GeekNews에서 최근 반응이 큰 기술 글 가운데 하나는 LLM-Wiki 논문입니다. 기존 RAG가 문서를 청크로 나눈 뒤 embedding similarity로 몇 개를 가져오는 데 반해, LLM-Wiki는 문서를 서로 연결된 Wiki 형태로 컴파일하고 AI가 검색 → 읽기 → 링크 이동 → 추가 검색을 반복하게 합니다. news.hada.io, arxiv.org
연구진은 HotpotQA, MuSiQue, 2WikiMultiHopQA 등에서 HippoRAG 2, LightRAG, GraphRAG 대비 2.0~8.1 F1 포인트 향상됐다고 보고했습니다. 다만 5월에 발표된 arXiv 논문이므로 운영 환경에서의 비용·지연·재현성은 별도로 검증해야 합니다. arxiv.org
실무적으로 꽤 중요한 포인트입니다. 기업 내부 AI 지식베이스를 설계한다면 앞으로는
문서 → chunk → vector DB
만 생각하기보다,
회사 → 고객 → 프로젝트 → 결정 → 문서 → 작업 → 결과
처럼 서로 연결된 지식 구조를 AI가 직접 탐색하도록 하는 방식을 검토할 가치가 있습니다.
오늘의 실행 요약
가장 먼저 챙길 것은 AI 에이전트 권한 관리와 npm 공급망 보안입니다. 제품 관점에서는 모델 선택보다 요청별 추론 비용 라우팅의 중요성이 커지고 있고, 장기적으로는 RAG도 단순 벡터 검색보다 agent-native knowledge navigation 방향으로 발전하는 흐름을 주목할 만합니다.