KGoT (Knowledge Graph of Thoughts, 사고의 지식 그래프, 2025-05-03)

KGoT (Knowledge Graph of Thoughts, 사고의 지식 그래프, 2025-05-03)

1. 서론: 인공지능 추론의 새로운 패러다임

1.1 연구의 배경 및 필요성

현대 인공지능 연구, 특히 자연어 처리(NLP) 분야는 대규모 언어 모델(Large Language Models, LLMs)의 등장으로 인해 전례 없는 도약기를 맞이했다. GPT-4, Claude, Llama 등과 같은 최첨단 모델들은 텍스트 생성, 번역, 요약 등 다양한 작업에서 인간에 버금가거나 그 이상의 성능을 보여주고 있다. 그러나 이러한 비약적인 발전에도 불구하고, LLM이 진정한 의미의 ’지능형 에이전트(Intelligent Agent)’로 기능하기 위해서는 여전히 극복해야 할 근본적인 한계들이 존재한다. 가장 두드러지는 문제는 복잡한 다단계 추론(Multi-step Reasoning) 능력의 부재와 ‘환각(Hallucination)’ 현상, 그리고 고성능 모델 운용에 따른 막대한 비용 문제이다.1

기존의 LLM은 본질적으로 확률적 토큰 생성기이다. 즉, 주어진 문맥(Context) 다음에 올 가장 그럴듯한 단어를 예측하는 방식으로 작동한다. 이러한 방식은 짧은 호흡의 대화나 단순한 정보 검색에는 효과적이지만, 논리적 정합성이 요구되는 긴 호흡의 문제 해결 과정에서는 취약점을 드러낸다. 모델은 추론 과정이 길어질수록 앞서 생성한 논리의 맥락을 잃어버리거나, 사실이 아닌 정보를 사실인 것처럼 꾸며내는 환각을 일으키기 쉽다. 이를 해결하기 위해 Chain-of-Thought(CoT), Tree-of-Thoughts(ToT) 등의 프롬프트 엔지니어링 기법이 제안되었으나, 이들은 모델의 내부 컨텍스트 윈도우(Context Window)에 전적으로 의존한다는 점에서 확장성에 한계가 있다.2

더욱이, 복잡한 문제를 해결하기 위해 가장 강력한 모델(예: GPT-4o)을 사용하는 것은 비용 효율성 측면에서 지속 가능하지 않다. 다수의 에이전트가 상호작용하며 문제를 해결하는 시나리오에서는 API 호출 비용이 기하급수적으로 증가하기 때문이다. 따라서 더 작은 규모의 저비용 모델(Low-cost Models)을 활용하면서도, 고성능 모델에 준하는 추론 능력을 이끌어낼 수 있는 아키텍처의 개발이 시급한 과제로 대두되었다.1

1.2 연구의 목적: 구조화된 사고의 도입

본 보고서는 이러한 문제의식 하에 ETH 취리히(ETH Zurich)의 SPCL(Scalable Parallel Computing Laboratory) 연구팀이 제안한 Knowledge Graph of Thoughts (KGoT) 아키텍처를 심층적으로 분석한다. Jia Hao Andrea Jiang, Maciej Besta, Torsten Hoefler 등이 주도한 이 연구는 LLM의 사고 과정을 비정형 텍스트가 아닌 ‘지식 그래프(Knowledge Graph, KG)’ 형태로 구조화하여 저장하고 관리함으로써, 추론의 정확성과 효율성을 동시에 달성하고자 한다.2

KGoT는 인간의 인지 과정이 선형적이지 않고 네트워크 형태의 연상 작용을 통해 이루어진다는 점에 착안했다. 단순히 생각을 나열하는 것이 아니라, 생각(Node)과 생각 사이의 관계(Edge)를 정의하고 이를 동적으로 확장해 나가는 방식이다. 본 보고서는 KGoT의 기술적 아키텍처, 작동 원리, 그리고 GAIA 벤치마크 등에서의 실험 결과를 면밀히 검토하여, 이 시스템이 어떻게 기존 에이전트 시스템 대비 29%의 성능 향상과 36배의 비용 절감을 달성할 수 있었는지 규명한다.1

2. 이론적 배경 및 선행 연구 분석

2.1 프롬프트 엔지니어링의 진화와 한계

LLM의 추론 능력을 향상시키기 위한 노력은 주로 프롬프트 엔지니어링 기법의 발전을 통해 이루어져 왔다.

