Generation‑Augmented Retrieval (GAR)이란?

Generation‑Augmented Retrieval (GAR)이란?

GAR (Generation‑Augmented Retrieval)은 LLM(대규모 언어 모델)을 활용해 검색 쿼리를 강화한 뒤, 이를 기반으로 실제 웹/문서 검색을 수행하고, 최종적으로 확실하고 정확한 답변을 생성하는 최신 기술입니다. RAG가 ‘검색 → 생성’ 순이라면, GAR는 “생성 → 검색 → 생성”의 흐름을 갖습니다.

 

 

GAR의 작동 구조

1. 초기 생성 (Query Generation)
   • LLM이 사용자의 질의를 이해하고, 하위 질문이나 키워드를 생성
   • 예: ‘WHO COVID‑19 guidelines’ → ‘WHO COVID‑19 transmission report 2021’ 
2. 강화된 검색 (Augmented Retrieval)
   • LLM 생성 쿼리로 문서를 검색, 복수의 유사 문서 확보
3. 문서 통합 및 최종 생성
   • 검색 결과를 다시 LLM 입력에 통합하여 응답 생성
4. 피드백 루프 (선택적)
   • 1차 출력 요약 후 추가적인 검색 반복 가능 

 

이 구조로, 모호한 질문도 의미론적으로 확장되고, 다양한 표현을 통해 다각적 정보 확보가 가능해집니다  .

 

 

GAR의 장점과 단점

장점,단점

장점	단점
❇️ 질의 정제 → 검색 정확도 향상	⏱️ 생성 단계 + 검색 단계의 이중 오버헤드
🧠 LLM의 reasoning 활용으로 깊이 있는 검색 가능	📥 LLM context 길이 제한에 영향
🔄 반복을 통해 응답 정밀도 향상 가능

예: RAG보다 응답 정밀도 향상 및 적합도 우수 

 

 

RAG vs GAR 비교

• RAG (Retrieval‑Augmented Generation):
  • 검색 → 생성. 검색 결과를 생성 단계에 포함.
• GAR (Generation‑Augmented Retrieval):
  • 생성 → 검색 → 생성. LLM으로 쿼리를 다듬고, 검색 결과를 바탕으로 최종 출력 

 

GAR는 LLM의 사고(reasoning) 능력을 검색 단계 전반에 활용할 수 있죠.

 

 

기술적 배경 (논문)

2020년 ACL 논문 Generation‑Augmented Retrieval for Open‑Domain QA는 다음을 제안했습니다  :

• LLM이 생성한 컨텍스트를 쿼리에 추가해 검색
• BM25 기반 sparse 검색에서도 DPR 기반 dense 검색과 비슷하거나 더 나은 성능 기록
• 다양한 생성 쿼리를 융합해 검색 정확도 상승
• 자연질문(Natural Questions), TriviaQA 등의 베타 성능 향상 확인

또한, sparse BM25 + 생성 컨텍스트 조합이 간단하면서도 고성능임을 증명했습니다  .

 

 

요약

• GAR = 생성 → 검색 → 생성 순의 순환 구조
• 키포인트: LLM을 검색 쿼리의 전처리기로 활용
• 특징 ✔️
  • 질의 모호성 해소
  • 검색 recall 향상
  • 응답 정밀도 ↑
• RAG와 병행 가능

 

 

응용 분야 및 전망

• 도메인 검색 엔진: 의료, 법률, 금융 등 고정밀 정보 검색
• 기업용 챗봇: 고객 질의에 대해 고도화된 응답 생성
• 연구/자료 요약: 복합 주제 콘텐츠 정리 및 비교

 

미래 가능성:

• Chain‑of‑Thought 기반 reasoning 강화
• LLM context 확장 → 반복 구조 활성화
• 대형 언어 모델 성능 향상에 따라 GAR 활용도 증가 예상 

 

마무리

GAR는 LLM의 사고력을 검색 단계에 적극 활용하여 단순 검색-생성의 한계를 넘는 접근입니다.

도메인 성격에 맞게 응답 정밀도와 신뢰도를 끌어올릴 수 있어 특히 고정밀 정보 서비스에서 주목받고 있습니다.