LLM Day 33 - Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity

🔍 이 논문 실습 전에 알아야 할 것들
✅ 1. RAG 구조 이해
RAG는 "검색(Retrieval)" + "생성(Generation)"을 합친 구조야.
모델이 답을 만들 때, 먼저 관련 정보를 외부 지식에서 검색해서 사용해.

📚 예비 지식:어떻게 문서를 검색하고,그걸 LLM에 넣어서 답을 만드는지를 이해해야 해.

✅ 2. Retrieval 방법
검색이란? → 질문(Query)에 맞는 문서를 찾아오는 과정이야.

주로 쓰는 방법:
Dense Retriever (예: FAISS, DPR 등)
Embedding 기반 검색: 문장/질문을 벡터로 바꿔서 비슷한 걸 찾아냄.

📚 예비 지식:
벡터 임베딩 개념, 코사인 유사도 등 유사도 계산 방법, FAISS 같은 라이브러리 사용법

✅ 3. 다양한 RAG 전략
논문에서는 질문 난이도에 따라 다르게 대응해.

No Retrieval: 그냥 바로 생성
Single-shot RAG: 한 번만 검색
Iterative RAG: 반복 검색 (답이 명확해질 때까지)

📚 예비 지식:
질문의 복잡도 분석, 여러 retrieval step을 조절하는 방법

✅ 4. LangGraph 사용법
LangGraph는 “LLM이 단계별로 어떻게 행동할지”를 짜주는 도구야.
우리는 여기서 질문 → 복잡도 판단 → 경로 선택 → 응답 생성 흐름을 만들 거야.

📚 예비 지식: LangGraph 기본 사용법 (노드, 엣지 구성, 조건 분기 등), LangChain 개념도 도움이 돼 (LangGraph는 LangChain 기반)

✅ 5. 논문 실험 구조
논문에서는 질문 난이도에 따라 다른 RAG 전략을 선택해.
예: 질문이 간단하면 No Retrieval, 복잡하면 Iterative RAG
그리고 어떤 전략이 가장 잘 맞는지 성능을 비교함

📚 예비 지식:
실험 데이터셋: HotpotQA, ELI5, NQ
정확도 평가 방법 (EM, BLEU, ROUGE 등)
간단한 모델 평가 지표

🔧 실습 시 필요한 도구/환경

🧠 먼저 익혀두면 좋은 주제 정리