  • Input-Output (IO) 프롬프팅: 가장 기본적인 형태로, 모델에게 질문을 던지고 답을 요구하는 방식이다. 복잡한 추론이 필요한 경우 성능이 현저히 떨어진다.
  • Chain-of-Thought (CoT): “단계별로 생각해보자(Let’s think step by step)“라는 유도를 통해 중간 추론 단계를 생성하게 함으로써 성능을 비약적으로 향상시켰다. 그러나 이는 사고를 단일한 선형 경로로 제한하므로, 중간 단계에서 한 번 오류가 발생하면 전체 결과가 틀리는 오류 전파(Error Propagation) 문제에 취약하다.2
  • Tree of Thoughts (ToT): 여러 개의 추론 경로를 동시에 탐색하고, 유망하지 않은 경로는 가지치기(Pruning)하는 방식이다. 탐색 공간을 확장했다는 점에서 진일보했으나, 각 상태(State)를 비구조적 텍스트로 관리하므로 정보의 재사용성이 낮다.
  • Graph of Thoughts (GoT): 추론 과정을 임의의 그래프(Arbitrary Graph)로 모델링하여 사고의 결합(Aggregation), 순환(Looping), 분기(Branching)를 가능하게 했다. ETH 취리히 연구팀의 이전 연구이기도 한 GoT는 혁신적이었으나, 순수하게 프롬프트 내에서만 작동하도록 설계되어 컨텍스트 길이가 길어질수록 비용이 증가하고 정보 손실이 발생하는 한계가 있었다.2

2.2 지식 그래프(Knowledge Graph)의 역할

지식 그래프는 정보를 (주체, 관계, 객체)의 트리플(Triple) 형태로 저장하는 구조화된 데이터베이스이다. 예를 들어 “에펠탑은 파리에 있다“는 정보는 (Eiffel Tower) --> (Paris)로 표현된다. LLM에 지식 그래프를 결합하려는 시도는 이전에도 있었으나, 대부분 사전에 구축된 정적 지식 그래프(Static KG)를 검색(Retrieval)하는 데 그쳤다.

KGoT의 차별점은 지식 그래프를 **동적(Dynamic)**으로 구축한다는 점이다.1 KGoT는 문제 해결 과정에서 실시간으로 생성되는 정보와 추론의 결과물을 그래프에 노드와 엣지로 추가한다. 이는 LLM에게 무한에 가까운 확장 가능한 ’장기 기억(Long-term Memory)’과 구조화된 ’작업 기억(Working Memory)’을 동시에 제공하는 효과를 낳는다. 구조화된 데이터는 검색의 정확도를 높이고, 논리적 모순을 탐지하기 쉽게 만들며, 무엇보다 텍스트 기반 로그에 비해 훨씬 압축적이고 효율적이다.

3. Knowledge Graph of Thoughts (KGoT) 아키텍처 심층 분석

KGoT는 단순한 알고리즘이 아니라, LLM, 그래프 데이터베이스, 외부 도구 실행기가 유기적으로 결합된 복합적인 인지 아키텍처이다. 이 시스템은 크게 Controller(제어기), Graph Store(그래프 저장소), **Integrated Tools(통합 도구)**의 세 가지 핵심 모듈로 구성된다.6

3.1 듀얼 LLM 컨트롤러 (Dual-LLM Controller)

KGoT의 가장 독창적인 설계 중 하나는 제어 로직을 두 개의 전문화된 LLM 페르소나로 분리한 ’듀얼 LLM 아키텍처’이다. 이는 단일 LLM이 계획, 실행, 평가를 모두 담당할 때 발생하는 인지 부하(Cognitive Load)를 분산시키고, 각 역할에 최적화된 프롬프팅을 적용하기 위함이다.8

3.1.1 LLM Graph Executor (그래프 실행기)

그래프 실행기는 시스템의 ‘두뇌’ 역할을 하며, 전체적인 추론 전략을 수립한다.

