주거 상담을 위한 멀티에이전트 시스템 HabitatAgent

초록

HabitatAgent는 메모리, 검색, 생성, 검증 네 가지 전문 에이전트가 협업하는 폐쇄형 워크플로우를 통해 사용자의 다중 제약조건과 변하는 선호도를 지속적으로 추적하고, 하이브리드 벡터‑그래프 검색(GraphRAG)으로 증거 기반 데이터를 확보한 뒤, 증거에 근거한 추천을 생성하고 다단계 검증으로 사실·엔티티·규정 준수를 보장한다. 100개의 실제 상담 시나리오에서 기존 Dense+Rerank 기반 베이스라인의 75 % 정확도를 95 %로 끌어올렸다.

상세 분석

HabitatAgent는 고위험·고비용 의사결정인 주거 선택을 지원하기 위해 LLM 기반 멀티에이전트 아키텍처를 설계하였다. 핵심은 네 개의 역할‑전문화된 에이전트가 순환적으로 작동한다는 점이다. 첫 번째 Memory Agent는 사용자의 질의‑응답 쌍에서 추출된 제약조건과 선호도를 다계층 메모리 구조(대화 메모리, 엔티티 메모리, 편향 메모리, 검색 메모리)로 저장한다. 여기서 ‘Verification‑Gated’ 메커니즘을 도입해, 검증을 통과한 응답만이 장기 메모리에 반영되도록 함으로써 오류 전파를 차단하고 선호도 드리프트를 방지한다. 두 번째 Retrieval Agent는 하이브리드 검색 전략을 채택한다. 하드 제약은 SQL 필터링으로 강제하고, 소프트 선호는 밀도 기반 벡터 유사도로 매칭한다. 관계형 제약(예: “라인 10 근처”, “CBD까지 30분 이내”)은 그래프 데이터베이스(Neo4j)에서 공간·연결 관계를 탐색해 보강한다. 검색 결과는 Reciprocal Rank Fusion(RRF)으로 재정렬되고, 증거 스냅샷(evidence snapshot) 형태로 저장돼 후속 단계에서 추적 가능성을 제공한다. 세 번째 Generation Agent는 증거 스냅샷을 입력으로 받아 LLM(Qwen‑7B·DeepSeek 등)으로 자연어 추천을 생성한다. 이때 모든 수치·속성은 증거 레퍼런스 태그(ev:price 등)와 함께 표기되어 hallucination을 원천 차단한다. 마지막 Validation Agent는 사실 일관성(가격·면적 등), 엔티티 정확성(부동산·학교 명칭), 규정 준수(마케팅 금지어) 세 층의 검증을 수행한다. 검증 점수가 사전 정의된 임계값을 초과하면 응답이 최종 사용자에게 전달되고, 실패 시 Failure‑Type‑Aware Remediation 모듈이 원인(사실 오류, 엔티티 혼동, 규정 위반)별로 맞춤형 재생성을 트리거한다. 실험에서는 100개의 실제 사용자 상담 시나리오(총 300개의 다중 턴 Q&A)에서 엔드‑투‑엔드 정확도를 95 %로 달성했으며, 단일 단계 Dense+Rerank 베이스라인(75 %) 대비 20 %p 이상의 향상을 보였다. 이 결과는 메모리 검증 게이트, 적응형 검색 라우팅, 오류 유형 인식 복구가 복합적인 의사결정 지원 시스템에서 얼마나 중요한지를 입증한다. 또한, 하이브리드 검색과 다단계 검증을 결합함으로써 LLM 기반 시스템이 흔히 겪는 ‘불투명·오류·신뢰성 부족’ 문제를 구조적으로 해결한다는 점에서 학술적·산업적 의의가 크다.