Retrieval-first Primitive 설계를 통한 AI Agent 환각 제거 및 분석 정밀도 향상

Context

LLM 기반 주식 분석 에이전트의 통계적 환각(Hallucination) 발생 및 단순 Retrieval 수준의 단발성 분석 한계 노출. 데이터의 조건부 구조를 파악하지 못하고 단순 나열식 응답을 생성하는 아키텍처적 결함 존재.

Technical Solution

• Grounded Base Rates: 통계 생성 전 반드시 전용 Tool 호출을 강제하는 System Prompt와 Percentile/MAE/MFE/Survivorship Flag를 포함한 정량적 데이터 반환 구조 설계
• Edge-Mining Loop: 'Cohort → Explain → Refine'으로 이어지는 반복 루프를 통해 데이터 분포를 가장 크게 변화시키는 필터를 탐색하는 재귀적 분석 구조 도입
• Deterministic Execution: LangGraph StateGraph를 활용하여 분석 루프의 실행 흐름을 결정론적으로 제어하고 모델은 최종 합성 단계에만 집중하도록 분리
• Narrative Mapping: 단순 (Symbol, Date) 튜플에 큐레이션된 Named Event 메타데이터를 매핑하여 분석 결과의 맥락적 해석력을 높이는 데이터 보강 전략 적용
• Composable Primitives: 도메인 독립적인 Retrieval-first 기본 단위를 LLM에 제공하여 복잡한 금융 쿼리에 대해 정밀한 추론 경로를 생성하는 설계 방식 채택