1. 문제 정의 (Problem Statement)

기존의 자율 에이전트 (Autonomous Agents) 는 웹 정보를 수동적으로 검색하고 요약하는 데 그치는 경향이 있습니다. 주요 문제점은 다음과 같습니다:

• 수렴적 검색의 한계: 기존 프레임워크 (ReAct, 표준 RAG 등) 는 주어진 질문에 대한 가장 확률 높은 정답을 찾아내는 '수렴적 (Convergent)' 탐색에 최적화되어 있습니다. 이는 파생된 요약본을 생성할 뿐, 진정한 창의성 (새로운 통찰, 비선형적 연결) 을 이끌어내지 못합니다.
• 정보 공간의 구조적 무지: 웹을 연결되지 않은 문서의 평평한 시퀀스로 취급하여, 정보 간의 숨겨진 위상적 (Topological) 구조를 놓칩니다. 이로 인해 에이전트는 '항해성 기억상실 (Navigational Amnesia)'을 겪으며 중복된 내용을 반복하거나 피상적인 요약만 생성합니다.
• 창의성의 부재: 창의성은 단순히 새로운 것을 생성하는 것이 아니라, 서로 다른 개념 간의 비자명한 (Non-obvious) 연결을 발견하고 종합하는 과정입니다. 기존 LLM 에이전트는 이러한 '연상적 (Associative)' 추론이 부족합니다.

2. 방법론 (Methodology)

Caesar 는 정보 수집과 새로운 통찰의 종합 사이의 간극을 메우기 위해 설계된 그래프 기반의 심층 에이전트 아키텍처입니다. 이는 두 가지 주요 단계로 구성된 인지 사이클을 따릅니다.

Phase 1: 심층 웹 탐색 (Deep Web Exploration)

단순한 순차적 검색이 아닌, **상태 유지 그래프 탐색 (Stateful Graph Traversal)**을 수행합니다.

• 지식 그래프 구축: 방문한 URL 을 노드로, 탐색 경로를 간선으로 하는 동적 지식 그래프 ($G$) 를 실시간으로 구성합니다.
• Perceive-Think-Act 루프:
  • Perceive: 현재 페이지의 내용을 추출하고 링크를 필터링합니다.
  • Think (그래프 증강 통찰 생성): 현재 페이지 내용을 분석할 때, 그래프의 이웃 노드 (이전 경로 및 관련 개념) 에서의 맥락을 함께 참조합니다. 이를 통해 새로운 정보와 기존 지식 간의 모순이나 연결 고리를 발견합니다.
  • Act (지식 기반 탐색 정책): 그래프의 상태와 메모리를 기반으로 다음 행동을 결정합니다.
    • EXPLORE: 새로운 링크로 진입하여 탐색을 심화.
    • BACKTRACK: 탐색이 정체되었을 때 스택을 이용해 이전 노드로 돌아가 다른 분기로 이동.
    • WEBSEARCH: 새로운 검색어를 생성하여 탐색 영역을 전환.
• 도메인 특화 역할 적응: 사용자 쿼리를 분석하여 에이전트의 시스템 프롬프트를 해당 도메인의 창의적 제약 조건에 맞춰 동적으로 재정의합니다.

Phase 2: 적대적 아티팩트 종합 (Adversarial Artifact Synthesis)

수집된 정보를 단순히 요약하는 것이 아니라, 적대적 반복 루프를 통해 창의적인 답변을 생성합니다.

• 재귀적 통찰 발견: 초기 답변을 생성한 후, 그 답변의 약점이나 모순을 찾아내기 위해 새로운 '적대적 질문 (Adversarial Query)'을 생성하고 다시 정보를 탐색합니다.
• 반복적 초안 생성: 여러 라운드의 초안 (Draft) 을 생성하며, 각 단계에서 이전 초안의 약점을 공격적으로 비판하고 보완합니다.
• 생성적 병합 (Generative Merge): 다양한 관점과 초안들을 하나의 일관된 내러티브로 통합합니다. 이 과정에서 개별 초안에서는 보이지 않았던 새로운 패턴을 발견하고, 창의성 (Novelty) 과 유용성 (Usefulness) 의 균형을 맞춥니다.
• ELI5 (Explain Like I'm 5) 요약: 최종 산출물을 일반인이 이해하기 쉬운 언어로 단순화하되, 핵심 통찰의 밀도는 유지합니다.

