지능형 대화 탐색 시스템
정리수납이라는 복잡한 문제 해결을 위해, AI는 단순 답변이 아닌 '최적의 해결 경로'를 탐색합니다. MCTS는 모든 가능한 질문의 수를 계산합니다.
🎯
Selection
전략적 선택
과거 대화 이력을 바탕으로 가장 효율적인 질문 후보군을 선택합니다.
📚
RAG Augmentation
지식 확장
선택된 경로에서 전문가 데이터베이스를 조회하여 사실에 기반한 답변을 생성합니다.
⚖️
Backpropagation
가치 평가
사용자의 예상 만족도를 계산하여 상위 노드로 보상을 전달, 지능을 고도화합니다.
RAG vs GraphRAG
단순 지식(RAG)과 관계형 지식(GraphRAG)을 결합하여 집안 전체의 수납 생태계를 이해합니다.
■ 지식 유형별 성능 비교
Standard RAG: "이 서랍장 크기에는 3호 박스가 맞습니다" (개별 사실에 강함)
GraphRAG: "거실 서랍장을 정리하면 주방 동선이 20% 개선됩니다" (관계와 맥락에 강함)
정리수납 지식 그래프 모델 (D1)
방
가구
물건
"사용자가 '안방'을 언급하면, GraphRAG는 안방과 연결된 '붙박이장'과 그 안의 '겨울옷' 노드를 즉시 활성화하여 대화의 범위를 좁힙니다."
RAG 통합 MCTS 로직
- 1. MCTS가 새로운 질문 후보 생성
- 2. Cloudflare Vectorize에서 관련 전문가 가이드 검색
- 3. 검색된 정보를 Prompt Context에 삽입
- 4. 사실에 기반한 시뮬레이션(Rollout) 진행
Cloudflare Native Stack
외부 API 없이 Cloudflare 내부 자원만으로 구축하여 지연 시간을 최소화하고 보안을 강화합니다.
🐹
Go (Wasm)
MCTS 메인 로직
🔍
Vectorize
RAG 지식 저장소
💾
D1 DB
지식 그래프/사용자 상태
🤖
Workers AI
Llama 3.3 / 3.2 추론
🔗 통합 워크플로우
1
사용자 질문 입력 (카카오톡 비즈니스 채널)
2
D1에서 사용자 집 구조 그래프 호출 + Vectorize에서 수납 지식 검색
3
Go Wasm 기반 MCTS가 검색된 지식을 바탕으로 시뮬레이션
4
최종 결과 5초 내 반환 또는 콜백 응답