CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search

이 논문은 복잡한 전자상거래 검색 시나리오에서 사용자의 인지적 부담을 줄이고 의사결정 비용을 5% 감소시키며 전환율을 30% 향상시킨, 다중 에이전트 기반의 능동적 의사결정 지원 시스템 'CogSearch'를 제안하고 그 유효성을 검증합니다.

핵심

CogSearch: 쇼핑몰 검색을 '스마트한 쇼핑 도우미'로 바꾼 혁신

이 논문은 중국의 거대 쇼핑몰인 'JD.com(징둥닷컴)'이 개발한 **'CogSearch(코그서치)'**라는 새로운 시스템을 소개합니다. 기존의 검색 방식이 가진 한계를 깨고, 사용자를 위한 능동적인 쇼핑 파트너를 만들어낸 이야기입니다.

기존의 검색 엔진과 CogSearch 의 차이를 이해하기 위해 다음과 같은 비유를 들어보겠습니다.

---

1. 기존 검색 vs. CogSearch: "도서관 사서"와 "개인 비서"의 차이

📚 기존 검색 엔진 (수동적인 도서관 사서)
기존의 쇼핑몰 검색은 마치 거대한 도서관에 들어간 사서와 같습니다.

• 방식: 사용자가 "검은색 운동화"라고 말하면, 사서는 책장 (데이터베이스) 에서 검은색 운동화 목록을 찾아서 나열해 줍니다.
• 문제점: 만약 사용자가 "등산 갈 때 신기 좋은, 발이 안 아픈, 예산은 10 만 원 이하인 운동화"라고 복잡한 조건을 말하면, 사서는 단순히 키워드만 매칭해서 나열할 뿐입니다. 사용자는 수백 개의 목록을 직접 비교하고, "이건 발이 아플까?", "저건 등산에 적합할까?"를 스스로 판단해야 합니다. 이 과정에서 사용자의 머릿속은 복잡해지고 (인지적 마찰), 결정하기가 매우 힘들어집니다.

🤖 CogSearch (능동적인 개인 쇼핑 비서)
CogSearch 는 단순한 사서가 아니라, 사용자의 개인 쇼핑 비서입니다.

• 방식: 사용자가 "등산 갈 운동화 좀 찾아줘"라고 말하면, 비서는 바로 목록을 던져주지 않습니다. 대신 다음과 같이 행동합니다.
  1. 의도 파악 (Planner): "아, 등산용이군. 발이 편한 게 중요하고, 예산도 고려해야겠네."라고 사용자의 숨은 의도를 파악합니다.
  2. 정보 수집 (Executor): 쇼핑몰 안의 상품뿐만 아니라, 인터넷의 전문 리뷰, 날씨 정보, 배송 상황까지 모두 찾아옵니다.
  3. 가이드 제공 (Guider): "등산용이라면 발목 보호가 되는 게 중요해요. 예산 10 만 원 안에서는 A 와 B 가 가장 좋아요. A 는 가볍지만, B 는 방수가 되죠."라며 사용자를 이끕니다.
  4. 최종 추천 (Decider): "결론적으로, 오늘 비가 올 확률이 높으니 방수 기능이 있는 B 모델을 추천합니다. 이유는..."라고 이유와 함께 최종 결정을 도와줍니다.

---

2. CogSearch 가 어떻게 작동할까? (4 명의 전문가 팀)

이 시스템은 혼자서 모든 일을 하는 게 아니라, **4 명의 특수한 역할 (에이전트)**을 가진 팀이 협력하여 일합니다. 마치 한 팀의 프로젝트 매니저가 각자 전문 분야를 담당하는 것과 같습니다.

1. 플래너 (Planner) - "작업 지휘자"

   • 역할: 사용자의 막연한 말을 구체적인 작업 목록으로 바꿉니다.
   • 비유: "등산 갈 운동화"라는 주문을 받으면, "1. 등산화 검색, 2. 방수 기능 확인, 3. 가격 비교"라는 **작업 지시서 (Task Graph)**를 작성합니다.

2. 익스큐터 (Executor) - "정보 수집가"

   • 역할: 플래너가 만든 지시서에 따라 정보를 모읍니다.
   • 비유: 쇼핑몰 내부의 상품 목록을 뒤지는 것뿐만 아니라, 인터넷의 전문가 리뷰, 날씨 예보, 배송 상황까지 모든 필요한 정보를 한곳으로 가져옵니다.

3. 가이더 (Guider) - "현명한 안내자"

   • 역할: 모인 정보를 바탕으로 사용자에게 맞춤형 조언을 줍니다.
   • 비유: "사용자님이 등산을 가신다면 무게가 가벼운 게 중요할 거예요. 그래서 이 필터를 추천합니다."라고 사용자가 헷갈리지 않도록 길을 안내하고, "혹시 신발 끈도 같이 사시겠어요?"처럼 새로운 필요를 제안하기도 합니다.

