기존 RAG·에이전트 시스템이 인간 질의를 기다리는 반응적 구조에 머문다는 한계를 지적하고, 노동자가 묻기 전에 유용한 정보를 먼저 제시하는 능동적 에이전트를 제안한 연구다. 핵심은 기업 엔터티와 관계, 시간에 따른 상태 전이를 모델링하는 실시간 관계형 데이터 구조 '컨텍스트 그래프'다. 이 위에 상태 변화를 지속 감시하는 델타 탐지 엔진, 긴급성·관련성·페르소나 적합성으로 인사이트 순위를 매기는 능동성 스코어러, LLM 기반 서피싱 계층을 정의했다. NetworkX와 Anthropic Claude API로 완전한 구현을 제공했고, 계약 생애주기·장애 대응·영업 파이프라인 세 사례에서 Precision@5 0.83, 오탐률 0.11을 기록했으며 정보 노출까지 걸리는 평균 시간을 반응형 47분에서 30초 미만으로 단축했다.
- •기업 엔티티·관계·상태 전이를 모델링하는 실시간 데이터 구조 '컨텍스트 그래프' 제안
- •델타 탐지 엔진·능동성 스코러·LLM 서피싱 계층으로 능동적 알림 구현
- •세 기업 사례에서 Precision@5 0.83, 오탐률 0.11 달성
- •정보 노출까지 평균 시간을 반응형 47분에서 30초 미만으로 단축
- •NetworkX와 Anthropic Claude API로 종단 간 Python 구현 제공
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Context Graphs for Proactive Enterprise Agents
- 1.질의를 기다리지 않고 먼저 정보를 제시하는 선제적 엔터프라이즈 에이전트 제안
- 2.기업 엔티티·관계·상태 전이를 모델링하는 실시간 Context Graph 구조 정의
- 3.델타 감지 엔진+선제성 점수화+LLM 표면화 계층, NetworkX·Claude API로 전체 구현
- 4.3개 사례에서 Precision@5 0.83, 정보 표면화 시간 47분→30초 미만 단축
왜 중요한가?
반응형에 머물던 RAG·에이전트를 '묻기 전에 알려주는' 구조로 확장한 설계와 전체 구현 코드를 공개해, 계약 관리·장애 대응·영업 파이프라인 등 엔터프라이즈 워크플로에 바로 시험할 수 있다.
언급 프로젝트
본문 미리보기
arXiv:2607.07721v1 Announce Type: new Abstract: Retrieval-Augmented Generation (RAG) and agentic frameworks have advanced enterprise AI considerably, yet agents remain fundamentally reactive: they wait for a human query before acting. This paper argues that genuine enterprise productivity gains require proactive agents: systems that surface relevant, actionable information to workers before they ask. We propose the Context Graph, a live relational data structure that models enterprise entities,
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:08AI 초안
