TLM(Trajectory Language Model)은 시간 순으로 축적된 긴 텍스트에서 의사결정을 내리는 LLM 에이전트 프레임워크다. 일반적인 RAG는 연대기적 맥락을 고립된 조각으로 쪼개 판단에 중요한 시간 구조를 버린다는 문제의식에서 출발했다. TLM은 SHAP 기반 피드백으로 증거 집합을 반복 정제하는 폐루프 구조이며, 핵심 기여는 검색된 청크 임베딩 위에 잠재 성장곡선 모델(LGCM)을 얹어 추세, 전환점, 정보 공백을 해석 가능한 방식으로 탐지한 점이다. 저자들은 실무에서 대체로 성립하는 스코어러 보정 가정 아래 반복 정제가 정답 레이블 확률을 단조 비감소로 만든다는 것을 보였다. 의료 질의응답, 어닝콜 서프라이즈 예측, 오버나이트 주가 갭 예측 세 과제에서 검증했고 특히 의료 과제에서 제로샷·표준 RAG를 크게 앞섰다.

• •표준 RAG는 시간 순서 맥락을 단편으로 분해해 시계열 의사결정에 필요한 구조를 잃는다.
• •SHAP 피드백으로 증거 집합을 반복 정제하는 폐루프 에이전트 구조다.
• •검색 청크 임베딩에 잠재 성장곱선 모델(LGCM)을 적용해 추세·전환점·정보 공백을 해석 가능하게 탐지한다.
• •스코러 보정 가정 하에서 반복 정제가 정답 확률을 단조 비감소로 높인다는 성질을 증명했다.
• •의료 QA에서 제로샷·RAG 대비 큰 폭으로 앞섬고, 어닝콜·오버나이트 갱1 예측에서도 일관된 개선을 보였다.