4. 디시더 (Decider) - "최종 의사결정자"

   • 역할: 모든 정보를 종합하여 "이게 최고입니다"라고 결론을 내리고 그 이유를 설명합니다.
   • 비유: "A 와 B 를 비교해 보니, 예산도 맞고 방수도 되며 리뷰도 좋은 B 모델이 가장 적합합니다. 이유는..."라고 명확한 결론과 그 근거를 제시합니다.

---

3. 실제로 효과가 있었을까? (결과)

이 시스템은 JD.com 에서 실제로 테스트되었습니다. 결과는 놀라웠습니다.

• 결정 비용 감소: 사용자가 물건을 고르는 데 드는 시간과 노력 (클릭 수, 검색 횟수) 이 5% 줄어든 것으로 나타났습니다.
• 구매 전환율 상승: 전체적으로 구매로 이어지는 비율이 0.41% 증가했습니다.
• 복잡한 질문에서의 대성공: 특히 "선물 추천", "기능 비교"처럼 복잡하게 고민해야 하는 질문에서는 구매 전환율이 무려 30%나 폭등했습니다.

이는 사용자가 "뭐가 좋은지 모르겠어"라고 고민할 때, CogSearch 가 마치 현명한 친구처럼 도와주어 결정을 쉽게 내리게 했기 때문입니다.

4. 요약: 왜 이것이 중요한가?

과거의 검색은 **"찾아주는 것 (검색)"**에 집중했다면, CogSearch 는 **"결정하게 하는 것 (의사결정 지원)"**에 집중합니다.

사용자가 복잡한 고민을 할 때, 단순히 목록만 보여주는 것이 아니라 **정보를 정리하고, 조언을 주고, 최종 선택을 도와주는 '인지적 파트너'**가 되어준 것입니다. 이는 쇼핑몰 검색이 단순한 '도구'를 넘어, 사용자의 삶을 돕는 '지능형 비서'로 진화했음을 의미합니다.

한 줄 요약:

"CogSearch 는 쇼핑몰에서 사용자가 물건을 고르는 것을 도와주는 스마트한 개인 비서로, 복잡한 고민을 해결해 주어 쇼핑을 훨씬 쉽고 즐겁게 만들어줍니다."

기술 요약

CogSearch: 전자상거래 검색을 위한 인지 정렬형 다중 에이전트 프레임워크

1. 문제 정의 (Problem)

기존의 전자상거래 검색 시스템은 주로 '검색 - 랭킹 (Retrieval-Ranking)' 패러다임에 기반하여 수동적으로 관련 상품을 반환하는 데 그칩니다. 이러한 방식은 다음과 같은 한계를 가집니다:

• 인지적 마찰 (Cognitive Friction): 사용자의 복잡한 의사결정 요구 (다중 속성, 암시적 추론 등) 를 처리하지 못해 사용자가 정보 과부하를 겪게 합니다.
• 수동적 응답: 시스템이 단순히 결과를 '표시'하는 역할만 수행하여, 의사결정을 '촉진'하는 역할을 하지 못합니다.
• 데이터의 제한: 플랫폼 내부 데이터에만 의존하여 외부 정보 (리뷰, 가이드 등) 와의 통합이 부족합니다.
• 정적 인덱싱의 한계: 사용자의 동적인 대화와 의도 변화를 실시간으로 반영하여 구조화된 의사결정 기반을 제공하지 못합니다.

2. 방법론 (Methodology)

저자들은 사이먼 (Simon) 의 의사결정 모델을 영감으로 받아, 검색을 단순한 키워드 매칭이 아닌 능동적인 의사결정 지원 프로세스로 재정의한 CogSearch 프레임워크를 제안합니다. 이 프레임워크는 4 개의 전문 에이전트와 메모리 시스템으로 구성됩니다.

