PAPER

AgenticGEO — 정적 규칙 대신 콘텐츠마다 전략을 바꾸면 어떻게 되나

모든 콘텐츠에 같은 규칙을 적용하는 대신, 콘텐츠마다 다른 최적화 전략을 고르면 결과가 달라지는가?

AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization

저자: Jiaqi Yuan · Jialu Wang · Zihan Wang · Qingyun Sun · Ruijie Wang(교신) · Jianxin Li
소속: 베이항대학교(北京航空航天大学) 컴퓨터공학부 · 일부 독립 기여자
게재: arXiv 프리프린트 (코드 공개)
제출: 2026-03-02
arXiv: arXiv:2603.20213
나비랑 확인일: 2026-08-22

이 논문이 말하는 것

달라졌습니다. 저자들은 기존 GEO 연구가 제시한 정적 휴리스틱(키워드 추가·인용 추가·통계 추가 등)이 절반 정도의 샘플에서는 최적화에 실패한다고 지적하고, 콘텐츠별로 전략을 진화시키는 에이전트 시스템을 제안했습니다. 자체 평가에서 기존 최고 성능(AutoGEO) 대비 도메인 내 26~28%, 다른 도메인에서 37~70% 개선을 보고했습니다.

원문 보기 (arXiv) ↗

METHOD

어떻게 쟀나

수치를 읽기 전에 조건을 먼저 봅니다. 같은 숫자도 표본과 환경이 다르면 다른 뜻입니다.

데이터셋: GEO-Bench 질의 1,000개(문서 5,000) · MS MARCO 질의 1,000개(문서 5,000) · 이커머스 질의 416개(문서 2,180)
평가용 생성 엔진: Qwen2.5-32B-Instruct · Llama-3.3-70B-Instruct (상용 엔진이 아니라 오픈 모델이다)
시스템 구성: 비평가 Qwen2.5-1.5B · 진화기 Qwen2.5-7B-Instruct · 재작성기 Qwen2.5-32B-Instruct
비교 대상: 베이스라인 14종 — 정적 휴리스틱(키워드·권위성·전문용어·유창성·인용·인용문·통계 추가 등)과 학습 기반(AutoGEO 등)
지표: 속성된 단어 수 · 위치 가중 인용 순서 · 두 지표를 합친 전체 점수

FINDINGS

무엇이 나왔나

도메인 내(GEO-Bench): Qwen2.5-32B 에서 25.48 vs 최고 베이스라인 23.71(AutoGEO) — +26.08%. Llama-3.3-70B 에서 24.52 vs 22.78 — +27.71%
다른 도메인(MS MARCO): 34.10 vs 30.67 — +70.07%(Qwen), 33.50 vs 30.04 — +70.31%(Llama). 학습하지 않은 도메인으로의 전이가 논문의 주된 주장이다
다른 도메인(이커머스): 26.58 vs 21.18 — +47.58%(Qwen), 26.88 vs 21.50 — +36.59%(Llama)
피드백 효율: 엔진 피드백 700개로 최고 성능의 98.1% 를 달성하면서 감독은 41.2% 만 사용
⚠️ 이 수치들의 조건: 평가 엔진이 ChatGPT·Perplexity 같은 상용 답변엔진이 아니라 오픈 모델(Qwen·Llama) 이고, 검색·재순위를 포함한 실제 파이프라인이 아니라 문서 집합을 준 상태에서의 생성 단계 평가다. 상용 서비스에서의 인용률을 뜻하지 않는다

LIMITATIONS

논문이 스스로 밝힌 한계

우리가 지적한 것이 아니라 저자들이 논문에 적어 둔 내용입니다.

별도의 Limitations 절을 두지 않았다 — 결론에서 방법의 지속성과 생태계 이점을 강조할 뿐 체계적인 한계 분석이 없다.
평가 엔진이 오픈 모델(Qwen2.5-32B · Llama-3.3-70B)이고 상용 답변엔진이 아니다.
다중 턴 재작성은 3턴에서 최적이고 그 이상은 한계 효익이 줄어든다고 보고했다.
이론 보증(Regret bound O(√T))은 리플레이 버퍼가 선형으로 늘어난다는 가정 위에 있다.

나비랑의 해석 — 논문의 결론이 아닙니다

대조표에서 이 논문의 자리는 '세 번째 입장'입니다. GEO 원 논문은 올라간다고 했고 SAGEO Arena 는 현실 파이프라인에서 내려갔다고 했는데, 이 논문은 '정적 규칙이라서 그런 것이고 콘텐츠마다 전략을 바꾸면 오른다'고 말합니다. 흥미로운 지적은 기존 휴리스틱이 절반가량의 샘플에서 실패한다는 대목입니다 — 업계에서 체크리스트처럼 도는 '인용 추가·통계 추가' 류가 모든 문서에 통하지는 않는다는 뜻입니다. 다만 실무에 그대로 옮기기는 어렵습니다. 평가가 상용 답변엔진이 아니라 오픈 모델에서 이뤄졌고 검색·재순위 단계가 빠져 있어, SAGEO Arena 가 문제 삼은 바로 그 구간을 이 실험은 건너뜁니다. 나비랑은 이 결과를 '문서마다 처방이 달라야 한다'는 방향의 근거로만 읽고, 개선폭 수치는 우리 성과 예측에 쓰지 않습니다.

IN COMPARISON