색을 테이블 완성(Table Completion) 작업으로 재정의하는 구조화된 계획 프레임워크인 **Table-as-Search (TaS)**를 소개합니다.

핵심 아키텍처

• 구조화된 스키마: 자유 형식의 텍스트 생성 대신, TaS는 사용자 쿼리 $q$를 구조화된 스키마 $S = \langle K, C, I \rangle$로 매핑합니다. 여기서 $K$는 핵심 후보군, $C$는 제약 조건, $I$는 필수 정보를 나타냅니다.
• 외부 데이터베이스: 프레임워크는 외부 데이터베이스(예: MongoDB)에 구조화된 테이블을 유지합니다. 행(Row)은 후보 엔티티를 나타내고, 열(Column)은 속성 또는 제약 조건을 나타냅니다.
  • 채워진 셀(Filled Cells): 검색 이력과 결과를 엄격하게 기록합니다.
  • 빈 셀(Empty Cells): 명시적인 대기 중인 검색 계획 역할을 합니다.
• 오프로딩(Offloading): 방대한 검색 결과는 외부 데이터베이스로 오프로딩되어, 에이전트의 제한된 컨텍스트 윈도우를 수동적인 정보 저장보다는 복잡한 추론을 위해 보존합니다.

다중 에이전트 오케스트레이션

TaS는 공유 데이터베이스를 중심으로 하는 다중 에이전트 시스템을 통해 구현되며, 3단계 프로세스를 실행합니다:

1. 테이블 초기화: 중앙 **플래너(Planner, 메인 에이전트)**가 쿼리를 파싱하고 테이블 스키마를 구축합니다.
2. 동적 오케스트레이션: 플래너는 반복적으로 다음 액션을 선택합니다:
   • 행 확장(Row Expansion): 후보군이 불충분할 경우, 플래너는 새로운 후보를 발견하기 위한 다양한 검색 전략을 수립합니다 (서브 에이전트들이 병렬적인 광폭 검색을 수행).
   • 셀 채우기(Cell Population): 후보군은 존재하지만 정보가 불완전한 경우, 특정 셀을 채우기 위해 서브 에이전트들이 병렬로 파견됩니다 (제약 조건 검증 또는 정보 수집).
3. 답변 합성: 포화 상태에 도달하면, 플래너는 데이터베이스에서 구조화된 증거를 추출하여 최종 응답을 합성합니다 (예: Deep Search를 위한 제약 조건 교차 검증 또는 Wide Search를 위한 SQL 쿼리 실행).

통합 표현

TaS는 다음을 위한 통합된 표현을 제공합니다:

• 심층 검색(Deep Search): 모든 제약 조건을 만족하는 고유한 후보 행 식별 ($|C| > 0$).
• 광폭 검색(Wide Search): 최소한의 제약 조건 하에 대량의 후보에 대한 정보 수집 ($|I| > 0$).
• 심층-광폭 검색(DeepWide Search): 엄격한 제약 조건 하에서 후보 발견을 극대화한 후 밀도 높은 정보 수집 수행 ($|C| > 0, |I| > 0$).

3. 주요 기여

• 프레임워크 혁신: 정보 탐색을 구조화된 테이블 완성 작업으로 재정의하여 Deep, Wide, DeepWide 검색 패러다임을 통합한 최초의 프레임워크인 TaS를 제안합니다.
• 상태 관리: "대기 중인 액션"(빈 셀)과 "검증된 이력"(채워진 셀)을 분리함으로써 검색 상태를 정밀하게 관리하는 메커즘을 도입하여, "중간 소실" 문제를 완화합니다.
• 벤치마크 구축: 실제 이커머스 비즈니스 개발 시나리오를 기반으로 도전적인 DeepWide Search 벤치마크를 큐레이션하여, 하이브리드 검색 작업에 대한 고품질 공개 평가의 부재를 해결했습니다.
• 모듈형 설계: 특화된 심층 검색 에이전트(예: 미세 조정된 모델)가 서브 에이전트로 기능할 수 있는 "플러그 앤 플레이" 아키텍처를 입증하여, 계획과 실행을 분리합니다.

4. 실험 결과

GAIA/BrowseComp-ZH (Deep Search), WideSearch (Wide Search), 그리고 큐레이션된 DeepWide Search 벤치마크의 세 가지 카테고리에 대해 광범한 실험이 수행되었습니다.