  • 역할: 지식 그래프의 현재 상태를 분석하여 다음 행동(Next Step)을 결정한다.
  • 주요 기능 (define_next_step): 현재 그래프에 축적된 정보만으로 질문에 답할 수 있는지(SOLVE), 아니면 추가적인 정보 수집이 필요한지(ENHANCE)를 판단한다.8
  • 의사결정 메커니즘: 추론의 신뢰성을 높이기 위해 다수결 투표(Majority Voting) 방식을 채택한다. 동일한 그래프 상태에 대해 LLM에게 여러 번(예: 3회 이상) 다음 단계를 묻고, 가장 많이 선택된 경로를 따른다. 이는 LLM의 확률적 특성으로 인한 일시적인 판단 오류를 걸러내는 강력한 필터 역할을 한다.9
  • 솔루션 파싱 (parse_solution_with_llm): 최종적으로 도출된 답안을 사용자가 요구한 포맷에 맞춰 정제한다.

3.1.2 LLM Tool Executor (도구 실행기)

도구 실행기는 시스템의 ‘손발’ 역할을 하며, 구체적인 정보 수집 및 연산을 수행한다.

  • 역할: Graph Executor가 “정보가 필요하다“고 판단했을 때, 어떤 도구를 사용하여 정보를 얻을지 결정하고 실행한다.10
  • 주요 기능 (define_tool_calls): 사용 가능한 도구 목록(Tools list)과 현재 작업의 맥락을 바탕으로 최적의 도구를 선택한다. 예를 들어, 수학 계산이 필요하면 Python REPL을, 최신 뉴스가 필요하면 검색 엔진을 호출한다.
  • 실행 및 재시도 (_invoke_tool_with_retry): 외부 API 호출이나 코드 실행은 실패할 가능성이 있다. Tool Executor는 실행 오류를 감지하고, 필요한 경우 파라미터를 수정하여 재시도하거나 대체 도구를 찾는 로직을 내장하고 있다.8

3.2 동적 지식 그래프와 백엔드 저장소

KGoT는 추론의 중간 산출물을 저장하기 위해 다양한 그래프 데이터베이스 백엔드를 지원하며, 이는 시스템의 확장성과 유연성을 보장한다.6

  • Neo4j: 엔터프라이즈급 그래프 데이터베이스로, 대규모 데이터 처리와 복잡한 쿼리에 최적화되어 있다. KGoT는 LLM이 직접 Cypher 쿼리를 생성하여 그래프를 조회하거나 수정할 수 있도록 지원한다. Cypher 쿼리는 SQL과 유사하지만 그래프 패턴 매칭에 특화되어 있어, “A와 연결된 B를 찾고, B와 연결된 C를 찾아라“와 같은 다중 홉(Multi-hop) 추론을 효율적으로 수행한다.2
  • NetworkX: 파이썬 기반의 인메모리 그래프 라이브러리이다. 설치가 간편하고 속도가 빠르지만, 대용량 데이터를 처리하기에는 메모리 제약이 있다. KGoT는 빠른 프로토타이핑이나 작은 규모의 작업에서 NetworkX를 활용한다.
  • RDF4J: 시맨틱 웹 표준인 RDF를 지원하는 자바 기반 프레임워크로, 데이터의 상호 운용성이 중요할 때 사용된다.