3. 주요 기여 (Key Contributions)

1. 그래프 기반 통찰 생성 (Graph-Augmented Insight Generation): 오프라인 GraphRAG 와 달리, 탐색 중 실시간으로 그래프를 구축하고 이웃 노드의 맥락을 활용하여 '연상적 추론'을 수행합니다. 이는 에이전트가 비선형적인 연결을 발견하게 합니다.
2. 지식 유도 탐색 정책 (Knowledge-Guided Exploration): 단순 휴리스틱이 아닌, 지식 그래프와 메모리를 기반으로 한 동적 정책 ($\pi$) 을 도입하여 탐색이 정체될 때 자동으로 백트래킹하거나 방향을 전환하게 합니다.
3. 적대적 아티팩트 종합 (Adversarial Artifact Synthesis): 정적 RAG 와 달리, 생성된 초안을 비판하고 약점을 공략하는 새로운 질문을 통해 답변을 정제하는 반복적 루프를 도입하여 '평균적인 답변'의 함정을 피합니다.
4. 창의성 정의의 구현: 시몬톤 (Simonton) 의 창의성 정의 (새로움, 유용성, 놀라움) 를 기술적으로 구현하여, 에이전트가 단순 요약이 아닌 '비자명한 연결'을 찾는 것을 목표로 합니다.

4. 실험 결과 (Results)

Caesar 는 최신 LLM 기반 연구 에이전트 (Claude Sonnet 4.5, GPT-5.2, Gemini 3 Deep 등) 와 비교 평가되었습니다.

• 평가 지표: 창의성의 세 가지 차원인 New (새로움), Useful (유용성), **Surprising (놀라움)**을 10 점 척도로 평가했습니다.
• 성능: Caesar 는 모든 조건 (전체 답변, ELI5 요약, 길이 제한 ELI5) 에서 기존 베이스라인을 압도적으로 능가했습니다.
  • 전체 답변 (Unconstrained Full Answers): Caesar 는 총점 25.29 를 기록하여 2 위 (Gemini 3 Deep, 22.27) 보다 3.02 점 높았습니다. 특히 '새로움 (8.64)'과 '놀라움 (8.27)' 지표에서 가장 높은 점수를 받았습니다.
  • ELI5 요약: 복잡한 정보를 단순화하더라도 창의성 (놀라움) 이 감소하지 않았습니다. (Caesar: 8.02 vs 차순위: 6.62)
• 절대 실험 (Ablation Study):
  • 탐색 예산 (T) 감소: 탐색 단계의 반복 횟수를 줄이면 창의성 점수가 급격히 하락하여, 깊은 위상적 탐색이 창의적 통찰에 필수적임을 입증했습니다.
  • 초안 병합: 단순한 초안 생성보다는 '적대적 정제' 후 '병합' 과정을 거친 최종 산출물이 유용성과 새로움 모두에서 최적의 성능을 보였습니다.

5. 의의 및 결론 (Significance)

• 패러다임의 전환: 웹 에이전트를 '수동적인 정보 수집가'에서 '능동적인 연구자'로 변화시켰습니다. Caesar 는 단순히 사실을 나열하는 것을 넘어, 정보 간의 구조적 관계를 분석하여 새로운 가설과 통찰을 생성합니다.
• 창의적 AI 의 가능성: 확률적 샘플링 (Stochastic Sampling) 에 의존하지 않고, 구조화된 추론 (System 2 creativity) 을 통해 인간과 유사한 '연상적 발견 (Associative Discovery)'을 자동화할 수 있음을 보였습니다.
• 미래 방향: 계산 비용이 높다는 한계가 있으나, 고부가가치 연구나 복잡한 문제 해결에 적합합니다. 향후 다중 에이전트 군집 (Swarm) 으로 확장하여 더 복잡한 추론 과제를 해결할 수 있을 것으로 기대됩니다.

요약하자면, Caesar는 웹을 단순한 문서의 집합이 아닌 연결된 지식의 그래프로 인식하고, 이를 통해 비선형적인 통찰을 도출하며 적대적 과정을 거쳐 창의적인 답변을 생성하는 새로운 아키텍처를 제시한 연구입니다.