모든 질문에 똑같은 검색량을 사용하는 것은 효율적이지 않음.

“ETH가 어떤 네트워크인가” 같은 질문과 여러 프로젝트의 리스크를 비교하는 질문은 필요한 조사량 자체가 다름.

DAPPOS는 Bubble Engine에 Dynamic Budget을 두고 detected uncertainty에 따라 retrieval depth와 parallel agent execution을 조정한다고 설명합니다.

쉽게 표현하면

확실한 문제
→ 필요한 만큼만 조사

불확실한 문제
→ 더 깊게 검색
→ 더 많은 Agent 병렬 활용

이라는 방향임.

항상 최대 연산량을 사용하는 게 아니라 불확실성이 커질 때 조사 비용도 늘리는 적응형 구조인 셈임.

AI의 성능뿐 아니라 비용과 속도를 함께 다루기 위한 기술임.

AI 검색에서 흔한 문제는 자료가 부족한데도 일단 그럴듯한 답을 만들어내는 것임.

DAPPOS의 Search Subgraph에는 검색 결과를 합친 뒤 relevance를 필터링하고, 다시 Enhanced Review Loop를 거치는 과정이 있습니다.

공식 백서에서는 enhanced_search_review_node가 source diversity나 accuracy score 같은 confidence criteria가 충족됐는지 검사하고, 충분하지 않으면 검색 과정을 다시 반복하는 구조를 설명합니다.

즉

검색 완료
≠
조사 완료

임.

검색
→ 결과 병합
→ 필터링
→ Confidence 검사
→ 부족하면 다시 검색 이 되는 것.

AI가 스스로 “자료를 찾았다”와 “이제 답해도 충분하다”를 구분하도록 만드는 일종의 Quality Gate임.