3.3 통합 도구 및 보안 실행 환경

KGoT는 LLM의 능력을 확장하기 위해 외부 도구와의 긴밀한 통합을 지원한다. 특히 주목할 점은 보안을 고려한 실행 환경 설계이다.9

  • Python Executor: LLM이 생성한 파이썬 코드를 실행한다. 보안 위험을 방지하기 위해 이 실행기는 **컨테이너화(Containerized)**된 격리 환경에서 작동하며, 엄격한 타임아웃과 리소스 제한이 적용된다. 이를 통해 무한 루프나 악성 코드 실행을 원천적으로 차단한다.
  • Web Retrieval Tools: Google Search API나 Bing Search API 등을 통해 웹 문서를 크롤링하고, 필요한 텍스트를 추출한다.
  • Math Solvers: 정확한 수치 계산을 위해 WolframAlpha와 같은 전문 엔진을 연동할 수 있다.

이러한 도구들의 실행 결과는 단순히 텍스트로 반환되는 것이 아니라, 다시 구조화 과정을 거쳐 지식 그래프의 새로운 노드와 엣지로 통합된다. 이것이 KGoT가 다른 에이전트 프레임워크와 차별화되는 지점이다. 도구의 산출물이 휘발되지 않고 영구적인 지식 자산으로 축적되는 것이다.

4. 방법론: 반복적 그래프 추론 프로세스

KGoT의 문제 해결 과정은 그래프를 중심으로 한 반복적이고 점진적인 정제(Iterative Refinement) 과정이다. 이 과정은 크게 초기화, 추론 루프, 해결의 3단계로 나뉜다.8

4.1 1단계: 작업의 그래프 변환 (Initialization)

사용자의 자연어 쿼리가 입력되면, KGoT는 이를 분석하여 초기 그래프를 생성한다. 쿼리의 핵심 엔티티(Entity)가 노드로 추출되고, 해결해야 할 목표(Goal)가 속성으로 정의된다. 예를 들어, “가장 오래 산 공룡은 무엇인가?“라는 질문이 들어오면 (Question) --> (Dinosaur), (Question) --> (Lifespan Info)와 같은 초기 구조가 형성될 수 있다.

4.2 2단계: 추론 및 확장 루프 (Reasoning Loop)

시스템은 문제가 해결될 때까지 다음의 사이클을 반복한다.

  1. 상태 평가 및 분기 (Define Next Step): LLM Graph Executor가 현재 그래프를 검토한다. 정보가 충분하다면 SOLVE 경로로, 부족하다면 ENHANCE 경로로 분기한다. 앞서 언급했듯이 이 결정에는 다수결 투표가 적용되어 판단의 정확도를 높인다.
  2. 정보 확장 (Enhance / Insert Logic):
  • ENHANCE 경로가 선택되면, LLM Tool Executor가 활성화된다.
  • 도구를 실행하여 얻은 비정형 데이터(예: 웹 검색 결과 텍스트)를 분석하여, 유의미한 정보만을 추출한다.
  • 추출된 정보는 (Entity) --> (Entity) 형태의 트리플로 변환되어 그래프에 삽입(_insert_logic)된다.8
  • 이 과정에서 기존 정보와의 모순이 발견되면, 그래프 수정 연산(Update/Delete)이 수행되어 지식의 정합성이 유지된다.
  1. 오류 관리 및 로깅: 모든 단계는 상세하게 로깅되며, 실행 중 발생한 오류(예: API 타임아웃)는 즉시 감지되어 재시도 로직을 탄다. MPI 기반의 분산 처리는 대규모 그래프 연산 시 부하를 효과적으로 분산시킨다.9

4.3 3단계: 해결 및 응답 생성 (Solve / Retrieve Logic)

정보가 충분히 모였다고 판단되면 _retrieve_logic이 실행된다. 해결 방식은 백엔드 구성에 따라 두 가지 전략 중 하나를 취한다.8

  • Direct Retrieval (DR): 그래프 전체 혹은 관련 부분 그래프(Subgraph)를 텍스트로 직렬화(Serialization)하여 LLM의 프롬프트에 직접 주입한다. 그래프의 크기가 작을 때 효율적이다.
  • Query-based Retrieval: LLM이 Cypher 쿼리 등을 작성하여 그래프 DB에서 정답 도출에 필요한 구체적인 경로만을 질의한다. 그래프가 매우 크고 복잡할 때 필수적인 방식이다.