• 성능 우위: TaS는 세 가지 패러다임 모두에서 최첨단 베이스라인(Multi-Agent ReAct 및 Gemini DeepResearch와 같은 상용 시스템 포함)을 유의미하게 능가합니다.
  • 심층 검색 (Deep Search): GAIA에서 비용 효율적인 Gemini-2.5-Flash를 사용한 TaS는 Multi-Agent ReAct 베이스라인보다 +14.0% 높은 성능을 보여주었으며, 이는 구조화된 상태 관리가 더 작은 모델을 더 큰 모델과 경쟁할 수 있게 함을 입증합니다.
  • 광폭 검색 (Wide Search): *Claude-Sonnet-4 (No-Think)*를 사용한 TaS는 계산 집약적인 Claude-Sonnet-4 (Thinking) 베이스라인과 대등한 성공률을 달성하면서도, Max@4 지표에서는 이를 크게 앞질렀습니다 (9.1% vs 6.5%).
  • 심층-광폭 검색 (DeepWide Search): TaS는 독점적인 Gemini DeepResearch 시스템보다 Column-F1에서 +4.7%, Item-Precision에서 +5.1% 높은 성능을 기록했습니다.
• 효율성 및 견고성:
  • 검색 효율성: TaS는 베이스라인과 비교하여 유사하거나 더 낮은 도구 사용량으로 더 높은 성능을 달성하였으며, 이는 성능 향상이 브루트 포스(brute-force)식 검색 확장이 아닌 계획의 품질에서 기인함을 증명합니다.
  • 견고성: 작업 복잡도(난이도 레벨)가 증가함에 따라 TaS와 베이스라인 간의 성능 격차가 벌어집니다. TaS는 베이스라인이 심각한 성능 저하(>30% 하락)를 겪는 "Hard" 티어에서도 안정성을 유지합니다.
  • 테스트 타임 스케일링 (Test-Time Scaling): TaS는 비구조화된 ReAct보다 증가된 추론 컴퓨팅($N$ 증가)으로부터 더 효과적으로 이득을 얻으며, $N$이 증가함에 따라 성능 격차가 확대됩니다.
• 절제 연구 (Ablation Studies): **플래너(Main-Agent)**가 핵심적인 병목 지점으로 확인되었습니다. 플래너를 다운그레이드하면 성능이 급격히 저하되는 반면, 서브 에이전트를 다운그레이드했을 때의 영향은 상대적으로 완만했습니다. 이는 효과적인 탐색을 조율하는 플래너의 역할을 확인시켜 줍니다.

5. 의의 및 주장

본 논문은 TaS가 에이전트 시스템을 위한 비구조화된 텍스트 생성에서 데이터 중심의 구조화된 계획으로의 패러다임 전환을 나타낸다고 주장합니다.

• 아키텍처의 직교성 (Orthogonality): TaS는 최근의 컨텍스트 관리(예: 요약) 및 모델 학습(예: RL) 발전과 직교합니다. 이는 텍스트를 압축하는 것이 아니라, 상태 추적을 오프로드하기 위해 구조화된 스키마를 부과합니다.
• 확장성: 프레임워크는 효과적인 장기적 정보 탐색이 파운데이션 모델의 가공되지 않은 추론 능력보다는 구조화된 상태 관리에 더 많이 의존한다는 것을 보여줍니다. 이를 통해 TaS 아키텍처와 결합될 경우 비용 효율적인 더 작은 모델로도 복잡한 작업을 수행할 수 있습니다.
• 산업적 적용 가능성: 계획과 실행을 분리함으로써, TaS는 고빈도 검색 작업에 특화되고 비용 효율적인 모델을 통합할 수 있게 하여, 이커머스 비즈니스 개발과 같은 산업 규모의 애플리케이션에 실행 가능한 솔루션을 제공합니다.

인정된 한계점:

• 비검색 작업: 구조화된 스키마는 내부 지식에만 의 Rely하거나 단순한 지시 이행에 의존하는 작업에 대해서는 경직성을 초래하여, 비검색 GAIA 인스턴스에서 성능 변동을 일으킬 수 있습니다.
• 플래너 의존성: 성능은 현재 중앙 플래너의 추론 능력에 의해 제한됩니다.
• 평가 확장성: DeepWide 벤치마크는 작업의 개방형 특성으로 인해 인간의 검증에 의존하며, 이는 폐쇄형 도메인 벤치마크에 비해 대규모 재현성을 제한합니다.