• 시스템 아키텍처:
  1. Planner Agent (계획 에이전트):
     • 사용자의 현재 쿼리, 검색 이력, 클릭 컨텍스트를 분석하여 의도를 파악합니다.
     • 복잡한 의도를 해결하기 위해 실행 가능한 **작업 그래프 (Task Graph, DAG)**를 생성합니다.
     • 작업 유형: 제품 검색 (ProductSearch), 웹 검색 (WebSearch), 도구 호출 (ToolInvocation) 등으로 세분화합니다.
  2. Executor Agent (실행 에이전트):
     • Planner 가 생성한 작업 그래프에 따라 다중 소스 정보를 수집합니다.
     • ProductSearch: 플랫폼 내 제품 검색 및 리뷰 요약.
     • WebSearch: 외부 웹 데이터를 확장 - 검색 - 필터링 파이프라인을 통해 수집 (관련성, 권위, 신선도 점수화).
     • Tool Integration: 날씨, 물류, 가격 추이 등 외부 API 를 동적으로 호출합니다.
  3. Guider Agent (가이드 에이전트):
     • 동적 인지 측면 (Dynamic Cognitive Facet) 생성: 사용자의 인지 상태와 검색 결과 간의 차이를 분석하여 가장 차별적인 속성 (예: "블로깅용 배터리 수명" vs "등산용 무게") 을 동적으로 생성합니다.
     • 개인화된 구매 전략: 전문가 앵커링 및 트레이드오프 분석을 통해 '구매 가이드'를 생성합니다.
     • 쿼리 제안: 사용자의 망설임을 해소하거나 잠재적 니즈를 자극하기 위해 수렴형/확장형 쿼리를 제안합니다.
  4. Decider Agent (의사결정 에이전트):
     • 모든 에이전트와 사용자 프로필, 상호작용 신호를 통합하여 최종 추천을 도출합니다.
     • 다기준 의사결정 (MCDM): 기능적 성능, 경제적 타당성, 신뢰성, 제약 조건 준수 등 4 가지 차원에서 후보 상품을 평가합니다.
     • 이유 기반 추천: 단순히 순위만 매기는 것이 아니라, 왜 해당 상품이 적합한지 설명하는 자연어 논증 (Rationale) 을 생성합니다.
  5. Memory System: 모든 에이전트의 컨텍스트, 상태, 작업 그래프를 저장 및 관리하여 일관성을 유지합니다.

3. 주요 기여 (Key Contributions)

• 아키텍처 혁신: 검색 과정을 사용자의 쇼핑 인지 체인 (의도 파악 $\rightarrow$ 정보 수집 $\rightarrow$ 유도 $\rightarrow$ 결정) 과 정렬된 4 에이전트 협업 프레임워크를 최초로 제안했습니다.
• 대규모 산업 검증: 중국 최대 전자상거래 플랫폼인 JD.com 에서 완전히 배포 및 검증되었습니다.
• 새로운 평가 벤치마크: 인지적 의사결정을 평가하기 위해 ECCD-Bench (전문가 주석 1 만 건의 쿼리 - 응답 쌍) 를 구축했습니다.

4. 실험 결과 (Results)

• 오프라인 벤치마크 (ECCD-Bench):
  • 기존 시스템 대비 **복잡한 쿼리 (Complex Needs)**에서 ACC@5 가 0.48 에서 0.83으로, **상담형 쿼리 (Consultative Queries)**에서 0.60 에서 0.65로 크게 향상되었습니다.
  • Ablation Study 를 통해 Planner(의도 분해), WebSearch(외부 정보), Guider(동적 가이드), Decider(추론) 각 구성 요소의 필수성을 입증했습니다.
• 온라인 A/B 테스트 (JD.com):
  • 의사결정 비용 (Decision Cost): 사용자당 거래당 상호작용 횟수가 5% 감소하여 의사결정 효율성이 향상되었습니다.
  • 전체 전환율 (UCVR): 평균 0.41% 증가.
  • 복잡한 의사결정 쿼리: 전문 제품 해석, 선물 선택, 기능 비교 등 결정 부담이 큰 쿼리에서 UCVR 이 30% 이상 급증했습니다.
  • 사용자 행동 변화: 10 단어 이상의 긴 자연어 쿼리 사용이 25% 증가하여, 사용자가 시스템과 더 자연스러운 대화 형태로 상호작용함을 보여줍니다.

5. 의의 및 결론 (Significance)

CogSearch 는 전자상거래 검색의 패러다임을 **'관련성 중심 (Relevance-centric)'**에서 **'전체적 협력 의사결정 지능 (Holistic Collaborative Decision Intelligence)'**으로 전환한 획기적인 연구입니다.

• 인지적 부하 감소: 사용자가 복잡한 정보를 직접 비교하고 필터링해야 하는 부담을 줄여줍니다.
• 능동적 지원: 시스템이 사용자의 잠재적 니즈를 파악하고 가이드함으로써 수동적 검색을 능동적 쇼핑 조력으로 변화시켰습니다.
• 상업적 가치: 복잡한 구매 결정이 필요한 고단가/고관여 상품 카테고리에서 전환율을 극대화하여, AI 에이전트 기반 검색의 상업적 잠재력을 입증했습니다.

향후 연구는 멀티모달 쇼핑 동반자로의 진화와 다중 에이전트 추론의 계산 효율성 최적화에 초점을 맞출 예정입니다.