최종적으로 LLM은 검색된 그래프 정보를 바탕으로 사용자의 질문에 대한 자연어 답변을 생성한다. 이 답변은 그래프 내의 구체적인 노드와 엣지를 근거(Grounding)로 삼기 때문에 환각 현상이 현저히 줄어든다.

5. 실험 설계 및 벤치마크 구성

ETH 취리히 연구팀은 KGoT의 성능을 객관적으로 검증하기 위해 가장 도전적인 AI 벤치마크들을 채택했다.

5.1 GAIA (General AI Assistants) 벤치마크

GAIA는 LLM 에이전트의 능력을 평가하기 위한 표준 벤치마크로, 단순한 텍스트 처리를 넘어 도구 사용, 멀티 모달 추론, 복잡한 제약 조건 해결 능력을 테스트한다.1

  • 난이도: GAIA의 문제들은 인간에게는 개념적으로 쉽지만 AI 모델에게는 매우 어렵도록 설계되었다. 특히 Level 3 문제는 수많은 단계의 추론과 다양한 도구의 복합적 사용을 요구한다.
  • 평가 지표: 작업 성공률(Success Rate)과 작업 수행 비용(Cost)이 주요 지표이다.
  • 데이터셋 보안: GAIA 벤치마크는 데이터 오염(Data Contamination)을 방지하기 위해 문제의 공개를 제한하고 있으며, KGoT 연구팀 또한 이를 준수하여 테스트 세트의 무결성을 유지했다.6

5.2 SimpleQA 벤치마크

SimpleQA는 사실 기반의 질의응답 능력을 평가한다. 단순해 보이지만, 정확한 사실 관계를 파악하고 여러 엔티티 간의 관계를 추적해야 하므로 지식 그래프의 효용성을 검증하기에 적합하다.10

5.3 비교 대상 및 실험 환경

연구팀은 KGoT의 성능을 기존의 최첨단(SOTA) 에이전트 프레임워크들과 비교했다.

  • Base Model: KGoT는 비용 효율성을 증명하기 위해 상대적으로 저렴한 모델인 GPT-4o mini를 주력으로 사용했다.
  • Comparison Targets:
  • Hugging Face Agents: 오픈소스 진영의 대표적인 에이전트 프레임워크로, 고성능 모델인 GPT-4o를 백엔드로 사용했다.
  • Vanilla LLM (GPT-4o): 도구 없이 프롬프트만으로 작동하는 기본 모델.
  • AutoGPT 등: 기타 자율 에이전트 프레임워크.
  • 하드웨어 및 인프라: 분산 처리를 위해 MPI를 활용했으며, Python 비동기 라이브러리(asyncio)를 통해 I/O 효율을 극대화했다.9

6. 실험 결과 및 성능 분석

실험 결과는 KGoT가 제시한 ’구조화된 사고’와 ’저비용 모델의 효율적 활용’이라는 가설을 완벽하게 입증했다.

6.1 GAIA 벤치마크 결과: 압도적인 효율성

가장 주목할 만한 결과는 KGoT가 훨씬 저렴한 모델을 사용하고도 고비용 모델을 사용하는 기존 시스템을 능가했다는 점이다.1

시스템 아키텍처백엔드 모델GAIA 검증 세트 성공 태스크 수 (총 165개)상대적 성공률 향상추정 운영 비용 (전체 실행)비용 절감 효과
KGoTGPT-4o mini57+29% (vs HF Agents)~$536x 절감
Hugging Face AgentsGPT-4o~29Reference~$187-
Vanilla LLMGPT-4o(낮음)-(중간)-
  • 정확도: KGoT(GPT-4o mini)는 GAIA 검증 세트에서 57개의 태스크를 성공적으로 해결했다. 이는 GPT-4o라는 최상위 모델을 탑재한 Hugging Face Agents(약 29개 해결) 대비 약 2배에 달하는 성과이며, 성공률로 환산하면 29%의 성능 향상을 의미한다.5
  • 비용 효율성: 더욱 놀라운 것은 비용이다. Hugging Face Agents가 전체 벤치마크를 수행하는 데 약 $187가 소요된 반면, KGoT는 불과 $5 내외로 동일한, 아니 더 우수한 결과를 냈다. 이는 36배 이상의 비용 절감을 의미하며, 상용 AI 서비스 개발에 있어 게임 체인저가 될 수 있는 수치이다.1

6.2 SimpleQA 및 구성 요소별 분석

SimpleQA 벤치마크 결과와 내부 구성 요소(Ablation Study) 분석을 통해 KGoT의 세부적인 특성이 드러났다.10

  • 백엔드별 성능:
  • 복잡한 다단계 추론이 필요한 문제에서는 Neo4j + Query Retrieval 조합이 가장 우수한 성능을 보였다. 이는 그래프 쿼리가 가진 패턴 매칭 능력이 LLM의 추론을 효과적으로 보조함을 시사한다.
  • 비교적 단순한 문제나 그래프 크기가 작은 경우에는 NetworkX + Direct Retrieval 조합이 속도와 비용 면에서 유리했다.
  • 다수결 투표의 영향: 초기 실험에서 도구 선택 오류(Wrong Tool Selection)가 빈번했으나, 다수결 투표 메커니즘을 도입한 후 이러한 오류가 급격히 감소했다. 이는 확률적 모델인 LLM을 제어 시스템으로 사용할 때 앙상블(Ensemble) 기법이 필수적임을 보여준다.2
  • 오류 분석: KGoT가 실패한 사례들을 분석한 결과, 여전히 도구 사용의 미숙함이나 그래프 생성 시의 부정확한 정보 추출이 주요 원인으로 지목되었다. 그러나 비구조적 텍스트 로그를 사용하는 시스템에 비해 오류의 원인을 추적(Traceability)하고 디버깅하기가 훨씬 수월했다는 점은 큰 강점이다.

6.3 Qwen2.5 및 Deepseek 모델에서의 확장성

연구팀은 GPT-4o mini 외에도 최신 오픈 모델인 Qwen2.5-32B와 Deepseek-R1-70B 모델에도 KGoT 아키텍처를 적용했다. 그 결과 각각 **36%**와 **37.5%**의 성능 향상을 기록했다.1 이는 KGoT가 특정 모델에 종속된 기술이 아니라, 어떤 LLM에도 적용 가능한 범용적인 추론 강화 프레임워크임을 증명한다.

7. 고찰 및 결론: AGI를 향한 구조적 도약

7.1 연구의 핵심 통찰 (Insights)

본 연구를 통해 도출된 핵심적인 통찰은 다음과 같다.

  1. 메모리의 구조화가 지능을 결정한다: 모델의 파라미터 크기(Scale)만이 지능의 척도가 아니다. 정보를 어떻게 저장하고, 검색하고, 재구성하는지(Architecture)가 문제 해결 능력에 더 큰 영향을 미칠 수 있다. KGoT는 ’작은 뇌(Small Model)’라도 ’좋은 메모리 시스템(Graph Memory)’을 갖추면 ’큰 뇌(Large Model)’를 이길 수 있음을 증명했다.
  2. 비용 장벽의 해소 (Affordable AI): 36배의 비용 절감은 AI 에이전트 기술의 대중화를 앞당길 핵심 키워드이다. 기업들은 이제 막대한 API 비용을 지불하지 않고도, 저비용 모델과 KGoT 아키텍처를 결합하여 고성능의 사내 에이전트를 구축할 수 있는 가능성을 확인했다.
  3. 환각의 제어: 지식 그래프는 LLM의 사고를 ’근거(Grounding)’에 묶어두는 닻(Anchor) 역할을 한다. 텍스트 생성 모델의 고질병인 환각 문제는 모델 자체의 개선뿐만 아니라, 외부 지식 저장소와의 긴밀한 결합을 통해서만 근본적으로 해결될 수 있다.

7.2 한계점 및 향후 연구 방향

물론 KGoT 시스템에도 한계는 존재한다. 그래프를 구축하고 관리하는 데 드는 오버헤드(Overhead)로 인해, 단순한 질의응답에서는 오히려 응답 속도가 느려질 수 있다. 또한, 그래프 스키마(Ontology)가 고정되어 있을 경우 유연한 사고가 저해될 수 있다는 우려도 있다.

향후 연구는 이러한 한계를 극복하기 위해 다음과 같은 방향으로 전개될 것으로 예상된다.

  • 멀티 모달 지식 그래프: 텍스트뿐만 아니라 이미지, 오디오 임베딩을 노드 속성으로 포함하여 시청각 정보를 아우르는 통합 추론 시스템 구축.
  • 온디바이스(On-device) 최적화: 스마트폰이나 엣지 디바이스에서 경량화된 그래프 DB(예: SQLite 기반)와 소형 LLM(SLM)을 연동하여, 인터넷 연결 없이도 고도의 추론을 수행하는 ‘Personal AI’ 실현.
  • 자가 진화형 그래프 스키마: 문제의 유형에 따라 스스로 최적의 그래프 구조를 정의하고 진화시키는 메타 인지(Meta-cognition) 능력의 도입.

7.3 결론

ETH 취리히의 **Knowledge Graph of Thoughts (KGoT)**는 대규모 언어 모델을 단순한 텍스트 생성기에서 진정한 문제 해결사로 진화시키기 위한 중요한 이정표이다. 이 아키텍처는 인간의 사고 과정을 모사한 동적 지식 그래프를 통해 추론의 깊이를 더하고, 외부 도구와의 결합을 통해 실질적인 작업 수행 능력을 극대화했다. 무엇보다 저비용 모델로 고비용 모델을 압도하는 성능을 보여줌으로써, 효율적이고 경제적인 ’Affordable AI’의 시대를 열었다는 점에서 그 학술적, 산업적 가치가 매우 높다고 평가된다. 우리는 KGoT가 제시한 ’구조화된 사고’의 패러다임이 향후 범용 인공지능(AGI) 연구의 핵심적인 기반이 될 것임을 확신한다.

8. 참고 자료

  1. Affordable AI Assistants with Knowledge Graph of Thoughts | Request PDF - ResearchGate, https://www.researchgate.net/publication/390468819_Affordable_AI_Assistants_with_Knowledge_Graph_of_Thoughts
  2. An LLM Using a Knowledge Graph to Reason - ETH Zurich Research Collection, https://www.research-collection.ethz.ch/bitstreams/a03fe1a6-16b6-456c-83f2-c91296eda847/download
  3. Affordable AI Assistants with Knowledge Graph of Thoughts | by Ema Ilic | Medium, https://medium.com/@ema.ilic9/affordable-ai-assistants-with-knowledge-graph-of-thoughts-1f3783e6482f
  4. Knowledge Graph of Thoughts: An LLM Using a Knowledge Graph, https://www.research-collection.ethz.ch/handle/20.500.11850/712292?show=full
  5. Daily Papers - Hugging Face, https://huggingface.co/papers?q=graph-structured%20knowledge%20representation
  6. Official Implementation of “Affordable AI Assistants with Knowledge Graph of Thoughts” - GitHub, https://github.com/spcl/knowledge-graph-of-thoughts
  7. Affordable AI Assistants With Knowledge Graph of Thoughts | PDF - Scribd, https://www.scribd.com/document/846513662/2504-02670v1
  8. knowledge-graph-of-thoughts/kgot/controller/README.md at main - GitHub, https://github.com/spcl/knowledge-graph-of-thoughts/blob/main/kgot/controller/README.md
  9. 1 Introduction - arXiv, https://arxiv.org/html/2504.02670v2
  10. Affordable AI Assistants with Knowledge Graph of Thoughts - arXiv, https://arxiv.org/html/2504.02670v6
  11. GAIA: The LLM Agent Benchmark Everyone’s Talking About | Towards Data Science, https://towardsdatascience.com/gaia-the-llm-agent-benchmark-everyones-talking-about/